一种面向水电站水库的随机优化调度方法技术

本发明专利技术公开了一种面向水电站水库的随机优化调度方法，包括建立径流及其预报不确定性的量化模型；提出径流及其预报不确定性的理论估计方法；构建不同径流描述方式下的随机动态规划(SDP)模型，提取调度规则，以指导水电站水库实际运行。本发明专利技术方法突破了传统经验估计方法在量化径流不确定性时，完全受制于实测径流样本的缺陷，避免了生成人工径流样本，计算更加简便，数据存储空间大大减小，且提高了随机优化调度的效益。

【技术实现步骤摘要】
一种面向水电站水库的随机优化调度方法
本专利技术涉及水库调度
，特别是涉及一种面向水电站水库的随机优化调度方法。
技术介绍
水库优化调度研究兴起于20世纪60年代，迄今为止，已经在优化调度理论、以及调度模型构建和求解上取得了一系列丰硕的研究成果。然而，这些成果很少应用到水电站的实际调度中。究其原因，主要是由于水库调度面临着径流不确定性的难题。优化调度模型常采用这样两种方式考虑径流不确定性：①隐随机方式，即假定未来径流轨迹是历史径流的重演，通过历史径流场景反映未来径流的不确定性特征。②显随机方式，即基于非确定性的水文时间序列及其概率分布描述随机入流。其中，随机动态规划(SDP)是应用最为广泛的显随机优化方法。SDP通过径流状态转移概率来最终量化径流不确定性。伴随着贝叶斯理论的发展和应用，其状态转移概率可根据径流预报信息不断地滚动更新，出现了大量的考虑径流预报不确定性的SDP模型—贝叶斯SDP(BayesianSDP，BSDP)模型。然而，目前状态转移概率主要通过以频率代替概率的经验估计方法获得，其计算精度完全依赖于实测/人工生成径流样本。当实测样本有限或者人工生成径流样本不能保留原始样本的特征时，计算结果将失真，会降低随机优化调度的效益。而且，随着径流不确定性被考虑到SDP中，BSDP不仅要考虑径流自身的转移规律，还要计算预报径流和实测径流的转移概率。此时，当实测径流样本不够时，采用随机模拟模型丰富径流样本的方法将变得不可行，因为同时产生人工径流系列和其预报径流系列，而不改变原始径流特性和其与径流预报系列的复杂相关关系，是十分困难的。
技术实现思路
专利技术目的：为解决现有技术的不足，本专利技术提供一种面向水电站水库的随机优化调度方法。技术方案：为实现上述专利技术目的，采用以下技术方案：一种面向水电站水库的随机优化调度方法，包括以下步骤：(1)建立径流及其预报不确定性的量化模型；(2)提出径流及其预报不确定性的理论估计方法；(3)构建不同径流描述方式下的随机动态规划模型，提取调度规则，以指导水电站水库实际运行。进一步的，所述步骤(1)包括以下步骤：(11)为了描述径流自身随机性，建立径流先验状态转移概率将径流视为一个简单的一阶马尔科夫过程，并以径流状态转移概率Pt-1ij来描述径流自身的随机性，即Pt-1ij＝P[qt∈j|qt-1∈i]，它表示已知时段t-1的径流qt-1为等级i时，时段t的径流qt为等级j的概率；由于径流状态转移概率Pt-1ij是在未获得任何径流预报信息的基础上得到的，将其称之为径流先验状态转移概率；(12)根据径流预报不确定性，建立径流状态转移的似然概率，并进一步建立径流的可预测性概率用似然概率Ptjk表示径流预报的不确定性，即Ptjk＝P[qft∈k|qt∈j]，它表示时段t实测径流值qt处于等级j时，预报径流值qft处于等级k的概率；当获得了径流先验状态转移概率和似然概率之后，利用全概率公式得到径流的可预测性概率Ptjl，即Ptjl＝P[qft+1∈l|qt∈j]，它表示时段t实际径流处于等级j时，t+1时段预测径流处于等级l的概率；径流的可预测性概率计算公式为：(13)获取径流状态转移的后验概率根据获取到的新的预报信息，利用贝叶斯定理，推导径流状态转移的后验概率；这样，随着径流预报信息不断滚动更新，不断地对径流先验状态转移概率进行修正，径流状态转移的后验概率的计算公式为：进一步的，所述步骤(2)包括以下步骤：(21)以实测径流样本和预报径流样本为数据基础，分别建立各时段实测径流和预报径流的边缘分布；(22)以Copula函数为工具，建立相邻时段实测径流的联合分布和同一时段预报径流和实测径流的联合分布；假设随机变量X,Y的边缘分布分别为：FX(x)＝P(X≤x)(3)；FY(y)＝P(Y≤y)(4)；X,Y的联合分布为：FX,Y(x,y)＝P(X≤x,Y≤y)(5)；根据Sklar定理：令F为一个二维分布函数，其边缘分布为u＝FX(x)，v＝FY(y)；则存在一个二维Copula函数C，使得对任意x,有：FX,Y(x,y)＝C(u,v)＝C(FX(x),FY(y))(6)；采用ArchimedeanCopula家族的两种常见的Copula函数，即Gumbel-HougaardCopula或者FrankCopula，拟合随机变量X,Y的联合分布；Gumbel-HougaardCopula函数公式为：FrankCopula函数公式为：其中，θ为Copula函数的结构相关参数，可根据其与Kendall秩相关系数的关系直接计算；当随机变量X，Y为相邻时段的实测径流，或者为同一时段的实测径流和预报径流时，利用上述Copula函数，分别建立相邻时段实测径流的联合分布，以及同一时段预报径流和实测径流的联合分布；(23)采用条件概率公式，计算描述径流自身随机性的先验状态转移概率和描述径流预报不确定性的似然概率已知随机变量X,Y的联合分布FX,Y(x,y)，给定x1<X≤x2，Y≤y2的条件概率公式为：式中，C(*)为一种给定的Copula函数；u＝FX(x)、v＝FY(y)为X、Y的边缘分布；ui＝FX(xi)，vi＝FY(yi)，i＝1，2；此时，给定x1<X≤x2，y1<Y≤y2的条件概率计算公式为：P(Y∈(y1,y2]|X∈(x1,x2])＝P(Y≤y2|x1<X≤x2)-P(Y≤y1|x1<X≤x2)(10)；若给定随机变量X为时段t的实测径流qt，且qt∈(x1,x2]，随机变量Y为时段t+1的实测径流qt+1，且qt+1∈(y1,y2]，则t+1时段径流的先验状态转移概率可通过式(10)计算；若给定随机变量X为时段t的实测径流qt，且qt∈(x1,x2]，随机变量Y为时段t的预报径流qft，且qft∈(y1,y2]，则t时段径流的似然概率也可通过公式(10)计算。(24)基于公式(2)的贝叶斯定理和公式(1)的全概率公式，计算径流的后验状态转移概率和可预测性概率。进一步的，所述步骤(3)中水电站水库随机优化调度以考虑径流不确定性下的期望发电量最大为目标，其目标函数表示为：其中，f为调度期T内的最大期望发电量；Bt(st-1,qt,st)为时段t水电站的发电出力；st-1和st分别为时段t水库初、末库容；qt为时段t径流；Eqt为期望算子；△t为调度时段；模型需满足水电站水库调度的水量平衡约束、库容约束、出库流量约束、发电出力约束、水库特征曲线约束。进一步的，所述步骤(3)中，当径流预报精度很低时，考虑径流预报信息反倒会误导调度决策，采用无预报SDP模型提取调度规则；当径流预报精度较高时，采用耦合径流自身随机性和预报不确定性的贝叶斯SDP模型提取调度规则；特殊情况下，当前时段的径流预报信息完全准确时，采用完美预报SDP模型提取调度规则；三种模型分别为：(a)无预报SDP模型首先利用径流不确定性的理论估计方法计算先验状态转移概率，然后利用公式(12)所示的递推方程逆向递推计算，获得能指导水电站水库实际运行的调度规则；无预报SDP模型，不考虑当前时段的径流预报信息，只考虑径流自身的随机转移规律；t时段径流由上一时段的本文档来自技高网...

【技术保护点】
1.一种面向水电站水库的随机优化调度方法，其特征在于，包括以下步骤：(1)建立径流及其预报不确定性的量化模型；(2)提出径流及其预报不确定性的理论估计方法；(3)构建不同径流描述方式下的随机动态规划模型，提取调度规则，以指导水电站水库实际运行。

【技术特征摘要】
1.一种面向水电站水库的随机优化调度方法，其特征在于，包括以下步骤：(1)建立径流及其预报不确定性的量化模型；(2)提出径流及其预报不确定性的理论估计方法；(3)构建不同径流描述方式下的随机动态规划模型，提取调度规则，以指导水电站水库实际运行。2.根据权利要求1所述的一种面向水电站水库的随机优化调度方法，其特征在于，所述步骤(1)包括以下步骤：(11)为了描述径流自身随机性，建立径流先验状态转移概率将径流视为一个简单的一阶马尔科夫过程，并以径流状态转移概率Pt-1ij来描述径流自身的随机性，即Pt-1ij＝P[qt∈j|qt-1∈i]，它表示已知时段t-1的径流qt-1为等级i时，时段t的径流qt为等级j的概率；由于径流状态转移概率Pt-1ij是在未获得任何径流预报信息的基础上得到的，将其称之为径流先验状态转移概率；(12)根据径流预报不确定性，建立径流状态转移的似然概率，并进一步建立径流的可预测性概率用似然概率Ptjk表示径流预报的不确定性，即Ptjk＝P[qft∈k|qt∈j]，它表示时段t实测径流值qt处于等级j时，预报径流值qft处于等级k的概率；当获得了径流先验状态转移概率和似然概率之后，利用全概率公式得到径流的可预测性概率Ptjl，即Ptjl＝P[qft+1∈l|qt∈j]，它表示时段t实际径流处于等级j时，t+1时段预测径流处于等级l的概率；径流的可预测性概率计算公式为：(13)获取径流状态转移的后验概率根据获取到的新的预报信息，利用贝叶斯定理，推导径流状态转移的后验概率；这样，随着径流预报信息不断滚动更新，不断地对径流先验状态转移概率进行修正，径流状态转移的后验概率的计算公式为：3.根据权利要求1所述的一种面向水电站水库的随机优化调度方法，其特征在于，所述步骤(2)包括以下步骤：(21)以实测径流样本和预报径流样本为数据基础，分别建立各时段实测径流和预报径流的边缘分布；(22)以Copula函数为工具，建立相邻时段实测径流的联合分布和同一时段预报径流和实测径流的联合分布；假设随机变量X,Y的边缘分布分别为：FX(x)＝P(X≤x)(3)；FY(y)＝P(Y≤y)(4)；X,Y的联合分布为：FX,Y(x,y)＝P(X≤x,Y≤y)(5)；根据Sklar定理：令F为一个二维分布函数，其边缘分布为u＝FX(x)，v＝FY(y)；则存在一个二维Copula函数C，使得对任意x,有：FX,Y(x,y)＝C(u,v)＝C(FX(x),FY(y))(6)；采用ArchimedeanCopula家族的两种常见的Copula函数，即Gumbel-HougaardCopula或者FrankCopula，拟合随机变量X,Y的联合分布；Gumbel-HougaardCopula函数公式为：FrankCopula函数公式为：其中，θ为Copula函数的结构相关参数，可根据其与Kendall秩相关系数的关系直接计算；当随机变量X，Y为相邻时段的实测径流，或者为同一时段的实测径流和预报径流时，利用上述Copula函数，分别建立相邻时段实测径流的联合分布，以及同一时段预报径流和实测径流的联合分布；(23)采用条件概率公式，计算描述径流自身随机性的先验状态转移概率和描述径流预报不确定性的似然概率已知随机变量X,Y的联合分布FX,Y(x,y)，给定x1<X≤x2，Y≤y2的条件概率公式为：式中，C(*)为一种给定的Copula函数；u＝FX(x)、v＝FY(y)为X、Y的边缘分布；ui＝FX(xi)，vi＝FY(yi)，i＝1，2；此时，给定x1<X≤x2，y1<Y≤y2的条件概率计算公式为：P(Y∈(y1,y2]|X∈(x1,x2])＝P(Y≤y2|x1<X≤x2)-P(Y≤y1|x1<X≤x2)(10)；若给定随机变量X为时段t的实测径流qt，且qt∈(...

【专利技术属性】
技术研发人员：谭乔凤，闻昕，方国华，雷晓辉，王旭，王超，黄显峰，高玉琴，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏,32