一种水电站群发电调度规则提取方法技术

本发明专利技术属于水电能源优化领域，具体公开了一种水电站群发电调度规则提取方法，包括建立以水电站群年发电量最大为目标的目标函数及其约束条件，并求解得到每个水库每个时段的输出流量最优解；以各水库各时段对应的输入流量和库水位为输入、输出流量为输出建立广义回归网络；基于已知的各水库各时段对应的输入流量和库水位以及输出流量最优解和训练误差最小目标函数，采用基于群落重心的粒子群法，优化广义回归网络平滑因子得到调度函数。本发明专利技术将深度学习与梯级水电站发电调度相结合，建立调度函数对应的广义回归网络，提取了基于群落重心粒子群和广义回归网络的梯级水电站发电调度规则，克服了基本传统粒子群算法易陷入局部最优的不足，可靠性高。

A method for extracting generation scheduling rules of hydropower stations

【技术实现步骤摘要】
一种水电站群发电调度规则提取方法
本专利技术属于水电能源优化领域，更具体地，涉及一种水电站群发电调度规则提取方法。
技术介绍
梯级水电站的优化调度对于流域效益最大化至关重要，然而由于径流的不确定性，尤其是汛期径流预报精度较差，导致基于来水确定性假设所做制作的调度方案在实际生产环境中难以推广应用。调度规则是指导水库调度的重要方式，该方法通过输入预报径流、水位等主要决策要素，输出出库流量、时段末水位等决策变量，可操作性强。一般以隐随机调度方式提取调度规则，基本思路是以确定性调度过程作为方案集提取调度规则，理论完备，便于实施。传统研究方法多采用将支持向量机、随机森林以及RBF神经网络等机器学习算法引入调度规则提取中，大多将训练集直接分为测试集和训练集，然后由训练集参加训练，测试集进行测试，忽视了验证集的重要性，从而使模型对新数据的适应性较弱，易导致过拟合；其次，模型输入的径流序列存在不同尺度的时间特征，现有研究未给与充分考虑；最后，由于神经网络类模型一般还有大量参数需要调试，人工根据经验选取的可靠性有待商榷。
技术实现思路
本专利技术提供一种水电站群发电调度规则提取方法，用以解决现有水电站群发电调度规则提取方法因在神经网络训练中忽视验证集以及参数调整复杂而存在过拟合进而导致提取的调度规则可靠性差的技术问题。本专利技术解决上述技术问题的技术方案如下：一种水电站群发电调度规则提取方法，包括：建立以水电站群年发电量最大为目标的目标函数及其约束条件，并求解所述目标函数，得到每个水库每个时段的输出流量最优解；以各水库各时段对应的输入流量和库水位为输入、输出流量为输出，建立广义回归网络，作为调度函数模型；基于已知的各水库各时段对应的输入流量和库水位以及所述输出流量最优解，采用基于群落重心的粒子群法，以训练误差最小为目标，优化所述广义回归网络的平滑因子，得到调度函数，完成调度规则的提取。本专利技术的有益效果是：本专利技术基于当前人工智能热点技术，将深度学习与梯级水电站发电调度相结合，建立调度函数对应的广义回归网络，通过基于群落重心粒子群，结合目标函数和约束条件确定的输出流量最优解，快速迭代优化广义回归网络参数，确定水电站调度函数，提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则，克服了基本传统粒子群算法易陷入局部最优的不足，可靠性高，加速了广义回归网络参数优化和训练，在样本集不足情况下仍可保持较高精度，可为大中型梯级电站发电调度规则提取提供决策支持。上述技术方案的基础上，本专利技术还可以做如下改进。进一步，所述求解所述目标函数具体为：采用POA算法求解所述目标函数。本专利技术的进一步有益效果是：水电站群中长期发电调度模型具有高维、非线性等特点，由于传统动态规划求解此类问题时易陷入“维数灾”，而启发式优化算法具有一定随机性，不能保证收敛到全局最优解。因此本方法选择介于二者之间的POA算法用于模型计算，该算法将多阶段决策问题转换为多个两阶段优化问题，与DP相比，时间和空间复杂度更低，且能够快速、精确收敛于全局最优解。进一步，所述方法还包括：采用交叉验证法，评估所述调度函数，以对所述调度函数进行调整。进一步，所述方法还包括：评估所述调度函数与所述输出流量最优解对应的确定性优化调度的拟合程度，以对所述调度规则进行调整，其中，所述拟合程度包括输出流量、计算速度、泛化性能的拟合程度。本专利技术的进一步有益效果是：得到调度函数后，进一步对调度函数进行各种评估，以进一步提高调度函数的可靠性。进一步，所述采用基于群落重心的粒子群法，优化所述广义回归网络的平滑因子，具体为：S1、随机生成初始平滑因子的值，并构建多个平滑因子群落；S2、基于训练误差最小目标函数，得到每个群落截至当前迭代的最优平滑因子；S3、基于各群落当前次迭代对应的最优训练误差值，确定群落重心并将其作为每个群落的全局最优位置以进行下一次迭代，直至基于所述群落重心计算得到的训练误差达到预设值，此时群落重心即为所述广义回归网络的平滑因子。本专利技术的进一步有益效果是：基于群落重心的粒子群法(CPSO算法)是通过引入“群落”和“群落重心”的概念对粒子群算法(PSO)进行改进得到的。原始的粒子群算法利用“个体最优”和“全局最优”的位置以某种机制更新自身速度和位置，从而获得更优解，该机制的缺陷显而易见，种群中所有粒子共享一套优化参数，当种群多样性减少时，极易陷入局部最优。而CPSO算法将一个种群划分为多个群落，每个群落是一个独立的粒子群，且群落之间粒子数以及寻优参数相对独立，当每次迭代结束，各群落将选举自身的全局最优位置，并将其与其他群落共享，然后计算群落的重心位置，将其作为整个种群的全局最优位置，且各群落在下一步迭代中使用该值进行速度更新。基于该方法，每个群落的最优位置对种群的全局最优位置都有贡献，避免所有群落均朝向某个群落的最优值进化从而丧失多样性，提高调度函数提取的可靠性、鲁棒性。进一步，所述S4包括：计算当前次迭代对应的所有群落训练误差的总和，并基于万有引力距离和引力值负相关特性，采用所述总和计算每个群落的引力系数；基于每个群落的引力系数，计算群落重心，用该群落重心替换粒子群算法中的速度更新公式的群落最优位置，并分别下一次迭代，直至基于所述群落重心计算得到的训练误差达到预设值。进一步，每个群落的所述引力系数表示为：其中，rij为第i次迭代第j个群落的引力系数，Si为所述总和，n为群落数，Cij为第i次迭代第j个群落的年发电量误差；所述群落重心表示为：其中，p·为群落重心，Pij为第i次迭代第j个群落的最优平滑因子。进一步，所述优化所述广义回归网络的平滑因子，具体为：采用并行式计算方法进行基于群落重心的粒子群算法的计算，完成平滑因子的优化。本专利技术的进一步有益效果是：采用本方法提出分布式并行超参数优化框架完成寻优过程，每个群落在独立的服务器节点上完成训练过程，共享每次迭代后的结果，从而实现并行，加速了超参数优化过程。本专利技术还提供一种水电站群发电调度规则，采用如上所述的任一种水电站群发电调度规则提取方法提取得到。本专利技术的有益效果是：本专利技术采用上述水电站群发电调度规则提取方法得到，由于上述方法基于当前人工智能热点技术，将深度学习与梯级水电站发电调度相结合，建立调度函数对应的广义回归网络，通过基于群落重心粒子群，结合目标函数和约束条件确定的输出流量最优解，快速迭代优化广义回归网络参数，确定水电站调度函数，提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则。因此，该调度规则可靠性高、鲁棒性强。本专利技术还提供一种存储介质，所述存储介质中存储有指令，当计算机读取所述指令时，使所述计算机执行如上述任一种水电站群发电调度规则提取方法。附图说明图1为本专利技术实施例提供的一种水电站群发电调度规则提取方法的流程框图；图2为本专利技术实施例提供的丰水年优化调度过程本文档来自技高网...

【技术保护点】
1.一种水电站群发电调度规则提取方法，其特征在于，包括：/n建立以水电站群年发电量最大为目标的目标函数及其约束条件，并求解所述目标函数，得到每个水库每个时段的输出流量最优解；/n以各水库各时段对应的输入流量和库水位为输入、输出流量为输出，建立广义回归网络，作为调度函数模型；/n基于已知的各水库各时段对应的输入流量和库水位以及所述输出流量最优解，采用基于群落重心的粒子群法，以训练误差最小为目标，优化所述广义回归网络的平滑因子，得到调度函数，完成调度规则的提取。/n

【技术特征摘要】
1.一种水电站群发电调度规则提取方法，其特征在于，包括：
建立以水电站群年发电量最大为目标的目标函数及其约束条件，并求解所述目标函数，得到每个水库每个时段的输出流量最优解；
以各水库各时段对应的输入流量和库水位为输入、输出流量为输出，建立广义回归网络，作为调度函数模型；
基于已知的各水库各时段对应的输入流量和库水位以及所述输出流量最优解，采用基于群落重心的粒子群法，以训练误差最小为目标，优化所述广义回归网络的平滑因子，得到调度函数，完成调度规则的提取。


2.根据权利要求1所述的一种水电站群发电调度规则提前方法，其特征在于，所述求解所述目标函数具体为：采用POA算法求解所述目标函数。


3.根据权利要求1所述的一种水电站群发电调度规则提取方法，其特征在于，所述方法还包括：
采用交叉验证法，评估所述调度函数，以对所述调度函数进行调整。


4.根据权利要求1所述的一种水电站群发电调度规则提取方法，其特征在于，所述方法还包括：
评估所述调度函数与所述输出流量最优解对应的确定性优化调度的拟合程度，以对所述调度规则进行调整，其中，所述拟合程度包括输出流量、计算速度、泛化性能的拟合程度。


5.根据权利要求1至4任一项所述的一种水电站群发电调度规则提取方法，其特征在于，所述采用基于群落重心的粒子群法，优化所述广义回归网络的平滑因子，具体为：
S1、随机生成初始平滑因子的值，并构建多个平滑因子群落；
S2、基于训练误差最小目标函数，得到每个群落截至当前迭代的最优平滑因子；
S3、基于各群落当前次迭代对应的最优训练误差值，确定...

【专利技术属性】
技术研发人员：莫莉，易敏，汪涛，谌沁，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42