一种水电站水库调度规则的分类智能提取方法技术

技术编号:20390694 阅读:24 留言:0更新日期:2019-02-20 03:10
本发明专利技术公开了一种水电站水库调度运行规则的分类智能提取方法,包括:将电站出力作为输出变量,利用相关分析方法确定输入变量;获得归一化后的输入变量和输出变量,利用聚类方法将所有样本的输入变量划分为K个类别;对各类别下的输入变量及输出变量,分别构造对应的ELM模型进行模拟逼近,同时采用改进粒子群算法优选ELM模型参数,从而得到K个不同的ELM模型;确定新获取的输入变量所属类别,将其输入到对应模型即可得到对应的输出值

【技术实现步骤摘要】
一种水电站水库调度规则的分类智能提取方法
本专利技术属于水资源高效利用与水电系统优化调度领域,更具体地,涉及一种水电站水库调度规则的分类智能提取方法。
技术介绍
与其他化石能源相比,水电具有污染物排放低、可再生和快速启停能力等独特优点,因而十分有必要从长序列实际资料中挖掘水电站水库的调度运行规律、以提高实际调度水平与经济运行效率,是一项具有重要理论意义和实践价值的研究课题。在水电站水库调度规则领域,国内外学者已先后提出了线性回归、非线性回归、调度图、神经网络等多种方法,这些方法在提取调度规则时大都以训练样本总误差最小为目标进行优化,极易引发训练精度不足、模型过拟合等问题,降低了模型的指导价值。因此,十分有必要探索新型的水电站水库调度规则提取方法。单隐层前馈神经网络是推导水库调度运行规则的经典智能方法之一,但存在学习效率低下、易陷入局部最优等缺陷。为提高传统神经网络训练效率,国内外学者最新提出了理论相对完备的极端学习机(ExtremeLearningMachine,ELM)模型,该方法在随机确定输入层-隐藏层连接权重、隐藏层偏差后,可以通过最小二乘法直接获得最优解析解,大幅提高了模型训练效率、增强了模型泛化能力,已广泛应用于在风速预测、径流模拟等领域,但是目前仍未见有关ELM在水电站水库调度运行规则领域的研究报道,因而有必要填补这一空白。在应用过程中发现,由于输入层-隐藏层连接权重和隐藏层偏差的随机确定,标准ELM方法在某些情况下有很大概率会陷入局部最优,仍然有较大空间提升其性能表现。
技术实现思路
针对现有技术的以上缺陷或改进需求,本专利技术提供了一种水电站水库调度规则的分类智能提取方法,由此解决现有推导水库调度运行规则方式存在的学习效率低下、易陷入局部最优等的技术问题。为实现上述目的,本专利技术提供了一种水电站水库调度规则的分类智能提取方法,包括:(1)确定各样本的输出变量和输入变量,其中,对于每个样本,根据水电站水库的最优调度过程,将电站出力作为输出变量,并利用相关分析方法确定输入变量;(2)对各样本对应的输出变量和输入变量进行归一化处理后,将所有样本归一化后的输入变量划分为K个不同的类别,其中,K为整数;(3)基于各类别包含的归一化输入变量及归一化输出变量,分别构造各类别对应的极端学习机ELM模型进行模拟逼近,同时选取各ELM模型参数,从而得到K个不同的ELM模型,以根据待决策的输入变量所属类别对应的ELM模型得到所述待决策的输入变量对应的目标输出值,然后对所述目标输出值进行反归一化处理得到用于调度决策的电站出力值。优选地,步骤(2)包括:(2.1)由确定归一化后的输出变量及归一化后的输入变量其中,ho表示原始数据,表示原始数据对应的归一化数据,表示原始数据的最大值,表示原始数据的最小值,M表示输入变量的数目,A表示归一化样本数目,表示第a个归一化样本中的输入变量,表示第a个归一化样本中的输出变量,表示中第m个输入变量的取值;(2.2)利用聚类方法将A个归一化样本的输入变量划分为K个不同的类别,获得各类别对应的聚类中心以及各归一化样本对应的类别标号其中,表示第k个聚类中心,Sk,m表示Sk中第m个输入变量的对应取值,表示所属的类别。优选地,步骤(3)包括:(3.1)从所有归一化样本中挑选出类别号为k的目标样本,并获取各所述目标样本对应的输入变量及输出变量,其中,k的初始值为1;(3.2)初始化迭代次数t=1,然后采用混沌序列生成包含I个粒子的初始种群,其中,每个粒子均表示一种潜在的ELM模型参数;(3.3)由第t次迭代的各粒子中隐藏层与输出层的权重矩阵、第t次迭代的各粒子所包含的所有目标样本在隐藏层的输出矩阵、及各所述目标样本对应的输入变量及输出变量得到I个粒子的适应度;(3.4)由各粒子的适应度值更新I个粒子的历史最优位置与种群的全局最优位置;(3.5)由I个粒子的历史最优位置与种群的全局最优位置更新I个粒子的速度与位置;(3.6)将迭代次数t的取值加1,若t小于最大迭代次数,则返回执行步骤(3.3);若t不小于所述最大迭代次数,则将最后一次迭代得到的种群全局最优位置作为第k类归一化样本的最佳模型参数,并将对应的模型记为ELMk;(3.7)将k值加1,若k≤K,则返回执行步骤(3.1);若k>K,则停止计算,得到K个不同的极端学习机模型,记为{ELM1,…,ELMk,…,ELMK}。优选地,由确定第t次迭代的第i个粒子Xi,t的适应度,其中,Jk为目标样本数目,表示第s个目标样本的输出变量,L表示Xi,t中隐藏层的节点数目,表示Xi,t中隐藏层与输出层的权重矩阵,g(·)表示传递函数,wl,(i,t)表示Xi,t中隐藏层第l个节点与输出层之间的权重向量,xs表示第s个目标样本的输入变量,bl,(i,t)表示Xi,t中隐藏层第l个节点与输出层之间的偏差值。优选地,由更新I个粒子的历史最优位置,由GBestt=argmin{F[PBest1,t],F[PBest2,t],…,F[PBestI,t]}更新种群的全局最优位置,其中,PBesti,t表示第t次迭代第i个粒子的历史最优位置,GBestt表示第t次种群全局最优位置,PBesti,t-1表示第t-1次迭代第i个粒子的历史最优位置,F[PBesti,t-1]表示PBesti,t-1对应的适应度。优选地,由Vi,t+1=λt·Vi,t+a1·r1·(PBestind,t-Xi,t)+a2·r2·(GBestt-Xi,t)更新I个粒子的速度,由更新I个粒子的位置,其中,Vi,t表示第t次迭代第i个粒子的速度,r1、r2、r3表示在[0,1]区间均匀分布的随机数,a1、a2分别表示自我认知系数与社会认知系数,λt为惯性系数,ind表示粒子标号,ind∈{1,2,…,I},PBestind,t表示第t次迭代第ind个粒子的历史最优位置,Vi,t+1表示第t+1次迭代第i个粒子的速度,Xi,t+1表示第t+1次迭代第i个粒子的位置。优选地,由确定待决策的输入变量所属类别,其中,表示所述待决策的输入变量的归一化值。总体而言,通过本专利技术所构思的以上技术方案与现有技术相比,能够取得下列有益效果:1、本专利技术采用分类方法将输入变量划分为互不相关的子集,有效区分了不同类别输入变量隐含的特征,避免了所有样本统一考虑引发的过拟合、计算开销大等缺陷;2、本专利技术采用新兴的极端学习机模型提取水库调度规则,能够充分挖掘水库长序列运行规律,而且在实际工程中可以不断利用最新电站运行信息更新调整模型参数,实现对电站调度规则的智能追踪;3、本专利技术采用改进粒子群算法来优选不同类别对应的极端学习机模型参数,能够获得比标准训练算法更为优越的模型结构与网络参数;4、本专利技术有效结合了分类、智能算法与极端学习机优势,具有良好的理论完备性,可以获得比调度图等传统方法更为突出的经济效益,有利于提升水资源与水能资源利用效率。附图说明图1是本专利技术实施例提供的一种方法流程示意图;图2是本专利技术实施例提供的一种总体执行框架图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本专利技术进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本专利技术,并不用于限定本专利技术。此外,下本文档来自技高网...

【技术保护点】
1.一种水电站水库调度规则的分类智能提取方法,其特征在于,包括:(1)确定各样本的输出变量和输入变量,其中,对于每个样本,根据水电站水库的最优调度过程,将电站出力作为输出变量,并利用相关分析方法确定输入变量;(2)对各样本对应的输出变量和输入变量进行归一化处理后,将所有样本归一化后的输入变量划分为K个不同的类别,其中,K为整数;(3)基于各类别包含的归一化输入变量及归一化输出变量,分别构造各类别对应的极端学习机ELM模型进行模拟逼近,同时选取各ELM模型参数,从而得到K个不同的ELM模型,以根据待决策的输入变量所属类别对应的ELM模型得到所述待决策的输入变量对应的目标输出值,然后对所述目标输出值进行反归一化处理得到用于调度决策的电站出力值。

【技术特征摘要】
1.一种水电站水库调度规则的分类智能提取方法,其特征在于,包括:(1)确定各样本的输出变量和输入变量,其中,对于每个样本,根据水电站水库的最优调度过程,将电站出力作为输出变量,并利用相关分析方法确定输入变量;(2)对各样本对应的输出变量和输入变量进行归一化处理后,将所有样本归一化后的输入变量划分为K个不同的类别,其中,K为整数;(3)基于各类别包含的归一化输入变量及归一化输出变量,分别构造各类别对应的极端学习机ELM模型进行模拟逼近,同时选取各ELM模型参数,从而得到K个不同的ELM模型,以根据待决策的输入变量所属类别对应的ELM模型得到所述待决策的输入变量对应的目标输出值,然后对所述目标输出值进行反归一化处理得到用于调度决策的电站出力值。2.根据权利要求1所述的方法,其特征在于,步骤(2)包括:(2.1)由确定归一化后的输出变量及归一化后的输入变量其中,ho表示原始数据,表示原始数据对应的归一化数据,表示原始数据的最大值,表示原始数据的最小值,M表示输入变量的数目,A表示归一化样本数目,表示第a个归一化样本中的输入变量,表示第a个归一化样本中的输出变量,表示中第m个输入变量的取值;(2.2)利用聚类方法将A个归一化样本的输入变量划分为K个不同的类别,获得各类别对应的聚类中心以及各归一化样本对应的类别标号其中,Sk=[Sk,m]M×1=[Sk,1,…,Sk,M],m=1,2,...,M表示第k个聚类中心,Sk,m表示Sk中第m个输入变量的对应取值,表示所属的类别。3.根据权利要求1或2所述的方法,其特征在于,步骤(3)包括:(3.1)从所有归一化样本中挑选出类别号为k的目标样本,并获取各所述目标样本对应的输入变量及输出变量,其中,k的初始值为1;(3.2)初始化迭代次数t=1,然后采用混沌序列生成包含I个粒子的初始种群,其中,每个粒子均表示一种潜在的ELM模型参数;(3.3)由第t次迭代的各粒子中隐藏层与输出层的权重矩阵、第t次迭代的各粒子所包含的所有目标样本在隐藏层的输出矩阵、及各所述目标样本对应的输入变量及输出变量得到I个粒子的适应度;(3.4)由各粒子的适应度值更新I个粒子的历史最优位置与种群的全局最优位置;(3.5)由I个粒子的历史最优位置与种群的全局最优位置更新I...

【专利技术属性】
技术研发人员:冯仲恺牛文静莫莉覃晖蒋志强周建中
申请(专利权)人:华中科技大学
类型:发明
国别省市:湖北,42

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1