申请/专利权人：河海大学

申请日：2017-10-18

公开（公告）日：2021-03-19

公开（公告）号：CN107657349B

主分类号：G06Q10/04(20120101)

分类号：G06Q10/04(20120101);G06Q10/06(20120101);E02B9/00(20060101);G06Q50/06(20120101)

优先权：

专利状态码：有效-授权

法律状态：2021.03.19#授权;2018.03.02#实质审查的生效;2018.02.02#公开

摘要：本发明提供了一种水库分期发电调度规则提取方法，基于灰色关联度分析筛选分期影响因子，分别采用多元非线性回归模型、支持向量机模型以及BP人工神经网络模型拟合得到分期水库发电调度函数，应用贝叶斯模型平均方法进行多模型加权平均获取最终分期水库发电调度函数。本发明将GRA引入水库调度规则模拟中进行影响因子筛选，去除冗余属性，降低模型复杂度，提高模型模拟效率；并将GRA与BMA进行结合实现对水库发电规则的分期提取，能够均衡决策变量与影响因子对于水库调度中的不同时段二者之间的相关性并不一致的问题，并平衡单一模型由模型结构带来的不确定性，提高模型模拟精度；满足了水库发电调度规则提取的要求，能够较好地继承确定性优化调度在发电过程方面的效益。

主权项：1.一种水库分期发电调度规则提取方法，其特征在于：包括以下步骤：1构建以发电最大目标、以水量平衡约束、水位约束、出力约束、下泄流量约束以及机组过流能力为约束的确定性水库优化调度模型并运用动态规划进行求解；2基于确定性水库优化模型结果，确定决策变量和影响因子属性集；3基于灰色关联度分析筛选分期影响因子；4分别采用多元非线性回归模型、支持向量机模型以及BP人工神经网络模型拟合得到分期水库发电调度函数；5应用贝叶斯模型平均方法进行多模型加权平均获取最终分期水库发电调度函数；其中，步骤3包括以下步骤：31在各个月份下，分别构建由决策变量构成的参考数列和由影响因子构成的比较数列，并进行无量纲化处理：参考数列：X0＝{N1,N2,…,Nt…,NT}1比较数列：式中，t表示t时刻，T表示计算时段，t＝1,2,…,T；Nt为水库时段出力；Z0t为水库时段初水位；Qt为天然来水；为叠加水位；为入库水能；为水库蓄能；为水库入能与蓄能交互项；32求参考数列与比较数列的灰色关联系数： 式中，Xi为比较数列X的第i行，ρ为分辨系数，一般在0～1中间；33计算影响因子相对于决策变量的关联度，其中关联度为参考数列X0t和比较数列Xit在第t点的关联系数；34进行关联排序，根据各个月份的关联度排序结果，分别确定逐月份与水库时段出力Nt关联性较强的因素作为最终调度规则模拟的影响因子。

全文数据：一种水库分期发电调度规则提取方法技术领域[0001]本发明涉及水利水电领域，具体涉及一种水库分期发电调度规则提取方法。背景技术[0002]水库优化调度研究始于1955年，由于其能够获取更多的水电运行效益，迄今在优化调度模型上已取得了一系列丰硕的理论成果。然而确定性优化调度模型往往是在径流已知的前提下操作，无法指导水库实际运行调度。因此，如何从水库优化调度模型获取的最优过程中总结水库优化运行规律，进而形成调度规则，对指导水库实际运行、提高水库的水电效益具有重要的实际意义。[0003]目前，水库调度规则最常用的表现形式是调度图和调度函数。与调度图相比，调度函数基于确定性优化模型的水库优化结果提取，能够更好的继承确定性优化调度在发电量、保证出力等方面的效益。调度函数提取方法主要包含统计回归法及智能算法两大类，然而目前大部分调度函数研究并没有进行影响因子筛选操作，对于影响因子的选取方法研究尚在起步。初步选定的影响因子较多，若全部考虑必会增加模型的难度，也会降低模型模拟的准确性，如何从这些因子中找到关键因子，对应用相关性较高的影响因子进行有效地调度规则模拟，具有重要的实际意义。[0004]目前，关于水库调度规则研究主要由单一模型实现。实践表明，没有任何一个模型能够肯定其在任何条件下都优于其他模型，应用单一模型得到的模拟结果无法避免由模型结构带来的不确定。因此，提供精度较高的均值意义的多模型合成模拟结果，成为一个重要的研究方向。发明内容[0005]发明目的：本发明的目的在于针对现有技术的不同，提供了一种水库分期发电调度规则提取方法，解决目前大部分调度规则研究并没有进行影响因子筛选操作以及不同时段下决策变量与影响因子相关性并不一致的问题，同时基于BMA提供精度较高的均值意义的多模型合成调度规则，为水电站实际优化运行提供理论依据和科学支撑。[0006]技术方案:本发明提供了一种水库分期发电调度规则提取方法，包括以下步骤：[0007]1构建以发电最大目标、以水量平衡约束、水位约束、出力约束、下泄流量约束以及机组过流能力为约束的确定性水库优化调度模型并运用动态规划进行求解；[0008]2基于确定性水库优化模型结果，确定决策变量和影响因子属性集；[0009]⑶基于灰色关联度分析GRA筛选分期影响因子；[0010]4分别采用多元非线性回归模型MNLRA、支持向量机模型（SVM以及BP人工神经网络模型BP拟合得到分期水库发电调度函数；[0011]5应用贝叶斯模型平均方法BMA进行多模型加权平均获取最终分期水库发电调度函数。[0012]进一步，步骤2所述决策变量为水库时段出力NS所述影响因子属性集包括水库时段初水位、天然来水Qt、叠加水位、入库水能、水库蓄能、水库入能与蓄能交互项[0013]进一步，步骤⑶包括以下步骤：[0014]31在各个月份下，分别构建由决策变量构成的参考数列和由影响因子构成的比较数列，并进行无量纲化处理：[0015]参考数列：[0016]比较数列：[0017]式中，t表示t时刻，T表示计算时段，t=l，2,…，T;[0018]32求参考数列与比较数列的灰色关联系数：[0020]式中，Χω为比较数列X的第i行，p为分辨系数，一般在0〜1中间；[0021]33计算影响因子相对于决策变量的关联度，其中关联度为参考数列ΧΦ⑴和比较数列XW⑴在第t点的关联系数；[0022]34进行关联排序，根据各个月份的关联度排序结果，分别确定逐月份与水库时段出力Nt关联性较强的因素作为最终调度规则模拟的影响因子。[0023]进一步，步骤⑷包括以下步骤：[0024]41将各个月份下确定的影响因子作为输入向量，决策变量水库时段出力Nt作为输出向量;确定训练样本和测试样本，其中，样本数为M，训练样本数为N，测试样本数为M-N;[0025]42分别采用多元非线性回归模型MNLRA、支持向量机模型（SVM以及BP人工神经网络模型BP对训练样本进行模拟获得水库发电调度函数；[0026]43运用测试样本对模拟调度函数进行测试，采用均方根误差RMSE以及确定性系数DC来评定模型的模拟精度，其中，判断支持向量机模型（SVM以及BP人工神经网络模型BP的模拟精度值，若RMSE50，DOO.5，确定模拟调度函数;若不，调节支持向量机模型SVM以及BP人工神经网络模型BP的参数，重新进行函数模拟；[0027]RMSE、DC分别按式⑷、（5计算：[0030]式中，为t时刻实际出力值，丽;为t时刻模拟出力值，为平均实际出力值，MW。[0031]进一步，步骤⑶包括以下步骤：[0032]51在各个月份下，基于贝叶斯模型平均方法BMA，采用确定性优化模型的出力结果Nt对多元非线性回归模型MNLRA、支持向量机模型（SVM以及BP人工神经网络模型BP三个模型模拟的结果进行评价，从而得到各个模型的权重；[0033]52根据多元非线性回归模型MNLRA、支持向量机模型（SVM以及BP人工神经网络模型BP三个模型的权重加权平均得到最后的分期调度函数。[0034]有益效果:本发明将GRA引入水库调度规则模拟中进行影响因子筛选，去除冗余属性，降低模型复杂度，提高模型模拟效率;并将GRA与BMA进行结合实现对水库发电规则的分期提取，能够均衡决策变量与影响因子对于水库调度中的不同时段二者之间的相关性并不一致的问题，并平衡单一模型由模型结构带来的不确定性，提高模型模拟精度;满足了水库发电调度规则提取的要求，能够较好地继承确定性优化调度在发电过程方面的效益，实现在来水不确定的前提下对水库实际优化运行的指导的目的，提高水电站的发电效益。附图说明[0035]图1是本发明的方法流程图；[0036]图2a-1是优化调度下BMA和组成它的3个模型的逐月模拟出力值与优化出力值相关性图；[0037]图3是优化调度下BMA和组成它的3个模型的长系列模拟出力值与优化出力值对比图。具体实施方式[0038]下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。[0039]实施例：一种水库分期发电调度规则提取方法，如图1所示，本实施例以新安江水电站作为实例进行说明。新安江水电站是我国自行设计、自制设备和自己建设的第一座大型水电站，坝址以上河长323km，流域面积10442km2。新安江水库以发电为主，兼有防洪、灌溉、渔业、航运、旅游等综合功能，具有多年调节性能，电站装机容量810.0MW。本实施例采用1962年-2008年水文年径流资料，以多年平均运行水位98.4m为起调水位，以月为时段，以调度期内总发电量最大为目标，运用动态规划法DP得到新安江水电站长系列优化调度成果。[0040]首先，基于GRA计算各影响因子对决策变量的关联程度，确定最终影响因子如表1所示：[0041]表1优化调度下逐月关联度计算以及最终影响因子筛选结果[0042][0044]由表1可以看出：[0045]3〜7月份:水库蓄水期，与时段出力的关联，水库来水量优于水库水位，尤其是主汛期6、7月份影响更明显;5月份来水量和水库水位都达到较高的状态，对出力的影响较大，因此，除5月份选择全部初选影响因子外，其他月份均选择选择天然来水入库水能以及水库入能与蓄能交互项作为影响因子。[0046]2、8月份:水库供蓄水过渡期，水库来水量及构成的影响要素与水库水位及其构成的影响要素基本持平，因此选择初选的全部影响因子。[0047]9〜1月份:水库供水期，水库来水量较少，主要依靠水库水位以及蓄能进行发电，因此选择水库时段初水位、叠加水位、水库蓄能作为影响因子。[0048]然后，基于丽LRA、SVM以及BP三个模型对优化调度成果进行模拟，表2为各模型的BMA权重，表3和图2列出了BMA和组成它的3个模型的模拟值在逐月出力序列的精度评定结果：[0049]表2优化调度下组成BM的3个单一模型所占权重值[0050][0052]表3优化调度下BM和3个单一模型的模拟值在逐月出力序列的精度评定结果[0053][0054]从表3可以看出，组成BMA的3个模型的确定性系数DC以及均方根误差RMSE各有差异，均不能称为最优化模拟模型，BMA平均模拟值能够均衡各模型差异，实现相对最优，其中，率定期DC位于[0.801，0.997]，RMSE位于[1.955，65.276];验证期DC位于[0.633，0.986]，RMSE位于[6.389，79.161]。图2表明逐月的BMA出力模拟值相对应于其他三个单一模型，更接近实际值。[0055]表4优化调度下BM和3个模型的模拟值在整个出力序列的精度评定结果[0056][0057]从上表可以看出，表4为BMA和组成它的3个模型的模拟值在整个出力序列的精度评定结果，BMA平均模拟值DC在率定期达到0.975，在检验期达到0.962，这些比模拟效果最好的单个模型都大;相应地，BMA的RMSE值也比任何单一模型的都小，这进一步说明了通过BM方法加权平均后的模拟值比单一模型的模拟效果好。[0058]图3为优化调度下BMA和组成它的3个模型的长系列模拟出力值与优化出力对比，优化出力值224.71]\^，其中3¥]\1模拟值223.221^，8?模拟值224.491^，]\«^1^模拟值225.74MW，BMA组合模拟值224.68丽，说明不同方法制定的调度规则与确定性优化结果都有一定的差距，但是BMA组合与实际优化出力更接近。总体上，BMA平均模拟值对比单个模型的模拟值，模拟精度更高。

权利要求：1.一种水库分期发电调度规则提取方法，其特征在于:包括以下步骤：1构建以发电最大目标、以水量平衡约束、水位约束、出力约束、下泄流量约束以及机组过流能力为约束的确定性水库优化调度模型并运用动态规划进行求解；⑵基于确定性水库优化模型结果，确定决策变量和影响因子属性集；⑶基于灰色关联度分析筛选分期影响因子；4分别采用多元非线性回归模型、支持向量机模型以及BP人工神经网络模型拟合得到分期水库发电调度函数；⑸应用贝叶斯模型平均方法进行多模型加权平均获取最终分期水库发电调度函数。2.根据权利要求1所述的水库分期发电调度规则提取方法，其特征在于：步骤2所述决策变量为水库时段出力NS所述影响因子属性集包括水库时段初水位Ζή、天然来水^、叠加水位^、入库水能^、水库蓄能€、水库入能与蓄能交互项^。3.根据权利要求2所述的水库分期发电调度规则提取方法，其特征在于：步骤3包括以下步骤：31在各个月份下，分别构建由决策变量构成的参考数列和由影响因子构成的比较数列，并进行无量纲化处理：参考数列比较数列式中，t表示t时刻，T表示计算时段，t=l，2,…，Τ;32求参考数列与比较数列的灰色关联系数：式中，Xω为比较数列X的第i行，P为分辨系数，一般在〇〜1中间；33计算影响因子相对于决策变量的关联度，其中关联撞为参考数列Χω⑴和比较数列Χω⑴在第t点的关联系数；34进行关联排序，根据各个月份的关联度排序结果，分别确定逐月份与水库时段出力Nt关联性较强的因素作为最终调度规则模拟的影响因子。4.根据权利要求1所述的水库分期发电调度规则提取方法，其特征在于：步骤4包括以下步骤：41将各个月份下确定的影响因子作为输入向量，决策变量水库时段出力Nt作为输出向量;确定训练样本和测试样本，其中，样本数为M，训练样本数为N，测试样本数为M-N;42分别采用多元非线性回归模型、支持向量机模型以及BP人工神经网络模型对训练样本进行模拟获得水库发电调度函数；43运用测试样本对模拟调度函数进行测试，采用均方根误差RMSE以及确定性系数DC来评定模型的模拟精度，其中，判断支持向量机模型以及BP人工神经网络模型的模拟精度值，若RMSE0.5，确定模拟调度函数;若不，调节支持向量机模型以及BP人工神经网络模型的参数，重新进行函数模拟；RMSE、DC分别按式⑷、⑸计算：式中，为t时刻实际出力值，MW;M为t时刻模拟出力值，MW;]^为平均实际出力值，Mff05.根据权利要求1所述的水库分期发电调度规则提取方法，其特征在于：步骤5包括以下步骤：51在各个月份下，基于贝叶斯模型平均方法，采用确定性优化模型的出力结果Nt对多元非线性回归模型、支持向量机模型以及BP人工神经网络模型三个模型模拟的结果进行评价，从而得到各个模型的权重；52根据多元非线性回归模型、支持向量机模型以及BP人工神经网络模型三个模型的权重加权平均得到最后的分期调度函数。

百度查询： 河海大学 一种水库分期发电调度规则提取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD