CN117541019A - 一种梯级水库中长期鲁棒优化调度方法、系统及存储介质 - Google Patents
一种梯级水库中长期鲁棒优化调度方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117541019A CN117541019A CN202410007995.8A CN202410007995A CN117541019A CN 117541019 A CN117541019 A CN 117541019A CN 202410007995 A CN202410007995 A CN 202410007995A CN 117541019 A CN117541019 A CN 117541019A
- Authority
- CN
- China
- Prior art keywords
- runoff
- robust
- reservoir
- optimal scheduling
- cascade
- 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 61
- 238000003860 storage Methods 0.000 title claims abstract description 20
- 230000007774 longterm Effects 0.000 title claims description 16
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 51
- 238000010248 power generation Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000002411 adverse Effects 0.000 claims description 5
- 230000002068 genetic effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 26
- 239000000243 solution Substances 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 125000003275 alpha amino acid group Chemical group 0.000 description 6
- 150000001875 compounds Chemical class 0.000 description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000551 statistical hypothesis test Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012267 brine Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- HPALAKNZSZLMCH-UHFFFAOYSA-M sodium;chloride;hydrate Chemical compound O.[Na+].[Cl-] HPALAKNZSZLMCH-UHFFFAOYSA-M 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02B—HYDRAULIC ENGINEERING
- E02B1/00—Equipment or apparatus for, or methods of, general hydraulic engineering, e.g. protection of constructions against ice-strains
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Marketing (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Civil Engineering (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Fluid Mechanics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
Abstract
本申请涉及一种梯级水库中长期鲁棒优化调度方法、系统及存储介质,方法包括以下步骤:步骤1.采集梯级水库水文资料数据;步骤2.利用多站点径流随机模拟器基于有限历史实测径流资料生成随机径流情景;步骤3.采用聚类方法对不确定性径流样本进行分类;步骤4.通过多目标策略搜索算法对每个径流样本优化得到帕累托前沿;步骤5,针对得到的帕累托前沿利用鲁棒优化及概率分析算法筛选鲁棒性候选解;步骤6,通过均一化鲁棒指示器得到最终的鲁棒优化调度方案,本申请综合考虑水文站点间时空相关性生成大量不同来水组合的径流情景,并对不同来水情景进行分类,利用显性鲁棒优化及概率分析算法得到不同径流情景对应的梯级水库鲁棒性优化方案。
Description
技术领域
本申请涉及水库优化调度方法领域,特别涉及一种梯级水库中长期鲁棒优化调度方法、系统及存储介质。
背景技术
水资源作为地球生物圈最基本的自然资源,不仅是生态环境建设的重要物质基础,还是人类社会经济发展的重要支撑。水库作为一种水资源调节工程,通过拦洪补枯等基础调蓄措施,在区域防洪,城市供水,电网发电,河道航运以及生态修复等方面均发挥着关键性作用,为水资源多功能化提供了一套行之有效的可行思路。中国水利工程已进入由规划建设到运行管理的关键转型期,重点流域均形成了大规模协调优化的梯级水库群。在流域内实施梯级水库联合优化调度,可以在不增加建设成本的情况下最大限度实现水资源的优化利用,对缓解能源供需紧张和水资源短缺有重要意义。
梯级水库调度决策很大程度上依赖于来流预报精度和预见期等诸多因素。水库短期调度可充分考虑径流预报结果及其不确定性;而水库中长期运行管理,受现有水文预报技术限制,暂时还未开发出一套完整的考虑径流不确定性影响的调度研究框架。传统基于历史观测信息的梯级水库中长期优化调度将不确定性径流当作确定值,开展优化调度。这种方法往往存在较大误差,不符合工程实际,难以被水库调度单位采用。国内外已有部分学者针对以上技术难题,开展了相关随机性鲁棒优化调度研究,以达到梯级水库鲁棒决策运行的目的。
然而,现有文献通常还是局限在单一调水工程,却未考虑梯级水库之间复杂水力联系,不具备一般的应用推广性。且主要优化方法主要还是停留在单目标优化调度层面,且径流分布抽样假设为最为简单的正态函数,具有一定的不合理性。
发明内容
本申请实施例的目的在于提供一种梯级水库中长期鲁棒优化调度方法、系统及存储介质,基于历史观测径流数据,综合考虑水文站点间时空相关性生成大量不同来水组合的径流情景,并对不同来水情景进行分类,利用鲁棒优化及概率分析算法得到不同径流情景对应的梯级水库鲁棒性优化方案。
为实现上述目的,本申请提供如下技术方案:
第一方面,本申请实施例提供一种梯级水库中长期鲁棒优化调度方法,包括以下步骤:
步骤1. 采集梯级水库水文资料数据;
步骤2. 利用多站点径流随机模拟器基于有限历史实测径流资料生成随机径流情景;
步骤3. 采用聚类方法对不确定性径流样本进行分类;
步骤4. 以梯级水库总发电量期望值最大和河道生态保证率最高为目标函数,考虑水库调度边界条件,通过多目标策略搜索算法对每个径流样本优化得到帕累托前沿;
步骤5,针对得到的帕累托前沿利用鲁棒优化及概率分析算法筛选鲁棒性候选解;
步骤6,通过均一化鲁棒指示器得到最终的鲁棒优化调度方案。
所述步骤2的实现方式如下,
步骤2.1,通过对历史多站点观测径流进行随机抽样月径流模拟,并进行Cholesky分解变换保证其时间自相关性;
步骤2.2,利用k最近邻法将模拟的月径流结果分解为日尺度径流,包括通过计算所有站点模拟月径流与历史观测月径流的欧式空间距离d,找到与实测月径流结果最为相近的k个样本,并按照欧式距离排序;
式中,和/>分别代表第m站点模拟生成的和观测月径流,M为站点总数;排序后再对样本进行随机抽样,第n个样本被抽中的概率
,
样本k的取值采用为,其中/>为历史观测年份总数。
所述步骤4包括以下子步骤:
步骤4.1,采用高斯径向基函数来构造梯级水库调度规则;
步骤4.2,利用非支配排序遗传算法对每组类别的每种径流情景进行多目标优化,得到帕累托前沿。
所述步骤5中利用鲁棒优化及概率分析算法筛选鲁棒性候选解包括以步骤:
步骤5.1,初始选择某一目标函数为关键目标函数,另一目标函数为非关键目标函数,对于非关键目标函数选择某一确定水平L,从每组帕累托前沿中选择最接近该水平的优化解,组成鲁棒性候选解集;
步骤5.2,构建集合中关键目标函数值的概率密度函数;不断更替水平L直至概率密度函数达到收敛条件;
步骤5.3,转换关键目标函数,重复子步骤5.1和子步骤5.2,扩展集合。
所述步骤6中均一化鲁棒指示器NRI包括对均值、高阶矩/>以及最不利情况/>鲁棒性指标进行综合考量,其中/>为第r场景第x候选解的鲁棒性目标函数值,np为总场景个数,NRI可由以上三项指标的归一化函数/>、/>和加权平均得到,即
,
式中,范围为[0,1],其值越大,表明候选解x越稳健。
第二方面,本申请实施例提供一种梯级水库中长期鲁棒优化调度系统,包括,
数据采集模块, 采集梯级水库水文资料数据;
径流情景生成模块,利用多站点径流随机模拟器基于有限历史实测径流资料生成随机径流情景;
径流样本分类模块,采用聚类方法对不确定性径流样本进行分类;
径流样本优化模块,以梯级水库总发电量期望值最大和河道生态保证率最高为目标函数,考虑水库调度边界条件,通过多目标策略搜索算法对每个径流样本优化得到帕累托前沿;
候选解筛选模块,利用鲁棒优化及概率分析算法筛选鲁棒性候选解;
调度方案获得模块,通过均一化鲁棒指示器得到最终的鲁棒优化调度方案。
第三方面,本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的梯级水库中长期鲁棒优化调度方法的步骤。
与现有技术相比,本发明的有益效果是:
1、科学合理、贴近工程实际:
利用随机径流生成器可以模拟生成未来不同来水组合的径流情景,可合理扩展各水库入库流量的径流数据,充分考虑了水库调度中径流输入的不确定性。
2、可为水库调度提供重要且可操作性强的参考依据:
利用鲁棒优化及概率分析算法(ROPAR)可以充分显性显示径流输入不确定性至多种调度目标输出不确定性的传播过程,归一化鲁棒性指示器(NRI)可综合考虑均值、最不利情况以及标准差等三方面鲁棒性指标,与传统确定性优化调度相比,可在相似计算复杂度情况下,筛选得到大量梯级水库鲁棒性优化调度方案。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,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相关的附图。
图1为本发明方法的具体流程图;
图2为Kirsch-Nowak径流随机模拟原理示意图;
图3为多目标非支配排序遗传算法流程图。
实施方式
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描述。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
术语“第一”、“第二”等仅用于将一个实体或者操作与另一个实体或操作区分开来,而不能理解为指示或暗示相对重要性,也不能理解为要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
步骤1,采集梯级水库入库流量等水文资料数据。
采集水库水文资料,包括水库上游站点观测的入库流量资料,水库水位~库容、水库水位~最大下泄流量能力、下泄流量~水库尾水位等特征曲线。
步骤2,利用Kirsch-Nowak多站径流随机模拟器基于有限历史实测径流资料生成大量可靠的随机径流情景。
本步骤属于本技术领域内的常规技术,为便于理解,下面将对本步骤进行详细说明。
本具体实施方式如图2示意图所示,采用多站径流随机模拟器(Kirsch NowakStreamflow Generator),即首先统计历史观测径流特征值,通过随机抽样方法进行月径流模拟,并进行Cholesky分解变换保证其时间自相关性,其后,利用k最近邻法(k-Nearestneighbors,KNN)将模拟月径流结果分解为日尺度径流。KNN算法的核心思想是通过计算所有站点模拟月径流与历史观测月径流的欧式空间距离,据此找到与模拟月径流结果最为相近的k个样本。欧式空间距离计算公式如下:
(1)
式中:和/>分别代表第m站点模拟生成的和观测的月径流,M为站点总数。值得注意的是,历史观测月径流数据包括了所在月份前后7天连续日观测值,如以模拟1月为例,时间跨度范围为从12月份的最后七天一直到来年2月份的第一周,以任意连续31天均可视为/>。
按照近似度将选出的k个历史样本进行排序,最接近样本(即d值最小)序号为1,最远离样本(即d值最大)序号为k。排序后再对样本进行随机抽样,第n个样本被抽中的概率如式(2)所示,根据被选中样本径流序列将模拟的月径流等比例缩放分解至日尺度径流。
(2)
根据经验推荐,样本k的取值可采用为,其中/>为历史观测年份总数。
针对多站点随机径流模拟结果进行统计假设检验,包括多站径流随机模拟各站点时序相关性,站点与站点之间的空间相关性,以及逐年累积频率曲线等,以客观评价模拟结果的适用性与合理性。
步骤3,采用聚类方法对不确定性径流样本进行分类。
根据径流不同统计指数,利用聚类分析对不同模拟径流情景进行分类。统计指数主要有平均流量、日流量序列的1至15天最大(小)流量、月均流量标准差等。
步骤4,以梯级水库总发电量期望值最大和河道生态保证率最高为目标函数,考虑水库调度边界条件,通过多目标策略搜索算法对每个径流样本优化得到Pareto前沿。
以梯级水库总发电量期望值最大与河道生态流量保证率最高为目标函数,建立梯级水库优化调度模型,其目标函数表达式为:
(3)
(4)
式(3)-(4)中,和/>分别为梯级水库的年均发电量和生态保证率。/>为布尔变量,若满足最小生态流量要求,其值为1,反之为0。其中,最小生态流量阈值可由最小生态流量法和变异性范围法综合确定。/>代表第i水库t时段的平均出力;/>为第i水库综合出力系数;/>为第i水库t时段发电流量;/>为第i水库t时段平均发电净水头;/>为计算时段步长;M和T分别为梯级水库和调度时段的个数。
本具体实施中考虑如下的约束条件:
(a)水量平衡方程:
(5)
式(5)中,和/>分别为第i个水库在t时段初、末蓄水量;/>、/>、分别为第i水库t时刻的入库、出库和损失流量。
(b)水库间水力联系约束:
(6)
式(6)中,为第i、/>水库之间在t时段的区间流量。
(c)水库水位约束:
(7)
式(7)中,为第i个水库t时段水位,且保证在允许的最低水位/>和最高水位/>之间运行。
(d)下泄流量约束:
(8)
式(8)中,和/>分别是第i水库第t时段允许下泄最小和最大流量,/>为第i水库t时段弃水量。
(e)机组出力限制: (9)
式(9)中,和/>分别是第i水库第t时段出力范围的下限与上限。
(f)水库水位边界条件:
(10)
式(10)中,和/>分别为第i水库在调度初时段和末时段所应保持的水位。
本具体实施中考虑的水库调度规则为高斯径向基函数调度规则,以常见的水库当前库容状态、入库流量以及相应时段作为决策因子,其表达式为:
(11)
(12)
式(11)-(12)中,U为径向基函数个数;对应为第/>个径向基函数/>的权重,其和为1;M为构成决策向量/>的决策因子个数,/>和/>对应第/>个径向基函数中心和半径矩。每一个径向基函数/>均表示一种水库调度模式,这些模式根据权重/>进行加权,得到最终水库调度决策。
最后,如图3所示,利用多目标非支配排序遗传算法对每个径流样本优化得到梯级水库调度目标的Pareto前沿。
步骤5,利用鲁棒优化及概率分析算法(ROPAR)筛选鲁棒性候选解。
本具体实施方式针对步骤4所得到的每组Pareto调度最优解记为,其中/>是n维目标函数的向量组合/>,再按如下主要步骤筛选得到鲁棒性候选解。
初始选择某一目标函数(如),认定为关键目标函数,则其余目标函数为非关键目标函数。对于非关键目标函数选择某一确定水平(即L),从每组/>中选择L水平对应的Pareto前沿,组成鲁棒性候选解集/>。其中,/>集合非关键目标函数均等于或接近L。
构建集合中关键目标函数值的概率密度函数,不断更替L水平直至概率密度函数达到收敛条件,如关键目标函数的方差最小。
转换关键目标函数,重复过程(1)和(2),最终确定鲁棒性候选解集。
步骤6,通过均一化鲁棒指示器(NRI)得到最终的鲁棒优化调度方案。
本具体实施中所说的均一化鲁棒指示器NRI包括对均值、高阶矩/>以及最不利情况/>鲁棒性指标进行综合考量,其中/>为第r场景第x候选解的鲁棒性目标函数值,np为总场景个数,NRI可由以上三项指标的归一化函数/>、/>和加权平均得到,即
(13)
式中,范围为[0,1],其值越大,表明候选解x越稳健。
研究方法运用在金沙江下游梯级四库(乌东德-白鹤滩-溪洛渡-向家坝),鲁棒性优化方案可保证其发电量均值和最不利情况等指标均优于确定性优化调度发电最优解,除此之外,其生态保证率最不利情况以及标准差性能也更为良好,更受调度决策者青睐。以丰水年情景为例,该方法所得最优鲁棒调度方案的最不利生态保证率为80.56%,最不利发电量为1637.9亿,相较于传统确定性优化方案的最不利情况的72.22%生态保证率与1547.9亿/>发电量,充分证明了鲁棒性优化的必要性。
综上,本发明考虑了梯级水库中长期多目标优化调度问题中输入径流的不确定性情况,基于各水库入库径流历史观测数据的时空相关性,利用多站径流随机模拟发生器生成大量未来可能的不同来水组合径流情景,依据聚类方法对不同来水情景进行分类,利用鲁棒优化及概率分析算法得到不同径流情景下梯级水库发电量最优与河道生态保证率最高的鲁棒性优化调度方案,为水库的实际运行调度可以提供重要且可操作性强的参考依据。
本申请实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如上所述的库区支流倒灌水量快速计算方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种梯级水库中长期鲁棒优化调度方法,其特征在于,包括以下步骤:
步骤1. 采集梯级水库水文资料数据;
步骤2. 利用多站点径流随机模拟器基于有限历史实测径流资料生成随机径流情景;
步骤3. 采用聚类方法对不确定性径流样本进行分类;
步骤4. 以梯级水库总发电量期望值最大和河道生态保证率最高为目标函数,考虑水库调度边界条件,通过多目标策略搜索算法对每个径流样本优化得到帕累托前沿;
步骤5,针对得到的帕累托前沿利用鲁棒优化及概率分析算法筛选鲁棒性候选解;
步骤6,通过均一化鲁棒指示器得到最终的鲁棒优化调度方案。
2.根据权利要求1所述的一种梯级水库中长期鲁棒优化调度方法,其特征在于,所述步骤2的实现方式如下,
步骤2.1,通过对历史多站点观测径流进行随机抽样月径流模拟,并进行Cholesky分解变换保证其时间自相关性;
步骤2.2,利用k最近邻法将模拟的月径流结果分解为日尺度径流,包括通过计算所有站点模拟月径流与历史观测月径流的欧式空间距离d,找到与实测月径流结果最为相近的k个样本,并按照欧式距离排序;
,
式中,和/>分别代表第m站点模拟生成的和观测月径流,M为站点总数;排序后再对样本进行随机抽样,第n个样本被抽中的概率
,
样本k的取值采用为,其中/>为历史观测年份总数。
3.根据权利要求1所述的一种梯级水库中长期鲁棒优化调度方法,其特征在于,所述步骤4包括以下子步骤:
步骤4.1,采用高斯径向基函数来构造梯级水库调度规则;
步骤4.2,利用非支配排序遗传算法对每组类别的每种径流情景进行多目标优化,得到帕累托前沿。
4.根据权利要求1所述的一种梯级水库中长期鲁棒优化调度方法,其特征在于,所述步骤5中利用鲁棒优化及概率分析算法筛选鲁棒性候选解包括以步骤:
步骤5.1,初始选择某一目标函数为关键目标函数,另一目标函数为非关键目标函数,对于非关键目标函数选择某一确定水平L,从每组帕累托前沿中选择最接近该水平的优化解,组成鲁棒性候选解集;
步骤5.2,构建集合中关键目标函数值的概率密度函数;不断更替水平L直至概率密度函数达到收敛条件;
步骤5.3,转换关键目标函数,重复子步骤5.1和子步骤5.2,扩展集合。
5.根据权利要求1所述的一种梯级水库中长期鲁棒优化调度方法,其特征在于,所述步骤6中均一化鲁棒指示器NRI包括对均值、高阶矩以及最不利情况鲁棒性指标进行综合考量,其中/>为第r场景第x候选解的鲁棒性目标函数值,np为总场景个数,NRI可由以上三项指标的归一化函数/>、/>和/>加权平均得到,即
,
式中,范围为[0,1],其值越大,表明候选解x越稳健。
6.一种梯级水库中长期鲁棒优化调度系统,其特征在于,包括,
数据采集模块, 采集梯级水库水文资料数据;
径流情景生成模块,利用多站点径流随机模拟器基于有限历史实测径流资料生成随机径流情景;
径流样本分类模块,采用聚类方法对不确定性径流样本进行分类;
径流样本优化模块,以梯级水库总发电量期望值最大和河道生态保证率最高为目标函数,考虑水库调度边界条件,通过多目标策略搜索算法对每个径流样本优化得到帕累托前沿;
候选解筛选模块,利用鲁棒优化及概率分析算法筛选鲁棒性候选解;
调度方案获得模块,通过均一化鲁棒指示器得到最终的鲁棒优化调度方案。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有程序代码,所述程序代码被处理器执行时,实现如权利要求1至5任一项所述的梯级水库中长期鲁棒优化调度方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410007995.8A CN117541019B (zh) | 2024-01-04 | 2024-01-04 | 一种梯级水库中长期鲁棒优化调度方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410007995.8A CN117541019B (zh) | 2024-01-04 | 2024-01-04 | 一种梯级水库中长期鲁棒优化调度方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117541019A true CN117541019A (zh) | 2024-02-09 |
CN117541019B CN117541019B (zh) | 2024-03-26 |
Family
ID=89788365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410007995.8A Active CN117541019B (zh) | 2024-01-04 | 2024-01-04 | 一种梯级水库中长期鲁棒优化调度方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117541019B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006293483A (ja) * | 2005-04-06 | 2006-10-26 | Japan Aerospace Exploration Agency | ロバスト最適化問題を解く問題処理方法およびその装置 |
CN105550766A (zh) * | 2015-12-04 | 2016-05-04 | 山东大学 | 一种含可再生能源的微网鲁棒多目标运行优化方法 |
CN109193636A (zh) * | 2018-10-08 | 2019-01-11 | 华东交通大学 | 一种基于分类不确定集的电力系统环境经济鲁棒调度方法 |
CN114004102A (zh) * | 2021-11-08 | 2022-02-01 | 河海大学 | 抵抗洪水预报误差扰动的水库实时防洪多目标鲁棒优化调控方法 |
US20220043180A1 (en) * | 2018-09-28 | 2022-02-10 | Aquanty Inc. | Method and system of real-time simulation and forecasting in a fully-integrated hydrologic environment |
CN115496273A (zh) * | 2022-09-15 | 2022-12-20 | 华南理工大学 | 一种可再生能源集群分布鲁棒优化配置方法及系统 |
CN115759646A (zh) * | 2022-11-17 | 2023-03-07 | 合肥工业大学 | 海运时间不确定下多工厂生产调度的多目标优化方法 |
CN117252043A (zh) * | 2023-11-17 | 2023-12-19 | 山东大学 | 针对区域多能互补能源系统的多目标优化调度方法及装置 |
CN117332908A (zh) * | 2023-12-01 | 2024-01-02 | 长江水利委员会水文局 | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 |
-
2024
- 2024-01-04 CN CN202410007995.8A patent/CN117541019B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006293483A (ja) * | 2005-04-06 | 2006-10-26 | Japan Aerospace Exploration Agency | ロバスト最適化問題を解く問題処理方法およびその装置 |
CN105550766A (zh) * | 2015-12-04 | 2016-05-04 | 山东大学 | 一种含可再生能源的微网鲁棒多目标运行优化方法 |
US20220043180A1 (en) * | 2018-09-28 | 2022-02-10 | Aquanty Inc. | Method and system of real-time simulation and forecasting in a fully-integrated hydrologic environment |
CN109193636A (zh) * | 2018-10-08 | 2019-01-11 | 华东交通大学 | 一种基于分类不确定集的电力系统环境经济鲁棒调度方法 |
CN114004102A (zh) * | 2021-11-08 | 2022-02-01 | 河海大学 | 抵抗洪水预报误差扰动的水库实时防洪多目标鲁棒优化调控方法 |
CN115496273A (zh) * | 2022-09-15 | 2022-12-20 | 华南理工大学 | 一种可再生能源集群分布鲁棒优化配置方法及系统 |
CN115759646A (zh) * | 2022-11-17 | 2023-03-07 | 合肥工业大学 | 海运时间不确定下多工厂生产调度的多目标优化方法 |
CN117252043A (zh) * | 2023-11-17 | 2023-12-19 | 山东大学 | 针对区域多能互补能源系统的多目标优化调度方法及装置 |
CN117332908A (zh) * | 2023-12-01 | 2024-01-02 | 长江水利委员会水文局 | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 |
Non-Patent Citations (4)
Title |
---|
HE, SHAOKUN: "Towards robust optimization of cascade operation of reservoirs considering streamflow uncertainty", 《22ND EGU GENERAL ASSEMBLY》, 31 May 2020 (2020-05-31) * |
SHAOKUN HE等: "Optimizing Operation Rules of Cascade Reservoirs for Adapting Climate Change", 《WATER RESOURCES MANAGEMENT》, 19 December 2019 (2019-12-19) * |
唐际政: "电力市场下梯级水电站多目标优化调度", 《中国优秀硕士论文 工程科技Ⅱ辑》, 15 January 2022 (2022-01-15) * |
杨光;郭生练;李立平;洪兴骏;王乐;: "考虑未来径流变化的丹江口水库多目标调度规则研究", 水力发电学报, no. 12, 25 December 2015 (2015-12-25) * |
Also Published As
Publication number | Publication date |
---|---|
CN117541019B (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控系统 | |
Jamil | Hydroelectricity consumption forecast for Pakistan using ARIMA modeling and supply-demand analysis for the year 2030 | |
Mavromatidis et al. | Design of distributed energy systems under uncertainty: A two-stage stochastic programming approach | |
He et al. | Wind and solar power probability density prediction via fuzzy information granulation and support vector quantile regression | |
Behm et al. | How to model European electricity load profiles using artificial neural networks | |
Buzna et al. | Electric vehicle load forecasting: A comparison between time series and machine learning approaches | |
Apostolopoulou et al. | Robust optimization for hydroelectric system operation under uncertainty | |
CN116070971B (zh) | 河湖水系有序流动调控方法和系统 | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
CN105140967B (zh) | 一种含新能源电力系统调峰需求的评估方法 | |
Zeferino et al. | Regional wastewater system planning under population dynamics uncertainty | |
Zhang et al. | Research on short-term load forecasting using K-means clustering and CatBoost integrating time series features | |
Efstratiadis et al. | Generalized storage-reliability-yield framework for hydroelectric reservoirs | |
CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 | |
Souhe et al. | Forecasting of electrical energy consumption of households in a smart grid | |
Rego et al. | Mean shift densification of scarce data sets in short-term electric power load forecasting for special days | |
CN117541019B (zh) | 一种梯级水库中长期鲁棒优化调度方法、系统及存储介质 | |
Hernandez-Ambato et al. | Multistep-ahead streamflow and reservoir level prediction using ANNs for production planning in hydroelectric stations | |
CN115496148A (zh) | 一种河流大尺度水文情势变化的评价方法及装置 | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
Ahmed et al. | Implementation of water demand forecasting model to aid sustainable water supply chain management in UAE | |
Pappis | Electrified Africa–Associated investments and costs | |
Ravazzi et al. | Dynamical social networks | |
Harrison et al. | Short Term Electric Load Forecasting of 132/33KV Maiduguri Transmission Substation using Adaptive Neuro-Fuzzy Inference System (ANFIS) | |
Mo et al. | Risk and benefit analysis of multifunctional reservoir staged operating |
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 |