一种基于遗传算法和模拟程序的梯级水库优化调度算法

摘要

本发明公开了一种基于遗传算法和模拟程序的梯级水库优化调度算法包括，通过遗传算法，生成初始种群；基于所述初始种群，运用模拟程序进行适应度求解；在遗传算法中完成进化操作；迭代次数结束，终止算法。本方法可以消除震源子波的影响，解决传统的自由表面相关多次波压制处理技术，不能适应海底节点观测方式采集的地震数据的问题。本发明所提出遗传算法和模拟程序算法在不同规模的梯级水库都有稳定且较高的输出，可以显著地提高梯级水库的总发电量及保证出力，优化效果很好。所提出遗传算法和模拟程序中加入“平土”算法，可以明显地提升总发电及保证出力的结果，可以使四个梯级水库的弃水均降为0。

说明书

技术领域

本发明涉及智能算法技术领域，尤其涉及一种基于遗传算法和模拟程序的梯级水库优化调度算法。

背景技术

水库作为一种重要的水资源调节和利用手段，对于保障人类生存和发展起着不可替代的作用。然而，随着全球人口的增加和经济的发展，水资源供需矛盾日益突出，如何更好地利用水资源成为了一个紧迫的问题。一条河流的水利水电开发规划中,为了充分利用水利水力资源,从河段的上游到下游,修建的一系列呈阶梯式的水库和水电站，是开发利用河流的水利水能资源中的一种重要方式，水库调度是指运用水库自身的调节性能，根据已知的来水情况，有计划地将进行蓄放。而水库优化调度作为水资源利用的重要手段之一，可以通过最优化调度方案，提高水库利用效率，实现节水和节能，降低运行成本和环境污染，达到经济、社会和环境的可持续发展目标。然而，梯级水库是由多个级联水库组成的复杂系统，水库之间的状态相互联系，每个水库的状态不仅影响当前的决策还会影响未来的决策以及其他水库的决策。

而梯级水电站的优化调度由于多维的决策变量方程、非线性及大量的约束、输入的不确定性以及水电站蓄水量、水头、出力等变量之间的动态复杂关联性，而且需要协调多个调度目标，如发电、防洪、供水等，所以如何综合考虑各种约束条件，平衡不同目标之间的矛盾，求解最优化调度方案，一直是学术界和工程界关注的焦点。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种基于遗传算法和模拟程序的梯级水库优化调度算法，能够解决传统的遗传算法也存在着陷入局部最优解、需要大量的计算资源和时间以及对染色体编码方式和操作的依赖等缺点。

为解决上述技术问题，本发明提供如下技术方案，一种基于遗传算法和模拟程序的梯级水库优化调度算法，包括：

通过遗传算法，生成初始种群；

基于所述初始种群，运用模拟程序进行适应度求解；

在遗传算法中完成进化操作；

迭代次数结束，终止算法。

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述生成初始种群，具体包括，以水库发电量最大以及保证出力最大为目标函数，通过遗传算法，在上下限约束的基础上生成关于库容在该范围内的初始种群。

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述目标函数，包括，

其中：T为总时段数，N为梯级水库个数，W

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述上下限约束，包括，水量平衡约束、库容与出库流量约束、保证出力约束和水库出力约束。

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述水量平衡约束，包括，

其中，V

所述库容与出库流量约束，包括：

其中，

所述保证出力约束，包括：

所述水库出力约束，包括：

P

水库的出力P

即

其中，

其中，

A

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述计算适应度，包括，

基于初代种群，将随机生成的库容作为模拟程序中的输入，在模拟程序中实现适应度求解，模拟程序将从上游水库到下游水库依次进行。

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述模拟程序包括，

若不以弃水最小化为条件的话，进行以下步骤：

将初末库容固为

将库容V作为决策变量，在第一次循环时将遗传算法得出的初始种群作为输入，令

在此对i水库的在t+1时段库容V

将约束后的库容V输入，用水量平衡约束公式(2)求解出出库流量Q

再对求出的出库流量进行上下限约束，

再将库容V及出库流量Q

水头值已知后，求出梯级水库的出力，将公式转换为

求出出力，

以第一次循环得出的出库流量Q

换为更新库容公式：

加入判断，判断

若收敛，则退出循环，不收敛，则不断迭代，直至收敛。

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述模拟程度，还包括，

若以弃水最小化为条件，则使用平土算法，以下为具体步骤：

采用前推方法以吸收弃水，设置边界条件，

固定初始库容V

采用后拉法以吸收弃水，设置边界条件，

固定末库容V

采用前推方法，将初末库容固定，不限制时段T＝0…T-1；

以

再以更新后的出库流量作为输入。

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述进化操作，包括，

选择、交叉、变异；

选择是通过上步适应度大小，选择适应度最高的个体；

交叉是通过交叉概率来控制，产生新的个体；

变异是产生新的个体的另一种操作，先通过随机产生变异，再根据变异概率，将变异点的原有基于取反。

作为本发明所述的基于遗传算法和模拟程序的梯级水库优化调度算法的一种优选方案，其中：所述终止算法，还包括，

若迭代次数未结束，则还需重新求解适应度，并重复进行后续步骤，直至迭代次数结束，终止算法。

本发明的有益效果：本发明所提出遗传算法和模拟程序算法在不同规模的梯级水库都有稳定且较高的输出，可以显著地提高梯级水库的总发电量及保证出力，优化效果很好。所提出遗传算法和模拟程序中加入“平土”算法，可以明显地提升总发电及保证出力的结果，可以使四个梯级水库的弃水均降为0，由表1可以看出。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种基于遗传算法和模拟程序的梯级水库优化调度算法流程示意图；

图2为本发明一个实施例提供的一种基于遗传算法和模拟程序的梯级水库优化调度算法的模拟程序流程示意图。

图3为本发明一个实施例提供的一种基于遗传算法和模拟程序的梯级水库优化调度算法的水力联系图；

图4为本发明一个实施例提供的一种基于遗传算法和模拟程序的梯级水库优化调度算法的最大发电流量曲线拟合图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～3，为本发明的第一个实施例，该实施例提供了一种基于遗传算法和模拟程序的梯级水库优化调度算法，包括：

S1：通过遗传算法，生成初始种群；

以水库发电量最大以及保证出力最大为目标函数，

其中：T＝12为总时段数，N＝4为梯级水库个数，W

应说明的是，考虑4个梯级水库，水力联系见下图3，以一年为调度周期，一个月(30天)为一个优化时段，以水库发电量最大以及保证出力最大为目标函数。

进一步的，通过遗传算法，在上下限约束的基础上生成关于库容在该范围内的初始种群；

约束包括：

水量平衡约束：

其中，V

库容与出库流量约束：

其中，

保证出力约束：

水库出力约束：

P

水库的出力P

即

其中，

其中，

A

S2：基于所述初始种群，进行适应度求解；

基于初代种群，将随机生成的库容作为模拟程序中的输入，再模拟程序中实现适应度求解，如图2所示。模拟程序将从上游水库到下游水库依次进行，具体步骤如下：

·若不以弃水最小化为条件的话，进行以下步骤：

(1)将初末库容固为

(2)将库容V作为决策变量，在第一次循环时将遗传算法得出的初始种群作为输入，令

(3)在此对i水库的在t+1时段库容V

(4)将约束后的库容V输入，用水量平衡约束公式(2)求解出出库流量Qit，将公式(2)转换为：

(5)再对求出的出库流量进行上下限约束，公式(4)，

(6)再将库容V及出库流量Q

(7)水头值已知后，根据公式(6)和(7),求出梯级水库的出力，将公式转换为

(8)求出出力后，加入一个判断，看是否使用“平土”算法使弃水最小化。若没有使用“平土”算法，开始第二次迭代。

(9)以第一次循环得出的出库流量Q

(10)加入判断，判断

(11)若收敛，则退出循环，不收敛，则从(2)-(10)不断迭代，直至收敛。

·若以弃水最小化为条件，则使用“平土”算法，则在(2)-(9)步骤的基础上加入“平土”算法，以下为具体步骤：

①采用“前推方法”以吸收弃水，设置边界条件

固定初始库容V

应说明的是，“前推方法”就是图2的流程再走一遍；

②采用“后拉法”以吸收弃水，设置边界条件

固定末库容V

应说明的是，“后拉法”只需要将图2中的库容更新公式改为：

其余的约束只需要将所以库容下标的t与t+1互换即可，流程还是如图2

③采用“前推方法”，将初末库容都固定，不限制时段T＝0…T-1。

④以

最后以更新后的出库流量作为输入，进行步骤(9)-(11)。

S3：在遗传算法中完成进化操作；

选择、交叉、变异。

应说明的是，选择是通过上步适应度大小，选择适应度最高的个体。交叉是通过交叉概率来控制，产生新的个体。变异也是产生新的个体的另一种操作。通过先随机产生变异，再根据变异概率，将变异点的原有基于取反。

S4：迭代次数结束，终止算法；

若迭代次数未结束，则还需重新求解适应度，并重复进行后续步骤，直至迭代次数结束，终止算法。

实施例2

为本发明的一个实施例，提供了一种基于遗传算法和模拟程序的梯级水库优化调度算法，为了验证本发明的有益效果，通过实验进行科学论证。

下表为我方发明在实际应用中的两种算法的调度结果对比图：

表1两种算法的保证出力、发电及弃水过程对比

从中可以看出，在没最小化弃水时，梯级水库在枯水年、平水年、丰水年的保证出力、总发电量均低于最小化弃水后的。

因此，本发明所提出遗传算法和模拟程序中加入“平土”算法后(最小化弃水后)，可以明显地提升总发电及保证出力的结果，可以使四个梯级水库的弃水均降为0，水资源利用率大幅度提高。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。