梯级水库群并行多目标调度方法与流程

本发明属于水电站管理技术，尤其是一种梯级水库群水电能源优化运行管理方法。
背景技术：
：梯级水库群联合优化调度必须综合考虑防洪、发电、供水、航运、生态需水和电网安全等相互竞争、不可公度的调度目标，是一类多因素、多层次、多阶段的复杂多目标优化问题。目前，已有基于传统运筹学的经典数学建模方法，普遍通过引入目标权重系数或目标约束化的形式，将多目标问题转化为单目标问题进行求解，这种方式往往局限于获取单一或少量非劣调度解集，难以充分反映各调度目标间的竞争与制约关系，特别是在处理具有非凸、非连续多目标前沿特性的调度问题时，模型计算得到的非劣调度方案集不能很好反映实际非劣前沿特性。并且，受水文气象、径流过程、电站调度模式、机组动态特性等诸多因素影响，梯级水库群联合优化调度问题呈现出典型的大规模、强耦合、多约束、动态、离散的复杂非线性特性，基于传统运筹学的经典数学建模方法在求解此类问题时显得十分困难，且受问题求解复杂度影响，算法执行效率往往不高。技术实现要素：针对基于传统运筹学的经典数学建模方法难以满足复杂约束条件下流域梯级水库群多目标调度问题求解要求，提出一种梯级水库群并行多目标调度求解方法，该方法结合多目标随机并行优化、多重复杂约束启发式修正等高效求解模式，一次求解即可得到在多维目标域空间分布广泛和均匀的非劣调度方案集，为流域梯级水库群联合调度运行提供有力支撑。梯级水库群并行多目标调度方法，具体步骤如下：s1，设定水电站群特征参数并初始化算法控制参数，包括精英档案集eliteset容量nq、种群大小np、算法最大进化代数gmax以及侦查蜂启动次数limitabandon；设定算法当前进化代数g＝1；s2，构造并初始化np个种群个体，式(1)：式中，xr为第r个个体；为个体编码；n为梯级水库个数；t为时段数；s3，水库调度约束处理，采用下述式(2)-(7)判断个体是否满足约束，对不满足约束的种群个体，用式(8)、式(9)逐一对个体中的水电站群时段水位进行修正；①梯级水力联系式(2)：式中，ii,t为i水库t时段入库流量；τi-1为i-1与i水库间水流时滞；为i-1水库在t-τi-1时段弃水流量；ri,t为i-1与i水库间区间入流；②水库水量平衡约束(3)：vi,t＝vi,t-1+(ii,t-qi,t-si,t)·δt；式中，vi,t为i水库t时段末库容；③水位/流量/出力约束式(4)：式中，pi,t为i水库t时段出力；与zi,t、与qi,t、与pi,t分别为i水库t时段水位、出库和出力边界；④水位/流量/出力变幅约束式(5)：式中，δzi、δqi、δpi分别为i水库水位、流量和出力变幅限制；⑤水库运行水头约束式(6)：式中，hi,t为i水库t时段水头，hi,t分别为水库稳定运行水头上下限；⑥水库期初、期末水位控制约束式(7)：式中，zi,0、zi,t、和为i水库调度期初、期末水位及其控制值；⑦水位约束廊道生成方法式(8)：⑧水位约束廊道生成方法式(9)：式中，和分别为t时段末库容和初库容计算函数；和为下泄流量和出力特征值，其设定为流量和出力的上下边界值；s4，计算不同种群个体目标适应度值，并进行目标适应度值归一化处理，并基于个体目标适应度值对种群个体进行非支配排序；将种群中第一层级所有非支配个体加入eliteset中；个体适应度以梯级水库群总发电量最大和各梯级下游河道总的生态缺水量最小为调度目标，目标函数分别描述为式(10)和式(11)：式(10)：式(11)：式中，e为梯级水库群总发电量；pi,t、qi,t、hi,t分别为i水库t时段发电出力、下泄流量和平均水头；n为梯级水库个数；t、δt分别为时段数和时段长；w为梯级生态缺水量；为i水库t时段下泄流量与其下游河道适宜生态需求流量的差值；为t时段i电站下游河道的适宜生态流量；式(10)和式(11)目标函数间量纲不同，归一化处理，使其成为无量纲函数值；调度目标归一化按式(12)进行计算：式(12)：式中，xr为进化种群中第r个个体；er、wr分别r号个体的年发电量和缺水量；emax和emin、和分别表示种群中所有个体年发电量和缺水量最大值和最小值；s5，种群进化，包括雇佣蜂阶段、观察蜂阶段和侦查蜂阶段的进化；①雇佣蜂阶段：雇佣蜂阶段通过式(13)-(16)“搜索机制”探寻新的蜜源，并利用式(8)、式(9)对新生成的个体进行约束处理；比较新生成的个体与原始个体的优劣性，采用贪婪策略选择优秀个体至下一代种群中；对eliteset进行更新及维护，将精英候选个体添加进eliteset；式(13)：式中，eq,d为从精英档案集eliteset中随机选择的精英个体q的第l个分量(eliteset中精英个体随种群进化过程逐步更新)；为第r个变异个体的第l个分量；r1，r2，r3，r4为[0,np]内互异的随机整数，np为种群个数；gc为算法进化代数；fr∈(0,1)为变异因子；式(14)：式中，为均值为0、标准差为σr的高斯随机变量；γ[eq]distance为精英个体q在eliteset中的拥挤距离，γmax为eliteset中个体的最大拥挤距离；式(15)：式(16)：式(15)、(16)中，为第r个原始个体的第l个分量；rnd(r)是[0,1]的随机数；rndr(l)为{0,1,...,np}内随机产生的整数；cr∈(0,1)为交叉因子，crini取值为0.15；式(15)、式(16)是为提高种群的多样性，避免算法陷入局部最优，对变异后与变异前的个体进行交叉操作生成新的个体；变异和交叉操作完成后，采用贪婪策略选择与中的较优个体进入下一代种群，并对精英档案集eliteset进行更新维护；②观察蜂阶段，利用式(17)计算雇佣蜂对应蜜源被选择的概率值，用轮盘选择法确定跟随目标，运用与雇佣蜂相同的方法进行邻域搜索；对eliteset进行更新及维护计算过程中，采用fork/join并行计算模式对个体约束处理、适用度计算、精英个体更新主任务进行分解归并；式(17)：式中，pr为种群中第r个雇佣蜂被选中的概率；voilationj为第j号雇佣蜂的约束破坏深度；ε为对约束破坏深度进行评判的可行裕度；nv为不可行解的个数(当雇佣蜂个体约束破坏深度大于ε时，个体被判定为不可行解)；nd为可行解的个数；③侦查蜂阶段：若某一个雇佣蜂在limitabandon内未能得到更新，则将该雇佣蜂变为侦查蜂，通过随机搜索探寻新解。s6：假如g＜gmax,令g＝g+1，转至s5；否则，求解完成，将eliteset作为多目标调度问题的pareto最优前沿输出。在本发明的方法中，应用多目标蜂群算法求解流域梯级水库群多目标调度模型时，选取水库坝前水位作为决策变量进行个体编码，个体粒子为各水库逐时段水位过程，在可行域内随机初始化np个个体。而在模型求解过程中，根据水位过程进行“以水定电”仿真计算，确定水电站各时段水位及下泄流量过程。水库时段出力和水位蓄泄过程控制需综合考虑天然来水条件、上游出库情况、自身运行方式、电力系统需求等因素，时段以及时段间复杂约束交织，处理十分困难。为解决这一问题，采用一种基于约束廊道的启发式策略用于处理水库群调度过程中面临的各种时段间耦合约束，通过水量平衡方程将水库下泄流量约束、出力约束转换为对水位的限制，并与水库调度期特征水位取交集，形成水位约束廊道。在寻优过程中，当种群个体决策变量超出该水位廊道边界时，直接将其修正至边界值，以保证种群个体可行性，有效提高算法寻优效率。在将和取流量和出力的上下边界值进行逐时段正反推计算时，可获得水库在不同运行工况下的水位边界与逐时段将与求取交集，即可生成决策变量约束廊道此外，在模型求解过程中，为避免算法陷入局部最优，在推求不同种群个体水位约束廊道时，可令其中a,b∈(0,1)，使种群个体所反映的调度方案能覆盖整个解空间，以提高种群多样性。技术方案中利用多目标蜂群算法解决梯级水库群多目标优化调度建模问题，将精英档案集(eliteset)以及自适应动态参数控制等策略引入到算法寻优过程中，使得新个体从精英个体以及其他个体中吸收了更多的信息，有效提高种群多样性，增强算法全局搜索能力。计算过程中，雇佣蜂在邻域内对蜜源进行搜索，通过在精英个体基础上引入随机扰动的方式实现变异操作。通常，fr的取值会影响算法收敛速度，为提高算法收敛能力，可采用高斯随机变量对fr进行自适应动态控制。同时，为提高种群的多样性，避免算法陷入局部最优，利用对变异后与变异前的个体进行交叉操作生成新的个体。在多目标蜂群算法雇佣蜂阶段和观察蜂阶段，种群中单个个体的约束处理和适应度计算可看作独立的计算流程，可用fork/join多线程并行计算模式对该部分主任务进行分解，将分解后的子种群约束处理和适应度操作作为线程加入线程池中并行处理。在梯级水库群多目标调度问题求解过程中，可生成具有m个线程(线程数最好与计算机逻辑线程数相当)的线程池，每个线程中开辟内存空间用以存储np/m(np为多目标蜂群算法种群个数)个个体及其中间计算结果。发明与现有技术相比，具有以下优点和有益效果：1、本发明通过基于fork/join并行框架的多目标蜂群算法对梯级水库群多目标调度模型求解模式进行改进，采用多线程并行计算方式有效提高了算法执行效率；针对梯级水库群多目标调度的时空耦合关联特性和多重复杂约束条件，设计了自适应寻优机制和相应的启发式约束修补策略以提升算法搜索性能及鲁棒性，切实保证优化结果质量，使算法具有良好的实用性和工程可操作性。2、本发明提出的并行多目标调度求解方法计算速度快，计算效率高，且一次求解即可获得在解空间内分布均匀且广泛的非劣调度方案集，在相同的运行环境中运行时间和解的质量远优于传统基于运筹学的建模方法。附图说明图1为梯级水库群多目标调度模型求解流程图。图2为实施例1多目标调度非劣解前沿图。具体实施方式实施例1：以老挝南欧江流域梯级电站为例进行多目标发电—生态调度模拟。选取98％频率来水，即特枯来水，如表1所列作为模型输入，采用提出的mobco算法对水库群发电多目标优化调度模型进行求解，算法参数设置如下，计算得到梯级电站非劣调度方案集；种群大小np＝100；精英档案集容量nq＝30；最大进化代数gmax＝600；蜜源废弃计时limitabandon＝10；ls最大迭代次数kmax＝20；表1南欧江流域梯级各电站98％频率来水情况表电站1月2月3月4月5月6月7月8月9月10月11月12月7级22.218.015.313.614.123.070.297.981.950.635.627.56级11.89.58.17.27.412.237.151.843.326.818.814.55级24.419.816.814.915.425.277.0107.389.855.539.030.1采用水文学法确定河道适宜生态流量，根据电站坝址处多年天然流量资料，将南欧江流域梯级电站坝址多年月径流系列按由大到小排序，从序列中选取次最大值和次最小值，形成年次最大、次最小生态径流过程，作为多目标生态缺水量评估的基础，如表2所列。本实施例以适宜生态流量区间的下限作为各月生态流量最小控制值；表2结合水文学法计算的南欧江梯级适宜生态流量区间实施例计算得到关于梯级非劣调度方案集，并对调度结果进行对比分析，具体步骤如下：步骤一：设定水电站群特征参数，初始化算法控制参数：精英档案集eliteset容量nq为30、种群大小np为100、算法最大进化代数gmax为600以及侦查蜂启动次数limitabandon为10；设定算法当前进化代数g＝1。步骤二：运用式(1)构造并初始化np个种群个体；采用式(2)-(7)涉及的水库调度约束，判断个体是否满足约束，对不满足约束的种群个体，应用式(8)、式(9)“基于约束廊道的水电站约束处理策略”，逐一对个体中的水电站群时段水位进行修正。步骤三：应用式(10)、式(11)，计算不同种群个体目标适应度值，总发电量f1和生态缺水量f2，并通过式(12)进行目标适应度值归一化处理，并基于个体目标适应度值对种群个体进行非支配排序；将种群中第一层级所有非支配个体加入eliteset中。步骤四：种群进化，包括雇佣蜂阶段、观察蜂阶段和侦查蜂阶段的进化；①雇佣蜂阶段：雇佣蜂阶段通过式(13)-(16)“搜索机制”探寻新的蜜源，并利用式(8)、式(9)对新生成的个体进行约束处理；比较新生成的个体与原始个体的优劣性，采用贪婪策略选择优秀个体至下一代种群中；对eliteset进行更新及维护，将精英候选个体添加进eliteset；利用式(17)计算雇佣蜂对应蜜源被选择的概率；计算过程中，采用fork/join并行计算模式对个体约束处理、适用度计算、精英个体更新主任务进行分解归并，以提高算法执行效率。②观察蜂阶段：观察蜂根据前述蜜源选择概率，采用轮盘选择法确定跟随目标，运用与雇佣蜂相同的方法进行邻域搜索；对eliteset进行更新及维护；计算过程中，应用fork/join并行计算模式对个体约束处理、适用度计算、精英个体更新主任务进行分解归并，以提高算法执行效率；③侦查蜂阶段：若某一个雇佣蜂在limitabandon＝10内未能得到更新，则将该雇佣蜂变为侦查蜂，通过随机搜索探寻新解。步骤五：假如g＜gmax,令g＝g+1，转至步骤四；否则，求解完成，将eliteset作为多目标调度问题的pareto最优前沿输出。经过上述步骤的计算，获得的南欧江流域梯级水库群发电量和生态缺水量非劣调度方案集空间分布结果如图2，具体调度指标成果如表3。从图2中可以看出，提出的mobco算法在求解多目标发电—生态调度问题时应用效果明显，获得了较好的非劣前沿分布，产生的非劣解前沿收敛性较好，非劣解前沿整体连续光滑。结合非劣解前沿特性进一步分析可知，当南欧江梯级电站进行联合调度时，梯级水电站发电量与生态效益的制约、冲突关系十分明显，随着发电量的增加，生态缺水量(缺水程度)随之增加。方案间的差异主要体现在枯水期，枯水期对生态的影响主要体现在缺水量。生态效益最大的方案枯水期加大下泄以快速消落水位，减少了枯期生态缺水，从而增加了生态效益，但也导致水电站整个枯水期在较低水位运行，降低了发电效益。表3列出98％频率来水情况下南欧江梯级发电—生态多目标调度方案集，表中的精英档案集nq中的30个方案均是可行的调度方案。表398％频率来水情况下南欧江梯级发电—生态多目标调度方案集当前第1页12