CN116307533A - 水库群防洪调度智能化方法、系统及介质 - Google Patents
水库群防洪调度智能化方法、系统及介质 Download PDFInfo
- Publication number
- CN116307533A CN116307533A CN202310153372.7A CN202310153372A CN116307533A CN 116307533 A CN116307533 A CN 116307533A CN 202310153372 A CN202310153372 A CN 202310153372A CN 116307533 A CN116307533 A CN 116307533A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- scheduling scheme
- constraint
- strategy
- scheduling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 74
- 230000000739 chaotic effect Effects 0.000 claims abstract description 35
- 238000013507 mapping Methods 0.000 claims abstract description 24
- 230000010355 oscillation Effects 0.000 claims abstract description 24
- 230000002441 reversible effect Effects 0.000 claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 19
- 230000035772 mutation Effects 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 13
- 230000008602 contraction Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 7
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000013480 data collection Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 abstract description 2
- 241000283153 Cetacea Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06311—Scheduling, planning or task assignment for a person or group
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
Abstract
本发明公开了一种水库群防洪调度智能化方法、系统及介质,方法包括:S1、收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景;S2、通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择;S3、构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,通过改进混沌映射策略保障初始调度方案分布合理,通过反向振荡变异策略增加算法的全局搜索能力,通过自适应概率阈值策略和自适应权重优化策略增加算法在全局搜索能力和局部开发能力的平衡性。本发明在寻优精度和收敛速度方面有明显提升,能够快速给出满意防洪调度方案。
Description
技术领域
本发明属于水库调度的技术领域,具体涉及一种水库群防洪调度智能化方法、系统及介质。
背景技术
近年来洪涝灾害频发,造成了巨大的社会经济损失。在如今众多大型水利工程建设趋于完善的情况下,对水库群进行科学合理的联合防洪优化调度仍是防洪减灾的一种重要途径。然由于水库调度与社会、经济、环境等密切相关,且需考虑水位、流量、出库等多种复杂的时空约束,是一种典型的多层次、多约束、多阶段的复杂非线性问题,这也使其成为当前学者研究的热门课题。目前研究方法主要有两类:以线性规划、动态规划、大系统分解协调等为代表的常规调度方法;以粒子群算法、遗传算法、差分进化算法等为代表的智能优化算法。尽管上述方法研究已经十分成熟,但在实际工程中仍因维数灾、易陷入局部最优、收敛速度慢等问题而受到限制。因此通用性强,计算效率高,计算复杂度小的智能算法迫切期望投入到水库群优化调度中来。
鲸鱼算法是近年来新提出的智能启发算法,具有结构简单、调节参数少等特点,但其在处理水库群防洪调度问题时在收敛速度与收敛精度方面存在不足。针对此问题,本发明通过对鲸鱼算法进行改进,提出一种水库群防洪调度智能化方法及系统,保障全局搜索能力和局部勘探能力更加均衡,更容易跳出局部最优,为大规模水库群防洪调度提供重要策略支撑。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供水库群防洪调度智能化方法、系统及介质,为水库防洪优化调度提供新的求解思路与方法。
为了达到上述目的,本发明采用以下技术方案:
第一方面,本发明提供了一种水库群防洪调度智能化方法,包括下述步骤:
S1、收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景,将所述典型场景作为洪水调度智能化模型的输入;
S2、通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择;
S3、构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,具体为:
S31、预热阶段,设置搜索空间维度D,种群规模N,最大迭代次数T,以及决策变量上下限ub和lb,设置削峰率最大准则目标函数和约束条件,所述约束条件包括水量平衡约束,水位上、下限约束,流量上、下限约束,初始、期末水位约束,出库流量约束,库容约束;
所述削峰率最大准则目标函数如下:
式中:t为时段序号;T为调度期内总时段数;qi,t为水库i第t个时段的下泄流量;Oi,t为水库i下游第t时段的区间洪水流量;
S32、初始化阶段,种群初始化通过改进混沌映射策略生成初始水库调度方案集:首先在区间[0,1]内随机生成一组D维向量u1,而后采用改进混沌映射策略对第一个个体的每一维进行迭代产生剩余的N-1组混沌变量[u2,u3,...,un],最后将N个混沌变量映射至出库流量空间,生成初始目标调度方案集合xn,从而保障初始调度方案分布合理的同时提高算法收敛速度;
S33、计算适应度值,并依据适应度值将所有调度方案顺序排列,将适应度值最小的调度方案作为当前最优调度方案,记为best*(t),同时将适应度值最大的调度方案视为当前最差调度方案,记为worst*(t);
S34、采用自适应概率阈值策略和自适应权重优化策略调整方案更新时的权重,根据迭代次数t计算阈值p0,根据最优解和最劣解的位置更新自适应权重向量w,从而在整个迭代过程提高全局搜索能力和局部开发能力;
S35、自适应权重调整和更新调度方案,对所有目标调度方案,在决策系数p<p0时采用自适应收缩包围策略进行更新;在决策系数p≥p0时采用自适应螺旋搜索策略进行更新;
S36、反向振荡变异策略更新调度方案,在决策系数p<p0时,更新调节因子A,若|A|<1,仍然按照前文收缩包围策略进行更新;若|A|≥1,则按照反向振荡变异策略更新调度方案,将当前调度方案进行反向学习并进行正余弦振荡变异操作,对当前的调度方案进行更新;
S37、令迭代次数t=t+1,若未达到终止条件,转步骤S33;否则,输出当前最优调度方案。
作为优选的技术方案,步骤S1中,所述基于历史数据构造多组不同来水条件下的典型场景,具体为:
采用P-Ⅲ曲线对数据进行频率分布计算,分别选取不同调度期代表性频率对应的历史数据进行组合,由此构造多组不同来水条件下的典型场景;所述历史数据包括水位、流量;所述代表性频率包括0.01%、0.1%、1%、5%、10%、15%。
作为优选的技术方案,所述步骤S2具体为:
明确影响不同场景下的特征要素,建立典型场景与历史特征数据的一一对应的约束取值范围的选择关系:
作为优选的技术方案,步骤S31中,所述水量平衡约束如下:
式中:Vi,t、Vi,t+1为水库i在时段t、t+1时刻的库容,其中t=1,2,···,T;Ii,t为水库i在时段t的预报入库流量;Oi,t为水库i在第t时段的区间流量;qi,t为水库i在第t时段的下泄流量;Δt为计算时间长度;Ai表示水库i的所有上游水库;τa→i表示流量从上游水库a到达水库i的传播时段;
所述水位上、下限约束如下:
Zi,min≤Zi,t≤Zi,max
式中:Zi,min和Zi,max分别为水库i在t时刻的允许最低和最高水位;Zi,t为水库i在t时刻的水位;
所述流量上、下限约束如下:
qi,min≤qi,t≤QC(Zi,t)
式中:qi,min为水库i在t时刻的允许最小下泄流量;QC(Zi,t)为水库i在t时刻的Zi,t水位下的泄流能力值;
所述初始、期末水位约束如下:
Zi,0=ZStart
Zi,T=ZEnd
式中:ZStar和ZEnd分别为水库防洪调度给定的初始水位条件和期末水位条件;Zi,0和Zi,T分别为水库i在时段初和时段末的水位;
所述出库流量约束如下
所述库容约束如下:
5、根据权利要求1所述的水库群防洪调度智能化方法,其特征在于,步骤S32中,具体方法如下:
u1,j=φ(0,1),j∈[1,2,…,D]
xn=lb+un+1·(ub-lb)
式中:un为区间[0,1]的混沌序列初始值;un+1为通过该映射方法输出的混沌序列;xn是调度方案对应的决策变量;ub、lb分别是各水库出库流量的上限、下限。
作为优选的技术方案,步骤S34中,更新方法如下:
式中,t是当前迭代次数;T为最大迭代次数;
D1=c1||best*(t)-Xrand(t)||
D2=c2||worst*(t)-Xrand(t)||
式中,Xrand(t)为随机调度方案;D1为当前最优调度方案best*(t)与随机调度方案的欧式距离;D2为当前最差调度方案worst*(t)与随机调度方案的欧式距离;c1、c2为系数因子;w为自适应权重系数。
作为优选的技术方案,步骤S35中,自适应螺旋搜索策略进行更新,具体为:
A=2ar-a
C=2r
D=|X(t)-best*(t)|
式中,b是定义对螺旋线形状的常量;l是[-1,1]之间的随机数;t是当前迭代次数;X(t)、X(t+1)分别是第t次和第t+1次迭代时的目标调度方案;best*(t)是当前最优调度方案;A、C是系数向量;D是目标调度方案与当前最优调度方案的距离;p、r是[0,1]之间的随机数;a为随迭代次数增加从2到0的线性递减参数。
作为优选的技术方案,步骤S36中,对当前的调度方案进行更新,具体表示如下:
X(t)'=ub+lb-X(t)*
X(t+1)=X(t)'+ksin(z1π)|X(t)'-X(t)rand1|+kcos(z2π)|X(t)'-X(t)rand2|
式中,X*(t)为当前最优调度方案;X'(t)为最优调度方案的反向方案;ub、lb分别为决策空间的上下限;X(t)、X(t+1)分别是第t次和第t+1次迭代时的目标调度方案;X(t)rand为当前调度方案集中随机一个方案;z1、z2为范围[0,1]内的随机数;k为调节因子。
第二方面,本发明提供了一种水库群防洪调度智能化系统,适用于所述的水库群防洪调度智能化方法,包括数据收集模块、典型场景构建模块以及模型构建求解模块;
所述数据收集模块,用于收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景,将所述典型场景作为洪水调度智能化模型的输入;
所述典型场景构建模块,用于通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择;
所述模型构建求解模块,用于构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,具体为:
S31、预热阶段,设置搜索空间维度D,种群规模N,最大迭代次数T,以及决策变量上下限ub和lb,设置削峰率最大准则目标函数和约束条件,所述约束条件包括水量平衡约束,水位上、下限约束,流量上、下限约束,初始、期末水位约束,出库流量约束,库容约束;
所述削峰率最大准则目标函数如下:
式中:t为时段序号;T为调度期内总时段数;qi,t为水库i第t个时段的下泄流量;Oi,t为水库i下游第t时段的区间洪水流量;
S32、初始化阶段,种群初始化通过改进混沌映射策略生成初始水库调度方案集:首先在区间[0,1]内随机生成一组D维向量u1,而后采用改进混沌映射策略对第一个个体的每一维进行迭代产生剩余的N-1组混沌变量[u2,u3,…,un],最后将N个混沌变量映射至出库流量空间,生成初始目标调度方案集合xn,从而保障初始调度方案分布合理的同时提高算法收敛速度;
S33、计算适应度值,并依据适应度值将所有调度方案顺序排列,将适应度值最小的调度方案作为当前最优调度方案,记为best*(t),同时将适应度值最大的调度方案视为当前最差调度方案,记为worst*(t);
S34、采用自适应概率阈值策略和自适应权重优化策略调整方案更新时的权重,根据迭代次数t计算阈值p0,根据最优解和最劣解的位置更新自适应权重向量w,从而在整个迭代过程提高全局搜索能力和局部开发能力;
S35、自适应权重调整和更新调度方案,对所有目标调度方案,在决策系数p<p0时采用自适应收缩包围策略进行更新;在决策系数p≥p0时采用自适应螺旋搜索策略进行更新;
S36、反向振荡变异策略更新调度方案,在决策系数p<p0时,更新调节因子A,若|A|<1,仍然按照前文收缩包围策略进行更新;若|A|≥1,则按照反向振荡变异策略更新调度方案,将当前调度方案进行反向学习并进行正余弦振荡变异操作,对当前的调度方案进行更新;
S37、令迭代次数t=t+1,若未达到终止条件,转步骤S33;否则,输出当前最优调度方案。
第三方面,本发明提供了一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现所述的水库群防洪调度智能化方法。
本发明与现有技术相比,具有如下优点和有益效果:
1、本发明采用自适应阈值和自适应权重因子来调整种群更新时的位置变化,使得种群能够根据迭代情况合理的选择适合当前的捕食策略,能够很好的摆脱算法收敛速度慢、陷入局部最优等问题;同时构造梯级水库群联合防洪调度模型,利用高效优化算法求解获取合理可行的调度方案。
2、本发明采用反向振荡变异策略来对新一代鲸鱼位置进行更新,使得种群能够摆脱对当前最优解的依赖,可以更快速的在种群空间进行搜寻,有着更强的全局搜索能力。
3、本发明综合考虑流域重点水库水位、区间流量等多方面信息,模拟生成多种典型场景,并设置约束条件智能选取方法,通过提取和识别历史数据下的特征因子实现不同典型场景下的约束条件取值范围的动态选择,保证求解方案在实际情形下的可操作性。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明水库群防洪调度智能化方法的流程示意图;
图2为对洪水调度智能化模型进行求解的方法流程图;
图3为本发明和传统算法运行结果对比示意图;
图4为本发明对水库1进行防洪优化调度结果图;
图5为本发明对水库2进行防洪优化调度结果图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本申请中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本申请所描述的实施例可以与其它实施例相结合。
如图1所示,本实施例提供的一种水库群防洪调度智能化方法,包括下述步骤:
S1、收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景,将所述典型场景作为洪水调度智能化模型的输入。
进一步的,所述历史数据包括水位、流量;收集水库洪水水位、流量等历史数据并采用P-Ⅲ曲线对数据进行频率分布计算,分别选取不同调度期代表性频率(如0.01%、0.1%、1%、5%、10%、15%等)对应的水位、流量等数据进行组合,由此构造多组不同来水条件下的典型场景,作为模型的输入条件。
S2、通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择,保证求解方案在实际情形下的可操作性,具体如下:
明确影响不同场景下的特征要素,如不同频率下的水位、入库流量等,建立典型场景与历史特征数据的一一对应的约束取值范围的选择关系:
S3、构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,如图2所示,具体为:
S31、预热阶段,设置搜索空间维度D,种群规模N,最大迭代次数T,以及决策变量上下限ub和lb,设置削峰率最大准则目标函数和约束条件,所述约束条件包括水量平衡约束,水位上、下限约束,流量上、下限约束,初始、期末水位约束,出库流量约束,库容约束;
所述削峰率最大准则目标函数如下:
式中:t为时段序号;T为调度期内总时段数;qi,t为水库i第t个时段的下泄流量,m3/s;Oi,t为水库i下游第t时段的区间洪水流量,m3/s。
进一步的,各约束条件如下:
(1)水量平衡约束
式中:Vi,t、Vi,t+1为水库i在时段t、t+1时刻的库容,m3,其中t=1,2,···,T;Ii,t为水库i在时段t的预报入库流量,m3/s;Oi,t为水库i在第t时段的区间流量(m3/s);qi,t为水库i在第t时段的下泄流量,m3/s;Δt为计算时间长度,h;Ai表示水库i的所有上游水库;τa→i表示流量从上游水库a到达水库i的传播时段,h。
(2)水位上、下限约束
Zi,min≤Zi,t≤Zi,max
式中:Zi,min和Zi,max分别为水库i在t时刻的允许最低和最高水位,m;Zi,t为水库i在t时刻的水位,m。
(3)流量上、下限约束
qi,min≤qi,t≤QC(Zi,t)
式中:qi,min为水库i在t时刻的允许最小下泄流量,一般在具有发电、灌溉、供水、航运或生态补水等多用途水库中设定该值,m3/s;QC(Zi,t)为水库i在t时刻的Zi,t水位下的泄流能力值,m3/s。
(4)初始、期末水位约束
Zi,0=ZStart
Zi,T=ZEnd
式中:ZStar和ZEnd分别为水库防洪调度给定的初始水位条件和期末水位条件,m;Zi,0和Zi,T分别为水库i在时段初和时段末的水位,m。
(5)出库流量约束
(6)库容约束
S32、初始化阶段,种群初始化通过改进混沌映射策略生成初始水库调度方案集:首先在区间[0,1]内随机生成一组D维向量u1,而后采用改进混沌映射策略对第一个个体的每一维进行迭代产生剩余的N-1组混沌变量[u2,u3,…,un],最后将N个混沌变量映射至出库流量空间,生成初始目标调度方案集合xn,从而保障初始调度方案分布合理的同时提高算法收敛速度;具体方法为:
u1,j=φ(0,1),j∈[1,2,…,D]
xn=lb+un+1·(ub-lb)
式中:un为区间[0,1]的混沌序列初始值;un+1为通过该映射方法输出的混沌序列;xn是调度方案对应的决策变量;ub、lb分别是各水库出库流量的上限、下限。
S33、计算适应度值,并依据适应度值将所有调度方案顺序排列,将适应度值最小的调度方案作为当前最优调度方案,记为best*(t),同时将适应度值最大的调度方案视为当前最差调度方案,记为worst*(t);
S34、采用自适应概率阈值策略和自适应权重优化策略调整方案更新时的权重,根据迭代次数t计算阈值p0,根据最优解和最劣解的位置更新自适应权重向量w,从而在整个迭代过程提高全局搜索能力和局部开发能力,具体更新公式为:
式中,t是当前迭代次数;T为最大迭代次数。
D1=c1||best*(t)-Xrand(t)||
D2=c2||worst*(t)-Xrand(t)||
式中,Xrand(t)为随机调度方案;D1为当前最优调度方案best*(t)与随机调度方案的欧式距离;D2为当前最差调度方案worst*(t)与随机调度方案的欧式距离;c1、c2为系数因子;w为自适应权重系数。
S35、自适应权重调整和更新调度方案。对所有目标调度方案,在决策系数p<p0时采用自适应收缩包围策略进行更新;在决策系数p≥p0时采用自适应螺旋搜索策略进行更新,具体表示如下:
A=2ar-a
C=2r
D=|X(t)-best*(t)|
式中,b是定义对螺旋线形状的常量;l是[-1,1]之间的随机数;t是当前迭代次数;X(t)、X(t+1)分别是第t次和第t+1次迭代时的目标调度方案;best*(t)是当前最优调度方案;A、C是系数向量;D是目标调度方案与当前最优调度方案的距离;p、r是[0,1]之间的随机数;a为随迭代次数增加从2到0的线性递减参数
S36、反向振荡变异策略更新调度方案。在决策系数p<p0时,更新调节因子A,若|A|<1,仍然按照前文收缩包围策略进行更新;若|A|≥1,则按照反向振荡变异策略更新调度方案,将当前调度方案进行反向学习并进行正余弦振荡变异操作,对当前的调度方案进行更新,具体表示如下:
X(t)'=ub+lb-X(t)*
X(t+1)=X(t)'+ksin(z1π)|X(t)'-X(t)rand1|+kcos(z2π)|X(t)'-X(t)rand2|
式中,X*(t)为当前最优调度方案;X'(t)为最优调度方案的反向方案;ub、lb为决策空间的上下限;X(t)、X(t+1)分别是第t次和第t+1次迭代时的目标调度方案;X(t)rand为当前调度方案集中随机一个方案;z1、z2为范围[0,1]内的随机数;k为调节因子。
S37、令迭代次数t=t+1,若未达到终止条件,转步骤S33;否则,输出当前最优调度方案。
在本申请的一个具体实施方式中,选取该流域某场实测洪水,分别采用本发明与传统算法开展梯级水库群防洪优化调度,具体结果见表1和图3-5所示,表1列出了本发明方法与其它优化方法的防洪优化调度计算结果
表1结果对比表
由表1可知,本发明在最大削峰率模型的计算结果优于传统方法,多次运行下结果较为稳定,且最小值、均值和方差都小于传统方法,使得其在应对不同水库调度的复杂问题下,适应性更强;由图3可知,采用本发明的方法,效果明显优于传统方法,由图4和图5可知,本发明水库1和水库2出库过程比较平稳,且最大出库流量均小于传统方法,对减小下游的防洪压力有显著的效果。
本发明采用自适应阈值和自适应权重因子来调整种群更新时的位置变化,使得种群能够根据迭代情况合理的选择适合当前的捕食策略,能够很好的摆脱算法收敛速度慢、陷入局部最优等问题;同时采用反向振荡变异策略来对新一代鲸鱼位置进行更新,使得种群能够摆脱对当前最优解的依赖,可以更快速的在种群空间进行搜寻,有着更强的全局搜索能力。
可见,本发明计算结果更优,运行结果更加稳定,表明本发明应用于水库群防洪优化调度问题高效求解的可行性与有效性,对于流域防洪有着削峰错峰,防灾减灾的重要作用。
需要说明的是,对于前述的各方法实施例,为了简便描述,将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其它顺序或者同时进行。
基于与上述实施例中的水库群防洪调度智能化方法相同的思想,本发明还提供了水库群防洪调度智能化系统,该系统可用于执行上述水库群防洪调度智能化方法。为了便于说明,水库群防洪调度智能化系统实施例的结构示意图中,仅仅示出了与本发明实施例相关的部分,本领域技术人员可以理解,图示结构并不构成对装置的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
在本申请的另一个实施例中,提供了一种水库群防洪调度智能化系统,该系统包括数据收集模块、典型场景构建模块以及模型构建求解模块;
所述数据收集模块,用于收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景,将所述典型场景作为洪水调度智能化模型的输入;
所述典型场景构建模块,用于通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择;
所述模型构建求解模块,用于构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,具体为:
S31、预热阶段,设置搜索空间维度D,种群规模N,最大迭代次数T,以及决策变量上下限ub和lb,设置削峰率最大准则目标函数和约束条件,所述约束条件包括水量平衡约束,水位上、下限约束,流量上、下限约束,初始、期末水位约束,出库流量约束,库容约束;
所述削峰率最大准则目标函数如下:
式中:t为时段序号;T为调度期内总时段数;qi,t为水库i第t个时段的下泄流量;Oi,t为水库i下游第t时段的区间洪水流量;
S32、初始化阶段,种群初始化通过改进混沌映射策略生成初始水库调度方案集:首先在区间[0,1]内随机生成一组D维向量u1,而后采用改进混沌映射策略对第一个个体的每一维进行迭代产生剩余的N-1组混沌变量[u2,u3,…,un],最后将N个混沌变量映射至出库流量空间,生成初始目标调度方案集合xn,从而保障初始调度方案分布合理的同时提高算法收敛速度;
S33、计算适应度值,并依据适应度值将所有调度方案顺序排列,将适应度值最小的调度方案作为当前最优调度方案,记为best*(t),同时将适应度值最大的调度方案视为当前最差调度方案,记为worst*(t);
S34、采用自适应概率阈值策略和自适应权重优化策略调整方案更新时的权重,根据迭代次数t计算阈值p0,根据最优解和最劣解的位置更新自适应权重向量w,从而在整个迭代过程提高全局搜索能力和局部开发能力;
S35、自适应权重调整和更新调度方案。对所有目标调度方案,在决策系数p<p0时采用自适应收缩包围策略进行更新;在决策系数p≥p0时采用自适应螺旋搜索策略进行更新;
S36、反向振荡变异策略更新调度方案。在决策系数p<p0时,更新调节因子A,若|A|<1,仍然按照前文收缩包围策略进行更新;若|A|≥1,则按照反向振荡变异策略更新调度方案,将当前调度方案进行反向学习并进行正余弦振荡变异操作,对当前的调度方案进行更新;
S37、令迭代次数t=t+1,若未达到终止条件,转步骤S33;否则,输出当前最优调度方案。
需要说明的是,本发明的水库群防洪调度智能化系统与本发明的水库群防洪调度智能化方法一一对应,在上述水库群防洪调度智能化方法的实施例阐述的技术特征及其有益效果均水库群防洪调度智能化的实施例中,具体内容可参见本发明方法实施例中的叙述,此处不再赘述,特此声明。
此外,上述实施例的水库群防洪调度智能化系统的实施方式中,各程序模块的逻辑划分仅是举例说明,实际应用中可以根据需要,例如出于相应硬件的配置要求或者软件的实现的便利考虑,将上述功能分配由不同的程序模块完成,即将所述水库群防洪调度智能化系统的内部结构划分成不同的程序模块,以完成以上描述的全部或者部分功能。
在本申请的另一个实施例中,还提供了一种计算机可读存储介质,存储有程序,所述程序被处理器执行时,实现所述的水库群防洪调度智能化方法,具体为:
S1、收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景,将所述典型场景作为洪水调度智能化模型的输入;
S2、通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择;
S3、构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,具体为:
S31、预热阶段,设置搜索空间维度D,种群规模N,最大迭代次数T,以及决策变量上下限ub和lb,设置削峰率最大准则目标函数和约束条件,所述约束条件包括水量平衡约束,水位上、下限约束,流量上、下限约束,初始、期末水位约束,出库流量约束,库容约束;
所述削峰率最大准则目标函数如下:
式中:t为时段序号;T为调度期内总时段数;qi,t为水库i第t个时段的下泄流量;Oi,t为水库i下游第t时段的区间洪水流量;
S32、初始化阶段,种群初始化通过改进混沌映射策略生成初始水库调度方案集:首先在区间[0,1]内随机生成一组D维向量u1,而后采用改进混沌映射策略对第一个个体的每一维进行迭代产生剩余的N-1组混沌变量[u2,u3,…,un],最后将N个混沌变量映射至出库流量空间,生成初始目标调度方案集合xn,从而保障初始调度方案分布合理的同时提高算法收敛速度;
S33、计算适应度值,并依据适应度值将所有调度方案顺序排列,将适应度值最小的调度方案作为当前最优调度方案,记为best*(t),同时将适应度值最大的调度方案视为当前最差调度方案,记为worst*(t);
S34、采用自适应概率阈值策略和自适应权重优化策略调整方案更新时的权重,根据迭代次数t计算阈值p0,根据最优解和最劣解的位置更新自适应权重向量w,从而在整个迭代过程提高全局搜索能力和局部开发能力;
S35、自适应权重调整和更新调度方案。对所有目标调度方案,在决策系数p<p0时采用自适应收缩包围策略进行更新;在决策系数p≥p0时采用自适应螺旋搜索策略进行更新;
S36、反向振荡变异策略更新调度方案。在决策系数p<p0时,更新调节因子A,若|A|<1,仍然按照前文收缩包围策略进行更新;若|A|≥1,则按照反向振荡变异策略更新调度方案,将当前调度方案进行反向学习并进行正余弦振荡变异操作,对当前的调度方案进行更新;
S37、令迭代次数t=t+1,若未达到终止条件,转步骤S33;否则,输出当前最优调度方案。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一非易失性计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (10)
1.水库群防洪调度智能化方法,其特征在于,包括下述步骤:
S1、收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景,将所述典型场景作为洪水调度智能化模型的输入;
S2、通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择;
S3、构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,具体为:
S31、预热阶段,设置搜索空间维度D,种群规模N,最大迭代次数T,以及决策变量上下限ub和lb,设置削峰率最大准则目标函数和约束条件,所述约束条件包括水量平衡约束,水位上、下限约束,流量上、下限约束,初始、期末水位约束,出库流量约束,库容约束;
所述削峰率最大准则目标函数如下:
式中:t为时段序号;T为调度期内总时段数;qi,t为水库i第t个时段的下泄流量;Oi,t为水库i下游第t时段的区间洪水流量;
S32、初始化阶段,种群初始化通过改进混沌映射策略生成初始水库调度方案集:首先在区间[0,1]内随机生成一组D维向量u1,而后采用改进混沌映射策略对第一个个体的每一维进行迭代产生剩余的N-1组混沌变量[u2,u3,...,un],最后将N个混沌变量映射至出库流量空间,生成初始目标调度方案集合xn,从而保障初始调度方案分布合理的同时提高算法收敛速度;
S33、计算适应度值,并依据适应度值将所有调度方案顺序排列,将适应度值最小的调度方案作为当前最优调度方案,记为best*(t),同时将适应度值最大的调度方案视为当前最差调度方案,记为worst*(t);
S34、采用自适应概率阈值策略和自适应权重优化策略调整方案更新时的权重,根据迭代次数t计算阈值p0,根据最优解和最劣解的位置更新自适应权重向量w,从而在整个迭代过程提高全局搜索能力和局部开发能力;
S35、自适应权重调整和更新调度方案,对所有目标调度方案,在决策系数p<p0时采用自适应收缩包围策略进行更新;在决策系数p≥p0时采用自适应螺旋搜索策略进行更新;
S36、反向振荡变异策略更新调度方案,在决策系数p<p0时,更新调节因子A,若|A|<1,仍然按照前文收缩包围策略进行更新;若|A|≥1,则按照反向振荡变异策略更新调度方案,将当前调度方案进行反向学习并进行正余弦振荡变异操作,对当前的调度方案进行更新;
S37、令迭代次数t=t+1,若未达到终止条件,转步骤S33;否则,输出当前最优调度方案。
2.根据权利要求1所述的水库群防洪调度智能化方法,其特征在于,步骤S1中,所述基于历史数据构造多组不同来水条件下的典型场景,具体为:
采用P-Ⅲ曲线对数据进行频率分布计算,分别选取不同调度期代表性频率对应的历史数据进行组合,由此构造多组不同来水条件下的典型场景;所述历史数据包括水位、流量;所述代表性频率包括0.01%、0.1%、1%、5%、10%、15%。
4.根据权利要求1所述的水库群防洪调度智能化方法,其特征在于,步骤S31中,所述水量平衡约束如下:
式中:Vi,t、Vi,t+1为水库i在时段t、t+1时刻的库容,其中t=1,2,···,T;Ii,t为水库i在时段t的预报入库流量;Oi,t为水库i在第t时段的区间流量;qi,t为水库i在第t时段的下泄流量;Δt为计算时间长度;Ai表示水库i的所有上游水库;τa→i表示流量从上游水库a到达水库i的传播时段;
所述水位上、下限约束如下:
Zi,min≤Zi,t≤Zi,max
式中:Zi,min和Zi,max分别为水库i在t时刻的允许最低和最高水位;Zi,t为水库i在t时刻的水位;
所述流量上、下限约束如下:
qi,min≤qi,t≤QC(Zi,t)
式中:qi,min为水库i在t时刻的允许最小下泄流量;QC(Zi,t)为水库i在t时刻的Zi,t水位下的泄流能力值;
所述初始、期末水位约束如下:
Zi,0=ZStart
Zi,T=ZEnd
式中:ZStar和ZEnd分别为水库防洪调度给定的初始水位条件和期末水位条件;Zi,0和Zi,T分别为水库i在时段初和时段末的水位;
所述出库流量约束如下
所述库容约束如下:
8.根据权利要求1所述的水库群防洪调度智能化方法,其特征在于,步骤S36中,对当前的调度方案进行更新,具体表示如下:
X(t)'=ub+lb-X(t)*
X(t+1)=X(t)'+k sin(z1π)|X(t)'-X(t)rand1|+k cos(z2π)|X(t)'-X(t)rand2|
式中,X*(t)为当前最优调度方案;X'(t)为最优调度方案的反向方案;ub、lb分别为决策空间的上下限;X(t)、X(t+1)分别是第t次和第t+1次迭代时的目标调度方案;X(t)rand为当前调度方案集中随机一个方案;z1、z2为范围[0,1]内的随机数;k为调节因子。
9.水库群防洪调度智能化系统,其特征在于,适用于权利要求1-8中任一项所述的水库群防洪调度智能化方法,包括数据收集模块、典型场景构建模块以及模型构建求解模块;
所述数据收集模块,用于收集水库洪水历史数据,基于历史数据构造多组不同来水条件下的典型场景,将所述典型场景作为洪水调度智能化模型的输入;
所述典型场景构建模块,用于通过提取和识别历史数据下的特征因子,对不同置信度下对应的历史特征值进行缩放,实现不同典型场景下的约束条件取值范围的动态选择;
所述模型构建求解模块,用于构建洪水调度智能化模型,并对所述洪水调度智能化模型进行求解,具体为:
S31、预热阶段,设置搜索空间维度D,种群规模N,最大迭代次数T,以及决策变量上下限ub和lb,设置削峰率最大准则目标函数和约束条件,所述约束条件包括水量平衡约束,水位上、下限约束,流量上、下限约束,初始、期末水位约束,出库流量约束,库容约束;
所述削峰率最大准则目标函数如下:
式中:t为时段序号;T为调度期内总时段数;qi,t为水库i第t个时段的下泄流量;Oi,t为水库i下游第t时段的区间洪水流量;
S32、初始化阶段,种群初始化通过改进混沌映射策略生成初始水库调度方案集:首先在区间[0,1]内随机生成一组D维向量u1,而后采用改进混沌映射策略对第一个个体的每一维进行迭代产生剩余的N-1组混沌变量[u2,u3,...,un],最后将N个混沌变量映射至出库流量空间,生成初始目标调度方案集合xn,从而保障初始调度方案分布合理的同时提高算法收敛速度;
S33、计算适应度值,并依据适应度值将所有调度方案顺序排列,将适应度值最小的调度方案作为当前最优调度方案,记为best*(t),同时将适应度值最大的调度方案视为当前最差调度方案,记为worst*(t);
S34、采用自适应概率阈值策略和自适应权重优化策略调整方案更新时的权重,根据迭代次数t计算阈值p0,根据最优解和最劣解的位置更新自适应权重向量w,从而在整个迭代过程提高全局搜索能力和局部开发能力;
S35、自适应权重调整和更新调度方案,对所有目标调度方案,在决策系数p<p0时采用自适应收缩包围策略进行更新;在决策系数p≥p0时采用自适应螺旋搜索策略进行更新;
S36、反向振荡变异策略更新调度方案,在决策系数p<p0时,更新调节因子A,若|A|<1,仍然按照前文收缩包围策略进行更新;若|A|≥1,则按照反向振荡变异策略更新调度方案,将当前调度方案进行反向学习并进行正余弦振荡变异操作,对当前的调度方案进行更新;
S37、令迭代次数t=t+1,若未达到终止条件,转步骤S33;否则,输出当前最优调度方案。
10.一种计算机可读存储介质,存储有程序,其特征在于,所述程序被处理器执行时,实现权利要求1-8任一项所述的水库群防洪调度智能化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153372.7A CN116307533B (zh) | 2023-02-21 | 2023-02-21 | 水库群防洪调度智能化方法、系统及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310153372.7A CN116307533B (zh) | 2023-02-21 | 2023-02-21 | 水库群防洪调度智能化方法、系统及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307533A true CN116307533A (zh) | 2023-06-23 |
CN116307533B CN116307533B (zh) | 2023-10-20 |
Family
ID=86786178
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310153372.7A Active CN116307533B (zh) | 2023-02-21 | 2023-02-21 | 水库群防洪调度智能化方法、系统及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307533B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010575A (zh) * | 2023-09-27 | 2023-11-07 | 浙江远算科技有限公司 | 基于数字孪生的水库群多目标优化调度仿真方法以及系统 |
CN117875519A (zh) * | 2024-03-11 | 2024-04-12 | 陕西省水利电力勘测设计研究院 | 一种基于并联水库系统的供水调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108710972A (zh) * | 2018-05-16 | 2018-10-26 | 河海大学 | 一种基于poa算法的水库防洪调度方法 |
CN110363343A (zh) * | 2019-07-11 | 2019-10-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种混合自适应的水电站群智能优化调度方法及系统 |
CN113971362A (zh) * | 2021-10-26 | 2022-01-25 | 中国水利水电科学研究院 | 基于能量准则的混联水库群防洪优化调度方案生成方法 |
CN114757579A (zh) * | 2022-05-13 | 2022-07-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种复杂工程体系下水库群防洪优化调度方法 |
-
2023
- 2023-02-21 CN CN202310153372.7A patent/CN116307533B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018072351A1 (zh) * | 2016-10-20 | 2018-04-26 | 北京工业大学 | 一种基于粒子群优化算法对支持向量机的优化方法 |
CN108710972A (zh) * | 2018-05-16 | 2018-10-26 | 河海大学 | 一种基于poa算法的水库防洪调度方法 |
CN110363343A (zh) * | 2019-07-11 | 2019-10-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种混合自适应的水电站群智能优化调度方法及系统 |
CN113971362A (zh) * | 2021-10-26 | 2022-01-25 | 中国水利水电科学研究院 | 基于能量准则的混联水库群防洪优化调度方案生成方法 |
CN114757579A (zh) * | 2022-05-13 | 2022-07-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种复杂工程体系下水库群防洪优化调度方法 |
Non-Patent Citations (3)
Title |
---|
孙鹤旭;张维;雷兆明;张航;: "基于改进鲸鱼优化算法的风电消纳调度研究", 高技术通讯, no. 03 * |
褚鼎立;陈红;王旭光;: "基于自适应权重和模拟退火的鲸鱼优化算法", 电子学报, no. 05 * |
邹强;王学敏;李安强;何小聪;罗斌;: "基于并行混沌量子粒子群算法的梯级水库群防洪优化调度研究", 水利学报, no. 08 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117010575A (zh) * | 2023-09-27 | 2023-11-07 | 浙江远算科技有限公司 | 基于数字孪生的水库群多目标优化调度仿真方法以及系统 |
CN117010575B (zh) * | 2023-09-27 | 2023-12-19 | 浙江远算科技有限公司 | 基于数字孪生的水库群多目标优化调度仿真方法以及系统 |
CN117875519A (zh) * | 2024-03-11 | 2024-04-12 | 陕西省水利电力勘测设计研究院 | 一种基于并联水库系统的供水调度方法 |
CN117875519B (zh) * | 2024-03-11 | 2024-06-04 | 陕西省水利电力勘测设计研究院 | 一种基于并联水库系统的供水调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116307533B (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307533B (zh) | 水库群防洪调度智能化方法、系统及介质 | |
Li et al. | Improved decomposition–coordination and discrete differential dynamic programming for optimization of large-scale hydropower system | |
Wang et al. | Study on unit commitment problem considering pumped storage and renewable energy via a novel binary artificial sheep algorithm | |
CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
Chen et al. | Applying a real‐coded multi‐population genetic algorithm to multi‐reservoir operation | |
Tung et al. | Application of the genetic algorithm for optimizing operation rules of the liyutan reservoir in taiwan 1 | |
CN112966445B (zh) | 一种基于强化学习模型fqi的水库防洪优化调度方法 | |
Lu et al. | Study on the optimal hydropower generation of Zhelin reservoir | |
CN112670984A (zh) | 一种基于改进鲸鱼算法的电力系统经济负荷分配方法 | |
Liu et al. | An empirical study on machine learning models for wind power predictions | |
Uguz et al. | A new algorithm based on artificial bee colony algorithm for energy demand forecasting in Turkey | |
Liang | A noise annealing neural network for hydroelectric generation scheduling with pumped-storage units | |
Lin et al. | A novel ultra-short-term wind power prediction model jointly driven by multiple algorithm optimization and adaptive selection | |
CN117610828A (zh) | 一种步长逐密多目标梯级水电站群优化调度方法 | |
CN111476477A (zh) | 基于发电效益目标的梯级水电站中长期优化调度方法 | |
Yu et al. | Optimal operation of water supply systems with tanks based on genetic algorithm | |
Yang et al. | Short-Term Hydro Generation Scheduling of the Three Gorges Hydropower Station Using Improver Binary-coded Whale Optimization Algorithm | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN115169754B (zh) | 能源调度方法、装置、电子设备及存储介质 | |
CN114154404B (zh) | 一种利用观测数据推断相邻水电站运行状态及参数的方法 | |
CN109635999A (zh) | 一种基于粒子群-细菌觅食的水电站调度方法及系统 | |
CN114583714A (zh) | 电力系统无功优化控制参数求解方法、系统、设备及介质 | |
CN110533244B (zh) | 一种梯级水坝优化调度方法、系统与计算机可读存储介质 | |
CN114861995A (zh) | 电力物资的需求预测方法、装置和计算机设备 | |
Liu | Machine learning for wind power prediction |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |