一种耦合人工神经网络的水库群调度方法与系统

本发明属于水资源高效利用与水电系统优化调度，具体涉及一种耦合人工神经网络的水库群调度方法与系统。

背景技术：

1、dp(dynamic programming，动态规划动态规划)被认为是为解决多阶段决策问题而设计的最经典的算法之一。它将原始问题划分为可以独立求解的子问题，并利用最优子结构和重叠子问题来获得离散状态空间中的全局最优策略。然而，“维数灾”限制了dp在多维优化问题中的应用，即dp的计算复杂度随着状态数量的增加呈指数增长。为了缓解维数问题，针对多水库运行开发了一种称为poa(progressive optimization algorithm，逐步优化算法)的改进动态规划方法，其原理是将原始的多阶段问题分解为无数的两阶段子问题。poa在求解过程中，保持子问题前一阶段的状态变量保持不变。并将当前循环的最优解作为下一循环的初始轨迹。通过迭代细化解决方案和修改决策变量，poa逐渐获得多水库运行的最优结果。然而，标准poa方法的搜索空间随着系统规模的增加呈指数增长，这导致在求解多维优化问题时产生了巨大的计算成本。

2、ann(artificial neural network，人工神经网络)的灵感来源于人脑的结构和功能，被认为是最强大、最经典的人工智能模型之一。由于其解决复杂和非线性问题的能力，人工神经网络在过去几十年一直是研究的热点。人工神经网络由多个相互连接的神经元组成，这些神经元协同工作以将输入数据转换为输出结果。典型的ann有一个输入层、一个或多个隐藏层和一个输出层。输入层中的每个神经元反映一个输入特征，而隐藏层中的神经元在产生输出层的最终输出之前对输入数据进行非线性映射。人工神经网络通过动态调整神经元之间的突触权重，从而最小化模拟输出和目标输出之间的误差。

技术实现思路

1、本发明所要解决的技术问题在于：针对现有的poa方法计算成本高的问题，提供了一种耦合人工神经网络的水库调度方法，本发明体中的多水库系统运行优化的新型响应面驱动的逐步优化算法(rspoa)，基于ann人工神经网络用于估计每个两阶段子问题中每个状态的功率输出。通过在不同场景下对现实多水库系统的仿真，研究证明了所提方法的可行性和优越性。更好地理解和改进多水库运行的优化，并对可持续水资源管理产生影响。

2、为解决以上技术问题，本发明提供如下技术方案：一种耦合人工神经网络的水库群调度方法，包括如下步骤：

3、s1、根据水库ii水位上下限和历史入库流量的最大值和最小值进行水位和流量状态离散，获得包含水库入库流量、起始水位、结束水位进行状态组合的数据集，然后通过水量平衡计算不同组合下的下泄流量，通过出力计算公式计算不同组合下的出力；其中，ii＝1,2,...n，n为水库群水库数目；

4、s2、以步骤s1得到的数据集为输入、对应的不同组合下的下泄流量、水库出力为输出，利用ann网络构建并训练水库下泄流量和出力预测模型；

5、s3、令ii＝ii+1，对下一个水库重复执行步骤s1至s2，获得各个水库的下泄流量和出力预测模型。

6、s4、将水库下泄流量和出力预测模型带入至poa算法中迭代计算，进行水库优化调度。

7、进一步地，前述的步骤s1包括如下子步骤：

8、s1.1、在水库历史最大、最小入库流量之间离散为k个状态点：{i1,i2,...,ik}；

9、s1.2、对水库水位在其上下限范围内离散m个状态点：{z1,z2,...,zm}，其中起始水位为结束水位为

10、s1.3、对水库入库流量、起始水位、结束水位进行状态组合，得到状态组合的数据集：

11、s1.4、通过公式(1)中的水量平衡计算不同组合下的下泄流量ok,i,j，通过公式(2)中的出力计算公式计算不同组合下的出力pk,i,j:

12、oi,j,k＝{v(zi,1)-v(zj,2)}/δt+ik   (3)

13、pk,i,j＝k·oi,j,k·δh   (4)

14、公式中δt为时段长，ik为第k个流量离散点，k为出力系数，δh为水库上下游水头差。

15、进一步地，前述的步骤s2具体为：以数据集为输入，以下泄流量和出力{ok,i,j,pk,i,j}为输出，利用ann神经网络中，预设神经元数量和网络层数，构建并训练水库下泄流量和出力预测模型模型，使模型训练预测的下泄流量的出力{o'k,i,j,p'k,i,j}与{ok,i,j,pk,i,j}误差最小。

16、进一步地，前述的步骤s4包括如下子步骤：

17、具体包括如下子步骤s4.1至步骤s4.6：

18、s4.1、初始化t＝1,离散状态数为k，其中，t为阶段数，t＝1,2,...,t；对t时段水位zt进行离散:其中zt是包含n个水库水位离散组合的状态向量；

19、s4.2：ii＝1，对水库ii的t-1时段水位ziit-1，入库流量iiit-1，t时段水位ziit进行状态组合：{iiit,ziit-1,ztj,ii}；对t+1时段水位ziit+1，t时段入库流量iiit和水位ziit进行状态组合：{iiit,ztj,ii,ziit+1}；

20、s4.3：将水库ii的t-1时段状态组合{iiit-1,ziit-1,ztj,ii}和t时段状态组合{iiit,ztj,ii,ziit+1}带入水库下泄流量和出力预测模型模型annii，得对应时段的下泄流量和出力{ot-1j,ii,pt-1j,ii}、{otj,ii,ptj,ii}，其中ot-1j,ii，otj,ii为下一水库ii+1第j个状态离散点t-1时段和t时段的入库流量和

21、s4.4：令ii＝ii+1，重复步骤s4.1至s4.3，通过预测模型annii计算下一个水库t-1时段和t时段的下泄流量和出力，直至ii＝n，最终得到各个水库第j离散点t-1时段和t时段的预测出力和ptj；

22、s4.5：计算将代替zt，更新调度线；

23、s4.6：令t＝t+1，判断t是否等于t-1，是则执行步骤s4.7；否则执行步骤返回执行步骤s4.2；

24、s4.7、比较调度线{z1*,z2*,...,zt*,...zt*}与初始调度线{z1,z2,...,zt,...zt}是否收敛，是则根据获得的调度线{z1*,z2*,...,zt*,...zt*}进行水库调度，否则将调度线{z1*,z2*,...,zt*,...zt*}作为初始调度线,然后返回执行步骤s4.4。

25、本发明另一方面提出一种耦合人工神经网络的水库调度系统，包括水库群运行数据获取模块、下泄流量和出力预测模型构建模块、水库群调度预测模型耦合poa模块；

26、所述水库运行数据获取模块，用于根据水库ii水位上下限和历史入库流量的最大值和最小值进行水位和流量状态离散，获得包含水库入库流量、起始水位、结束水位进行状态组合的数据集，然后通过水量平衡计算不同组合下的下泄流量，通过出力计算公式计算不同组合下的出力；其中，ii＝1,2,...n，n为水库群水库数目；

27、水库下泄流量和出力预测模型构建模块，用于以包含水库入库流量、起始水位、结束水位进行状态组合的数据集为输入、对应的不同组合下的下泄流量、水库出力为输出，利用ann网络构建并训练水库下泄流量和出力预测模型；

28、水库调度预测模型耦合poa模块，用于将水库下泄流量和出力预测模型带入至poa算法中迭代计算，进行水库优化调度。

29、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方法的步骤。

30、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方法的步骤。

31、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：与传统poa算法相比，本发明简化了原来poa算法的优化步骤，即不用重复搜索水库特性曲线，重复带入出力计算公式等，提高了poa算法的计算效率；本发明通过训练获得的ann模型无需重复训练，对于一个水电站通过一次训练获得的ann模型能重复带入今后的计算，节约了模型计算成本。