一种水库群多目标调度多源信息联合搜索方法、系统与设备技术方案

本发明专利技术公开了一种水库群多目标调度多源信息联合搜索方法、系统与设备，包括以下步骤：首先构建梯级水库群多目标调度模型；然后确定计算参数，创建初始种群；最后构建多源信息联合搜索方法求解水库最优调度方案，通过多源信息引导策略、信息清洗重构优选策略和耦合目标数量的精英优选策略等搜索策略更新群体同时采用约束修正策略进行修正，实现全局快速开发搜索，避免陷入局部最优，并且快速导向可行解，提高搜索效率。本发明专利技术有着计算参数少，寻优速度快，全局寻优能力强，不易陷入局部最优、适用场景广泛等优点。可高效、快速的得到一组收敛性好、分布性强的调度方案集合，为解决水库群多目标工程问题提供了有效的技术方法。多目标工程问题提供了有效的技术方法。多目标工程问题提供了有效的技术方法。

【技术实现步骤摘要】
一种水库群多目标调度多源信息联合搜索方法、系统与设备


[0001]本专利技术属于水库优化调度
，具体涉及一种水库群多目标调度多源信息联合搜索方法、系统与设备。

技术介绍

[0002]在水力发电、防洪和农业灌溉等领域中，水库是重要的水资源储存和调度设施，其调度目的一般是以保障水利工程安全和经济社会发展为主要目标。然而，由于流域水文气象条件的复杂性、水电负荷和灌溉水需求的不确定性、水库水文水力过程的非线性以及调度决策的复杂性等因素，水库群联合调度问题是一个高度复杂的组合优化问题。为了解决这些问题，优化调度技术变得非常必要。优化调度技术是一种利用数学方法和计算机技术，对多元目标进行综合优化，以求达到最优决策的方法。在对水库群进行联合调度时，可以将多种调度目标统一起来，例如保障水利工程安全、提高水电发电效益、优化农业灌溉等，以满足不同利益方的需求。
[0003]目前，随着信息技术和数学建模技术的不断发展，各种水库优化调度技术不断涌现，现阶段求解水库群联合调度问题的方法主要包括以下两大类：
①
以线性规划、非线性规划和动态规划等为代表的经典数学规划方法，但当面对高维度、非线性和非凸优化问题时存在着维数灾、计算耗时较长，难以得到精确的解决方案等问题，故在面对复杂的多目标调度问题时存在一定的局限性；
②
以非支配排序遗传算法Ⅱ(NSGAⅡ)，基于分解的多目标进化算法(MOEA/D)为代表的启发式多目标优化算法。启发式算法不依赖于特定问题数学模型并可实现求解过程的通用性，它根据问题本身的特性，通过对可能解空间的搜索、局部优化和全局优化等操作，逐步接近问题的最优解，其因高效、灵活、适应性强的特点被广泛应用于多目标优化领域，在工程中有很好的应用前景。

技术实现思路

[0004]本专利技术所要解决的技术问题在于：针对现有技术中求解水库群联合调度问题时，存在着维数灾、计算耗时较长，难以得到精确的解决方案等问题，提供了一种水库群多目标调度多源信息联合搜索方法，更好地在面对于水库群联合调度问题时提高全局寻优能力，有着更广泛的适用场景。
[0005]为解决以上技术问题，本专利技术提供如下技术方案：一种水库群多目标调度多源信息联合搜索方法，包括如下步骤：
[0006]S1、基于水库基本信息数据，以发电量最大、最小出力最大、以及生态缺水量最小为目标，构建梯级水库群优化调度模型；同时对该梯级水库群优化调度模型添加约束条件，预设优化调度模型最大迭代次数、种群规模、精英种群规模，并将水库调度期的出库流量设置为决策变量；
[0007]S2、采取多源信息联合搜索方法求解水库最优调度方案，包括以下子步骤：
[0008]S201、初始化：设置调整系数α、β和代表精英个体的储存个数N
c
为默认参数；将水
库调度期的出库流量设置为决策变量，根据决策变量的预设范围生成个体作为初始种群；将初始种群中的个体，即所有时段的出库流量存储为各自的个体最优位置；计算初始种群中个体的适应度；执行耦合目标数量的精英优选策略获得初始化的精英种群；
[0009]S202、执行多源信息引导策略：基于子代种群、精英种群、个体最优位置信息，采用网格密度排序、轮盘赌随机选择、随机种群更新、随机步长选择得到引导个体；
[0010]S203、执行信息清洗重构优选策略：基于决策变量的预设范围以及多项式变异与模拟二进制交叉策略对引导个体进行信息清洗重构得到重构个体，并依据重构个体与引导个体的搜索特性进行动态选择，得到优选种群；
[0011]S204、执行约束修正策略：将优选种群进行约束修正后，将修正后的优选种群与子代种群合并后根据支配关系得到更新后的下一代子代群体；
[0012]S205、执行耦合目标数量的精英优选策略：将子代种群和精英种群采用前沿等级选择动态调整与拥挤距离筛选相结合，并基于目标个数采用支配关系动态选择，对精英种群进行更新；
[0013]S206、进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出精英种群的适应度值，获得适应度值对应的水库群调度方案，否则返回执行步骤S202。
[0014]进一步地，前述的步骤S1中的梯级水库群优化调度模型，其中
[0015]发电量最大目标函数为：
[0016][0017]其中，E为时段内所有水库的总发电量；K、J分别为水库数量和时段总数；P
k,j
、Q
k,j
、H
k,j
分别为第j个时段第k个水库的出力、发电流量、水头；A
k
为第k个水库的出力系数；t
j
为第j个时段的小时数；
[0018]最小出力最大目标函数为：
[0019][0020]其中，F为时段内所有水库的最小出力；
[0021]生态缺水量目标函数为：
[0022][0023]其中，D为时段内所有断面的总缺水量；B是带有生态流量需求的水库集合；O
k,j
、和Δ
k,j
分别表示第j个时段水库k的出库流量、必要的生态流量和可能的缺水量。
[0024]进一步地前述的步骤S1中，对该梯级水库群优化调度模型添加的约束条件包括：
[0025]A、出力约束
[0026][0027]其中，分别为第j个时段第k个水库的最小、最大出力；
[0028]B、库容约束
[0029][0030]其中，分别为第j个时段第k个水库的最小、最大库容；
[0031]C、水量平衡约束
[0032][0033]其中，I
k,j
、O
k,j
分别为第j个时段第k个水库的区间入流、出库流量；为上游水库的出库流量去除损失水量；
[0034]D、出库流量约束
[0035][0036]其中，分别为第j个时段第k个水库的最小、最大出库流量；
[0037]E、发电流量约束
[0038][0039]其中，分别为第j个时段第k个水库的最小、最大发电流量；
[0040]F、始末库容约束
[0041][0042]其中，分别为第k个水库的初始和最终库容；
[0043]G、航运最低流量约束
[0044][0045]其中，分别为第j个时段第k个水库的最小出库流量和第k个水库下游航运用水需求下限。
[0046]进一步地，前述的步骤S202执行多源信息引导策略，具体是通过三方信息源对子代种群和个体最优位置进行引导更新，其中：
[0047](1)信息源1是将耦合目标数量的精英优选策略得到的精英种群通过网格密度排序后再采用轮盘赌选择法得到相对全局最优个体1：gbest
ind
，进行更新：
[0048][0049]其中，arc是外部精英解；表示在第t次迭代中通过网格密度排序法和轮盘赌选择法从arc选出的第ind解的第j变量的值；表示在第t次迭代过程中从处更新的信息；κ(J本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种水库群多目标调度多源信息联合搜索方法，其特征在于，包括如下步骤：S1、基于水库基本信息数据，以发电量最大、最小出力最大、以及生态缺水量最小为目标，构建梯级水库群优化调度模型；同时对该梯级水库群优化调度模型添加约束条件，预设优化调度模型最大迭代次数、种群规模、精英种群规模，并将水库调度期的出库流量设置为决策变量；S2、采取多源信息联合搜索方法求解水库最优调度方案，包括以下子步骤：S201、初始化：设置调整系数α、β和代表精英个体的储存个数N
c
为默认参数；将水库调度期的出库流量设置为决策变量，根据决策变量的预设范围生成个体作为初始种群；将初始种群中的个体，即所有时段的出库流量存储为各自的个体最优位置；计算初始种群中个体的适应度；执行耦合目标数量的精英优选策略获得初始化的精英种群；S202、执行多源信息引导策略：基于子代种群、精英种群、个体最优位置信息，采用网格密度排序、轮盘赌随机选择、随机种群更新、随机步长选择得到引导个体；S203、执行信息清洗重构优选策略：基于决策变量的预设范围以及多项式变异与模拟二进制交叉策略对引导个体进行信息清洗重构得到重构个体，并依据重构个体与引导个体的搜索特性进行动态选择，得到优选种群；S204、执行约束修正策略：将优选种群进行约束修正后，将修正后的优选种群与子代种群合并后根据支配关系得到更新后的下一代子代群体；S205、执行耦合目标数量的精英优选策略：将子代种群和精英种群采用前沿等级选择动态调整与拥挤距离筛选相结合，并基于目标个数采用支配关系动态选择，对精英种群进行更新；S206、进行迭代更新，若达到预设最大迭代次数，则获得水库最优调度方案，并输出精英种群的适应度值，获得适应度值对应的水库群调度方案，否则返回执行步骤S202。2.根据权利要求1所述的一种水库群多目标调度多源信息联合搜索方法，其特征在于，步骤S1中的梯级水库群优化调度模型，其中，发电量最大目标函数为：其中，E为时段内所有水库的总发电量；K、J分别为水库数量和时段总数；P
k,j
、Q
k,j
、H
k,j
分别为第j个时段第k个水库的出力、发电流量、水头；A
k
为第k个水库的出力系数；t
j
为第j个时段的小时数；最小出力最大目标函数为：其中，F为时段内所有水库的最小出力；生态缺水量目标函数为：其中，D为时段内所有断面的总缺水量；B是带有生态流量需求的水库集合；O
k,j
、和
Δ
k,j
分别表示第j个时段水库k的出库流量、必要的生态流量和可能的缺水量。3.根据权利要求2所述的一种水库群多目标调度多源信息联合搜索方法，其特征在于，步骤S1中，对该梯级水库群优化调度模型添加的约束条件包括：A、出力约束其中，分别为第j个时段第k个水库的最小、最大出力；B、库容约束其中，分别为第j个时段第k个水库的最小、最大库容；C、水量平衡约束其中，I
k,j
、O
k,j
分别为第j个时段第k个水库的区间入流、出库流量；为上游水库的出库流量去除损失水量；D、出库流量约束其中，分别为第j个时段第k个水库的最小、最大出库流量；E、发电流量约束其中，分别为第j个时段第k个水库的最小、最大发电流量；F、始末库容约束其中，V
kbeg
、V
kend
分别为第k个水库的初始和最终库容；G、航运最低流量约束其中，分别为第j个时段第k个水库的最小出库流量和第k个水库下游航运用水需求下限。4.根据权利要求3所述的一种水库群多目标调度多源信息联合搜索方法，其特征在于，步骤S201包括以下子步骤：S201
‑
1、根据决策变量的预设范围生成初始种群，将初始种群中的个体存储为各自的个体最优位置pbest，并计算个体适应度；决策变量初始化如下式：
其中，x
i,j
为第i个个体第j个决策变量的值；表示在区间生成均匀分布随机数的函数；N为种群数量；D为决策变量个数；S201
‑
2、执行耦合目标数量的精英优选策略初始化精英群体，如下式：r＝ceil(MaxFNo
·
(1
‑
t/(T+1) ) ) (13)I
r
＝env
r
( arc
t
,X)
ꢀꢀ
(14)(14)其中，N
c
表示精英集的默认设定数量；M表示目标函数的维数；N
e
表示根据目标函数的维数而动态确定的精英集的数量；r表示使用高效非支配排序确定的第r个Pareto前沿级别；MaxFNo是最差个体所属的最高Pareto前沿级别；floor和ceil是向下取整函数和向上取整函数；env
r
(arc
t
,X)是指通过对arc
t
和X合并后的集合采用高效的非支配排序获得的1到r个Pareto前沿等级上的所有个体；表示通过对合并集合使用有效的非支配排序生成的N
e
个体集合；N
r
是基于Pareto前沿等级采用高效的非支配排序选择出的个体数量；crowding(I
r
,N
c
)和crowding(I
e
,N
c
)分别是采用拥挤距离方法从I
r
和I
e
个体集合中选择出N
c
个体。5.根据权利要求4所述的一种水库群多目标调度多源信息联合搜索方法，其特征在于，步骤S202执行多源信息引导策略，具体是通过三方信息源对子代种群和个体最优位置进行引导更新，其中：(1)信息源1是将耦合目标数量的精英优选策略得到的精英种群通过网格密度排序后再采用轮盘赌选择法得到相对全局最优个体1：gbest
ind
，进行更新：其中，arc是外部精英解；表示在第t次迭代中通过网格密度排序法和轮盘赌选择法从arc选出的第ind解的第j变量的值；表示在第t次迭代过程中从处更新的信息；κ(J)是对每个变量创建在[0,1]区间内随机值的函数；ψ(J)是在[0,1]中随机创建J个相等数值的...

【专利技术属性】
技术研发人员：冯仲恺，章力，牛文静，高浩宇，夏一凡，杨晓静，张景帅，梁松林，简盛蓝，
申请(专利权)人：河海大学，
类型：发明
国别省市：