CN116739286A - 一种水库群优化调度方法、系统与电子设备 - Google Patents
一种水库群优化调度方法、系统与电子设备 Download PDFInfo
- Publication number
- CN116739286A CN116739286A CN202310741562.0A CN202310741562A CN116739286A CN 116739286 A CN116739286 A CN 116739286A CN 202310741562 A CN202310741562 A CN 202310741562A CN 116739286 A CN116739286 A CN 116739286A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- water level
- flow
- response surface
- surface model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 115
- 230000004044 response Effects 0.000 claims abstract description 59
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 32
- 239000006185 dispersion Substances 0.000 claims abstract description 13
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000004088 simulation Methods 0.000 claims abstract description 7
- 230000008901 benefit Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 9
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 238000001595 flow curve Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 7
- 238000010248 power generation Methods 0.000 description 4
- 241001494479 Pecora Species 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水库群优化调度方法、系统与电子设备。首先获得起始水位、结束水位、入库流量不同状态组合以及不同组合下的水库出力;然后利用LSTM算法进行水库起始水位、结束水位、入库流量与出力的映射模拟,构建响应面模型;最后对调度期内各水库水位进行状态离散,利用响应面模型计算每个阶段不同离散状态组合下的水库出力,调用动态规划算法计算得到最优调度方案。本发明采用LSTM构造响应面的方法减少了原DP递归方程中的冗余计算,从而在保障调度方案质量的同时显著提高了水库调度计算效率。
Description
技术领域
本发明属于水资源高效利用与水电系统优化调度技术领域,具体涉及一种水库群优化调度方法、系统与电子设备。
背景技术
由于经济的快速增长,中国对电力的需求在过去几年中大幅增加,导致水电资源的开发日趋显著。截至2022年底,水电总装机容量超过413.5GW,约占全部能源装机容量的16.1%,约占清洁能源装机能力的35.3%;而水力发电的总发电量超过1352.2TW h,并提供了约53.2%的清洁能源,并且与其它能源相比水电能源具有相对可靠性和稳定性的优势。此外,水电系统将保持高速增长,以满足对清洁和可持续能源日益增长的需求。然而电力系统的快速扩张和容量的扩大导致水库调度运行的计算建模困难重重,给电力系统运营带来了巨大的挑战。因此水库调度,已成为中国电力系统中最关键、最苛刻的工程任务之一。
DP(Dynamic Programming,动态规划)是一种著名的优化算法,在解决具有阶段性和非线性特征的多阶段决策优化问题有很好的效果。由于被优化问题的每个阶段的收益或成本是可分离和单调的,因此原始的多阶段问题可以通过分解分为多个相对独立和简单的子问题。由此产生的子问题可以通过DP的递归求解,以获得离散空间中的全局最优解。而水库调度问题符合标准的多阶段决策过程,DP被广泛应用于水库的优化调度决策。在DP方法中,水电站水库的状态(如水位)首先被离散为许多不相交的状态,然后遍历潜在的离散状态组合以确定全局最优解。然而,随着离散状态和水库数量的增加,DP方法在多维决策问题中的计算复杂度呈指数增长,从而导致著名的维数问题。换句话说,DP方法在实际应用中的执行时间非常长,而计算所需的内存使用量可能超过普通计算机的最大处理能力。为了缓解维度问题,近年来已成功开发了许多DP变体,如POA(Progressive OptimizationAlgorithm,逐步优化算法)、DDDP(Discrete Differential Dynamic Programming,增量动态规划算法)、DPSA(Dynamic Programming with Successive Approximation,动态规划逐次逼近)。虽然这些DP变体可以不同程度地提高计算效率,但搜索过程仍然对每个水库的初始运行轨迹敏感,这使得确保全局最优解具有挑战性。因此,开发能够平衡水库运行DP方法的计算效率和解决方案最优性的改进策略非常重要。
发明内容
本发明所要解决的技术问题在于:针对现有的DP算法计算复杂度过大问题,提供了耦合LSTM与动态规划的水库群优化调度方法,更好地减少了原DP递归方程中的冗余计算,从而显着提高了水库运行的执行效率。
为解决以上技术问题,本发明提供如下技术方案:一种水库群优化调度方法,包括如下步骤:
S1、根据水库ii水位上下限和历史入库流量的最大值与最小值进行水位和流量的状态离散,获得包含起始水位、结束水位、入库流量不同状态组合的数据集,然后利用数据集通过水量平衡方程和水库特性曲线计算不同组合下水库ii出力,其中,ii=1,2,...,n;n为梯级水库群数目;
S2、利用步骤S1得到的数据集,以及不同组合下的水库ii出力,利用LSTM算法进行水库起始水位、结束水位、入库流量与出力的映射模拟,构建关于水库ii的响应面模型;令ii=ii+1,返回执行步骤S1,对下一个水库进行响应面模型的构建,直到ii=n;
S3、对调度期内n个水库水位进行状态离散,利用响应面模型计算每个阶段不同离散状态组合下的估计水库ii出力,调用动态规划算法计算阶段最优效益。
进一步地,前述的步骤S1包括如下子步骤:
S1.1、将调度运行期内将水库ii的起始和结束水位在其上下限范围内离散k个点,分别表示为{Zii 1,1,...,Zii i,1,...,Zii k,1}和{Zii 1,2,...,Zii j,2,...,Zii k,2},其中,Zii i,1和Zii j,2分别表示第i个起始水位离散点和第j个结束水位离散点;
S1.2、根据历史入库流量统计,将入库流量离散到最大流量Iii max和最小流量Iii min之间的M个点,表示为{Iii 1,...,Iii m,...,Iii M},其中Iii m为水库ii的第m个入库流量离散点;
S1.3、获得水位流量离散点组合(Zii i,1,Zii j,2,Iii m),并将其带入至公式(1)中得水量平衡方程得出库流量,然后利用尾水位——流量曲线求得下游水位和水头,再利用公式(2)中得出力公式计算每种组合的水库出力值Pg;
O(Zi,1,Zj2,Im)=(VZi,1-VZj,2)/Δt+Im (3)
Pg=K·O·ΔH (4)
公式中O为出库流量,Δt为时段长,K为出力系数,ΔH为水库上下游水头差。
进一步地,前述的步骤S2包括如下子步骤:
S2.1、根据水位流量离散点组合(Zii i,1,Zii j,2,Iii m)、以及每种组合的水库出力值Pii g,构建数据集(Zii i,1,Zii j,2,Iii m,Pii g);
S2.2、以起始水位、结束水位、入库流量为输入,以水库出力为输出利用LSTM算法构建并训练得到响应面模型LSTMii。
S2.3、ii=ii+1,重复执行步骤S1至S2,构建下一个水库ii的响应面模型,直至ii=n。
进一步地,前述的步骤S3包括如下子步骤:
S3.1、初始化t=1,离散状态数为k,T为阶段数,t=1,2,...,T;根据入库流量It、初始水位Zi,t-1,i=1,2,...,k和结束水位Zii j,t,j=1,2,...,k进行状态组合,其中Zi,t-1、Zj,t为各个水库起始和结束水位构成的状态向量,通过响应面模型计算得到所有状态集(Zi,t-1,Zj,t,It)对应的水库出力P(Zi,t-1,Zj,t,It);
S3.2、根据响应面模型的递归方程计算0→t+1阶段最优效益:
式中,LSTM表示响应面模型,S(t)为水库群t+1阶段初始状态集,S(t+1)为水库群t+1阶段结束状态集,为0→t阶段最优效益函数,/>为0→t+1阶段最优效益函数;
S3.3、t=t+1,并判断t是否等于T,是则得到整个调度范围内的水库运行最优解,否则返回执行步骤S3.1。
本发明另一方面提出一种水库群优化调度系统,包括:响应面建模数据获取模块、响应面模型构建模块、响应面动态规划算法模块;
所述响应面建模数据获取模块,根据水库ii水位上下限和历史入库流量的最大值与最小值进行水位和流量的状态离散,获得包含起始水位、结束水位、入库流量不同状态组合的数据集,然后利用数据集通过水量平衡方程和水库特性曲线计算不同组合下水库ii出力,其中,ii=1,2,...,n;n为梯级水库群数目;
所述响应面模型构建模块,用于利用响应面建模数据获取模块得到的数据集,以及不同组合下的水库ii出力,利用LSTM算法进行水库起始水位、结束水位、入库流量与出力的映射模拟,构建关于水库ii的响应面模型;令ii=ii+1,返回响应面建模数据获取模块执行,对下一个水库进行响应面模型的构建,直到ii=n。
所述响应面动态规划算法模块,对调度期内n个水库水位进行状态离散,利用响应面模型计算每个阶段不同离散状态组合下的估计水库ii出力,调用动态规划算法计算阶段最优效益。
本发明提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明任所述方法的步骤。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明所述方法的步骤
相较于现有技术,本发明采用以上技术方案的有益技术效果如下:
1.与利用传统计算方式的DP相比,RSDP算法采用LSTM构造的响应面的方法减少了原DP递归方程中的冗余计算,从而显着提高了水库运行的执行效率。
2.在数学上,所建立的响应面模型是一个高维的非线性映射函数,它反映了水库出力与影响因素(起始水位、结束水位、入库流量)之间的复杂关系。
3.由于初始水位、最终水位和入库流量已知,基于响应面模型,可以确定水库出力、下泄流量等其它水库调度运行的相关信息。
附图说明
图1响应面模型构建示意图。
图2RSDP方法示意图。
具体实施方式
为了更了解本发明的技术内容,特举具体实施例并配合所附图式说明如下。
在本发明中参照附图来描述本发明的各方面,附图中示出了许多说明性实施例。本发明的实施例不局限于附图所述。应当理解,本发明通过上面介绍的多种构思和实施例,以及下面详细描述的构思和实施方式中的任意一种来实现,这是因为本发明所公开的构思和实施例并不限于任何实施方式。另外,本发明公开的一些方面可以单独使用,或者与本发明公开的其他方面的任何适当组合来使用。
本发明提供一种水库群优化调度方法,包括如下步骤:
S1、根据水库ii水位上下限和历史入库流量的最大值与最小值进行水位和流量的状态离散,获得包含起始水位、结束水位、入库流量不同状态组合的数据集,然后利用数据集通过水量平衡方程和水库特性曲线计算不同组合下水库ii出力;其中,ii=1,2,...,n;n为梯级水库群数目;
S2、利用步骤S1得到的数据集,以及不同组合下的水库ii出力,利用LSTM算法进行水库起始水位、结束水位、入库流量与出力的映射模拟,构建关于水库ii的响应面模型;令ii=ii+1,返回执行步骤S1,对下一个水库进行响应面模型的构建,直到ii=n。
S3、对调度期内n个水库水位进行状态离散,利用响应面模型计算每个阶段不同离散状态组合下的估计水库ii出力,调用动态规划算法计算阶段最优效益。
进一步地,前述的步骤S1包括如下子步骤:
S1.1、将调度运行期内将水库ii的起始和结束水位在其上下限范围内离散k个点,分别表示为{Zii 1,1,...,Zii i,1,...,Zii k,1}和{Zii 1,2,...,Zii j,2,...,Zii k,2},其中,Zii i,1和Zii j,2分别表示第i个起始水位离散点和第j个结束水位离散点;
S1.2、根据历史入库流量统计,将入库流量离散到最大流量Iii max和最小流量Iii min之间的M个点,表示为{Iii 1,...,Iii m,...,Iii M},其中Iii m为水库ii的第m个入库流量离散点;
S1.3、获得水位流量离散点组合(Zii i,1,Zii j,2,Iii m),并将其带入至公式(1)中得水量平衡方程得出库流量,然后利用尾水位——流量曲线求得下游水位和水头,再利用公式(2)中得出力公式计算每种组合的水库出力值Pg;
O(Zi,1,Zj2,Im)=(VZi,1-VZj,2)/Δt+Im (5)
Pg=K·O·ΔH (6)
公式中O为出库流量,Δt为时段长,K为出力系数,ΔH为水库上下游水头差。
进一步地,前述的步骤S2包括如下子步骤:
S2.1、根据水位流量离散点组合(Zii i,1,Zii j,2,Iii m)、以及每种组合的水库出力值Pii g,构建数据集(Zii i,1,Zii j,2,Iii m,Pii g);
S2.2、以起始水位、结束水位、入库流量为输入,以水库出力为输出利用LSTM算法构建并训练得到响应面模型LSTMii。
S2.3、ii=ii+1,重复执行步骤S1、S2,构建下一个水库ii的响应面模型,直至ii=n。
参考图2,进一步地,前述的步骤S3包括如下子步骤:
S3.1、初始化t=1,离散状态数为k,T为阶段数,t=1,2,...,T;根据入库流量It、初始水位Zi,t-1,i=1,2,...,k和结束水位Zii j,t,j=1,2,...,k进行状态组合,其中Zi,t-1、Zj,t为各个水库起始和结束水位构成的状态向量,通过响应面模型计算得到所有状态集(Zi,t-1,Zj,t,It)对应的水库出力P(Zi,t-1,Zj,t,It);
S3.2、根据响应面模型的递归方程计算0→t+1阶段最优效益:
式中,LSTM表示响应面模型,S(t)为t+1阶段初始状态集,S(t+1)为t+1阶段结束状态集,为0→t阶段最优效益函数,/>为0→t+1阶段最优效益函数。
S3.3、将t=t+1,并判断t是否等于T,是则得到整个调度范围内的水库运行最优解,否则返回执行步骤S3.1。
本发明以位于中国青海省黄河干流上的龙羊峡水电站为本发明的应用对象。龙羊峡水电站由15台水轮发电机组成,单个机组装机容量320MW,总装机容量为1280万千瓦,各机组所允许的最大过机流量约为1200m3/s,建于黄河三门峡下游的龙羊峡峡谷中,是目前黄河上游已经规划河段的第一个梯级。表1为本发明与DP方法在不同来水情况下计算时间对比。计算时间对比如表1所示,速率比为DP计算时间与本发明计算时间的比值,随着离散点数的增加,DP与本发明的计算时间都逐渐增加,但DP算法时间增加的更显著,与之相比的本发明方法时间增长则较缓慢,速率比也随着离散点数的增加越来越大,因此证明了本发明方法在解决水库优化调度问题时的高效性。
表1单位:s
其次,以龙羊峡-拉西瓦梯级水电站为例,验证本方法在梯级水库优化调度问题中的有效性。拉西瓦水电站拉西瓦水电站位于中国青海省共和县境内,距离龙羊峡水电站约为32.8km,是青海省境内黄河上游的第三座大型水电站。拉西瓦水电站的装机容量为4,200,000千瓦,多年平均发电量为102.23亿kW·h,是目前中国最大的水电站之一。表2为本发明与DP方法在梯级水电站应用中发电量结果对比,表3为本发明与DP方法在梯级水电站应用中计算时间对比。如表3所示,DP与本发明算法在梯级水库优化调度中发电量接近;如表3所示,在离散点数大于10时,本发明的计算时间小于DP算法,且随着离散点数的增加,速率比也逐渐增大。因此本例证明了本发明在梯级水库优化调度中的适用性。
表2单位:亿kw·h
表3单位:s
本发明另一方面提出耦合LSTM与动态规划的水库优化调度系统,包括:响应面建模数据获取模块、响应面模型构建模块、响应面动态规划算法模块;
所述响应面建模数据获取模块用于根据水库ii水位上下限和历史入库流量的最大值与最小值进行水位和流量的状态离散,获得包含起始水位、结束水位、入库流量不同状态组合的数据集,然后利用数据集通过水量平衡方程和水库特性曲线计算不同组合下水库ii出力,其中,ii=1,2,...,n;n为梯级水库群数目;
所述响应面模型构建模块用于利用包含起始水位、结束水位、入库流量不同状态组合的数据集,以及不同组合下的水库出力,利用LSTM算法进行水库起始水位、结束水位、入库流量与出力的映射模拟,构建响应面模型;
所述响应面动态规划算法模块用于对调度期内水库水位进行状态离散,利用响应面模型计算每个阶段不同离散状态组合下的估计水库出力,调用动态规划算法计算阶段最优效益。
本发明提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实本发明所述方法的步骤。
本发明还提出一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本发明所述方法的步骤。
虽然本发明已以较佳实施例阐述如上,然其并非用以限定本发明。本发明所属技术领域中具有通常知识者,在不脱离本发明的精神和范围内,当可作各种的更动与润饰。因此,本发明的保护范围当视权利要求书所界定者为准。
Claims (7)
1.一种水库群优化调度方法,其特征在于,包括如下步骤:
S1、根据水库ii水位上下限和历史入库流量的最大值与最小值进行水位和流量的状态离散,获得包含起始水位、结束水位、入库流量不同状态组合的数据集,然后利用数据集通过水量平衡方程和水库特性曲线计算不同组合下水库ii出力,其中,ii=1,2,...,n;n为梯级水库群数目;
S2、利用步骤S1得到的数据集,以及不同组合下的水库ii出力,利用LSTM算法进行水库起始水位、结束水位、入库流量与出力的映射模拟,构建关于水库ii的响应面模型;令ii=ii+1,返回执行步骤S1,对下一个水库进行响应面模型的构建,直到ii=n;
S3、对调度期内n个水库水位进行状态离散,利用响应面模型计算每个阶段不同离散状态组合下的估计水库ii出力,调用动态规划算法计算阶段最优效益。
2.根据权利要求1所述的一种耦合LSTM与动态规划的水库群优化调度方法,其特征在于,步骤S1包括如下子步骤:
S1.1、将调度运行期内将水库ii的起始和结束水位在其上下限范围内离散k个点,分别表示为{Zii 1,1,...,Zii i,1,...,Zii k,1}和{Zii 1,2,...,Zii j,2,...,Zii k,2},其中,Zii i,1和Zii j,2分别表示第i个起始水位离散点和第j个结束水位离散点;
S1.2、根据历史入库流量统计,将入库流量离散到最大流量Iii max和最小流量Iii min之间的M个点,表示为{Iii 1,...,Iii m,...,Iii M},其中Iii m为水库ii的第m个入库流量离散点;
S1.3、获得水位流量离散点组合(Zii i,1,Zii j,2,Iii m),并将其带入至公式(1)中得水量平衡方程得出库流量,然后利用尾水位——流量曲线求得下游水位和水头,再利用公式(2)中得出力公式计算每种组合的水库出力值Pg;
O(Zi,1,Zj2,Im)=(VZi,1-VZj,2)/Δt+Im (1)
Pg=K·O·ΔH (2)
公式中O为出库流量,Δt为时段长,K为出力系数,ΔH为水库上下游水头差。
3.根据权利要求2所述的一种耦合LSTM与动态规划的水库群优化调度方法,其特征在于,步骤S2包括如下子步骤:
S2.1、根据水位流量离散点组合(Zii i,1,Zii j,2,Iii m)、以及每种组合的水库出力值Pii g,构建数据集(Zii i,1,Zii j,2,Iii m,Pii g);
S2.2、以起始水位、结束水位、入库流量为输入,以水库出力为输出利用LSTM算法构建并训练得到响应面模型LSTMii;
S2.3、ii=ii+1,重复执行步骤S1至S2,构建下一个水库ii的响应面模型,直至ii=n。
4.根据权利要求3所述的一种水库群优化调度方法,其特征在于,步骤S3包括如下子步骤:
S3.1、初始化t=1,离散状态数为k,T为阶段数,t=1,2,...,T;根据入库流量It、初始水位Zi,t-1,i=1,2,...,k和结束水位Zii j,t,j=1,2,...,k进行状态组合,其中Zi,t-1、Zj,t为各个水库起始和结束水位构成的状态向量,通过响应面模型计算得到所有状态集(Zi,t-1,Zj,t,It)对应的水库出力P(Zi,t-1,Zj,t,It);
S3.2、根据响应面模型的递归方程计算0→t+1阶段最优效益:
式中,LSTM表示响应面模型,S(t)为水库群在t+1阶段初始状态集,S(t+1)为水库群在t+1阶段结束状态集,Ft *[S(t)]为0→t阶段最优效益函数,为0→t+1阶段最优效益函数;
S3.3、t=t+1,并判断t是否等于T,是则得到整个调度范围内的水库群最优调度方案,否则返回执行步骤S3.1。
5.一种水库群优化调度系统,其特征在于,包括:响应面建模数据获取模块、响应面模型构建模块、响应面动态规划算法模块;
所述响应面建模数据获取模块,根据水库ii水位上下限和历史入库流量的最大值与最小值进行水位和流量的状态离散,获得包含起始水位、结束水位、入库流量不同状态组合的数据集,然后利用数据集通过水量平衡方程和水库特性曲线计算不同组合下水库ii出力;其中,ii=1,2,...,n;n为梯级水库群数目;
所述响应面模型构建模块,用于利用响应面建模数据获取模块得到的数据集,以及不同组合下的水库ii出力,利用LSTM算法进行水库起始水位、结束水位、入库流量与出力的映射模拟,构建关于水库ii的响应面模型;令ii=ii+1,返回响应面建模数据获取模块执行,对下一个水库进行响应面模型的构建,直到ii=n;
所述响应面动态规划算法模块,对调度期内n个水库水位进行状态离散,利用响应面模型计算每个阶段不同离散状态组合下的估计水库ii出力,调用动态规划算法计算阶段最优效益。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一项所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310741562.0A CN116739286A (zh) | 2023-06-21 | 2023-06-21 | 一种水库群优化调度方法、系统与电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310741562.0A CN116739286A (zh) | 2023-06-21 | 2023-06-21 | 一种水库群优化调度方法、系统与电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116739286A true CN116739286A (zh) | 2023-09-12 |
Family
ID=87904223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310741562.0A Pending CN116739286A (zh) | 2023-06-21 | 2023-06-21 | 一种水库群优化调度方法、系统与电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116739286A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421558A (zh) * | 2023-10-26 | 2024-01-19 | 华中科技大学 | 一种梯级水库运行规则提取及其模型训练方法 |
-
2023
- 2023-06-21 CN CN202310741562.0A patent/CN116739286A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117421558A (zh) * | 2023-10-26 | 2024-01-19 | 华中科技大学 | 一种梯级水库运行规则提取及其模型训练方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112036633B (zh) | 一种基于水库生态发电多目标中长期随机调度模型的优化调度方法 | |
CN110930016A (zh) | 一种基于深度q学习的梯级水库随机优化调度方法 | |
CN105243438A (zh) | 一种考虑径流不确定性的多年调节水库优化调度方法 | |
CN111353652B (zh) | 一种风电出力短期区间预测方法 | |
CN108599268B (zh) | 一种考虑风电场时空关联约束的日前优化调度方法 | |
CN110222938B (zh) | 一种梯级水电站群短期调峰调度协同优化方法和系统 | |
CN111709672A (zh) | 基于场景和深度强化学习的虚拟电厂经济调度方法 | |
CN113470758B (zh) | 基于因果发现和多结构信息编码的化学反应收率预测方法 | |
Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
CN116739286A (zh) | 一种水库群优化调度方法、系统与电子设备 | |
JP7431368B2 (ja) | ハイブリッドアルゴリズムに基づくカスケード水力発電所の最適化スケジューリングモデルの解を求める方法 | |
CN114021965A (zh) | 一种梯级水电站群多目标多模式智能切换的优化调度方法 | |
CN115659792A (zh) | 多时段多场景scuc解耦方法、系统、设备及存储介质 | |
CN113363976B (zh) | 一种基于场景图的风光水互补发电系统中期优化调度方法 | |
Liu et al. | Quantifying streamflow predictive uncertainty for the optimization of short-term cascade hydropower stations operations | |
CN117674290A (zh) | 一种基于多场景的水电平抑分布鲁棒优化方法 | |
Niu et al. | Artificial intelligence-based response surface progressive optimality algorithm for operation optimization of multiple hydropower reservoirs | |
CN108321792B (zh) | 计及风电的电力系统动态经济调度多场景协同优化算法 | |
CN113191543B (zh) | 考虑水资源供需过程关联性与随机性的水库优化调度方法 | |
CN113269420B (zh) | 基于通信噪声的分布式事件驱动电力经济调度方法 | |
CN105976058A (zh) | 一种基于灰色系统预测的离散微分动态规划方法 | |
CN112989507A (zh) | 一种水轮机调速器参数优化方法、装置及系统 | |
Chen et al. | Refined binary particle swarm optimization and application in power system | |
CN115630800B (zh) | 水利枢纽防洪发电联合优化调度方法、系统、装置及存储介质 | |
CN117578627B (zh) | 发电调度方法、装置、电子设备和存储介质 |
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 |