一种基于混合布谷鸟优化算法的多级水库优化调度方法技术

一种基于混合布谷鸟优化算法的多级水库优化调度方法，本发明专利技术涉及水利水电技术领域；获取梯级水库系统的基本信息；针对标准布谷鸟算法存在的缺陷，将边界变异原则和变步长策略引入标准的布谷鸟算法中，得到自适应布谷鸟算法；提出了一种新颖的基于模拟退火算法的布谷鸟搜索算法，将布谷鸟算法作为全局算法搜索算法；利用改进后的混合布谷鸟算法求解步骤一中建立的多级水库优化调度模型，得出多级水库每个月的发电流量、发电水头以及水电站出力情况。破解我国能源发展困局，保证能源及时消纳，减少弃水电量，为水电站的运行提供参考，具有一定的理论意义和工程应用价值。

A Multilevel Reservoir Optimal Dispatching Method Based on Hybrid Cuckoo Optimization Algorithms

A multi-stage reservoir optimal dispatching method based on hybrid cuckoo optimization algorithm is proposed, which relates to the field of water resources and Hydropower technology, obtains basic information of cascade reservoir system, introduces boundary mutation principle and variable step size strategy into standard cuckoo algorithm to obtain adaptive cuckoo algorithm, and proposes a novel simulation-based algorithm. The cuckoo search algorithm of annealing algorithm takes cuckoo algorithm as the global search algorithm. The improved hybrid cuckoo algorithm is used to solve the multi-level reservoir optimal dispatching model established in step one, and the monthly generation flow, generation head and output of hydropower station are obtained. It has certain theoretical significance and engineering application value to solve the energy development dilemma of our country, ensure the timely absorption of energy, reduce the amount of abandoned water and electricity, and provide reference for the operation of hydropower stations.

【技术实现步骤摘要】
一种基于混合布谷鸟优化算法的多级水库优化调度方法
本专利技术涉及水利水电
，具体涉及一种基于混合布谷鸟优化算法的多级水库优化调度方法。
技术介绍
我国已形成了世界上规模最为庞大的互联水电系统，但水电的运行与调度中存在诸多问题。在我国诸多大型水电站中，多数水能利用率不高，产生的大量电能往往无法得到有效的利用，致使大面积弃水，造成大量的资源浪费。
技术实现思路
本专利技术的目的在于针对现有技术的缺陷和不足，提供一种设计合理的基于混合布谷鸟优化算法的多级水库优化调度方法，破解我国能源发展困局，保证能源及时消纳，减少弃水电量，为水电站的运行提供参考，具有一定的理论意义和工程应用价值。为实现上述目的，本专利技术采用的技术方案是：它的操作步骤如下：步骤1、获取梯级水库系统的基本信息，包括：装机容量、单机流量、保证出力、水头等，建立以提高水资源利用率，减少水电站水库弃水量的前提下，发电水头最高的目标函数f(x)；梯级水电站优化调度模型以水电站水库的水利水电系统为整体目标，以发电量最大，弃水量最小建立目标函数组成的系统方程组并结合水库对外界的影响确定约束条件，对水电站水库优化调度的数学模型进行最后的完善；步骤1.1、具体的目标函数为：步骤1.1.1、发电量最大充分满足水电站的发电效益，以获取经济利益，在此取水电站的发电量最大，由此构建目标函数：式中：N为梯级水电站群中所包含水电站的个数，T为时间量，L为某个水电站中所包含机组个数；步骤1.1.2、蓄水量最大在获得最大发电量的同时，为了使水资源能够充分利用，达到节约用水的目的，希望用水量最小，由此构建目标函数为：式中Vn，end表示第n个水电站在调节期末的蓄水量；步骤1.1.3、弃水量最小在此，可将梯级水电站群中所有包含的水电站简化看成一个整体，在考虑梯级水电站群的弃水问题时，可等同于末级水电站是否有弃水产生，如最末级都没有弃水的产生，则可视为整个梯级水电站群没有弃水产生；式中，Send，t为末级水电站的弃水流量；步骤1.2、约束条件：步骤1.2.1、水量平衡约束：其中：Vn，t、Vn，t+1为水电站n在t+1时刻的初始与末位蓄水量；Sn，t为水电站n在时刻t的弃水流量；Qn，u，l，t-τ为入库流量；Sn，u，t-τ水电站n上一级水电站的弃水流量；Qn，l，t为水电站n的发电流量；Sn，t为水电站n的弃水流量；步骤1.2.2、发电流量约束：Qn，l，min≤Qn，l(t)≤Qn，l，max(公式5)其中：Qn，l，min为水电站n，机组l允许的最小流量；Qn，l，max为水电站n，机组l允许的最大过机流量；Qn，l(t)为水电站n，机组l时段t内的水轮发电机组发电的实际引水流量；步骤1.2.3、库容约束Vmin(t)≤V(t)≤Vmax(t)(公式6)其中：Vmin(t)为最小库容，是水库水位的下限值；Vmax(t)为最大库容，为水库水位的上限值；步骤2、在布谷鸟算法中，下一代解的更新方式可由如下公式表示：其中：为第i个鸟巢在第t代的鸟巢位置；为点对点乘法；为步长控制因子，用于控制步长来确定下一代解。L(λ)为Levy随机搜索，其随机步长服从Levy分布，见如下公式：其中：λ是常量，λ∈(1，3]；为了探索服从不同分布函数对算法的影响，分别用服从贝塔分布、正态分布所产生的随机数来代替再经测试函数检测，选出使算法收敛速度最快，准确度最高的一种；步骤3、针对标准布谷鸟算法存在的缺陷，将边界变异原则和变步长策略引入标准的布谷鸟算法中，得到自适应布谷鸟算法，具体改进方法如下：步骤3.1、标准布谷鸟算法在更新下一代鸟巢中，用随机步长控制搜索，虽然上述内容中找到了最大限度提升算法准确性与收敛速度的步长控制因子所服从的分布，但算法NCS仍然缺乏自适应性。如果步长因子过大，会使得在更新新解的过程中搜索步长过大，使得新解落在边界以外；如果过小，新解与原先的解差别不大，无效搜索；因此，将随机步长作如下修改：式中：与分别是定义的最小和最大的步长；Fj为j鸟巢的适应度值；Fmin与Favg是一代中所有鸟巢适应度值的最小值和平均值，用随机步长改进公式的意义在于，当从目前优解附近寻找鸟巢时，优解附近的区域被视为高存活区，这可能是包含最优解的区域，在此区域内应进行更为严格的搜索；反之，在死亡区寻找步长则相应增大；步骤3.2、在优化过程中，当某个鸟巢超出了可行范围[Xmin，Xmax]的范围，标准的布谷鸟算法会将其鸟巢强行拉回边界上，让xi＝Xmax或xi＝Xmin，但运用该标准算法机制来处理越界问题时会导致聚集到边界上的解过多，这样非常不利于算法的收敛，算法到后期会出现收敛速度慢等的缺陷；因此，对每一代中超出边界的鸟巢进行越界处理，避免聚集到边界上的解过多，以进一步提高鸟巢质量，变异策略如下：当xi＞Xmax当xi＜Xmin式中：rand为0到1之间的随机数，c为设定的参数；步骤4、提出了一种新颖的基于模拟退火算法的布谷鸟搜索算法，将布谷鸟算法作为全局算法搜索算法，利用布谷鸟算法中特有的莱维飞行作为寻找新解的准则，在搜索过程中，在引入模拟退火算法，利用模拟退火算法的退火降温方式对每次迭代过程中产生的极值进行局部退火处理，在利用模拟退火算法中的metropolis准则判断是否保留新解；算法的具体步骤如下：步骤4.1、初始化函数f(X)，并随机生成n个鸟巢的初始位置，设置最大迭代次数、最小误差要求、维数、发现概率Pa等参数，设置模拟退火算法中相应冷却进度表中的参数值包括控制参数T的初始值T0、衰减函数、温度T的终值及链长度Lk；步骤4.2、确定适应度函数，计算每个初始鸟巢的目标函数值，找出当前初始鸟巢所对应的最优函数值；步骤4.3、——自适应调整操作；步骤4.4、记录步骤4.2中所得到的最优函数值与最优鸟巢，利用(公式7)更新下一代鸟巢，并记录保存；步骤4.5：评价新解xi(t+1)的适应度值Fi(t+1)，比较Fi(t)与Fi(t+1)，判定新解是否代替旧解，如果Fi(t+1)优于Fi(t)，则用xi(t+1)代替xi(t)。反之，不立刻抛弃新解，而是通过转移概率P再次评价是否抛弃新解；转移概率P由Metropolis准则计算出，见(公式12)；选择随机数q，若p≥q，接受新解作为下一次迭代的开始，反之抛弃该解，继续温度变化；步骤4.6：产生一组随机变量ri，如果ri＜Pa，保留当前解，否则抛弃该解，利用莱维飞行更新新解，再次进行步骤4.5；步骤4.7：转到步骤4.3，判断是否到达停止条件，若达到停止条件算法结束，输出最优解xibest；否则，跳转至步骤4.1继续迭代过程；步骤5：利用改进后的混合布谷鸟算法求解步骤一中建立的多级水库优化调度模型，得出多级水库每个月的发电流量、发电水头以及水电站出力情况。采用上述步骤后，本专利技术有益效果为：(1)建立梯级水库水电站优化调度模型，在提高水资源利用率，减少水电站水库弃水量的前提下，保证弃水最小，以发电水头最高为目标，对于梯级水电站水库最小弃水，则是保证最后一级水电站水库弃水最少，在发电净水头与发电流量之间建立二次函数的关系，同样将库容要求、水量平衡要求、发电量需求和出力需求作为约束条件；(2)标准布谷鸟算法在更新下一代鸟巢中，用随机步长控制搜索，但如果步本文档来自技高网...

【技术保护点】
1.一种基于混合布谷鸟优化算法的多级水库优化调度方法，其特征在于：它的操作步骤如下：(步骤1)、获取梯级水库系统的基本信息，包括：装机容量、单机流量、保证出力、水头等，建立以提高水资源利用率，减少水电站水库弃水量的前提下，发电水头最高的目标函数f(x)；梯级水电站优化调度模型以水电站水库的水利水电系统为整体目标，以发电量最大，弃水量最小建立目标函数组成的系统方程组并结合水库对外界的影响确定约束条件，对水电站水库优化调度的数学模型进行最后的完善；(步骤1.1)、具体的目标函数为：(步骤1.1.1)、发电量最大充分满足水电站的发电效益，以获取经济利益，在此取水电站的发电量最大，由此构建目标函数：

【技术特征摘要】
1.一种基于混合布谷鸟优化算法的多级水库优化调度方法，其特征在于：它的操作步骤如下：(步骤1)、获取梯级水库系统的基本信息，包括：装机容量、单机流量、保证出力、水头等，建立以提高水资源利用率，减少水电站水库弃水量的前提下，发电水头最高的目标函数f(x)；梯级水电站优化调度模型以水电站水库的水利水电系统为整体目标，以发电量最大，弃水量最小建立目标函数组成的系统方程组并结合水库对外界的影响确定约束条件，对水电站水库优化调度的数学模型进行最后的完善；(步骤1.1)、具体的目标函数为：(步骤1.1.1)、发电量最大充分满足水电站的发电效益，以获取经济利益，在此取水电站的发电量最大，由此构建目标函数：式中：N为梯级水电站群中所包含水电站的个数，T为时间量，L为某个水电站中所包含机组个数；(步骤1.1.2)、蓄水量最大在获得最大发电量的同时，为了使水资源能够充分利用，达到节约用水的目的，希望用水量最小，由此构建目标函数为：式中Vn，end表示第n个水电站在调节期末的蓄水量；(步骤1.1.3)、弃水量最小在此，将梯级水电站群中所有包含的水电站简化看成一个整体，在考虑梯级水电站群的弃水问题时，等同于末级水电站是否有弃水产生，如最末级都没有弃水的产生，则视为整个梯级水电站群没有弃水产生；式中，Send，t为末级水电站的弃水流量；(步骤1.2)、约束条件：(步骤1.2.1)、水量平衡约束：其中：Vn，t、Vn，t+1为水电站n在t+1时刻的初始与末位蓄水量；Sn，t为水电站n在时刻t的弃水流量；Qn，u，l，t-τ为入库流量；Sn，u，t-τ水电站n上一级水电站的弃水流量；Qn，l，t为水电站n的发电流量；Sn，t为水电站n的弃水流量；步骤1.2.2、发电流量约束：Qn，l，min≤Qn，l(t)≤Qn，l，max(公式5)其中：Qn，l，min为水电站n，机组l允许的最小流量；Qn，l，max为水电站n，机组l允许的最大过机流量；Qn，l(t)为水电站n，机组l时段t内的水轮发电机组发电的实际引水流量；(步骤1.2.3)、库容约束Vmin(t)≤V(t)≤Vmax(t)(公式6)其中：Vmin(t)为最小库容，是水库水位的下限值；Vmax(t)为最大库容，为水库水位的上限值；(步骤2)、在布谷鸟算法中，下一代解的更新方式可由如下公式表示：其中：x′i为第i个鸟巢在第t代的鸟巢位置；为点对点乘法；为步长控制因子，用于控制步长来确定下一代解。L(λ)为Levy随机搜索，其随机步长服从Levy分布，见如下公式：其中：λ是常量，λ∈(1，3]；为了探索服从不同分布函数对算法的影响，分别用服从贝塔分布、正态分布所产生的随机数来代替再经测试函数检测，选出使算法收敛速度最快，准确度最高的一种；(步骤3)、针对标准布谷鸟算法存在的缺陷，将边界变异原则和变步长策略引入标准的布谷鸟算法中，得到自适应布谷鸟算法，具体改进方法如下：(步骤3.1)、标准布谷鸟算法在更新下一代鸟巢中，用随机步长控制搜索，虽然上述内容中找到了最大限度提升算法准确性与收敛速度的步长控...

【专利技术属性】
技术研发人员：樊小朝，魏博，史瑞静，王维庆，李笑竹，
申请(专利权)人：新疆大学，
类型：发明
国别省市：新疆,65