CN116993027B - 一种改进的水工程联合调度优化方法 - Google Patents

一种改进的水工程联合调度优化方法 Download PDF

Info

Publication number
CN116993027B
CN116993027B CN202311255644.0A CN202311255644A CN116993027B CN 116993027 B CN116993027 B CN 116993027B CN 202311255644 A CN202311255644 A CN 202311255644A CN 116993027 B CN116993027 B CN 116993027B
Authority
CN
China
Prior art keywords
scheduling
optimization
result
engineering
water engineering
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
Application number
CN202311255644.0A
Other languages
English (en)
Other versions
CN116993027A (zh
Inventor
陈�胜
王凯
姚建国
胡友兵
苏翠
刘业森
刘舒
刘昌军
于金立
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaihe River Water Resources Commission Hydrology Bureau (information Center)
China Institute of Water Resources and Hydropower Research
Original Assignee
Huaihe River Water Resources Commission Hydrology Bureau (information Center)
China Institute of Water Resources and Hydropower Research
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huaihe River Water Resources Commission Hydrology Bureau (information Center), China Institute of Water Resources and Hydropower Research filed Critical Huaihe River Water Resources Commission Hydrology Bureau (information Center)
Priority to CN202311255644.0A priority Critical patent/CN116993027B/zh
Publication of CN116993027A publication Critical patent/CN116993027A/zh
Application granted granted Critical
Publication of CN116993027B publication Critical patent/CN116993027B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/26—Visual data mining; Browsing structured data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06Q10/06313—Resource planning in a project environment
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Physiology (AREA)
  • Computational Linguistics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Primary Health Care (AREA)
  • Genetics & Genomics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Remote Sensing (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)

Abstract

本发明提供一种改进的水工程联合调度优化方法，包括构建水工程联合调度计算方案，还包括以下步骤：确定参与水工程联合调度水利工程节点，以及确定各个水工程调度节点的可行调度数值；改进水工程联合调度优化算法，用得到的可行调度值代替优化算法中的随机数；使用改进后的所述水工程联合调度优化算法，加载调度方案和洪水计算，将优化结果转换为可行调度值；将优化调度结果通过概化图进行时空数据的可视化展示。本发明提出的一种改进的水工程联合调度优化方法，可以实现高效水工程联合调度优化计算，寻优的结果符合实际业务特点，可用于实际水工程联合调度决策指挥。

Description

一种改进的水工程联合调度优化方法
技术领域
本发明涉及城市排水管网管理的技术领域，特别是一种改进的水工程联合调度优化方法。
背景技术
水工程（指可进行洪水调度的水利工程，如水库、闸、蓄滞洪区等）联合调度是在特定的洪水条件下对水工程进行调度，以避免或最大限度限度的减少洪水灾害带来的损失。水工程联合调度优化方法是在特定洪水场景下通过优化算法寻找最优的调度方案，这种最优方案使得洪水损失最小化，洪水资源利用最大化，是保障人民生命财产安全，以及服务社会生产、生活，创造经济社会效益的重要科学决策工具。因而水工程联合调度系统的实现，以及调度方案的优化计算结果对防洪减灾调度决策具有重要的意义。然而水工程联合调度中涉及工程数量多，要考虑在每个工程可能得取值范围（如水库泄洪量）内寻优，使用传统算法（如迭代算法）则会导致计算的维度灾难（指在涉及到向量的计算的问题中，随着维数的增加，计算量呈指数倍增长的一种现象），使计算量巨大，难以实现水工程联合调度决策时效性的要求。实际中有改进的智能算法（如粒子群法、SCE-UA算法），其大大的改善了计算效率，但由于其寻优的区间是随机数，一方面由于其寻优的区间太大，得到的结果可能不是最优；另一方面，由于寻优结果是随机数，往往不符合实际调度业务的可操作性（闸门的控制精度达不到随机数的结果，如控制泄量为43.434m3/s），既浪费了大量寻优计算，也得不到一个可实施的最优调度方案。
综上，传统的水工程联合调度优化算法产生维度灾难，不能满足防洪调度决策实时性的要求。现代优化算法，解决了计算效率的问题，但由于其寻优空间为随机数，产生的最优化结果不能用来指导实际工作，也浪费了大量计算效率，失去寻找真正最优化调度方案的机会。实际工作中迫切需要一种既能得到最优化解，又能用于实际生产工作的水工程联合调度优化算法。
2019年8月的《水资源研究》上刊登了杨智凯、刘旖旎、周小青、刘攀、明波和黄威的题目为《考虑多控制断面最小流量需求的湘江流域水库群多目标联合优化调度研究》的文章，使用改进过的布谷鸟搜索算法应用于湘江流域9座梯级水库多目标调度图优化中， 在考虑多控制断面最小流量需求的基础上对水库群进行多目标优化调度。谷鸟搜索算法类似SCE-UA的智能优化算法，公开的文件主要是改进的内容是增加种群进化强度，实现自适应步长，从而更好地进行短距离搜索和精细化寻优，能够使优化算法尽快拟合。同样的，其没有对优化算法进行改进，没有可行解来避免随机数寻优空间的计算，其为理论最优。其优化的寻优空间只是相对较少，不能规避众多无用的随机数寻优结果的计算。
申请公开号为CN116523217A的发明专利申请公开了一种梯级水库联合发电优化调度方法，通过可行域内搜索策略方法可以大大提高梯级水库联合发电优化调度效率。其采用次梯度法和逐次逼近法对简化后的新问题进行求解。该方法的缺点是可行域是个数值范围，非可行解所述的若干个可能的取值，不能达到大幅度改进优化计算效率的目的。
发明内容
为了解决上述的技术问题，本发明提出的一种改进的水工程联合调度优化方法，可以实现高效水工程联合调度优化计算，寻优的结果符合实际业务特点，可用于实际水工程联合调度决策指挥。
本发明的目的是提供一种改进的水工程联合调度优化方法，包括构建水工程联合调度计算方案，还包括以下步骤：
步骤1：确定参与水工程联合调度水利工程节点，以及确定各个水工程调度节点的可行调度数值；
步骤2：改进水工程联合调度优化算法，用得到的可行调度值代替优化算法中的随机数；
步骤3：使用改进后的所述水工程联合调度优化算法，加载调度方案和洪水计算，将优化调度结果转换为可行调度值；
步骤4：将优化调度结果通过概化图进行时空数据的可视化展示。
优选的是，所述步骤1包括以下子步骤：
步骤11：按照调度目标要求设定参与调度的水利工程，设置相关水利工程的参数；
步骤12：建立水利工程之间的拓扑关系，形成水工程联合调度计算方案；
步骤13：分析可调度工程的可调度泄洪值，以及闸门控制精度。
在上述任一方案中优选的是，所述相关水利工程的参数包括水库工程的库容曲线、水位泄量关系曲线、防洪特征值，河道断面的过流能力、防洪特征值、防洪保护对象的面积防洪保护对象的人口和防洪保护对象的防洪特征值中至少一种。
在上述任一方案中优选的是，改进后的所述水工程联合调度优化算法步骤如下：
步骤21： 从水工程联合调度计算方案中读取调度可行值数组Q D 中的调度可行值；
步骤22：将n个水工程的调度可行值归一化形成n个数组Q A ，每个数组Q Ak 中包括m个数值，其中，k=1…n；
步骤23：通过将全局优化结果数组Q E 复合形不断变形、转移和缩小计算，得到数组Q B ；
步骤24： 从所述数组Q B 选取每个水工程对应的优化值Q Bi 循环对比所述数组Q Ak 中的值，在所述数组Q Ak 中选取最接近所述优化值Q Bi 的值Q Akj 作为局部优化计算结果Q C ，其中，Q Akj 为第k个数组中的第j个数值，i=1…n， j=1…m；
步骤25： 将所述局部优化计算结果Q C 映射为每个水工程的调度可行值，更新调度可行值数组Q D 的调度可行值；
步骤26：使用更新后的调度可行值进行适应度函数计算，将适应度函数结果返回给优化算法，并对比适应度函数结果的优劣，如果所述局部优化计算结果Q C 对应的所述调度可行值数组Q D 的调度可行值为最优，则更新全局优化结果Q E ；
步骤27： 通过适应度函数计算结果判断算法是否收敛，不收敛重复执行步骤23~步骤26，收敛则输出所述全局优化结果Q E 。
在上述任一方案中优选的是，所述全局优化结果Q E 的初始值为从所述调度可行值数组Q D 中随机选取的各个水工程的值。
在上述任一方案中优选的是，所述数组Q B ={Q B1,…, Q Bi ,…, Q Bn }，其中，Q Bi 表示第i个水工程对应的优化值，i=1…n。
在上述任一方案中优选的是，所述数组Q B 和所述全局优化结果Q E 是大小为n的数组，对应每个水工程的优化值。
在上述任一方案中优选的是，根据优化目标的不同调整适应度函数，所述优化目标包括最大削峰率、最大水资源利用率和最大发电量中至少一种目标。
在上述任一方案中优选的是，以最大削峰为优化目标的适应度函数为的倒数，公式为
，
其中，η为削峰率，为第个水工程未优化的流量，/>为第个水工程优化后的流量。
在上述任一方案中优选的是，所述步骤26还包括如果所述局部优化计算结果Q C 对应的所述调度可行值Q D 为最优，则更新全局优化结果Q E 。
在上述任一方案中优选的是，所述步骤3包括以下子步骤：
步骤31：建立的水工程联合调度计算方案，包括设置参与计算的水工程，设置相应的水工程参数和可行调度可行值；
步骤32：调度计算根据调度场景的业务需要输入洪水预报成果，或通过人工交互设置进行洪水预报；
步骤33：调用改进的所述水工程联合调度优化算法进行水工程联合调度寻优计算，得到全局优化结果Q E 和对应的可行调度值Q D ；
步骤34：将各个水工程的寻优结果，转换为实际调度可行值并输出结果，结果为每个水工程泄量的时间序列，即为最终所需的水工程联合调度优化计算结果。
在上述任一方案中优选的是，所述各个水工程的寻优结果包括不同水利工程的时间序列结果。
在上述任一方案中优选的是，水工程联合调度的优化结果为各个水工程泄流过程，每个水工程包含一个时间序列数据。
本发明提出了一种改进的水工程联合调度优化方法，可以更新得到可行的水工程联合调度优化方案，该优化方案具有可操作性和实用性，为防洪调度决策提供科学、有效的工具。
附图说明
图1为按照本发明的改进的水工程联合调度优化方法的一优选实施例的流程图。
图2为按照本发明的改进的水工程联合调度优化方法的一优选实施例的某河流流域的水工程联合调度计算方案示意图。
图3为按照本发明的改进的水工程联合调度优化方法的SCE-UA的算法的一实施例的流程图。
图4为按照本发明的改进的水工程联合调度优化方法的改进的水工程联合调度优化方法的一实施例的计算流程图。
图5为按照本发明的改进的水工程联合调度优化方法的水工程联合调度优化方法计算结果的一实施例的可视化展示界面示意图。
图6为按照本发明的改进的水工程联合调度优化方法的一优选实施例的调度可行值与其他部分之间的关系示意图。
具体实施方式
下面结合附图和具体的实施例对本发明做进一步的阐述。
实施例1
如图1所示，一种改进的水工程联合调度优化方法，执行步骤100，构建水工程联合调度计算方案。
执行步骤110，确定参与水工程联合调度水利工程节点，以及确定各个水工程调度节点的可行调度数值，包括以下子步骤：
执行步骤111，按照调度目标要求设定参与调度的水利工程，设置相关水利工程的参数，相关水利工程的参数包括水库工程的库容曲线、水位泄量关系曲线、防洪特征值，河道断面的过流能力、防洪特征值、防洪保护对象的面积防洪保护对象的人口和防洪保护对象的防洪特征值中至少一种。
执行步骤112，建立水利工程之间的拓扑关系，形成水工程联合调度计算方案。
执行步骤113，分析可调度工程的可调度泄洪值，以及闸门控制精度。
执行步骤120，改进水工程联合调度优化算法，用得到的可行调度值代替优化算法中的随机数。改进后的所述水工程联合调度优化算法步骤如下：
执行步骤121，从水工程联合调度计算方案中读取调度可行值数组Q D 中的调度可行值；
执行步骤122，将n个水工程的调度可行值归一化形成n个数组Q A ，每个数组Q Ak 中包括m个数值，其中，k=1…n；
执行步骤123，通过将全局优化结果数组Q E 复合形不断变形、转移和缩小计算，得到数组Q B ；
全局优化结果Q E 的初始值为从所述调度可行值数组Q D 中随机选取的各个水工程的值；
数组Q B ={Q B1,…, Q Bi ,…, Q Bn }，其中，Q Bi 表示第i个水工程对应的优化值，i=1…n；
所述数组Q B 和所述全局优化结果Q E 是大小为n的数组，对应每个水工程的优化值。
执行步骤124，从所述数组Q B 选取每个水工程对应的优化值Q Bi 循环对比所述数组Q Ak 中的值，在所述数组Q Ak 中选取最接近所述优化值Q Bi 的值Q Akj 作为局部优化计算结果Q C ，其中，Q Akj 为第k个数组中的第j个数值，i=1…n， j=1…m；
执行步骤125，将所述局部优化计算结果Q C 映射为每个水工程的调度可行值，更新调度可行值数组Q D 的调度可行值；
执行步骤126，使用更新后的调度可行值进行适应度函数计算，将适应度函数结果返回给改进后的优化算法，并对比适应度函数结果的优劣，如果所述局部优化计算结果Q C 对应的所述调度可行值数组Q D 的调度可行值为最优，则更新所述全局优化结果Q E 。
根据优化目标的不同调整适应度函数，所述优化目标包括最大削峰率、最大水资源利用率和最大发电量中至少一种目标。以最大削峰为优化目标的适应度函数为的倒数，公式为
，
其中，η为削峰率，为第个水工程未优化的流量，/>为第个水工程优化后的流量。
执行步骤127，通过适应度函数计算结果判断算法是否收敛，如果算法不收敛，则重新执行步骤123；
如果算法收敛，则执行步骤128，输出全局优化数组Q E 。
执行步骤130，使用改进后的所述水工程联合调度优化算法，加载调度方案和洪水计算，将优化结果转换为可行调度值，包括以下子步骤：
执行步骤131，建立水工程联合调度计算方案，包括设置参与计算的水工程，设置相应的水工程参数和可行调度可行值。
执行步骤132，调度计算根据调度场景的业务需要输入洪水预报成果，或通过人工交互设置进行洪水预报。
执行步骤133，调用改进的所述水工程联合调度优化算法进行水工程联合调度寻优计算，得到全局优化结果Q E 和对应的可行调度值Q D 。
执行步骤134，将各个水工程的寻优结果，转换为实际调度可行值并输出结果，结果为每个水工程泄量的时间序列，即为最终所需的水工程联合调度优化计算结果。所述各个水工程的寻优结果包括不同水利工程的时间序列结果，水工程联合调度的优化结果为各个水工程泄流过程，每个水工程包含一个时间序列数据。
执行步骤140，将优化调度结果通过概化图进行时空数据的可视化展示。
实施例2
根据水工程联合调度工作的实践工作总结，本发明提供一种改进的水工程联合调度优化，该方法可以实现高效水工程联合调度优化计算，寻优的结果符合实际业务特点，可用于实际水工程联合调度决策指挥。本发明的目的是通过以下技术方案实现的：
一种改进的水工程联合调度优化方法，包括以下步骤：
1）构建水工程联合调度计算方案，包括分析水工程现实调度过程中的可行调度值范围；
2）改进优化算法，实现可行调度值代替优化算法中的随机数，大大降低寻优计算的维度，提高计算效率；
3）使用改进的水工程联合调度水工程联合调度算法，加载调度方案和洪水计算，将优化结果转换为可行调度值；
4）将优化调度结果通过概化图进行时空数据的展示。
本发明的有益效果：
本发明提供的一种改进的水工程联合调度优化方法，可以快速得到具有调度可行性的优化调度方案，为洪水管理、水工程联合调度提供了科学、有效的决策支持工具。相对于传统方法，本发明方法更加高效、有效，通过该方法，减少非必要寻优空间的计算，大大降低了寻优计算的维度，提高了寻优计算效率；更重要的时，调度寻优空间的优化结果保持在可行调度范围内，使得调度优化结果可以指导实际调度操作。
本发明的方法进行水工程联合调度优化计算具有良好的适用性，可适用于大部分水工程联合调度系统。为水工程联合调度提供了一种高效、实用的新方法。该方法需要在传统智能优化算法改进，从而发挥优化算法的作用，本方法及传统的智能优化算法都可通过计算机程序实现，并集成到相应的水工程联合调度系统中，其程序不受编程语言的限制。该方法可同时适用于类似有约束条件的优化方法的改进。
本方法以传统智能优化算法作为基础，实现了传统智能优化算法的改进，即大大的实现了计算维度的降低，计算结果也符合实际调度业务，具有可操作性，是高效、实用的水工程联合调度优化改进算法。该方法同样适合用于改造SCE-UA、遗传算法、粒子群法等其他优化算法。
实施例3
一种改进的水工程联合调度优化方法,包括以下步骤：
1）构建水工程联合调度计算方案，包括分析水工程的可行调度值范围；
2）改进优化算法，实现可行调度值代替优化算法中的随机数，大大降低寻优计算的维度，提高计算效率；
3）使用改进的水工程联合调度水工程联合调度算法，加载调度方案和洪水计算，将优化结果转换为可行调度值；
4）将优化调度结果通过概化图进行时空数据的可视化展示。
步骤1）中所述的构建水工程调度方案，包括建立水工程联合调度计算方案，以及确定各个水工程调度节点的可行调度区间数值，这也是本方法实施的基础工作。
1-1.建立水工程联合调度计算方案是按照调度目标要求设定参与调度的水利工程，设置相关水利工程的参数（如水库的库容曲线、断面的防洪特征值等），建立水利工程之间的拓扑关系，形成水工程联合调度计算方案可用于水工程联合调度优化计算。例如某河流流域的水工程联合调度计算方案，如图2所示。
1-2.分析可调度工程的可调度泄洪区间，以及闸门控制精度（并考虑实际操作的可行性）。如一个闸门的最大泄流能力为400m3/s，那么该闸门的可调度空间为0—400m3/s，不同于现代优化算法在0—400范围内任意随机数寻优。但由于闸门的实际操作往往都是一个不能精细控制的值，比如上述闸门的泄量往往只能控制为50 m3/s、100 m3/s这类泄量值，或是开度1/2或1/4这些阶段性的泄流控制。本方法的就是要首先确定这些阶段性值，然后让优化算法仅在这些实际可行的阶段性值中寻优，从而既符合实际调度业务的情况，又大大减少寻优的范围，提高寻优的效率。以上述最大泄流能力为400m3/s的闸门为例，经过调查分析，其可能泄量为：
实际上每个水利工程的泄流能力和可调度区间都是不一样的，需要在实际工作时对每个水利工程分别进行调查，然后梳理出来作为本方法实施的基础。
步骤2）构建改进的水工程联合调度优化算法。现有的优化算法包括迭代算法、线性规划、遗传算法、粒子群法、SCE-UA等等，理论上所有的算法都能改进来执行水工程联合调度优化计算。本方法选用了水利上常用的优化算法SCE-UA来改进形成支持根据泄流区间进行优化调度计算。SCE-UA （Shuffled Complex Evolution-University of Arizona，混洗复合型进化算法-亚利桑那州大学）是一种全局优化算法，它集成了随机搜索算法、单纯形法、聚类分析及生物竞争演化等方法的优点，能有效处理目标函数反映面存在的粗糙、不敏感区及不凸起等问题，且不受局部最小点的干扰。其基本思路是将基于确定性复合型搜索技术和自然界中的生物竞争进化原理相结合，其关键部分为竞争的复合型进化算法（CCE，Competitive Complex Evolution）。在 CCE中，每个复合型的顶点都是潜在的父辈，都有可能参与产生下一代群体的计算。每个子复合型的作用如同一对父辈。在构建过程中应用了随机方式选取子复合型，使得在可行域中的搜索更加彻底。
为了让各个可控制的水工程在可行的调度区间内寻优，首先将调度区间值归一化（即变为0—1之间的数）形成数组。SCE-UA算法中所有新生成的顶点（不管是正态分布的结果，还是随机初始化的结果）是一个归一化的数值，本方法将归一化的数字映射到最接近的可行调度值。适应度函数（带入计算值，根据最少超保、超警数，最大消峰率等结果，用于分析每组调度方案的优劣）计算时，则是根据得到调度区间的实际对应值（实际泄量）。相应的各部分数据之间的关系如图3所示。这里要注意的是每个水工程的优化计算结果是一个时间序列，所以优化结果值是每个控制水工程泄量的时间序列。
SCE-UA在每次更新顶点值时，将转化为区间值，适应度函数则根据查询实际值来计算适应度函数的值，并将计算结果传回CCE执行函数，CCE执行函数通过复合形不断变形、转移、缩小，逐渐地逼近最优值。这个最优值对应的阶段是各个水工程的可行调度区间值，符合实际工程调度的实际。
步骤3）执行改进后的水工程联合调度优化算法,整个计算过程如图4所示。
3-1.调入步骤1）建立的水工程联合调度计算方案，包括设置相应的水工程参数和可行调度区间值；
3-2. 调度计算所需预报成果（如果是历史洪水复盘，则导入历史场景数据）、人工交互设置（如调度目标、人工调度控制）；
3-3. 调用改进的SCE-UA优化算法进行水工程联合调度寻优计算；
3-4.将各个水工程的寻优结果，该结果包括不同水利工程的时间序列结果，转换为实际调度区间值并输出结果，结果为每个水利工程泄量的时间序列。
步骤4）如图5所示，优化调度结果在概化图上进行时空数据的可视化展示。水工程联合调度的优化结果为各个水工程泄流过程，每个水工程包含一个时间序列数据。为了直观展示整个优化结果，优化结果使用概化图的方式进行展示，这样可以按照时间顺序直观查看每个水工程的控制过程，能够给工作人员直观的决策支撑信息。
本发明改进的水工程联合调度优化方法在本单位开发的洪水预报调度系统、数字孪生流域“四预”应用等多个系统中使用，用于在流域水工程联合调度中快速得到可行的优化调度结果。高效性主要体现在于减少不必要的随机数寻优范围以及使用现代优化算法，满足防洪调度决策的高时效性的要求。同时，因为将寻优空间控制水工程实际可以操作的区间，得到的优化结果也在这个区间，因而调度结果具有可行性，可用于实际工作中指导水工程管理部门进行水工程的调度控制。通过实际应用表明，水工程联合调度优化改进方法能够快速得到可行的调度结果服务于实际水工程调度工作，具有较高的应用价值。
实施例4
改进后的所述水工程联合调度优化算法如图6所示。
1、每个数组对应一个水工程，一共有n个水工程，就有n个数组, 每个数组中包括m个数值。
2、一个数组Q A 中的数值对应一个水工程中的数值，第1个数组Q A1中的数值对应第1个水工程中的数值，第k个数组Q Ak 中的数值对应第k个水工程中的数值，第n个数组Q An 中的数值对应第n个水工程中的数值, 其中，k=1…n，Q Ak ={Q Ak1,…, Q Akj ,…, Q Akm }，Q Akj 为第k个数组中的第j个数值， j=1…m。
3、从数组Q B 选取每个水工程对应的优化值Q Bi 循环对比所述数组Q Ak 中的值，在数组Q Ak 中选取最接近所述优化值Q Bi 的值Q Akj 作为局部优化计算结果Q C ，其中，数组Q B ={Q B1,…,Q Bi ,…, Q Bn }， Q Bi 表示第i个水工程对应的优化值，i=1…n。具体如下：
3.1、选取第1个水工程对应的优化值Q B1循环对比数组Q A1到Q An 中的所有数值，选取数组Q Ak 中最接近所述优化值Q B1的值Q Akj 作为局部优化计算结果Q C1；
3.2、选取第i个水工程对应的优化值Q Bi 循环对比数组Q A1到Q An 中的所有数值，选取数组Q Ak 中最接近所述优化值Q Bi 的值Q Akj 作为局部优化计算结果Q Ci ；
3.3、选取第n个水工程对应的优化值Q Bn 循环对比数组Q A1到Q An 中的所有数值，选取数组Q Ak 中最接近所述优化值Q Bn 的值Q Akj 作为局部优化计算结果Q Cn ；
3.4、将上述优化计算结果形成局部优化计算结果数组Q C ，Q C ={Q C1,…, Q Ci ,…,Q Cn }。
4、将局部优化计算结果Q C 映射为每个水工程的调度可行值，更新调度可行值数组Q D 的调度可行值Q Di ，Q D ={Q D1,…, Q Di ,…, Q Dn }。
5、使用更新后的调度可行值Q Di 进行适应度函数计算，将适应度函数结果返回给改进后的优化算法，并对比适应度函数结果的优劣，更新全局优化结果数组Q E ，Q E ={Q E1,…,Q Ei ,…, Q En }。
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

Claims (9)

1.一种改进的水工程联合调度优化方法，包括构建水工程联合调度计算方案，其特征在于，还包括以下步骤：
步骤1：确定参与水工程联合调度水利工程节点，以及确定各个水工程调度节点的调度可行值；
步骤2：改进水工程联合调度优化算法，用得到的调度可行值代替优化算法中的随机数；改进后的所述水工程联合调度优化算法步骤如下：
步骤21： 从水工程联合调度计算方案中读取调度可行值数组Q D 中的调度可行值；
步骤22：将n个水工程的调度可行值归一化形成n个数组Q A ，每个数组Q Ak 中包括m个数值，其中，k=1…n；
步骤23：将全局优化结果数组Q E 通过复合形不断变形、转移和缩小计算，得到数组Q B ；
步骤24： 从所述数组Q B 选取每个水工程对应的优化值Q Bi 循环对比所述数组Q Ak 中的值，在所述数组Q Ak 中选取最接近所述优化值Q Bi 的值Q Akj 作为局部优化计算结果Q C ，其中，Q Akj 为第k个数组中的第j个数值，i=1…n， j=1…m；
步骤25： 将所述局部优化计算结果Q C 映射为每个水工程的调度可行值，更新调度可行值数组Q D 的调度可行值；
步骤26：使用更新后的调度可行值进行适应度函数计算，将适应度函数结果返回给改进后的优化算法，并对比适应度函数结果的优劣，如果所述局部优化计算结果Q C 对应的所述调度可行值数组Q D 的调度可行值为最优，则更新全局优化结果Q E ；以最大削峰为优化目标的适应度函数为的倒数，公式为，
其中，η为削峰率，为第n个水工程未优化的流量，/>为第n个水工程优化后的流量；
步骤27： 通过适应度函数计算结果判断算法是否收敛，不收敛重复执行步骤23~步骤26，收敛则输出所述全局优化结果Q E ；
步骤3：使用改进后的所述水工程联合调度优化算法，加载调度方案和洪水计算，将优化调度结果转换为调度可行值；
步骤4：将优化调度结果通过概化图进行时空数据的可视化展示。
2.如权利要求1所述的改进的水工程联合调度优化方法，其特征在于，所述步骤1包括以下子步骤：
步骤11：按照调度目标要求设定参与调度的水利工程，设置相关水利工程的参数；
步骤12：建立水利工程之间的拓扑关系，形成水工程联合调度计算方案；
步骤13：分析可调度工程的可调度泄洪值，以及闸门控制精度。
3.如权利要求2所述的改进的水工程联合调度优化方法，其特征在于，所述全局优化结果Q E 的初始值为从所述调度可行值数组Q D 中随机选取的各个水工程的值。
4.如权利要求3所述的改进的水工程联合调度优化方法，其特征在于，所述数组Q B ={Q B1,…, Q Bi ,…, Q Bn }，其中，Q Bi 表示第i个水工程对应的优化值，i=1…n。
5.如权利要求4所述的改进的水工程联合调度优化方法，其特征在于，所述数组Q B 和所述全局优化结果Q E 是大小为n的数组，对应每个水工程的优化值。
6.如权利要求5所述的改进的水工程联合调度优化方法，其特征在于，根据优化目标的不同调整适应度函数，所述优化目标包括最大削峰率、最大水资源利用率和最大发电量中至少一种目标。
7.如权利要求6所述的改进的水工程联合调度优化方法，其特征在于，所述步骤3包括以下子步骤：
步骤31：建立的水工程联合调度计算方案，包括设置参与计算的水工程，设置相应的水工程参数和调度可行值；
步骤32：调度计算根据调度场景的业务需要输入洪水预报成果，或通过人工交互设置进行洪水预报；
步骤33：调用改进的所述水工程联合调度优化算法进行水工程联合调度寻优计算，得到全局优化结果Q E 和对应的调度可行值Q D ；
步骤34：将各个水工程的寻优结果，转换为实际调度可行值并输出结果，结果为每个水工程泄量的时间序列，即为最终所需的水工程联合调度优化计算结果。
8.如权利要求7所述的改进的水工程联合调度优化方法，其特征在于，所述各个水工程的寻优结果包括不同水利工程的时间序列结果。
9.如权利要求8所述的改进的水工程联合调度优化方法，其特征在于，水工程联合调度的优化结果为各个水工程泄流过程，每个水工程包含一个时间序列数据。
CN202311255644.0A 2023-09-27 2023-09-27 一种改进的水工程联合调度优化方法 Active CN116993027B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311255644.0A CN116993027B (zh) 2023-09-27 2023-09-27 一种改进的水工程联合调度优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311255644.0A CN116993027B (zh) 2023-09-27 2023-09-27 一种改进的水工程联合调度优化方法

Publications (2)

Publication Number Publication Date
CN116993027A CN116993027A (zh) 2023-11-03
CN116993027B true CN116993027B (zh) 2023-12-26

Family

ID=88534167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311255644.0A Active CN116993027B (zh) 2023-09-27 2023-09-27 一种改进的水工程联合调度优化方法

Country Status (1)

Country Link
CN (1) CN116993027B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527119A (zh) * 2017-09-06 2017-12-29 河海大学 基于改进的多目标量子遗传算法的水资源优化调度方法
CN110555239A (zh) * 2019-08-07 2019-12-10 华南理工大学 一种基于排水管网模型的河涌水闸优化调度方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107578178B (zh) * 2017-09-11 2018-08-28 合肥工业大学 基于变邻域搜索和引力搜索混合算法的调度方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107527119A (zh) * 2017-09-06 2017-12-29 河海大学 基于改进的多目标量子遗传算法的水资源优化调度方法
CN110555239A (zh) * 2019-08-07 2019-12-10 华南理工大学 一种基于排水管网模型的河涌水闸优化调度方法

Also Published As

Publication number Publication date
CN116993027A (zh) 2023-11-03

Similar Documents

Publication Publication Date Title
Chu et al. Fuzzy hierarchical surrogate assists probabilistic particle swarm optimization for expensive high dimensional problem
CN106775705B (zh) 一种软件模块划分方法
CN108989098A (zh) 一种混合云环境面向时延优化的科学工作流数据布局方法
Tran et al. Using Fuzzy Clustering Chaotic-based Differential Evolution to solve multiple resources leveling in the multiple projects scheduling problem
Shou et al. A multiagent evolutionary algorithm for the resource-constrained project portfolio selection and scheduling problem
CN116307591A (zh) 一种基于amocs-pt的跨流域调水工程优化调度方法
CN108564231B (zh) 一种大规模水电站水库群联合调度的代理优化降维方法
CN106228235B (zh) 一种顾及格局与过程耦合效应的土地利用空间优化配置方法
CN116993027B (zh) 一种改进的水工程联合调度优化方法
CN112465301B (zh) 一种基于差分隐私机制的边缘智能电网协作决策方法
Cai An Improved Particle Swarm Optimization Algorithm and Its Application to the Extreme Value Optimization Problem of Multivariable Function
CN116777170A (zh) 基于混沌自适应蜣螂优化算法的多机器人任务分配方法
CN111144611A (zh) 一种基于聚类和非线性自回归的空间负荷预测方法
CN114580864B (zh) 针对综合能源系统的多元储能分配方法、系统及设备
Pei et al. A multi-objective hybrid differential optimization algorithm for flow-shop scheduling problem
Shen et al. Blocking flow shop scheduling based on hybrid ant colony optimization
CN112183843B (zh) 一种基于混合智能算法的火电厂负荷优化分配方法
Zhang et al. A bi-level fuzzy random model for multi-mode resource-constrained project scheduling problem of photovoltaic power plant
CN113205171A (zh) 一种离散二进制粒子群电机多目标优化方法
Navarro et al. Niche-clearing-based Variable Mesh Optimization for multimodal problems
CN117035703B (zh) 一种面向云制造的企业间协同调度优化方法、系统及设备
You et al. A novel artificial bee colony based on Gaussian sampling
CN113222214B (zh) 一种基于随机场景的综合能源系统优化设计方法及系统
An et al. Neural Architecture Search Based on Improved Brain Storm Optimization Algorithm
CN117492371B (zh) 有源电力滤波器模型预测控制的优化方法、系统和设备

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