CN116757446B - 基于改进粒子群算法的梯级水电站调度方法及系统 - Google Patents
基于改进粒子群算法的梯级水电站调度方法及系统 Download PDFInfo
- Publication number
- CN116757446B CN116757446B CN202311017561.8A CN202311017561A CN116757446B CN 116757446 B CN116757446 B CN 116757446B CN 202311017561 A CN202311017561 A CN 202311017561A CN 116757446 B CN116757446 B CN 116757446B
- Authority
- CN
- China
- Prior art keywords
- particle
- hydropower station
- period
- optimal
- iteration
- 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.)
- Active
Links
- 239000002245 particle Substances 0.000 title claims abstract description 147
- 238000000034 method Methods 0.000 title claims abstract description 104
- 238000005457 optimization Methods 0.000 title description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 76
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 230000008569 process Effects 0.000 claims description 44
- 238000010248 power generation Methods 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 16
- 230000009326 social learning Effects 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 9
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 2
- 238000005303 weighing Methods 0.000 claims 1
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 230000033228 biological regulation Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 2
- 230000013016 learning Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 239000002351 wastewater Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000005070 ripening Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000010845 search algorithm Methods 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
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进粒子群算法的梯级水电站调度方法及系统,包括以下步骤:步骤一、获取梯级水电站基本信息;步骤二、建立水电站优化调度模型;步骤三、初始化粒子群参数;步骤四、初始化生成粒子种群位置和速度;步骤五、计算种群粒子的适应度值,记录个体最优位置与群体最优位置;步骤六、更新粒子群参数以及粒子运动速度;步骤七、引入高斯变异策略和莱维飞行机制二次更新粒子位置,对比两次更新,选择较优的粒子位置生成新的种群;步骤八、判断迭代次数是否达到最大寻优迭代次数或者寻优结果是否趋于稳定。本发明通过对传统粒子群算法进行改进,解决传统粒子群算法求解梯级水电站调度模型的问题,充分发挥水电站水能资源利用能力。
Description
技术领域
本发明涉及水电能源优化运行技术领域,尤其是涉及一种基于改进粒子群算法的梯级水电站调度方法及系统。
背景技术
水电站优化调度是对水电站进行科学管理的重要手段,通过合理安排水电站的运行方式和水库的水位水量,使水电站获取最大的经济效益。梯级水电站群在流域水资源管理和调控中发挥着关键作用,在实际运行过程中,梯级水电站群发挥巨大综合效益的同时,也会给水电系统运行、管理、决策带来一系列备受学术界和工程领域关注的问题与挑战。由于水电系统规模的扩大和层级的复杂,水力、电力联系紧密且拓扑关系复杂,水电站调度实现也更加困难,需要考虑多方面约束,是一类多维度、多阶段、多决策变量和多重约束的复杂优化决策问题。
水电站优化调度方法主要是传统的调度方法和智能优化调度算法,智能优化调度算法将计算机学科知识与水库调度优化方法结合,为水库调度问题提供了新的解决思路和方向。目前使用较多的优化算法有遗传算法、粒子群算法、差分进化算法以及引力搜索算法等方法,大部分是模拟自然界中某种现象或具体事物的物理规律,普遍具有自适应,自学习等优点,可以有效避免传统调度算法的“维数灾”问题,在水电调度领域都得到了迅速的发展与广泛的应用,被证实有较好的适用性。
粒子群算法具有流程简单、所含参数少、便于实现等诸多优点,被普遍应用于梯级水电站优化调度题目中。但其有着两个明显的缺点:一个是后期收敛速度缓慢,无法准确的收敛到全局最优解;另一个是易“早熟”,前期运动粒子就快速向局部最优值靠拢,最终收敛到局部最优值。
发明内容
本发明的目的是提供一种基于改进粒子群算法的梯级水电站调度方法及系统,解决上述背景技术中提出的问题。
为实现上述目的,本发明提供了一种基于改进粒子群算法的梯级水电站调度方法及系统,包括以下步骤:
步骤一、获取梯级水电站基本信息;
步骤二、建立以总发电量最大为目标的水电站优化调度模型,设置各类约束条件;
步骤三、根据梯级水电站基本信息和约束条件,初始化粒子群参数;
步骤四、引入拉丁超立方策略,初始化生成粒子种群位置和速度,形成初始水位过程;
步骤五、计算种群所有粒子的适应度值,记录个体最优位置与群体最优位置;
步骤六、更新粒子群参数以及粒子运动速度,根据更新后的粒子速度对粒子位置进行第一次更新;
步骤七、引入高斯变异策略和莱维飞行机制对初始的粒子位置进行第二次更新,将两次更新后的粒子适应度值进行对比,选择较优的粒子位置进行更新,生成新的种群;
步骤八、判断迭代次数是否达到最大寻优迭代次数或者寻优结果是否趋于稳定。
优选的,步骤二中,建立以各水电站调度期内各时段水位为决策变量,梯级水电站发电量最大为目标函数的水电站优化调度模型,依据水电站基本信息设置各类约束条件,并依据水位与出库流量、出力、库容的联系,对可行水位范围进行进一步区间限制,精细化进行水电站群优化调度;
具体地,梯级水电站优化调度模型以总发电量最大为目标函数,建立水量、流量、出力以及水位的约束,公式如下:
(1)目标函数
;
式中,将梯级水电站自上游向下游依次编号,/>为水电站编号;/>为调度期第/>个时段,/>为调度期总时段数;/>为水电站/>的综合出力系数;/>和/>分别为水电站/>在第/>个时段的发电流量和对应的水头;/>为调度期每个时段的长度;
(2)约束条件
水量平衡约束
;
式中,、/>分别为水电站/>在时段/>的初、末库容;/>、/>、/>分别为水电站/>在时段/>的入库流量、发电流量和弃水流量;/>为时段时长;
库容约束
;
式中,、/>分别为水电站/>在时段/>允许的最大库容和最小库容;
水力约束
;
式中,为时段/>水电站/>的入库流量;/>为时段/>水电站/>的出库流量;为水电站/>在时段/>的区间入流;/>为水流滞时;
下泄流量约束
;
式中,、/>分别为水电站/>在时段/>的最大发电流量及最小发电流量;
水位约束
;
式中,、/>、/>分别为水电站/>在时段/>的水位及其允许的最大最小值;
出力约束
;
式中,、/>、/>分别为水电站/>在时段/>的出力及其允许的最大最小值;
初、末水位控制约束
;
;
式中,、/>分别为水电站/>对应调度规程要求其在调度期的始末水位。
优选的,步骤三中,初始化的粒子群参数包括:粒子种群数量、粒子运动维度/>、最大迭代次数、粒子初始惯性权重/>、初始自我学习因子/>、初始社会学习因子/>和粒子/>的初始速度/>及其上下限。
优选的,步骤四中,在各水电站水位允许值内,引入拉丁超立方策略,初始化生成粒子种群位置和速度,形成初始水位过程;对于水电站,其在时段/>的水位允许范围为,拉丁超立方策略初始化种群是将决策变量的每维空间均匀分为/>层,使得粒子位置均匀分布在/>维空间内,粒子/>的初始位置为/>。
优选的,步骤五中,根据梯级水电站优化调度函数模型的目标函数,计算每个粒子当前适应度值,依据大小衡量粒子位置的优劣,将每个粒子迭代过程中最优适应度值对应的位置令为个体最优位置,将粒子群迭代过程中最优适应度值对应的个体位置令为群体最优位置/>。
优选的,步骤六中,粒子群参数包括惯性权重、自我学习因子和社会学习因子,粒子群参数更新公式如下:
;
;
;
式中,、/>、/>分别为第/>次迭代的惯性权重、自我学习因子和社会学习因子;、/>为惯性权重的最大、最小值;/>、/>为自我学习因子的最大、最小值;/>、/>为社会学习因子的最大、最小值;/>为最大迭代次数;
利用更新后的参数更新粒子速度和位置,公式如下:
;
;
式中,、/>分别为粒子/>第/>次迭代和第/>次迭代的速度;/>、/>分别为[0,1]之间的随机数;/>、/>分别为粒子/>第/>次迭代和第/>次迭代的位置;/>、/>分别为粒子/>历史迭代的最优位置和种群历史迭代的最优位置。
优选的,步骤七中,引入高斯变异策略和莱维飞行机制,利用莱维飞行策略的随机性引导粒子向最优粒子靠近,采用高斯变异过程提高算法搜索效率,保持种群多样性。粒子位置更新公式如下:
;
式中,为粒子/>第/>次迭代莱维飞行的位置;/>为高斯分布,;/>为点对点乘法;/>为服从参数为/>的Levy分布的粒子随机搜索路径,满足:
;
其中,、/>服从标准正态分布,分别表示为:
;
;
;
其中,通常取值为常数1.5。
将步骤六得到的粒子位置与本步骤得到的粒子位置进行评价,衡量粒子位置的优劣,选择较优的位置生成新的种群,进行迭代。
优选的,步骤八中,重复步骤五~步骤七,判断迭代次数是否达到最大寻优迭代次数或者寻优结果是否趋于稳定;若是,则完成迭代,输出各寻优电站的最优水位过程以及当前目标函数值。
因此,本发明采用上述基于改进粒子群算法的梯级水电站调度方法及系统,具有的有益效果为:本发明首先引入拉丁超立方策略进行粒子种群初始化,有效增加了种群多样性;其次提出非线性动态学习因子,用于权衡算法的全局勘察和局部开采能力,缩短算法的收敛时间,进而加快收敛速度;最后结合莱维飞行策略进行粒子位置更新,可以产生更随机的搜索过程,提高了算法的收敛速度,增强了算法的全局探索能力,能够更好地发挥梯级水电站联合调度协同补偿效应,与实现水资源的高效利用的目标相符,提高了梯级水电站群的发电效益。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明一种改进粒子群算法的梯级水电站调度方法及系统的方法流程图;
图2为本发明改进的粒子群算法(LIPSO)与标准粒子群算法(PSO)和标准差分进化算法(DE)调度结果对比图;
图3为本发明改进粒子群算法(LIPSO)下金沙江下游-三峡梯级水电站三个电站丰水年出力及水位过程图;
图4为本发明改进粒子群算法(LIPSO)下金沙江下游-三峡梯级水电站三个电站平水年出力及水位过程图;
图5为本发明改进粒子群算法(LIPSO)下金沙江下游-三峡梯级水电站三个电站枯水年出力及水位过程图。
具体实施方式
以下通过附图和实施例对本发明的技术方案作进一步说明。
除非另外定义,本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本发明中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
实施例
图1所示为本发明基于改进粒子群算法(LIPSO)的梯级水电站调度方法及系统总体流程图,以金沙江下游-三峡梯级水电站旬发电调度方案为实施例,以验证本发明的效果。
本发明所述的一种基于改进粒子群算法的梯级水电站调度方法及系统,包括以下步骤:
步骤一、获取梯级水电站基本信息:获取金沙江下游-三峡梯级水电站基本信息。
具体地,本发明实例的梯级水电站为溪洛渡、向家坝和三峡水电站,从上游至下游依次设置编号为1,2,3。溪洛渡水电站以发电为主,兼顾防洪,此外还有拦沙、改善库区及坝下河段通航条件等综合利用效益;水库正常蓄水位600m,死水位540m,调节库容64.6亿m3,具有不完全年调节能力;电站额定总装机容量1260万kW,保证出力为339.5万kW。向家坝水电站以发电为主,同时改善航运条件,兼顾防洪、灌溉等任务,并对溪洛渡水电站进行反调节;水库正常蓄水位380m,死水位370m,调节库容9.03亿m3,具有季调节能力;电站额定总装机容量735万kW,保证出力200.9万kW。三峡水电站承担了发电、防洪、航运、供水、生态等多项职能;水库正常蓄水位175m,死水位145m,调节库容165亿m3,具有不完全年调节能力;电站额定总装机容量2250万kW,保证出力499万kW。
步骤二、建立以总发电量最大为目标的水电站优化调度模型,设置各类约束条件。
建立以各水电站调度期内各时段水位为决策变量,梯级水电站发电量最大为目标函数的水电站优化调度模型,依据水电站基本信息设置各类约束条件,并依据水位与出库流量、出力、库容的联系,对可行水位范围进行进一步区间限制,精细化进行水电站群优化调度。
具体地,梯级水电站优化调度模型以总发电量最大为目标函数,建立水量、流量、出力以及水位的约束,公式如下:
(1)目标函数
;
式中,将梯级水电站自上游向下游依次编号,/>为水电站编号;/>为调度期第/>个时段,/>为调度期总时段数;/>为水电站/>的综合出力系数;/>和/>分别为水电站/>在第/>个时段的发电流量和对应的水头;/>为调度期每个时段的长度。
(2)约束条件
1)水量平衡约束
;
式中,、/>分别为水电站/>在时段/>的初、末库容;/>、/>、/>分别为水电站/>在时段/>的入库流量、发电流量和弃水流量;/>为时段时长。
2)库容约束
’
式中,、/>分别为水电站/>在时段/>允许的最大库容和最小库容。
3)水力约束
;
式中,为时段/>水电站/>的入库流量;/>为时段/>水电站/>的出库流量;为水电站/>在时段/>的区间入流;/>为水流滞时。
4)下泄流量约束
式中,、/>分别为水电站/>在时段/>的最大发电流量及最小发电流量。
5)水位约束
;
式中,、/>、/>分别为水电站/>在时段/>的水位及其允许的最大最小值。
6)出力约束
;
式中,、/>、/>分别为水电站/>在时段/>的出力及其允许的最大最小值。
7)初、末水位控制约束
;
;
式中,、/>分别为水电站/>对应调度规程要求其在调度期的始末水位。
步骤三、根据梯级水电站基本信息和约束条件,初始化粒子群参数。
初始化的粒子群参数包括:粒子种群数量、粒子运动维度/>、最大迭代次数、粒子初始惯性权重/>、初始自我学习因子/>、初始社会学习因子/>和粒子/>的初始速度/>及其上下限。
步骤四、在各水电站水位允许值内,引入拉丁超立方策略,初始化生成粒子种群位置和速度,形成初始水位过程。
具体地,对于水电站,其在时段/>的水位允许范围为/>,拉丁超立方策略初始化种群是将决策变量的每维空间均匀分为/>层,使得粒子位置均匀分布在/>维空间内,粒子/>的初始位置为/>。
步骤五、计算种群所有粒子的适应度值,记录个体最优位置与群体最优位置。
具体地,根据梯级水电站优化调度函数模型的目标函数,计算每个粒子当前适应度值,依据大小衡量粒子位置的优劣,将每个粒子迭代过程中最优适应度值对应的位置令为个体最优位置,将粒子群迭代过程中最优适应度值对应的个体位置令为群体最优位置/>。
步骤六、更新粒子群参数(惯性权重、自我学习因子和社会学习因子),并更新粒子运动速度,根据更新后的粒子速度对粒子位置进行第一次更新。
具体地,为获得全局最优值,根据迭代次数对惯性权重、自我学习因子以及社会学习因子进行更新,在迭代初期避免粒子陷入局部最优解,使粒子更倾向于全局领域搜索,在迭代后期实现粒子快速收敛于全局最优解。粒子群参数更新公式如下:
;
;
;
式中,、/>、/>分别为第/>次迭代的惯性权重、自我学习因子和社会学习因子;、/>为惯性权重的最大、最小值;/>、/>为自我学习因子的最大、最小值;/>、/>为社会学习因子的最大、最小值;/>为最大迭代次数。
利用更新后的参数更新粒子速度和位置,公式如下:
;
;
式中,、/>分别为粒子/>第/>次迭代和第/>次迭代的速度;/>、/>分别为[0,1]之间的随机数;/>、/>分别为粒子/>第/>次迭代和第/>次迭代的位置;/>、/>分别为粒子/>历史迭代的最优位置和种群历史迭代的最优位置。
步骤七、引入莱维飞行策略对初始的粒子位置进行第二次更新,将两次更新后的粒子适应度值进行对比,选择较优的粒子位置进行更新,生成新的种群。
具体地,引入莱维飞行策略更新粒子位置,通过更加随机的游走过程,加速粒子向全局最优位置移动,减少算法迭代时间,提高算法收敛速度,避免算法陷入局部最优解。粒子位置更新公式如下:
;
式中,为粒子/>第/>次迭代莱维飞行的位置;/>为高斯分布,;/>为点对点乘法;/>为服从参数为/>的Levy分布的粒子随机搜索路径,满足:
;
其中,、/>服从标准正态分布,分别表示为:
;
;
;
其中,通常取值为常数1.5。
将步骤六得到的粒子位置与本步骤得到的粒子位置进行评价,衡量粒子位置的优劣,选择较优的位置生成新的种群,进行迭代。
步骤八、判断迭代次数是否达到最大寻优迭代次数或者寻优结果是否趋于稳定。
若否,重复步骤五~步骤七,再次判断迭代次数是否达到最大寻优迭代次数或者寻优结果是否趋于稳定;若是,则完成迭代,输出各寻优电站的最优水位过程以及当前目标函数值。
为验证本发明方法的有效性,分别采用标准粒子群算法、标准差分进化算法,和本发明提出的改进粒子群算法进行优化调度,并对结果进行对比分析。对于标准粒子群算法,取粒子数量为,最大迭代次数/>次,惯性权重/>,自我学习因子/>和社会学习因子/>均取2,速度上限/>,则速度下限/>;对于标准差分算法,取粒子数量为/>,最大迭代次数/>次,采取“/>”变异方式,取变异概率,采用二项式交叉,取交叉概率/>。
对于本发明提出的改进粒子群算法,取粒子数量为,最大迭代次数次,初始惯性权重/>,惯性权重从0.9至0.4线性递减,初始自我学习因子/>,自我学习因子从2至0.2非线性动态变化,初始社会学习因子/>,社会学习因子从0.5至2.5非线性动态变化,速度上限/>,速度下限/>,取莱维飞行策略的参数/>。
本发明实施例以年为调度期,旬为调度步长,选取了丰水年、平水年和枯水年三个典型年数据作为输入,分析不同来水的调度情景下三种算法的区别,验证改进的粒子群算法寻优性能。三种算法发电优化调度结果展示如图2所示(单位为亿),结果显示,在不同来水的情况下,改进后的粒子群算法得到的梯级水电站年总发电量要比标准的粒子群算法和差分进化算法更高,且差距较大,表明本发明方法对与梯级水电站的调度更优。图3、图4、图5分别为丰水年、平水年和枯水年来水情景下改进粒子群算法优化调度得出力过程与水位过程。
因此,本发明采用上述基于改进粒子群算法的梯级水电站调度方法及系统,通过对传统粒子群算法进行改进,解决传统粒子群算法求解梯级水电站调度模型的问题,为梯级水电站优化调度提供一种新的可行方法,充分发挥水电站水能资源利用能力。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (6)
1.一种基于改进粒子群算法的梯级水电站调度方法及系统,其特征在于:包括以下步骤:
步骤一、获取梯级水电站基本信息;
步骤二、建立以总发电量最大为目标的水电站优化调度模型,设置各类约束条件;
步骤三、根据梯级水电站基本信息和约束条件,初始化粒子群参数;
步骤四、引入拉丁超立方策略,初始化生成粒子种群位置和速度,形成初始水位过程;
在各水电站水位允许值内,引入拉丁超立方策略,初始化生成粒子种群位置和速度,形成初始水位过程;对于水电站i,其在时段t的水位允许范围为拉丁超立方策略初始化种群是将决策变量的每维空间均匀分为N层,使得粒子位置均匀分布在D维空间内,粒子i的初始位置为/>
步骤五、计算种群所有粒子的适应度值,记录个体最优位置与群体最优位置;
步骤六、更新粒子群参数以及粒子运动速度,根据更新后的粒子速度对粒子位置进行第一次更新;
步骤七、引入高斯变异策略和莱维飞行机制对初始的粒子位置进行第二次更新,将两次更新后的粒子适应度值进行对比,选择优的粒子位置进行更新,生成新的种群;
引入高斯变异策略和莱维飞行机制,利用莱维飞行策略的随机性引导粒子向最优粒子靠近,粒子位置更新公式如下:
式中,为粒子i第k+1次迭代莱维飞行的位置;Guassion(ξ)为高斯分布,ξ∈[0,1];/>为点对点乘法;Levy(β)为服从参数为β的Levy分布的粒子随机搜索路径,满足:
其中,μ、ν服从标准正态分布,分别表示为:
σν=1
其中,β取值为常数1.5;
将步骤六得到的粒子位置与本步骤得到的粒子位置进行评价,衡量粒子位置的优劣,选择优的位置生成新的种群,进行迭代;
步骤八、判断迭代次数是否达到最大寻优迭代次数或者寻优结果是否趋于稳定。
2.根据权利要求1所述的基于改进粒子群算法的梯级水电站调度方法及系统,其特征在于:步骤二中,建立以各水电站调度期内各时段水位为决策变量,梯级水电站发电量最大为目标函数的水电站优化调度模型,依据水电站基本信息设置各类约束条件,并依据水位与出库流量、出力、库容的联系,对水位范围进行进一步区间限制,精细化进行水电站群优化调度;
梯级水电站优化调度模型以总发电量最大为目标函数,建立水量、流量、出力以及水位的约束,公式如下:
目标函数
式中,将梯级水电站自上游向下游依次编号1,2,3···,i为水电站编号;t为调度期第t个时段,T为调度期总时段数;Ai为水电站i的综合出力系数;Qi,t和Hi,t分别为水电站i在第t个时段的发电流量和对应的水头;Δt为调度期每个时段的长度;
约束条件
水量平衡约束
Vi,t+1=Vi,t+(Ii,t-Qi,t-Si,t)·Δt
式中,Vi,t、Vi,t+1分别为水电站i在时段t的初、末库容;Ii,t、Qi,t、Si,t分别为水电站i在时段t的入库流量、发电流量和弃水流量;Δt为时段时长;
库容约束
式中,分别为水电站i在时段t允许的最大库容和最小库容;
水力约束
Ii,t=Qi-1,t-τ+qi,t
式中,Ii,t为时段t水电站i的入库流量;Qi-1,t-τ为时段t-τ水电站i-1的出库流量;qi,t为水电站i在时段t的区间入流;τ为水流滞时;
下泄流量约束
式中,分别为水电站i在时段t的最大发电流量及最小发电流量;
水位约束
式中,Zi,t、分别为水电站i在时段t的水位及其允许的最大最小值;
出力约束
式中,Ni,t、分别为水电站i在时段t的出力及其允许的最大最小值;
初、末水位控制约束
Zi,0=Zi,start
Zi,T=Zi,end
式中,Zi,start、Zi,end分别为水电站i对应调度规程要求其在调度期的始末水位。
3.根据权利要求2所述的基于改进粒子群算法的梯级水电站调度方法及系统,其特征在于:步骤三中,初始化的粒子群参数包括:粒子种群数量N、粒子运动维度D、最大迭代次数、粒子初始惯性权重ω0、初始自我学习因子初始社会学习因子/>和粒子i的初始速度/>及其上下限。
4.根据权利要求3所述的基于改进粒子群算法的梯级水电站调度方法及系统,其特征在于:步骤五中,根据梯级水电站优化调度函数模型的目标函数,计算每个粒子当前适应度值,依据大小衡量粒子位置的优劣,将每个粒子迭代过程中最优适应度值对应的位置令为个体最优位置pbesti,将粒子群迭代过程中最优适应度值对应的个体位置令为群体最优位置gbest。
5.根据权利要求4所述的基于改进粒子群算法的梯级水电站调度方法及系统,其特征在于:步骤六中,粒子群参数包括惯性权重、自我学习因子和社会学习因子,粒子群参数更新公式如下:
式中,ωk、分别为第k次迭代的惯性权重、自我学习因子和社会学习因子;ωmax、ωmin为惯性权重的最大、最小值;/>为自我学习因子的最大、最小值;为社会学习因子的最大、最小值;iteration为最大迭代次数;
利用更新后的参数更新粒子速度和位置,公式如下:
式中,分别为粒子i第k+1次迭代和第k次迭代的速度;r1、r2分别为[0,1]之间的随机数;/>分别为粒子i第k+1次迭代和第k次迭代的位置;pbesti、gbest分别为粒子i历史迭代的最优位置和种群历史迭代的最优位置。
6.根据权利要求5所述的基于改进粒子群算法的梯级水电站调度方法及系统,其特征在于:步骤八中,重复步骤五~步骤七,判断迭代次数是否达到最大寻优迭代次数或者寻优结果是否趋于稳定;若是,则完成迭代,输出各寻优电站的最优水位过程以及当前目标函数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311017561.8A CN116757446B (zh) | 2023-08-14 | 2023-08-14 | 基于改进粒子群算法的梯级水电站调度方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311017561.8A CN116757446B (zh) | 2023-08-14 | 2023-08-14 | 基于改进粒子群算法的梯级水电站调度方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116757446A CN116757446A (zh) | 2023-09-15 |
CN116757446B true CN116757446B (zh) | 2023-10-31 |
Family
ID=87957490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311017561.8A Active CN116757446B (zh) | 2023-08-14 | 2023-08-14 | 基于改进粒子群算法的梯级水电站调度方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116757446B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132089B (zh) * | 2023-10-27 | 2024-03-08 | 邯郸欣和电力建设有限公司 | 用电策略优化调度方法及装置 |
CN117688709A (zh) * | 2024-02-04 | 2024-03-12 | 江西省水务集团有限公司 | 一种基于模型预测控制的供水管网优化调度方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN108564213A (zh) * | 2018-04-10 | 2018-09-21 | 中国水利水电科学研究院 | 一种基于gpu加速的并联水库群防洪优化调度方法 |
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 |
CN111461385A (zh) * | 2019-12-25 | 2020-07-28 | 杭州电子科技大学 | 一种基于Lévy飞行的粒子群算法的生产计划优化方法 |
CN116468168A (zh) * | 2023-04-18 | 2023-07-21 | 河北工业大学 | 一种基于改进白鲸优化算法的分布式电源多目标分层规划方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10534327B2 (en) * | 2017-07-06 | 2020-01-14 | Dalian University Of Technology | Method for long-term optimal operations of interprovincial hydropower system considering peak-shaving demands |
-
2023
- 2023-08-14 CN CN202311017561.8A patent/CN116757446B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942612A (zh) * | 2014-04-08 | 2014-07-23 | 河海大学 | 基于自适应粒子群优化算法的梯级水库优化调度方法 |
CN108564213A (zh) * | 2018-04-10 | 2018-09-21 | 中国水利水电科学研究院 | 一种基于gpu加速的并联水库群防洪优化调度方法 |
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 |
CN111461385A (zh) * | 2019-12-25 | 2020-07-28 | 杭州电子科技大学 | 一种基于Lévy飞行的粒子群算法的生产计划优化方法 |
CN116468168A (zh) * | 2023-04-18 | 2023-07-21 | 河北工业大学 | 一种基于改进白鲸优化算法的分布式电源多目标分层规划方法 |
Non-Patent Citations (1)
Title |
---|
基于自适应进步粒子群算法的梯级水库群优化调度研究;向益奇;中国优秀硕士学位论文全文库;论文摘要 * |
Also Published As
Publication number | Publication date |
---|---|
CN116757446A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116757446B (zh) | 基于改进粒子群算法的梯级水电站调度方法及系统 | |
Zhang et al. | Optimal operation of large-scale cascaded hydropower systems in the upper reaches of the Yangtze River, China | |
CN109886473B (zh) | 一种考虑下游生态的流域风光水系统多目标优化调度方法 | |
Mandal et al. | Short-term combined economic emission scheduling of hydrothermal power systems with cascaded reservoirs using differential evolution | |
Ehteram et al. | Optimization of energy management and conversion in the multi-reservoir systems based on evolutionary algorithms | |
Li et al. | Probabilistic charging power forecast of EVCS: Reinforcement learning assisted deep learning approach | |
CN106448151A (zh) | 一种短时交通流预测方法 | |
CN104408534A (zh) | 基于联立方程模型的塔式太阳能热电系统运行优化方法 | |
Yong | An improved artificial fish swarm algorithm for optimal operation of cascade reservoirs | |
Li et al. | Hierarchical multi-reservoir optimization modeling for real-world complexity with application to the Three Gorges system | |
CN109345068B (zh) | 一种基于余留期效益函数近似的水电站水库两阶段随机优化调度方法 | |
Yi et al. | Intelligent prediction of transmission line project cost based on least squares support vector machine optimized by particle swarm optimization | |
CN110264012A (zh) | 基于经验模态分解的可再生能源功率组合预测方法及系统 | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
CN111612292A (zh) | 基于关键水位控制的梯级水电站调度控制系统及方法 | |
CN106058863A (zh) | 一种基于随机响应面法的随机最优潮流计算方法 | |
Yan et al. | Multiobjective optimal operation of reservoirs based on water supply, power generation, and river ecosystem with a new water resource allocation model | |
Niu et al. | Multi-strategy gravitational search algorithm for constrained global optimization in coordinative operation of multiple hydropower reservoirs and solar photovoltaic power plants | |
CN107230003A (zh) | 一种新能源发电系统的功率预测方法 | |
Bui et al. | Distributed operation of wind farm for maximizing output power: A multi-agent deep reinforcement learning approach | |
Kamal K et al. | Optimal scheduling of cascaded hydrothermal systems using a new improved particle swarm optimization technique | |
Azizivahed et al. | Multi-area dynamic economic dispatch considering water consumption minimization, wind generation, and energy storage system | |
Liu et al. | An optimization decision-making framework for the optimal operation strategy of pumped storage hydropower system under extreme conditions | |
Chen et al. | Improved progressive optimality algorithm and its application to determination of optimal release trajectory of long-term power generation operation of cascade reservoirs | |
Zhang et al. | A method based on Lorenz disturbance and variational mode decomposition for wind speed 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 |