一种梯级泵站的多目标优化调度方法与流程
本发明涉及水利系统优化技术领域，尤其涉及一种梯级泵站的多目标优化调度方法。
背景技术：
跨流域调水是缓解水资源供需矛盾，改变水资源时空分配不均的有效措施。目前，国内外已有很多调水规划，如美国加利福尼亚调水工程，澳大利亚雪山调水工程。国内跨流域调水工程也己具有相当规模。引汉济渭工程是为解诀陕西关中地区所规划的调水工程，它将汉江丰沛的水资源通过黄金峡、三河口水库群、泵站群调配到水资源短缺的关中地区，以缓解关中地区的水资源短缺问题，促进社会经济可持续发展。山西省万家寨引黄工程属于跨流域调水工程，由黄河万家寨水库引水，分别向太原、大同和平朔3个地区供水，引水线路总长约452km，年设计引水量12亿m3。东深工程从广东东莞市桥头镇取东江水，经东江、司马、雁田等8个梯级站，供水至深圳，送往香港，线路全长83km，每年为香港供水11亿m3，占香港总用水量的70％。对于梯级泵站，其中任一级发生问题，都会影响到整个工程的正常调水。另一方面，泵站每提高1％的运行效率，每年即可节省数千万元的运行费用。因此，工程要求泵站在保证运行可靠性的前提下，提高运行效率，降低调水成本。
随着我国水电能源的持续开发，梯级水电站作为联合利益主力，不再单独追求单个电站发电量最大，而是综合考虑整个梯级的发电效益和容量效益，其联合调度是一个高维、动态、强耦合、非线性的多目标优化问题。传统的非线性规划、动态规划、逐次优化等方法主要针对单目标调度，一方面随着梯级调度问题复杂度的增加，求解遇到困难；另一方面对于多目标模型，通常采用约束法或权重法将其转化为单目标问题处理，无法同时获得多个可行解，不适合于工程应用。近年来，遗传算法、蚁群算法、粒子群算法等智能算法开始广泛应用于水库优化调度领域并取得了不错的效果，但这些方法仍然以求解单目标调度问题为主，无法满足梯级泵站的多目标优化调度的问题，进而使得梯级泵站的运行效率以及安全与运行能力无法得到提高。
技术实现要素：
本发明的目的在于提供一种基于pareto最优解集正弦余弦优化算法的梯级提水系统多目标优化调度方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种梯级泵站的多目标优化调度方法，包括如下步骤：
s1，获取调度周期内泵站运行参数；
s2，以调度周期内不同时间的流量分配作为决策变量，分别以调度周期内泵站运行效率最高以及调度周期内机组启动次数最少作为目标函数，建立梯级泵站多目标优化模型；
s3，基于pareto最优解集理论改进正弦余弦算法，得到改进后的正弦余弦算法；
s4，利用改进后的正弦余弦算法求解梯级泵站多目标优化模型，实现梯级泵站的多目标优化调度。
优选地，s2中，所述多目标优化模型包括：
如下公式所示的调度周期内泵站运行效率计算函数，
式中，ηmax为梯级泵站运行效率值；q为梯级泵站运行的总流量；h为梯级泵站的总扬程；j为划分的时段数；qi为第i个时段的流量；
如下公式所示的调度周期内机组启动次数计算函数，
式中，e为调度周期内调水工程各级泵站加减机次数之和；l(i,j)为第i个泵站在第j个时段与前一时段相比，泵站机组加减机台数；
如下公式所示的约束条件，
式中，w为调水总量；t为划分的总时段数；qtotal为j时段梯级泵站群运行的总流量；δtj为j时段的时长；hj为第j级泵站的扬程；
优选地，s3具体为在正弦余弦算法中加入“pareto库”，得到改进后的正弦余弦算法。
更优选地，s4具体为，利用正弦余弦算法求解梯级泵站多目标优化模型时，在计算个体适应度后通过比较产生更优的解，并将其储存在“pareto库”中，最终输出结果即为pareto最优解集，并在pareto最优解集中通过比较适应度产生梯级泵站的多目标优化调度问题的最优解。
进一步优选地，s4包括如下步骤：
s401，种群初始化，随机生成n组不同时间段的流量分配u＝(u1,u2,...,un)t，初始化控制参数a，最大迭代次数t；
s402，计算每个个体的适应度值，即分别计算不同时间流量分配对应的运行效率以及机组启动次数；
s403，比较个体适应度，如果ui<uj(i,j＝2...n；i≠j)，则ui支配uj，则将个体ui放入“pareto库”中，删除uj；记录当前得到的pareto解的个数为nr＝nr+1；
s404，根据控制参数a，当前迭代次数t以及最大迭代次数t计算参数r1的值，随机产生参数r2、r3、r4的值；
s405，根据参数r4的值判断选择位置更新函数；
s406，根据位置更新函数更新个体位置，并计算新的个体适应度；
s407，对更新的个体位置计算适应度值并比较，并随时更新”pareto库”中的pareto最优解，记录最优解的个数；
s408，重复s404-s407，直到达到最大的迭代次数，此时“pareto库”中所保存的数据就是所得到的全部pareto最优解；
s409，在全部pareto最优解中通过比较适应度产生梯级泵站的多目标优化调度问题的最优解。
优选地，s405中，所述位置更新函数的表达式如下式所示：
其中，xit表示在第t次迭代中第i维的当前解的位置，r1、r2、r3是随机数，pi是i维中终点的位置，r4为[0,1]内随机数，参数r1指示下一个位置的区域或运动方向，该区域可能位于空间中在解决方案和目的地之间或之外，参数r2定义了移动向目的地或向外移动的距离，为了随机强调r3>1或假定r3<1在确定距离方面的作用，参数r3给目的地带来了一个随机的权重，参数r4在正弦和余弦之间相等地切换。
优选地，所述位置更新函数中正弦和余弦的范围使用以下方程自适应地改变：
其中，t是当前迭代次数，t是最大迭代次数，a是常数。
本发明的有益效果是：本发明实施例提供的一种梯级泵站的多目标优化调度方法，包括：以调度期内不同时间的流量分配作为决策变量，分别以调度周期内泵站运行效率最高以及调度周期内机组启动次数最少作为目标函数建立梯级泵站多目标优化模型，并将上述系统模型通过基于pareto最优解集理论的正弦余弦优化算法进行求解，得到梯级泵站多目标优化调度问题的最优解。所以，采用本发明的技术方案，实现了梯级泵站多目标调度的优化，进而能够有效的提高梯级泵站的运行效率以及安全与运行能力。
附图说明
图1是本发明提供的梯级泵站的多目标优化调度方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明在pareto最优解理论的基础上，针对梯级泵站的多目标优化问题的特殊性，采用一种能够有效地解决具有约束和未知搜索空间的实际问题的元启发式算法——正弦余弦优化算法。提供了了一种面向梯级泵站的多目标优化问题的智能优化方法，从而全面精确地模拟其优化调度运行过程。
本发明中，通过建立梯级泵站多目标优化模型，以调度期内不同时间的流量分配作为决策变量，分别以调度周期内泵站运行效率最高以及调度周期内机组启动次数最少作为目标函数建立模型，从而模拟其优化调度过程。将上述系统模型通过基于pareto最优解集理论的正弦余弦优化算法进行求解。通过pareto最优解集理论改进正弦余弦算法，使其能够实现多目标问题的优化。从而通过模拟其优化调度过程，求解梯级泵站多目标优化模型，实现梯级泵站的多目标优化调度，提高其运行效率以及安全与运行能力。
如图1所示，本发明实施例提供了一种梯级泵站的多目标优化调度方法，包括如下步骤：
s1，获取调度周期内泵站运行参数；
s2，以调度周期内不同时间的流量分配作为决策变量，分别以调度周期内泵站运行效率最高以及调度周期内机组启动次数最少作为目标函数，建立梯级泵站多目标优化模型；
s3，基于pareto最优解集理论改进正弦余弦算法，得到改进后的正弦余弦算法；
s4，利用改进后的正弦余弦算法求解梯级泵站多目标优化模型，实现梯级泵站的多目标优化调度。
其中，正弦余弦算法(sca)是一种新型的元启发试算法，它是建立在正弦余弦函数上的自组织和群智能基础上的数值优化计算方法。sca算法结构简单，容易实现，仅仅通过正弦余弦函数性质迭代达到寻优目的，而且参数设置少。sca已被证明在收敛精度和收敛速度方面均优于粒子群算法(pso)、遗传算法等。
pareto最优解集理论为：在有多个目标时，由于存在目标之间的冲突和无法比较的现象，一个解在某个目标上是最好的，在其他的目标上可能是最差的。所以，这些在改进任何目标函数的同时，必然会削弱至少一个其他目标函数的最优解，称为非支配解或pareto解。一组目标函数最优解的集合称为pareto最优解集。
假定x是决策变量，f(x)是目标函数，xi(l)和xi(u)代表决策变量的取值单位。则pareto最优解的基本概念为：
1)pareto支配解
当
①f1(x1),f2(x1),...，fm(x1)等所有的等式关于x1的优化结果都不比所有关于x2的优化结果差。
②在f1(x1),f2(x1),...，fm(x1)等优化结果中至少有一个要优于f1(x2),f2(x2),...，fm(x2)。
2)pareto非支配解
当x1∈x，如果解空间x中其他任意一个解都不支配x1，则称x1为多目标优化问题的非支配解，即pareto非支配解。
基于pareto最优解集理论，梯级泵站的多目标优化问题并不存在唯一的全局最优解，而是存在若干个局部最优解，而局部最优解的集合，即pareto最优解集。所以，本发明中，梯级泵站多目标优化调度求解的过程则可以转化成寻找关于机组运行效率最高和机组启动次数最少等非支配解的过程。
基于上述分析，本发明中采用的技术方案为：首先建立多目标优化调度模型，然后，基于pareto最优解集理论改进正弦余弦算法，得到改进后的正弦余弦算法；最后，利用改进后的正弦余弦算法求解梯级泵站多目标优化模型，实现梯级泵站的多目标优化调度。
所以，采用本发明提供的技术方案，具有如下的有益效果：
1针对梯级提水系统多目标优化问题，建立梯级提水系统多目标优化模型，以调度期内不同时间的流量分配作为决策变量，分别以调度周期内梯级提水系统运行效率最高以及调度周期内机组启动次数最少作为目标函数建立模型，从而模拟其优化调度过程。
2采用正弦余弦优化算法进行系统模型的求解，提高了优化计算的精度，从而能够更精确地提高梯级提水系统群运行效率，提高其安全运行能力。
3基于pareto最优解理论改进正弦余弦优化算法，从而全面地模拟梯级提水系统多目标优化的过程。
本发明实施例中，s2中，所述多目标优化模型包括：
如下公式所示的调度周期内泵站运行效率计算函数，
式中，ηmax为梯级泵站运行效率值；q为梯级泵站运行的总流量；h为梯级泵站的总扬程；j为划分的时段数；qi为第i个时段的流量；
如下公式所示的调度周期内机组启动次数计算函数，
式中，e为调度周期内调水工程各级泵站加减机次数之和；l(i,j)为第i个泵站在第j个时段与前一时段相比，泵站机组加减机台数；
如下公式所示的约束条件，
式中，w为调水总量；t为划分的总时段数；qtotal为j时段梯级泵站群运行的总流量；δtj为j时段的时长；hj为第j级泵站的扬程；
本发明实施例中，s3具体为在正弦余弦算法中加入“pareto库”，得到改进后的正弦余弦算法。
s4具体为，利用正弦余弦算法求解梯级泵站多目标优化模型时，在计算个体适应度后通过比较产生更优的解，并将其储存在“pareto库”中，最终输出结果即为pareto最优解集，并在pareto最优解集中通过比较适应度产生梯级泵站的多目标优化调度问题的最优解。
在本发明的一个优选实施例中，s4包括如下步骤：
s401，种群初始化，随机生成n组不同时间段的流量分配u＝(u1,u2,...,un)t，初始化控制参数a，最大迭代次数t；
s402，计算每个个体的适应度值，即分别计算不同时间流量分配对应的运行效率以及机组启动次数；
s403，比较个体适应度，如果ui<uj(i,j＝2...n；i≠j)，则ui支配uj，则将个体ui放入“pareto库”中，删除uj；记录当前得到的pareto解的个数为nr＝nr+1；
s404，根据控制参数a，当前迭代次数t以及最大迭代次数t计算参数r1的值，随机产生参数r2、r3、r4的值；
s405，根据参数r4的值判断选择位置更新函数；
s406，根据位置更新函数更新个体位置，并计算新的个体适应度；
s407，对更新的个体位置计算适应度值并比较，并随时更新”pareto库”中的pareto最优解，记录最优解的个数；
s408，重复s404-s407，直到达到最大的迭代次数，此时“pareto库”中所保存的数据就是所得到的全部pareto最优解；
s409，在全部pareto最优解中通过比较适应度产生梯级泵站的多目标优化调度问题的最优解。
在基于随机群体的优化领域的正弦余弦优化算法中，必不可少的优化过程分为两个阶段：探索与开发。在前一阶段，一种优化算法将随机解中的随机解与随机的高随机率结合起来，找到搜索空间的有希望的区域。然而，在开发阶段，随机解的变化是渐进的，随机变量比勘探阶段要小得多。本发明实施例中，s405中，所述位置更新函数的表达式如下式所示：
其中，xit表示在第t次迭代中第i维的当前解的位置，r1、r2、r3是随机数，pi是i维中终点的位置，r4为[0,1]内随机数，参数r1指示下一个位置的区域或运动方向，该区域可能位于空间中在解决方案和目的地之间或之外，参数r2定义了移动向目的地或向外移动的距离，为了随机强调r3>1或假定r3<1在确定距离方面的作用，参数r3给目的地带来了一个随机的权重，参数r4在正弦和余弦之间相等地切换。
其中，所述位置更新函数中正弦和余弦的范围可以使用以下方程自适应地改变：
其中，t是当前迭代次数，t是最大迭代次数，a是常数。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：本发明实施例提供的一种梯级泵站的多目标优化调度方法，包括：以调度期内不同时间的流量分配作为决策变量，分别以调度周期内泵站运行效率最高以及调度周期内机组启动次数最少作为目标函数建立梯级泵站多目标优化模型，并将上述系统模型通过基于pareto最优解集理论的正弦余弦优化算法进行求解，得到梯级泵站多目标优化调度问题的最优解。所以，采用本发明的技术方案，实现了梯级泵站多目标调度的优化，进而能够有效的提高梯级泵站的运行效率以及安全与运行能力。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！