一种梯级水库群发电调度变尺度方法与系统与流程

1.本发明属于水库调度领域，特别涉及一种梯级水库群发电调度变尺度方法与系统。


背景技术：

2.流域梯级水库群优化调度利于水能资源更为合理的配置和更为高效的利用，在防洪、防旱及生态兴利等方面也起着极为重要的作用。梯级水库群优化调度具有显著的高维数、非线性、多阶段、约束强耦合等特点，且上下游之间存在复杂的水力和电力联系，优化求解非常困难，一直是国内外学术界和工程界的研究实践热点、难点问题。动态规划算法等方法需要离散状态变量、占用内存多、计算工作量大、耗时长、易导致“维数灾”；粒子群算法、遗传算法、差分进化算法等群体智能算法易面临局部收敛等问题，通常难以提供稳定可靠的调度结果。


技术实现要素：

3.本发明的目的在于：提供一种梯级水库群发电调度变尺度方法与系统，以解决现有技术的问题。
4.为实现上述目的，本发明提供如下技术方案：一种梯级水库群发电调度变尺度方法，包括以下步骤：
5.s1、基于水库群中的各个目标水库，按照目标水库的水力联系确定计算顺序，并将各个目标水库库容作为决策变量；
6.s2、基于决策变量，利用随机搜索策略对水库群中的各个目标水库在初始调度轨迹邻域内生成由若干个调度方案构成的初始种群；所述种群中每个调度方案对应为一个个体；
7.s3、将种群中各个个体决策值进行修正，之后利用动态惩罚系数，依次计算所有个体的适应度值；
8.s4、依次利用大尺度、中尺度、小尺度搜索策略对种群中各个个体的位置进行迭代更新，得到在该尺度搜索策略下对应的优秀个体；其中各尺度搜索策略执行时的过程为：对上一个尺度搜索策略得到的优秀个体位置进行更新，然后执行步骤s3计算该搜索策略下更新后的个体适应度值，比较该搜索策略下更新前后的个体适应度值，将适应度值高的个体确定为该尺度搜索策略下的优秀个体；
9.s5、判断s4迭代更新的次数是否达到预设最大迭代次数，是则将该预设最大迭代次数所对应的小尺度搜索策略优秀个体作为最佳调度方案。
10.进一步地，前述的步骤s2具体包括：初始化计数器k＝1，第k次迭代时个体m为一种包括i个水电站j个时段的调度方案，如下式：
11.z(k,m)＝[z(k,m,1,1),
…
,z(k,m,1,t),
…
,z(k,m,i,j),
…
,z(k,m,n,1),
…
,z(k,m,n,t)]，
[0012][0013]
其中，z(k,m,i,j)、r(k,m,i,j)分别表示第k次迭代时个体m中，水库i在时段j的决策值与相应的随机数；k表示循环次数；m表示个体数目；i表示水库数目；j表示时段数目；表示水库i在时段j的初始决策。
[0014]
进一步地，前述的骤s3具体包括如下子步骤:
[0015]
s3.1、将各个个体的决策值修正至可行范围内如下式：
[0016][0017]
其中，分别表示水库i在时段j决策值的最大值、最小值；
[0018]
s3.2、利用动态惩罚系数法依次计算所有个体的适应度值如下式：
[0019][0020][0021]
其中，p(k,m,i,j)表示第k次迭代时个体m中，水库i在时段j的出力值；w(i,j)表示水库i在时段j的电价系数；t(j)表示时段j的小时数；δ(k,m,l)表示第k次迭代时个体m中第l项约束的破坏项；l表示约束数目；a(k,m,l)表示第k次迭代时个体m中第l项约束的惩罚系数；a(k-1,m,l)表示第k-1次迭代时个体m中第l项约束的惩罚系数；b表示调整系数。
[0022]
进一步地，前述的步骤s4具体步骤如下：
[0023]
s401、利用大尺度搜索策略对种群中各个个体的位置进行更新，然后执行步骤s3计算更新后的个体适应度值，将大尺度搜索策略更新前的个体适应度值与更新后的个体适应度值进行比较，将适应度值高的个体确定为大尺度搜索策略优秀个体，进入步骤s402；
[0024]
s402、利用中尺度搜索策略对大尺度搜索策略的优秀个体的位置进行更新，然后执行步骤s3计算更新后的个体适应度值，将中尺度搜索策略更新前的个体适应度值与更新后的个体适应度值进行比较，将适应度值高的个体确定为中尺度搜索策略优秀个体，进入步骤s403；
[0025]
s403、利用小尺度搜索策略对中尺度搜索策略的优秀个体的位置进行更新，然后执行步骤s3计算更新后的个体适应度值，将小尺度搜索策略更新前的个体适应度值与更新后的个体适应度值进行比较，将适应度值高的个体确定为小尺度搜索策略优秀个体；
[0026]
进一步地，前述的步骤s401中按如下公式利用大尺度搜索策略对种群中各个个体的位置进行更新：
[0027]
[0028]
z(k,m)＝argmax{f[z(k,m)],f[x(k,m)]}，
[0029]
其中，x(k,m)表示第k次迭代时个体m的大尺度更新位置；f[x(k,m)]表示x(k,m)的适应度；c1、c2表示[0,1]区间服从均匀分布的随机数；c3表示[0,2]区间服从均匀分布的随机数；ρ1表示设定的大尺度搜索阈值。
[0030]
进一步地，前述的步骤s402中，按如下公式利用中尺度搜索策略对大尺度搜索策略的优秀个体的位置进行更新：
[0031][0032]
z(k,m)＝argmax{f[z(k,m)],f[y(k,m)]}，
[0033]
其中，y(k,m)表示第k次迭代时个体m的中尺度更新位置；z(k,n)表示第k次迭代时个体n的位置，且有n≠m；f[y(k,m)]表示y(k,m)的适应度；c4表示[0,π]区间服从均匀分布的随机数。
[0034]
进一步地，前述的步骤s403中，按如下公式利用小尺度搜索策略对中尺度搜索策略的优秀个体的位置进行更新：
[0035][0036]
z(k,m)＝argmax{f[z(k,m)],f[v(k,m)]}，
[0037]
其中，表示调整系数；c5表示[0,1]区间服从均匀分布的随机数；ρ2表示设定的小尺度搜索阈值；z
max
、z
min
分别表示梯级水库群决策值的最大值、最小值对应的向量。
[0038]
本发明另一方面提出一种梯级水库群发电调度变尺度系统，包括：
[0039]
决策变量获取模块，被配置执行以下动作：基于水库群中的各个目标水库，按照目标水库的水力联系确定计算顺序，并将各个目标水库库容作为决策变量；初始化模块，被配置执行以下动作：基于决策变量，利用随机搜索策略对水库群中的各个目标水库在初始调度轨迹邻域内生成由若干个调度方案构成的初始种群；所述种群中每个调度方案对应为一个个体；
[0040]
个体适应度获取模块，被配置执行以下动作：将种群中各个个体决策值进行修正，之后利用动态惩罚系数，依次计算所述计算所有个体的适应度值；
[0041]
尺度搜索模块，被配置执行以下动作：依次利用大尺度、中尺度、小尺度搜索策略对种群中各个个体的位置进行迭代更新，得到在该尺度搜索策略下对应的优秀个体；其中各尺度搜索策略执行时的过程为：对上一个尺度搜索策略得到的优秀个体位置进行更新，然后返回个体适应度模块计算获取该搜索策略下更新后的个体适应度值，比较该搜索策略下更新前后的个体适应度值，将适应度值高的个体确定为该尺度搜索策略下的优秀个体；
[0042]
最佳调度方案决策模块，被配置执行以下动作：判断尺度搜索模块中迭代更新的次数是否达到预设最大迭代次数，是则将该预设最大迭代次数所对应的小尺度搜索策略优秀个体作为最佳调度方案。
[0043]
相较于现有技术，本发明具有以下优点和有益效果：本发明具有原理清晰、易于执行、收敛速度快、搜索精度高等优势，能够显著提升梯级运行效益，为梯级水库群发电调度提供了实用、创新的技术手段。
附图说明
[0044]
图1为本发明流程图。
[0045]
图2为本发明与经典方法的收敛结果比较图。
[0046]
图3为本发明所得梯级水库群调度方案。
具体实施方式
[0047]
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。
[0048]
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。
[0049]
如图1所示，本发明提出的一种梯级水库群发电调度变尺度方法，流程如下：s1、基于水库群中的各个目标水库，按照目标水库的水力联系确定计算顺序，并将各个目标水库库容作为决策变量。
[0050]
s2、基于决策变量，利用随机搜索策略对水库群中的各个目标水库在初始调度轨迹邻域内生成由若干个调度方案构成的初始种群；所述种群中每个调度方案对应为一个个体。具体为：初始化计数器k＝1，第k次迭代时个体m为一种包括i个水电站j个时段的调度方案，如下式：
[0051]
z(k,m)＝[z(k,m,1,1),
…
,z(k,m,1,t),
…
,z(k,m,i,j),
…
,z(k,m,n,1),
…
,z(k,m,n,t)]，
[0052][0053]
其中，z(k,m,i,j)、r(k,m,i,j)分别表示第k次迭代时个体m中，水库i在时段j的决策值与相应的随机数；k表示循环次数；m表示个体数目；i表示水库数目；j表示时段数目；表示水库i在时段j的初始决策。
[0054]
s3、首先将种群中各个个体决策值进行修正，将各个个体的决策值修正至可行范围内如下式：
[0055][0056]
其中，分别表示水库i在时段j决策值的最大值、最小值。
[0057]
之后利用动态惩罚系数法依次计算所有个体的适应度值如下式：
[0058][0059][0060]
其中，p(k,m,i,j)表示第k次迭代时个体m中，水库i在时段j的出力值；w(i,j)表示
水库i在时段j的电价系数；t(j)表示时段j的小时数；δ(k,m,l)表示第k次迭代时个体m中第l项约束的破坏项；l表示约束数目；a(k,m,l)表示第k次迭代时个体m中第l项约束的惩罚系数；a(k-1,m,l)表示第k-1次迭代时个体m中第l项约束的惩罚系数；b表示调整系数。
[0061]
s4、依次利用大尺度、中尺度、小尺度搜索策略对种群中各个个体的位置进行迭代更新，得到在该尺度搜索策略下对应的优秀个体；其中各尺度搜索策略执行时的过程为：对上一个尺度搜索策略得到的优秀个体位置进行更新，然后执行步骤s3计算该搜索策略下更新后的个体适应度值，比较该搜索策略下更新前后的个体适应度值，将适应度值高的个体确定为该尺度搜索策略下的优秀个体，具体为：
[0062]
首先按如下公式利用大尺度搜索策略对种群中各个个体的位置进行更新：
[0063][0064]
z(k,m)＝argmax{f[z(k,m)],f[x(k,m)]}，
[0065]
其中，x(k,m)表示第k次迭代时个体m的大尺度更新位置；f[x(k,m)]表示x(k,m)的适应度；c1、c2表示[0,1]区间服从均匀分布的随机数；c3表示[0,2]区间服从均匀分布的随机数；ρ1表示设定的大尺度搜索阈值。
[0066]
其次执行步骤s3计算更新后的个体适应度值，将大尺度搜索策略更新前的个体适应度值与更新后的个体适应度值进行比较，将适应度值高的个体确定为大尺度搜索策略优秀个体，
[0067]
然后按如下公式利用中尺度搜索策略对大尺度搜索策略的优秀个体的位置进行更新：
[0068][0069]
z(k,m)＝argmax{f[z(k,m)],f[y(k,m)]}，
[0070]
其中，y(k,m)表示第k次迭代时个体m的中尺度更新位置；z(k,n)表示第k次迭代时个体n的位置，且有n≠m；f[y(k,m)]表示y(k,m)的适应度；c4表示[0,π]区间服从均匀分布的随机数。
[0071]
接着执行步骤s3计算更新后的个体适应度值，将中尺度搜索策略更新前的个体适应度值与更新后的个体适应度值进行比较，将适应度值高的个体确定为中尺度搜索策略优秀个体。
[0072]
然后按如下公式利用小尺度搜索策略对中尺度搜索策略的优秀个体的位置进行更新：
[0073][0074]
z(k,m)＝argmax{f[z(k,m)],f[v(k,m)]}，
[0075]
其中，表示调整系数；c5表示[0,1]区间服从均匀分布的随机数；ρ2表示设定的小尺度搜索阈值；z
max
、z
min
分别表示梯级水库群决策值的最大值、最小值对应的向量。
[0076]
最后执行步骤s3计算更新后的个体适应度值，将小尺度搜索策略更新前的个体适应度值与更新后的个体适应度值进行比较，将适应度值高的个体确定为小尺度搜索策略优秀个体；
[0077]
s5、判断s4迭代更新的次数是否达到预设最大迭代次数，是则将该预设最大迭代次数所对应的小尺度搜索策略优秀个体作为最佳调度方案。
[0078]
为表现本发明达到的效果，本发明选用某流域梯级水库群进行研究。如图2所示，本发明与差分进化算法、粒子群算法等两种经典方法的收敛结果比较，可以看出，本发明的收敛速度明显优于经典方法，在200代左右即可收敛至最优解，而同期差分进化算法、粒子群算法所得结果明显差于本发明。表1为本发明与经典方法的统计指标，可以看出本发明的平均值、方差等指标均明显优于其他两种方法，且本发明的最差值优于其他两种方法的最优值。由此可知，本发明具有良好的收敛速度、搜索性能、鲁棒性，能够快速提供稳定有效的梯级水库群发电调度方案。
[0079]
表1
[0080][0081]
图3为本发明所得梯级水库群调度方案图。可以看出，水电站1为龙头水电站，汛前消落、汛期抬高水位充分蓄水，枯期进行补偿调节；其他电站(水电站2～6)尽可能保持高水头运行、增加发电量；各水电站在调度期末降低至预设末水位，且调度期内水位、出力均满足相应约束。由此可知，本发明为梯级水库群发电调度提供一种实用有效的方法。
[0082]
本发明提出的一种梯级水库群发电调度变尺度系统，包括：
[0083]
决策变量获取模块，被配置执行以下动作：基于水库群中的各个目标水库，按照目标水库的水力联系确定计算顺序，并将各个目标水库库容作为决策变量；初始化模块，被配置执行以下动作：基于决策变量，利用随机搜索策略对水库群中的各个目标水库在初始调度轨迹邻域内生成由若干个调度方案构成的初始种群；所述种群中每个调度方案对应为一个个体；
[0084]
个体适应度获取模块，被配置执行以下动作：将种群中各个个体决策值进行修正，之后利用动态惩罚系数，依次计算所述计算所有个体的适应度值；
[0085]
尺度搜索模块，被配置执行以下动作：依次利用大尺度、中尺度、小尺度搜索策略对种群中各个个体的位置进行迭代更新，得到在该尺度搜索策略下对应的优秀个体；其中各尺度搜索策略执行时的过程为：对上一个尺度搜索策略得到的优秀个体位置进行更新，然后返回个体适应度模块计算获取该搜索策略下更新后的个体适应度值，比较该搜索策略下更新前后的个体适应度值，将适应度值高的个体确定为该尺度搜索策略下的优秀个体；
[0086]
最佳调度方案决策模块，被配置执行以下动作：判断尺度搜索模块中迭代更新的次数是否达到预设最大迭代次数，是则将该预设最大迭代次数所对应的小尺度搜索策略优秀个体作为最佳调度方案。
[0087]
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。