一种梯级水电站群联合运行多目标优化调度方法技术

本发明专利技术公开一种梯级水电站群联合运行多目标优化调度方法，分别针对标准量子粒子群算法工程应用中存在的主要问题和仅用于求解单目标优化调度问题的缺点，采取外部档案集合、优势个体选取、混沌变异算子策略实现多种群进化策略，保证个体的多样性并实现方法的计算加速，获得具有良好分布和散布的近似Pareto最优前沿。其技术方案为：引入外部档案集合存储精英个体，利用非劣分层排序与拥挤距离实现档案集合的动态更新维护，保持个体分布均匀性；采用混沌变异算子对非支配解加以局部扰动，增强个体的邻域勘探能力。本发明专利技术改进量子粒子群算法，将其有效应用于梯级水电站群联合运行多目标优化调度方案制作，为梯级水电站群多目标优化调度提供一种可行高效的计算方法。

【技术实现步骤摘要】

本专利技术涉及电力系统水力发电调度领域，特别涉及一种梯级水电站群联合运行多目标优化调度方法。
技术介绍
伴随我国各大流域巨型水电站的相继投产运行以及全国互联智能电网的平稳有序推进，梯级水电站群已逐步成为承载多重利益主体诉求的运行单元。发电量(发电效益)最大等单目标调度模型仅能从某一方面考虑梯级总体发电效益最大化，未能有效计及丰枯峰谷时段的特性差异，极易造成电能在年内的非均衡分布，甚至引发部分时段存在无水可发、无电可用的情况，这在很大程度上影响了电网的平稳有序运行。因此，单一目标调度模型已不足以反应新形势下的梯级调度运行要求，需要构建梯级水电站多目标联合调度运行模型并能实现高效求解、以有效兼顾电网供电可靠性与企业发电经济性。而考虑多个目标函数的梯级水电站调度运行是典型的多目标复杂决策问题，通常利用约束法、权重法、理想解法等将其转化为单一目标问题，然后利用传统的非线性规划、动态规划等单目标优化方法加以求解，虽然能够降低问题的解算难度，但是在转化过程中不可避免地受到决策者主观因素影响，影响了调度结果的客观性与方案的公正性；同时动态规划等方法所得结果信息容量相对受限，既难以科学响应多重目标导向下的梯级调度决策，又在处理大规模水电调度问题因维数灾等问题使其应用受到制约。综上，研究能快速获得多目标决策方案集合的新型方法有利于满足日益旺盛的水电调度应用需求。近年来，多目标进化算法得到迅猛发展，具有良好收敛性、计算简便性、参数稀疏性等优越性能，并能获得分布相对均匀的Pareto解集供决策人员参考，这引起了国内外学者的广泛关注，并相继被引入水电调度、风电优化等工程领域。其中，量子粒子群算法(Quantum-behaved Particle Swarm Optimization，QPSO)作为一种新型的元启发式群体智能方法，以其良好的收敛速度与优越的搜索性能逐步在环境经济调度、组合优化等领域崭露头角，逐渐表现出了强有力的技术优势。本专利技术成果将QPSO应用至流域梯级多目标调度运行领域，提出结合QPSO、外部档案集合与混沌变异算子的多目标量子粒子群优化算法(Many-Objective Quantum-behaved Particle Swarm Optimization，MOQPSO)，以期丰富和发展水电调度多目标决策理论方法。本专利技术成果利用QPSO良好的寻优性能快速逼近真实的Pareto解集；引入外部档案集合存储种群进化过程中得到的优势个体，根据个体支配关系对其进行有效维护；采用混沌变异算子对支配个体进行局部扰动，以提升算法的搜索性能。本专利技术成果成果依托国家自然科学基金委重大国际合作(51210014)，以乌江流域梯级水电站群多目标联合优化调度问题为背景，专利技术了一种具有很强实用性和高效性，便于广泛推广使用的梯级水电站群联合运行多目标优化调度方法。
技术实现思路
本专利技术要解决的技术问题是提供一种梯级水电站群联合运行多目标优化调度方法，利用QPSO良好的寻优性能快速逼近真实的Pareto解集；引入外部档案集合存储种群进化过程中得到的优势个体，根据个体支配关系对其进行有效维护；采用混沌变异算子对支配个体进行局部扰动，以提升算法的搜索性能。QPSO认为粒子是在量子空间内具有一定能量模态的个体，其所处的位置和移动的速度难以同时量测。因此，QPSO将速度项进行移除，只关注粒子所处的位置，并通过以下方式获得：首先通过求解薛定谔方程得到粒子在空间内出现的概率密度函数，然后利用蒙特卡洛随机模拟法来估测粒子的位置方程。在QPSO进化过程中，各粒子在种群最优位置中心附近的δ势阱中逐步移动，并利用粒子群独特的记忆功能动态追踪个体历史最优位置和全局最优位置，以动态调整个体进化位置，使得个体能够以一定的概率在所有决策空间进行内进行搜索，使得算法的全局收敛性得到显著提升。为与本专利技术成果模型保持一致，设定优化目标为越大越优，种群规模为m，变量数目为d，则相应进化公式为①-④：式中：i为个体编号，i＝1,2,…,m；j为维度标号，j＝1,2,…,d；表示最大迭代次数，mBestk表示第k次迭代时种群最佳位置中心；GBk表示第k次迭代时种群全局最优位置，分别表示第k次迭代时第i个粒子的位置及其历史最优位置，ak表示第k次迭代时的扩张-收缩因子，a1、a2分别表示压缩因子的初始值和终止值，一般取a1＝1.0、a2＝0.5；r1、r2、r3分别表示在[0,1]区间内均匀分布随机数。QPSO目前尚不能求解梯级水电站群联合运行多目标优化调度问题，从外部档案集合、优势个体选取、混沌变异搜索等3个方面对QPSO算法进行改进，以实现求解梯级水电站群联合运行多目标优化调度问题。本专利技术的一种梯级水电站群联合运行多目标优化调度方法，按照下述步骤(1)-(8)完成梯级水电站群联合运行多目标优化调度过程：(1)设置参与计算电站集合，以及约束条件和计算参数，约束条件包括水位限制、出力范围、出库流量，计算参数包括种群规模m，外部档案个体数目上限μ，概率Ps。(2)初始化设定规模的粒子种群，并置迭代次数k＝1，外部档案集合(3)评估计算各粒子相应的目标函数，并将当前种群中的非支配解提取出来，然后采用外部档案集合的动态更新方法计算个体所处的层级及相应拥挤距离值，据此来更新外部档案集合以实现精英个体数目的相对稳定。(4)更新每个粒子的个体历史最优位置：若k＝1，则直接令否则采用个体历史最优位置和全局最优位置的选择方法获得每个粒子的历史最优位置，以确保引导方向的有序交接。(5)选取外部档案集合中部分个体作为待变异对象，并采用基于混沌变异算子的邻域搜索机制方法完成变异搜索操作，以提升算法的搜索能力。(6)利用个体历史最优位置和全局最优位置的选择方法选择各个粒子所对应的全局最优位置，以提升个体进化方向的多样性；然后采用式①-④完成各粒子位置的进化，同时确保所得位置仍然处于可行水位运行范围之内，以确保解的可行性。(7)令k＝k+1，然后判定是否满足终止条件：若则转至步骤(3)；否则转至步骤(8)。(8)停止计算，并输出外部档案集合中所有的Pareto解集及其详细调度信息。本专利技术利用量子粒子群算法优越的进化机制保障种群具有良好的搜索性能与收敛速度；引入外部档案集合存储精英个体，并利用非劣分层排序与拥挤距离实现档案集合的动态更新维护，以保持个体分布的均匀性；采用混沌变异算子对非支配解加以局部扰动，以增强个体的邻域勘探能力。对比现有技术，本专利技术通过实现对量子粒子群算法的改进，将其有效应用于梯级水电站群联合运行多目标优化调度方案制作，为梯级水电站群多目标优化调度提供一种可行高效的计算方法。附图说明图1是本专利技术方法总体求解框架；图2是本专利技术方法种群全局最优位置更新示意图；图3(a)是丰水年本专利技术方法获得的非劣调度方案集；图3(b)是平水年本专利技术方法获得的非劣调度方案集；图3(c)是枯水年本专利技术方法获得的非劣调度方案集。具体实施方式上述及标准量子粒子群算法在搜索过程中存在的主要问题，针对这些问题，本专利技术方法分别采用下述策略加以处理：(1)利用外部档案集合SGB保存进化过程中已寻找到的优秀个体，并在迭代过程中对SGB进行动态裁剪操作，以维护集合中个体数目的相对稳定；(2)借鉴经典的多目标进化算法机制来确本文档来自技高网...

【技术保护点】
一种梯级水电站群联合运行多目标优化调度方法，其特征包括如下步骤：(1)设置参与计算电站集合，以及约束条件和计算参数，约束条件包括水位限制、出力范围、出库流量，计算参数包括种群规模m，外部档案个体数目上限μ，概率Ps；(2)初始化设定规模的粒子种群，并置迭代次数k＝1，外部档案集合(3)评估计算各粒子相应的目标函数，并将当前种群中的非支配解提取出来，然后采用外部档案集合的动态更新方法计算个体所处的层级及相应拥挤距离值，据此来更新外部档案集合以实现精英个体数目的相对稳定；其中外部档案集合的动态更新方法操作如下：利用外部档案集合SGB保存进化过程中已寻找到的优秀个体，并在迭代过程中对SGB进行动态裁剪操作，以维护集合中个体数目的相对稳定；设定SGB所能中容纳的最大个体数目为μ，则第k代SGB的更新维护步骤如下：首先获得当前种群中所有非劣解集SFk，并令SGB＝SGB∪SFk，然后根据支配关系对SGB中所有个体进行分级并计算相应的拥挤距离值，设定具有最低级别数目的个体集合为SH，若|SH|>μ，则说明外部存储器中个体数目已达最大容量，此时需要根据拥挤距离对SH中个体进行降序排布，并取前μ个具有较大拥挤距离值的个体构成SGB；否则SH中个体数目仍为达到设定容量，可以直接令SGB＝SH；需要说明的是，若待求解问题为仅包含1个目标，则直接从SH中选取适应度排在前μ名的个体组成SGB；上述操作能够保证外部档案集合中精英个体的动态更新，既可避免非支配个体数目无限增多影响算法效率，又能及时删除相对密集的个体，保证Pareto前沿的均匀分布；(4)更新每个粒子的个体历史最优位置：若k＝1，则直接令否则采用个体历史最优位置和全局最优位置的选择方法获得每个粒子的历史最优位置，以确保引导方向的有序交接；其中，个体历史最优位置和全局最优位置的选择方法操作如下：由于在多目标优化问题中，个体历史最优位置PB与种群全局最优位置GB均不再是常规意义下的唯一解，而是构成了一组互不支配的解集，因此，采用经典的多目标进化算法机制来确定历史最优位置与种群全局最优位置，二者具体计算公式见式①与②，下面以个体为例进行详细说明：(1)在新一代个体产生之后，将其与个体历史最优位置进行比较，若支配粒子当前位置则不予替换；若支配则将更新为若二者互不支配，则从中随机选择个体作为个体历史最优位置，见下式；式中：表示X支配个体Y；X～Y表示X与Y互不支配；Sγ表示从集合S所选取的第γ个元素；δ＝[r·|S|]，其中|S|表示集合S基数，r、r4表示在[0,1]区间内均匀分布的随机数，[]表示取整函数；表示由个体与构成的集合，且有(2)个体的种群全局最优位置根据个体的拥挤距离数值进行确定，并以较大的概率Ps选择拥挤距离值最大的个体，以概率1‑Ps从其他个体中按照轮盘赌方式进行选择；若最大拥挤距离值对应的个体超过两个时，则从中随机选择作为个体所对应的全局最优位置；通过前述步骤，能够确保个体的全局最优位置优先选择在目标空间内分布相对均匀的个体，同时又有一定概率获得不同领导粒子的信息指导，从而提升个体进化方向的多样性；式中：表示由外部档案集合SGB中拥挤距离值最大个体组成的子集合，且有π、ν分别表示元素下标；r4表示在[0,1]区间内均匀分布的随机数；(5)选取外部档案集合中部分个体作为待变异对象，并采用基于混沌变异算子的邻域搜索机制方法完成变异搜索操作，以提升算法的搜索能力；其中，基于混沌变异算子的邻域搜索机制方法操作如下：考虑到优秀个体质量随着种群进化代数的增大而逐步提升，在其邻域内开展小范围搜索有较大概率获得更优个体；为对外部档案集合中的精英个体所处位置实施局部扰动，以期搜索获得新的非劣解，促进个体多样性与算法寻优能力的提升；为避免无规律的随机变异方式引发个体退化现象，采用内在结构精致的混沌立方映射实施变异操作，计算公式见式③，若变异所得个体X′i支配原有个体Xi，则直接令Xi＝X′i；否则以一定概率进行替换；通过引入变异算子，能够在很大程度上提升种群多样性，增强算法跳出局部最优的能力；式中：φ表示变异控制因子；Zn表示混沌序列，且有Zn∈[‑1,1]；(6)利用个体历史最优位置和全局最优位置的选择方法选择各个粒子所对应的全局最优位置，以提升个体进化方向的多样性；然后采用式④‑⑦完成各粒子位置的进化，同时确保所得位置仍然处于可行水位运行范围之内，以确保解的可行性；(7)令k＝k+1，然后判定是否满足终止条件：若则转至步骤(3)；否则转至步骤(8)；(8)停止计算，并输出外部档案集合中所有的Pareto解集及其详细调度信息。...

【技术特征摘要】
1.一种梯级水电站群联合运行多目标优化调度方法，其特征包括如下步骤：(1)设置参与计算电站集合，以及约束条件和计算参数，约束条件包括水位限制、出力范围、出库流量，计算参数包括种群规模m，外部档案个体数目上限μ，概率Ps；(2)初始化设定规模的粒子种群，并置迭代次数k＝1，外部档案集合(3)评估计算各粒子相应的目标函数，并将当前种群中的非支配解提取出来，然后采用外部档案集合的动态更新方法计算个体所处的层级及相应拥挤距离值，据此来更新外部档案集合以实现精英个体数目的相对稳定；其中外部档案集合的动态更新方法操作如下：利用外部档案集合SGB保存进化过程中已寻找到的优秀个体，并在迭代过程中对SGB进行动态裁剪操作，以维护集合中个体数目的相对稳定；设定SGB所能中容纳的最大个体数目为μ，则第k代SGB的更新维护步骤如下：首先获得当前种群中所有非劣解集SFk，并令SGB＝SGB∪SFk，然后根据支配关系对SGB中所有个体进行分级并计算相应的拥挤距离值，设定具有最低级别数目的个体集合为SH，若|SH|>μ，则说明外部存储器中个体数目已达最大容量，此时需要根据拥挤距离对SH中个体进行降序排布，并取前μ个具有较大拥挤距离值的个体构成SGB；否则SH中个体数目仍为达到设定容量，可以直接令SGB＝SH；需要说明的是，若待求解问题为仅包含1个目标，则直接从SH中选取适应度排在前μ名的个体组成SGB；上述操作能够保证外部档案集合中精英个体的动态更新，既可避免非支配个体数目无限增多影响算法效率，又能及时删除相对密集的个体，保证Pareto前沿的均匀分布；(4)更新每个粒子的个体历史最优位置：若k＝1，则直接令否则采用个体历史最优位置和全局最优位置的选择方法获得每个粒子的历史最优位置，以确保引导方向的有序交接；其中，个体历史最优位置和全局最优位置的选择方法操作如下：由于在多目标优化问题中，个体历史最优位置PB与种群全局最优位置GB均不再是常规意义下的唯一解，而是构成了一组互不支配的解集，因此，采用经典的多目标进化算法机制来确定历史最优位置与种群全局最优位置，二者具体计算公式见式①与②，下面以个体为例进行详细说明：(1)在新一代个体产生之后，将其与个体历史最优位置进行比较，若支配粒子当前位置则不予替换；若支配则将...

【专利技术属性】
技术研发人员：程春田，冯仲恺，牛文静，武新宇，
申请(专利权)人：大连理工大学，
类型：发明
国别省市：辽宁;21