专利名称：一种基于多目标遗传算法的调度图优化方法
技术领域：
本发明涉及一种基于多目标遗传算法的调度图优化方法，是ー种梯级水库群优化调度方法，涉及ー种考虑多目标优化的梯级水库群调度图优化模型构建及求解方法。
背景技术：
常规的调度图制定方法通常是选择某一典型年(或典型系列)，通过径流调节计算得到，运用时可充分融合调度管理者的经验，并且由于其简单实用、易于操作的特点，成为目前应用最广泛的常规调度方式。然而采用调度图指导水库调度存在的主要问题是没有考虑预报来水、正常出力区范围太大、难以达到全局最优和准全局最优等ー些不可避免的缺点，更多的学者希望运用新型模型和优化算法进行改进，进而提出了优化调度图。水库调度图优化是复杂的多目标优化问题，因此调度图优化仅仅考虑发电量最大或供水最大等单一目标是不够。因此，多目标算法的引入是必然趋势。
发明内容
为了克服现有技术的问题，本发明提出了一种基于多目标遗传算法的调度图优化方法，所述的方法采用NSGA- II算法进行调度图优化。本发明的目的是这样实现的一种基于多目标遗传算法的调度图优化方法，其特征在于所述方法的步骤如下
调度图模拟模型建立水库调度图模拟模型，基于调度图的水库调度模型的约束，包括水库水量平衡约束、库容上下限约束、出力上下限约束以及出流量上下限约束，在考虑供水情况下还包括供水约束；
调度图概化建立水库调度图。通常水库调度图是由几条规则调度线组成，每条调度线可描述为ー组相互连接的线段，将每条线段的拐点作为决策变量，即采用混合编码的形式，将拐点横坐标定义为整形时间变量，纵坐标定义为实数型水位变量。多目标遗传算法NSGA-II
NSGA-II算法的实现形式
初始种群的生成:首先生成随机数IA ,參数上下限设置为Xmm、Xmss，初始种群个体i由如下公式生成
~ Xgjyi 十(Xan - i X rrs,
交叉变异方法首先优选父代，采用轮盘赌的方式生成子代个体，再根据參数上下限
Xmin, 1_进行判断控制參数的进化区间。本发明产生的有益效果是本发明在调度图优化中，采用的多目标遗传算法如NSGA-II0 NSGA-II是目前公认的多目标优化效果最好的算法之一。所述的算法采用快速非支配分层排序和排挤机制，并引入精英保留策略，能够保证解的多祥性，使解更广泛均匀的、逼近Pareto最优前沿。所述的算法较成熟、稳健，无论对于理论测试函数，还是实际生产问题，均表现出较强的寻优能力。所述的算法不需要对多个目标进行协调，直接捜索非劣解集，并且提供混合编码方式，通用性和可扩展性较强。
下面结合附图和实施例对本发明作进ー步说明。图I是本发明的实施例一所述多目标遗传算法的调度图优化模型框架 图2是本发明的实施例一所述优化调度图设计模式示意 图3是本发明的实施例一所述实例的目标函数的Pareto前沿示意 图4是本发明的实施例一所述实例的寺坪水库优化调度图示意图。
实施例一
本实施例是ー种基于多目标遗传算法的调度图优化方法，其特征在于所述方法的步骤如下
调度图模拟模型建立水库调度图模拟模型，基于调度图的水库调度模型的约束，包括水库水量平衡约束、库容上下限约束、出力上下限约束以及出流量上下限约束，在考虑供水情况下还包括供水约束；
调度图概化建立水库调度图。通常水库调度图是由几条规则调度线组成，每条调度线可描述为ー组相互连接的线段，将每条线段的拐点作为决策变量，即采用混合编码的形式，将拐点横坐标定义为整形时间变量，纵坐标定义为实数型水位变量。多目标遗传算法NSGA-II
NSGA-II算法的实现形式
初始种群的生成首先生成随机数Hi1 ,參数上下限设置为Xmill, X_s，初始种群个体i由如下公式生成
\ ~ Jiaai + VjlIMl 画) X『%
交叉变异方法首先优选父代，采用轮盘赌的方式生成子代个体，再根据參数上下限
Xmin, 1_进行判断控制參数的进化区间。 本实施例所述方法的原理
I)基于调度图模拟模型
基于调度图的水库调度模型是以水库调度图为指导，以水库工程參数为约束边界，采用模拟方法进行逐时段的调度模拟。该模型是所有梯级水库群联合调度图优化模型的基础。基于调度图的水库调度模型的约束括水库水量平衡约束、库容上下限约束、出力上下限约束以及出流量上下限约束。在考虑供水情况下还包括供水约束。2)调度图概化
如图2所示，通常水库调度图是由几条规则调度线组成，每条调度线可描述为ー组相互连接的线段。将每条线段的拐点作为决策变量，即采用混合编码的形式，将拐点横坐标定义为整形时间变量，纵坐标定义为实数型水位变量。如果在调度图概化时定义的多个拐点水位相同，则可以减少水位变量。对于一条有3条调度线的调度图，假设每条调度线有4个拐点和2个水位平台，则可以将该调度图概化为3X (4+2) =18个參数(决策变量)的优化问题，而且对逐月、旬方式的调度图来说，决策变量个数一祥。而基于逐时段纯水位的概化方式，逐月调度图需要3X 12=36个决策变量，逐旬调度图需要3X36=108个决策变量。混合概化方式可极大地減少了决策变量个数，降低优化模型的規模，为提高优化模型效率及寻找全局最优解奠定了基础。3 )多目标遗传算法NSGA-II
NSGA-II是目前公认的多目标优化效果最好的算法之一。该法采用快速非支配分层排序和排挤机制，并引入精英保留策略，能够保证解的多祥性，使解更广泛均匀的逼近Pareto最优前沿。算法较成熟、稳健，无论对于理论测试函数，还是实际生产问题，均表现出较强的寻优能力。算法不需要对多个目标进行协调，直接捜索非劣解集，并且提供混合编码方式，通用性和可扩展性较强。NSGA-II算法的实现形式
1、初始种群的生成首先生成随机数OI1,參数上下限设置为Xmln、Xmss,初始种群个体
i由如下公式生成
权利要求
1.一种基于多目标遗传算法的调度图优化方法，其特征在于所述方法的步骤如下 调度图模拟模型建立水库调度图模拟模型，基于调度图的水库调度模型的约束，包括水库水量平衡约束、库容上下限约束、出力上下限约束以及出流量上下限约束，在考虑供水情况下还包括供水约束； 调度图概化建立水库调度图。
2.通常水库调度图是由几条规则调度线组成，每条调度线可描述为一组相互连接的线段，将每条线段的拐点作为决策变量，即采用混合编码的形式，将拐点横坐标定义为整形时间变量，纵坐标定义为实数型水位变量； 多目标遗传算法NSGA-II NSGA-II算法的实现形式 初始种群的生成首先生成随机数!^ ,参数上下限设置为X·、Xmas,初始种群个体i由如下公式生成
全文摘要
本发明涉及一种基于多目标遗传算法的调度图优化方法，所述方法的步骤调度图模拟模型；调度图概化；多目标遗传算法NSGA-IINSGA-II算法的实现形式初始种群的生成；交叉变异方法。本发明在调度图优化中，采用的多目标遗传算法如NSGA-II。NSGA-II是目前公认的多目标优化效果最好的算法之一。所述的算法采用快速非支配分层排序和排挤机制，并引入精英保留策略，能够保证解的多样性，使解更广泛均匀的逼近Pareto最优前沿。所述的算法较成熟、稳健，无论对于理论测试函数，还是实际生产问题，均表现出较强的寻优能力。所述的算法不需要对多个目标进行协调，直接搜索非劣解集，并且提供混合编码方式，通用性和可扩展性较强。
文档编号G06N3/12GK102708406SQ20121014273
公开日2012年10月3日 申请日期2012年5月10日 优先权日2012年5月10日
发明者于兴晗, 侯煜, 张云辉, 李献新, 李琳, 林旭, 王旭, 盖优普, 雷晓辉, 高力书 申请人:中国水利水电科学研究院, 湖北省电力公司