梯级水电站群优化调度逐阶段反向学习降维优化方法技术

本发明专利技术涉及水资源高效利用与水电优化调度技术领域，公开了一种梯级水电站群优化调度逐阶段反向学习降维优化方法，首先计算得到各水电站的初始调度状态过程和离散步长；然后对于计算的各个阶段，逐阶段在初始状态组合的上下两侧，随机生成上侧、下侧的离散状态数目并加以组合形成廊道，以廊道上下边界为基础，计算初始状态的反向状态组合进行迭代寻优，以获得改进的调度过程；重复上述过程直至所有阶段计算完毕；最后收缩离散步长，反复迭代直至收敛，从而逼近全局最优解，输出最优调度过程。本发明专利技术梯级水电站群优化调度逐阶段反向学习降维优化方法，有效降低计算复杂度，大幅提升计算效率，适用于大规模梯级水电站群优化调度。

【技术实现步骤摘要】
梯级水电站群优化调度逐阶段反向学习降维优化方法
本专利技术涉及水资源高效利用与水电优化调度
，具体涉及一种梯级水电站群优化调度逐阶段反向学习降维优化方法。
技术介绍
近年来，随着我国水利水电事业的飞速迅猛发展和快速有序推进，水电站规模日益增加，特别是在金沙江、雅砻江、乌江等特大流域水电基地，形成世界上前所未有的超大规模水电系统。梯级水电站群优化调度具有显著的社会、经济和生态等方面的综合效益，不仅可有效促进流域水能资源的高效利用，还可提高水电站群的调度管理水平和保证电网系统的安全稳定可靠运行。然而，水电站数目的日益增加和系统规模的逐步壮大，直接导致优化调度过程中计算时间和占用内存呈指数增长，问题的复杂性与求解方法的局限性之间的矛盾凸显，维数灾难题已成为水电站群优化调度必定面临的科学难题，直接关系到我国清洁电力供给和能源有效利用。梯级水电站群存在复杂的水文、水力和电力联系，包含了水位、库容、流量、出力等众多约束条件，水库站群优化调度是一个具有大规模、高维度、多阶段、强约束、非线性的复杂耦合最优控制问题，行之有效的高效求解面临较大的技术瓶颈。传统方法应用于梯级水电站群联合优化调度问题时，随着电站数目和离散数目增加，面临严峻的维数灾问题。从数学上看，水电站群优化调度问题是一个大规模、高维度、多阶段、强约束、非线性的优化问题。针对此问题，国内外研究人员相继提出了线性规划、非线性规划、动态规划(DP)、离散微分动态规划(DDDP)、逐步优化(POA)、进化算法等多种方法。虽然这些方法在水电站群优化调度领域得到广泛应用，但在处理大规模水电站群优化调度问题时仍然存在早熟收敛、计算开销大、维数灾等缺陷。因此，亟待开发一些新型有效的优化方法，实现占用内存和计算耗时的同步降低，有效缓解维数灾问题，来确保大规模水电系统联合调度的计算效率与求解精度。反向学习是近年来计算智能领域提出的一种新技术，其核心思路是同时评估当前状态及其反向状态，择优使用，从而加速搜索进程。
技术实现思路
本专利技术的目的就是针对上述技术的不足，提供一种梯级水电站群优化调度逐阶段反向学习降维优化方法，将高维水电优化调度问题转换为相对简单的低维优化子问题，避免各电站各阶段离散状态之间的全面组合，具有快速的求解效率和计算精度。为实现上述目的，本专利技术所设计的梯级水电站群优化调度逐阶段反向学习降维优化方法，包括如下步骤：1)确定初始计算条件，包括梯级水电站群优化调度的目标函数、约束条件和决策变量；2)设定计算参数，包括最大迭代次数M、阶段总数T、最大反向学习次数F和收敛精度ε；3)根据常规动态规划方法或人工经验决策，设定各个水电站的初始试验轨迹并计算获取各水电站初始离散步长Δ＝(Δi,j)N×T，其中，表示水电站i在阶段j的初始状态，Δi,j表示水电站i在阶段j的初始离散步长，表示水电站i在阶段j的水位上限，Zi,j表示水电站i在阶段j的水位下限，N为水电站数目，T为水电站调度期阶段数目，K为初始离散数目；4)置迭代次数m＝1；5)置阶段j＝1；6)由各水电站当前状态、随机生成的上下侧离散数目、离散步长，形成廊道并构造各阶段的反向状态组合，在阶段j，第f次反向学习时，水电站i的上侧离散数目为下侧离散数目为相应的上侧廊道边界下侧廊道边界根据反向学习的计算原理，在寻优的廊道范围[S1,S2]内，阶段j水电站i初始状态的反向状态比较Zi,j和若Zi,j优于则令Zi,j替换如此重复反向学习离散微分动态规划方法，直至达到该阶段的最大反向学习次数F；7)令j＝j+1，若j＞T，则转至步骤8)，否则转至步骤6)；8)若则收缩所有水电站状态离散步长，令转至步骤9)，否则转至步骤5)；9)令m＝m+1，若m＞M或则转至步骤10)，否则转至步骤5)。10)停止计算，输出最终的最优轨迹Z0。本专利技术与现有技术相比，具有以下优点：1、本专利技术的方法基于反向学习思想，逐阶段在生成的廊道内计算初始状态的反向状态组合进行迭代寻优直至收敛，方法直观简便、易于操作；2、将高维水电优化调度问题转换为相对简单的低维优化子问题，避免了各电站各阶段所有离散状态之间的全面组合，通过反向学习寻找轨迹的优化方向，有效降低了计算复杂度，大幅提升了计算效率；3、本专利技术说的计算结果合理可靠，能够服务到梯级水电站群管理运行和生产实践。附图说明图1为本专利技术梯级水电站群优化调度逐阶段反向学习降维优化方法的流程图；图2是不同水平年的本专利技术方法与DDDP方法发电量变化过程对比图；图3是平水年来水条件下乌东德水电站的水库水位和出力变化过程示意图；图4是平水年来水条件下白鹤滩水电站的水库水位和出力变化过程示意图；图5是平水年来水条件下溪洛渡水电站的水库水位和出力变化过程示意图；图6是平水年来水条件下向家坝水电站的水库水位和出力变化过程示意图。具体实施方式下面结合附图和具体实施例对本专利技术作进一步的详细说明。如图1所示，一种梯级水电站群优化调度逐阶段反向学习降维优化方法，包括如下步骤：1)确定初始计算条件，包括梯级水电站群优化调度的目标函数、约束条件和决策变量，梯级水电站群优化调度模型可以描述为：已知各水库调度期初始水位、末水位和入库径流过程以及区间径流过程，在满足水电站群相应的水位、流量、出力等各种复杂约束的情况下，通过确定水电站群最优阶段水位运行过程，在加大发电平均水头的同时尽可能减少弃水，最大程度地利用水能资源，使来实现调度期内水电站群总发电量最大，梯级水电站群优化调度数学模型的目标函数如下：式中：F为调度期内总发电量，N为水电站数目，i为水电站序号，且i＝1,2,…,N，T是调度期阶段总数，j为阶段序号，且j＝1,2,…,T；Ai为水库i的出力系数；Qi,j为水库i在阶段j的发电流量(m3/s)，Hi,j为水库i在阶段j扣除水头损失的平均发电水头(m)，Δj为阶段长度(h)，为保证优化结果的可行和可用性，水电调度问题需要考虑大量复杂的约束条件，主要包括:①水力联系约束：②水量平衡约束：③时段水位约束：④泄流量约束：⑤电站出力约束：⑥初末水位约束：Zi,start＝Zi,end⑦系统出力约束：⑧非负约束：各种变量均为非负值；决策变量为水位；式中：Ii,j为水电站i在阶段j的入库流量(m3/s)，Ri,j为水电站i在阶段j的区间入流(m3/s)，Si-1,j为第i-1个水电站在阶段j的弃水流量(m3/s)，Vi,j为水电站i在阶段j末的库容值(m3)，Zmini,j和Zmaxi,j分别为为水电站i在阶段j的最低坝前水位和最高坝前水位值(m)，Qmini,j和Qmaxi,j分别为水电站i在阶段j的最小发电流量(m3/s)和最大发电流量(m3/s)，Pmini,j和Pmaxi,j分别为水电站i在阶段j的最小出力(kW)和本文档来自技高网...

【技术保护点】
1.一种梯级水电站群优化调度逐阶段反向学习降维优化方法，其特征在于：包括如下步骤：/n1)确定初始计算条件，包括梯级水电站群优化调度的目标函数、约束条件和决策变量；/n2)设定计算参数，包括最大迭代次数M、阶段总数T、最大反向学习次数F和收敛精度ε；/n3)根据常规动态规划方法或人工经验决策，设定各个水电站的初始试验轨迹

【技术特征摘要】
1.一种梯级水电站群优化调度逐阶段反向学习降维优化方法，其特征在于：包括如下步骤：
1)确定初始计算条件，包括梯级水电站群优化调度的目标函数、约束条件和决策变量；
2)设定计算参数，包括最大迭代次数M、阶段总数T、最大反向学习次数F和收敛精度ε；
3)根据常规动态规划方法或人工经验决策，设定各个水电站的初始试验轨迹并计算获取各水电站初始离散步长Δ＝(Δi,j)N×T，其中，表示水电站i在阶段j的初始状态，Δi,j表示水电站i在阶段j的初始离散步长，表示水电站i在阶段j的水位上限，Zi,j表示水电站i在阶段j的水位下限，N为水电站数目，T为水电站调度期阶段数目，K为初始离散数目；
4)置迭代次数m＝1；
5)置阶段j＝1；
...

【专利技术属性】
技术研发人员：邹强，饶光辉，何小聪，喻杉，柳林云，胡学东，
申请(专利权)人：长江勘测规划设计研究有限责任公司，
类型：发明
国别省市：湖北;42