CN111008790A - 一种水电站群发电调度规则提取方法 - Google Patents
一种水电站群发电调度规则提取方法 Download PDFInfo
- Publication number
- CN111008790A CN111008790A CN201911335948.1A CN201911335948A CN111008790A CN 111008790 A CN111008790 A CN 111008790A CN 201911335948 A CN201911335948 A CN 201911335948A CN 111008790 A CN111008790 A CN 111008790A
- Authority
- CN
- China
- Prior art keywords
- community
- gravity
- scheduling
- power generation
- hydropower station
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000010248 power generation Methods 0.000 title claims abstract description 49
- 238000000605 extraction Methods 0.000 title claims abstract description 19
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 78
- 238000000034 method Methods 0.000 claims abstract description 68
- 230000005484 gravity Effects 0.000 claims abstract description 65
- 238000005457 optimization Methods 0.000 claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000009499 grossing Methods 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004519 manufacturing process Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 abstract description 50
- 238000013135 deep learning Methods 0.000 abstract description 5
- 230000007547 defect Effects 0.000 abstract description 4
- 230000008569 process Effects 0.000 description 24
- 238000004088 simulation Methods 0.000 description 15
- 238000013528 artificial neural network Methods 0.000 description 9
- 230000009286 beneficial effect Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000002790 cross-validation Methods 0.000 description 5
- 238000013473 artificial intelligence Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000030939 Bubalus bubalis Species 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000013016 learning Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000002620 method output Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000009326 social learning Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于水电能源优化领域,具体公开了一种水电站群发电调度规则提取方法,包括建立以水电站群年发电量最大为目标的目标函数及其约束条件,并求解得到每个水库每个时段的输出流量最优解;以各水库各时段对应的输入流量和库水位为输入、输出流量为输出建立广义回归网络;基于已知的各水库各时段对应的输入流量和库水位以及输出流量最优解和训练误差最小目标函数,采用基于群落重心的粒子群法,优化广义回归网络平滑因子得到调度函数。本发明将深度学习与梯级水电站发电调度相结合,建立调度函数对应的广义回归网络,提取了基于群落重心粒子群和广义回归网络的梯级水电站发电调度规则,克服了基本传统粒子群算法易陷入局部最优的不足,可靠性高。
Description
技术领域
本发明属于水电能源优化领域,更具体地,涉及一种水电站群发电调度规则提取方法。
背景技术
梯级水电站的优化调度对于流域效益最大化至关重要,然而由于径流的不确定性,尤其是汛期径流预报精度较差,导致基于来水确定性假设所做制作的调度方案在实际生产环境中难以推广应用。调度规则是指导水库调度的重要方式,该方法通过输入预报径流、水位等主要决策要素,输出出库流量、时段末水位等决策变量,可操作性强。一般以隐随机调度方式提取调度规则,基本思路是以确定性调度过程作为方案集提取调度规则,理论完备,便于实施。
传统研究方法多采用将支持向量机、随机森林以及RBF神经网络等机器学习算法引入调度规则提取中,大多将训练集直接分为测试集和训练集,然后由训练集参加训练,测试集进行测试,忽视了验证集的重要性,从而使模型对新数据的适应性较弱,易导致过拟合;其次,模型输入的径流序列存在不同尺度的时间特征,现有研究未给与充分考虑;最后,由于神经网络类模型一般还有大量参数需要调试,人工根据经验选取的可靠性有待商榷。
发明内容
本发明提供一种水电站群发电调度规则提取方法,用以解决现有水电站群发电调度规则提取方法因在神经网络训练中忽视验证集以及参数调整复杂而存在过拟合进而导致提取的调度规则可靠性差的技术问题。
本发明解决上述技术问题的技术方案如下:一种水电站群发电调度规则提取方法,包括:
建立以水电站群年发电量最大为目标的目标函数及其约束条件,并求解所述目标函数,得到每个水库每个时段的输出流量最优解;
以各水库各时段对应的输入流量和库水位为输入、输出流量为输出,建立广义回归网络,作为调度函数模型;
基于已知的各水库各时段对应的输入流量和库水位以及所述输出流量最优解,采用基于群落重心的粒子群法,以训练误差最小为目标,优化所述广义回归网络的平滑因子,得到调度函数,完成调度规则的提取。
本发明的有益效果是:本发明基于当前人工智能热点技术,将深度学习与梯级水电站发电调度相结合,建立调度函数对应的广义回归网络,通过基于群落重心粒子群,结合目标函数和约束条件确定的输出流量最优解,快速迭代优化广义回归网络参数,确定水电站调度函数,提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则,克服了基本传统粒子群算法易陷入局部最优的不足,可靠性高,加速了广义回归网络参数优化和训练,在样本集不足情况下仍可保持较高精度,可为大中型梯级电站发电调度规则提取提供决策支持。
上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述求解所述目标函数具体为:采用POA算法求解所述目标函数。
本发明的进一步有益效果是:水电站群中长期发电调度模型具有高维、非线性等特点,由于传统动态规划求解此类问题时易陷入“维数灾”,而启发式优化算法具有一定随机性,不能保证收敛到全局最优解。因此本方法选择介于二者之间的POA算法用于模型计算,该算法将多阶段决策问题转换为多个两阶段优化问题,与DP相比,时间和空间复杂度更低,且能够快速、精确收敛于全局最优解。
进一步,所述方法还包括:
采用交叉验证法,评估所述调度函数,以对所述调度函数进行调整。
进一步,所述方法还包括:
评估所述调度函数与所述输出流量最优解对应的确定性优化调度的拟合程度,以对所述调度规则进行调整,其中,所述拟合程度包括输出流量、计算速度、泛化性能的拟合程度。
本发明的进一步有益效果是:得到调度函数后,进一步对调度函数进行各种评估,以进一步提高调度函数的可靠性。
进一步,所述采用基于群落重心的粒子群法,优化所述广义回归网络的平滑因子,具体为:
S1、随机生成初始平滑因子的值,并构建多个平滑因子群落;
S2、基于训练误差最小目标函数,得到每个群落截至当前迭代的最优平滑因子;
S3、基于各群落当前次迭代对应的最优训练误差值,确定群落重心并将其作为每个群落的全局最优位置以进行下一次迭代,直至基于所述群落重心计算得到的训练误差达到预设值,此时群落重心即为所述广义回归网络的平滑因子。
本发明的进一步有益效果是:基于群落重心的粒子群法(CPSO算法)是通过引入“群落”和“群落重心”的概念对粒子群算法(PSO)进行改进得到的。原始的粒子群算法利用“个体最优”和“全局最优”的位置以某种机制更新自身速度和位置,从而获得更优解,该机制的缺陷显而易见,种群中所有粒子共享一套优化参数,当种群多样性减少时,极易陷入局部最优。而CPSO算法将一个种群划分为多个群落,每个群落是一个独立的粒子群,且群落之间粒子数以及寻优参数相对独立,当每次迭代结束,各群落将选举自身的全局最优位置,并将其与其他群落共享,然后计算群落的重心位置,将其作为整个种群的全局最优位置,且各群落在下一步迭代中使用该值进行速度更新。基于该方法,每个群落的最优位置对种群的全局最优位置都有贡献,避免所有群落均朝向某个群落的最优值进化从而丧失多样性,提高调度函数提取的可靠性、鲁棒性。
进一步,所述S4包括:
计算当前次迭代对应的所有群落训练误差的总和,并基于万有引力距离和引力值负相关特性,采用所述总和计算每个群落的引力系数;
基于每个群落的引力系数,计算群落重心,用该群落重心替换粒子群算法中的速度更新公式的群落最优位置,并分别下一次迭代,直至基于所述群落重心计算得到的训练误差达到预设值。
进一步,每个群落的所述引力系数表示为:
进一步,所述优化所述广义回归网络的平滑因子,具体为:采用并行式计算方法进行基于群落重心的粒子群算法的计算,完成平滑因子的优化。
本发明的进一步有益效果是:采用本方法提出分布式并行超参数优化框架完成寻优过程,每个群落在独立的服务器节点上完成训练过程,共享每次迭代后的结果,从而实现并行,加速了超参数优化过程。
本发明还提供一种水电站群发电调度规则,采用如上所述的任一种水电站群发电调度规则提取方法提取得到。
本发明的有益效果是:本发明采用上述水电站群发电调度规则提取方法得到,由于上述方法基于当前人工智能热点技术,将深度学习与梯级水电站发电调度相结合,建立调度函数对应的广义回归网络,通过基于群落重心粒子群,结合目标函数和约束条件确定的输出流量最优解,快速迭代优化广义回归网络参数,确定水电站调度函数,提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则。因此,该调度规则可靠性高、鲁棒性强。
本发明还提供一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上述任一种水电站群发电调度规则提取方法。
附图说明
图1为本发明实施例提供的一种水电站群发电调度规则提取方法的流程框图;
图2为本发明实施例提供的丰水年优化调度过程、平水年优化调度过程和枯水年优化调度过程的过程图;
图3为本发明实施例提供的采用基于群落重心的粒子群优化流程图;
图4为本发明实施例提供的CPSO与PSO在不同测试函数下的效果对比图;
图5为本发明实施例提供的丰水年POA、CPSO-GRNN模拟调度过程对比、平水年POA、CPSO-GRNN模拟调度过程对比以及枯水年POA、CPSO-GRNN模拟调度过程对比的对比图。
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,以下结合附图及实施例,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例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
实施例一
一种水电站群发电调度规则提取方法100,如图1所示,包括:
步骤110、建立以水电站群年发电量最大为目标的目标函数及其约束条件,并求解目标函数,得到每个水库每个时段的输出流量最优解;
步骤120、以各水库各时段对应的输入流量和库水位为输入、输出流量为输出,建立广义回归网络,作为调度函数模型;
步骤130、基于已知的各水库各时段对应的输入流量和库水位以及输出流量最优解,采用基于群落重心的粒子群法,以训练误差最小为目标,优化广义回归网络的平滑因子,得到调度函数,完成调度规则的提取。
需要说明的是,步骤110首先建立以梯级水电站群年发电量最大为目标,以清江梯级水布垭电站1951-2007年总计57年的实测径流数据进行模拟调度,以调度时段平均出力满足保证出力情况衡量模型可靠性的模型。当不满足保证出力约束时,添加惩罚项对目标函数进行约束。
式中,E为梯级电站年发电量;N和T分别表示梯级电站数量和调度时段;Pit表示第i个电站在第t时段的出力;Pib表示第i个电站的保证出力;β为惩罚系数。其中,出力计算公式为:P=9.81QZ。
优化调度模型的约束条件具体为:
1)水位约束:2)出力约束:3)流量约束:4)水量平衡约束:Vit+1=Vit+(Iit-Qit)Δt;5)水位变幅约束:式中,Z it、Zit以及分别表示电站i在第t时段水位最小值、平均值和最大值;P it、Pit以及表示电站i在t时段出力最小值、出力以及出力最大值;Q it、Qit以及分别表示电站在t时段的出库下限、出库以及出库上限;Vit为第i个电站在第t时段的库容,Vit+1为t+1时段的库容;Iit和Qit分别为第i个电站在第t时段的入库流量和下泄流量;ΔZit第i个电站在第t时段的水位变幅,ΔZ it和分别表示水位变幅的下限和上限。
步骤120首先确定调度函数的输入因子,选取面临时段入库流量以及库水位,输出因子选取面临时段的下泄流量。在此基础上考虑到年来水量丰、平、枯(丰水年、平水年、枯水年)总体情况及汛期、非汛期对来水的影响,然而年来水丰、平、枯总体情况对调度决策的影响很大。与此同时,在年内针对同一量级的来水和水位,不同时期对决策也会有差异,即汛期、非汛期对来水的响应是不同的。因此考虑年来水因子和调度期因子对调度决策的影响,将年来水频率作为来水丰度的指标,使用旬时段编号作为时间标志,建立考虑入库径流、水位、年来水指标以及调度期指标的调度规则提取模型,即确立调度函数,表示为O=f(I,L,λ,β),式中,O、I以及L分别表示面临时段出库流量、入库径流(即输入流量,入库流量)以及库水位;λ表示年来水因子;β表示调度期因子。因此本方法在已有的2因子水平上,增加了年来水因子以及调度期因子。
优化调度模型结果为调度期内逐年各时段末最优水位值,通过水电调算(即通过水量平衡公式和水能计算方程计算),生成长系列的样本集。图2展示了丰(上图,1998年)、平(中图,1999年)、枯(下图,2005年)不同来水条件下典型调度结果。
本方法基于当前人工智能热点技术,将深度学习与梯级水电站发电调度相结合,建立调度函数对应的广义回归网络,通过基于群落重心粒子群,结合目标函数和约束条件确定的输出流量最优解,快速迭代优化广义回归网络参数,确定水电站调度函数,提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则,克服了基本传统粒子群算法易陷入局部最优的不足,可靠性高,加速了广义回归网络参数优化和训练,在样本集不足情况下仍可保持较高精度,可为大中型梯级电站发电调度规则提取提供决策支持。
优选的,上述求解目标函数具体为:采用POA算法计算。
利用逐次优化算法(Progressive Optimality Algorithm,POA)对历史长系列径流数据进行模拟优化调度,获取样本。梯级水电站中长期发电调度模型具有高维、非线性等特点,由于传统动态规划求解此类问题时易陷入“维数灾”,而启发式优化算法具有一定随机性,不能保证收敛到全局最优解。因此本方法选择介于二者之间的POA算法用于模型计算,该算法将多阶段决策问题转换为多个两阶段优化问题,与DP相比时间和空间复杂度更低,且能够收敛于全局最优解。
具体的,以清江梯级水布垭电站历史长系列1951-2007年的入库流量作为输入,调度周期以水利年为单位,取月均值376m作为调度期初、末水位,水位约束区间为[350,400],POA算法的求解步骤为:
1)在自变量水位的可行域(根据约束条件预设)内,用动态规划算法,在上述约束条件下,生成一组解,即确定各水库各时段的水位,作为初始轨迹(调度期内包括多个时段,每个水库对应一个由各时段水位构成的轨迹);
2)固定各水库的水位Zt和Zt+2(t为第t时段),基于目标函数,优化(两阶段法)水位Zt+1,然后以水位Zt+1为起点重新开始两阶段(Zt和Zt+2)优化,直至整个T时段(调度期)被遍历;
3)将本次迭代的轨迹作为下一次迭代的初始轨迹(重复步骤2)),直至所迭代轨迹(水位)不发生变化即得到最优解。,需要说明的是,最优解为每个水库每个时段的水位。进一步根据水位计算得到输出流量。
优选的,上述方法还包括:
采用交叉验证法,评估调度函数,以对调度函数进行调整;
或者,
评估调度函数与输出流量最优解对应的确定性优化调度的拟合程度,以对所述调度规则进行调整,其中,拟合程度包括发电量、计算速度、泛化性能的拟合程度。
其中,引入交叉验证(Cross-validation)方式评估广义回归网络(即为调度函数O=f(I,L;λ,β,σ))性能,以此为依据对模型进行改进,使模型对样本之外的输入具有良好的适应性。在应用交叉验证时,先将样本空间分为训练集和测试集,然后再将训练集划分出一部分作为验证集,使用训练集中的大部分样本进行模型训练,小部分用于模型验证。
交叉验证有三种常用方法,分别为Holdout、K-fold以及Leave-one-out。本方法采用Leave-one-out方法,该方法具有以下优点,首先对样本量很小的情况仍具有良好效果,其次在模型训练时,大部分样本都参与了训练,样本利用率最高。使用Leave-one-out时,从训练集中取出一项用于验证,剩下的大部分样本用于模型训练,循环该过程并保证最终每个样本都参与过训练。
另一种评估方法是评价其拟合程度并检查其是否满足经济效益指标以及运行指标。评价基于GRNN神经网络提取的调度规则与确定性优化调度的拟合程度,不仅要评价其拟合程度,还应检查其是否满足经济效益指标以及运行指标,主要包括以下几个方面:
1)发电量指标
模型采用的训练集是以发电量最大为目标的确定性优化过程,因此电站在调度期内的发电量衡量了模型对优化调度的规则拟合程度。
2)计算速度指标
GRNN神经网络模型最大优势之一是其计算速度,因此计算速度是与其他模型比较的一个指标。
3)模型拟合程度指标
为定量评价模型泛化能力,本发明采用平均绝对误差(MAE)、平均绝对百分误差(MAPE)、均方误差(RMSE)以及可决系数(R2)描述回归模型的泛化性能指标,如下式所示;其中MAE衡量了预测值与实测值之间的差距;MAPE考虑了预测值与实际值之间相对误差;RMSE描述了回归的损失;R2度量了模型的拟合优度。
优选的,上述采用基于群落重心的粒子群法,优化广义回归网络的平滑因子,具体为:
步骤131、随机生成初始平滑因子的值,并构建多个平滑因子群落;
步骤132、基于训练误差最小目标函数,得到每个群落截至当前迭代的最优平滑因子;
步骤133、基于各群落当前次迭代对应的最优训练误差值,确定群落重心并将其作为每个群落的全局最优位置以进行下一次迭代,直至基于所述群落重心计算得到的训练误差达到预设值,此时群落重心即为所述广义回归网络的平滑因子。
例如,将平滑因子在其值域内离散化,并构建多个平滑因子群落;分别采用粒子群法对每个群落优化,得到该群落当前次迭代的最优平滑因子;基于每个群落的最优平滑因子以及已知的各水库各时段对应的输入流量和库水位,依次采用广义回归函数和目标函数,计算得到该群落对应的优化年发电量,并基于输出流量最优解,得到最优年发电量,以计算每个群落在当前次迭代后的年发电量误差;基于当前次迭代对应的所有年发电量误差,确定群落重心并将其作为每个群落的全局最优位置以进行下一次迭代,直至基于群落重心计算得到的年发电量误差达到预设值,此时群落重心即为广义回归网络的平滑因子。
优选的,步骤134包括:
计算当前次迭代对应的所有群落训练误差的总和,并基于万有引力距离和引力值负相关特性,采用总和计算每个群落的引力系数;
基于每个群落的引力系数,计算群落重心,用该群落重心替换粒子群算法中的速度更新公式的群落最优位置,并分别下一次迭代,直至基于群落重心计算得到的训练误差达到预设值。
优选的,每个群落的引力系数表示为:
利用CPSO算法,优化GRNN(广义回归网络,即为调度函数O=f(I,L;λ,β,σ),其中,I,L分别为各水库各时段构成的矩阵,输出流量O为向量形式)的平滑系数向量,n为模型输入的特征数(即水电站个数)。
由于解空间为连续实数域,应使用连续值寻优算法,因此本发明提出改进PSO算法对该系数向量进行优选。通过CPSO算法在平滑因子的值域(实数区间)内遍历,尝试不同的平滑因子,基于目标函数以及I和L,计算输出流量的检测值,以GRNN网络的训练误差最小为目标进行优化(以POA解得的最优解为基准,确定误差最小对应的平滑因子,一个平滑因子会对应一个误差)。
需要说明的是,CPSO算法是通过引入“群落”和“群落重心”的概念对粒子群算法(PSO)进行改进得到的。原始的粒子群算法利用“个体最优”和“全局最优”的位置以某种机制更新自身速度和位置,从而获得更优解,策略如下式:
该机制的缺陷显而易见,种群中所有粒子共享一套优化参数,当种群多样性减少时,极易陷入局部最优,式中:表示第i个粒子第k次迭代的速度;表示第i个粒子第k次迭代的位置;表示第i个粒子前k次迭代所寻找到的最优解;表示前k次寻优所搜索到的最优位置;w表示粒子惯性权重;C1表示粒子个体学***滑因子向量。
将原来的全局最优位置替换为群落重心,此时速度更新策略变换如下式,这个过程称为“社会意识更新”:
该式中,n表示群落数;Cij表示第i次迭代时第j个群落的全局最优年发电量误差,Si为所有种群的总误差;rij为第i次迭代第j个群落的引力系数;Pij表示第i次迭代第j个群落的最优位置;P*表示群落重心。
如图3所示,当每次迭代结束,各群落将选举自身的全局最优位置,并将其与其他群落共享,然后计算群落的重心位置,将其作为整个种群的全局最优位置,且各群落在下一步迭代中使用该值进行速度更新。基于该方法,每个群落的最优位置对种群的全局最优位置都有贡献,避免所有群落均朝向某个群落的最优值进化从而丧失多样性。
优选的,优化广义回归网络的平滑因子,具体为:采用并行式计算方法进行基于群落重心的粒子群算法的计算,完成平滑因子的优化。
采用本方法提出分布式并行超参数优化框架完成寻优过程,每个群落在独立的服务器节点上完成训练过程,共享每次迭代后的结果,从而实现并行,加速了超参数优化过程。
该方法采用主从节点架构方式,主节点采用智能算法负责整个流程的调度,子节点负责计算。由于各子节点独立运行,互不干扰,主节点只需等待子节点计算完毕后汇总计算结果(即汇集上述Pij,用于群落重心计算)即可。具体操作步骤如下:
1)主节点加载集群计算节点列表,并对优化算法(CPSO)的种群初始化;
2)主节点根据节点列表向所有计算节点广播确认信息,若有节点无响应则将该节点从节点列表移除。当节点列表为空,即所有节点均无法工作,则提示用户检查节点信息,计算终止;
3)如果有可用节点,主节点将开启多线程,将种群的计算任务均衡到各计算节点,然后开启线程等待,并设定超时时间,等待各计算节点返回计算结果。当有节点计算超时,放弃该节点计算结果;
4)当所有节点计算完毕,如果没有达到终止条件,则进行优化结果选择,进入第3)步;
5)当达到终止条件后,使用最优参数进行模型训练,并输出训练好的模型。
为了更好的说明本发明,现以上述清江梯级水布垭电站为例,说明:采用python语言编程,实现CPSO算法对GRNN模型的超参数优化;具体包括如下子步骤;
1)抽取1998年、1999年以及2005年三个丰平枯典型年作为测试集,剩下的54年作为训练集进行GRNN模型训练;
2)使用rastrigin、ackley、griewangk以及sphere等几个典型的测试函验证CPSO算法的改进性能,由下图4可知,CPSO算法与PSO算法相比具有更快的收敛速度,且收敛精度更高,性能更优,可用于超参数寻优;
3)通过CPSO算法在平滑因子的值域内遍历,尝试不同的平滑因子组合,以GRNN网络的训练误差最小为目标进行优化。为提高模型泛化能力,引入交叉验证(Cross-validation)方式评估模型性能,以此为依据对模型进行改进,使模型对样本之外的输入具有良好的适应性。
进一步为验证模型各项指标情况,同时采用基本GRNN网络、BP神经网络以及RBF神经网络针对相同的数据集进行调度规则提取,各模型相关计算参数如下表1所示。
表1各模型相关计算参数
由表2可知,从发电量上看,在丰平枯不同来水年份,本发明所提模型与GRNN、BP以及RBF模型等常规模型所产生的发电量均比POA优化调度的结果偏少,但相对于常规模型,本发明所提模型的发电效益与最优效益更接近;在计算时间方面,由于GRNN给定了光滑因子,因此只使用了5s,CPSO-GRNN由于经过了一步超参数优化,所以多使用了30s。但相比较BP和RBF神经网络,所花费的时间更少,因为BP是一种全局更新的神经网络,所有样本的输入都会更新整个网络的权值,计算时间大大增加。RBF神经网络虽采用局部更新方式,但仍旧需要花费大量时间训练权值。
表2 CPSO-GRNN与常规模型发电量和计算时间指标对比表
表3-表5展示了不同来水年份下本发明所提模型与常规模型的各项拟合指标,容易看出,本发明所提模型与GRNN模型各项指标类似,但有部分提升,表明超参数优化对参数寻优的有益作用;BP、RBF模型由于数据集数量较小,影响了其拟合精度,本发明所提方法对小样本有更强适应性,在拟合性能上有较大优势。从不同年份比较,枯水年的三项拟合误差均为最小值,丰水年误差最大;其次,丰水年的拟合优度较高,为0.90。
表3 CPSO-GRNN与常规模型丰水年拟合指标指标对比表
表4 CPSO-GRNN与常规模型平水年拟合指标对比表
表5 CPSO-GRNN与常规模型枯水年拟合指标对比表
为进一步验证模型的实用性,使用提取的调度规则进行模拟调度。同样以丰、平、枯代表年份的来水作为输入,以376m为起调水位,输入面临时段初水位和入库径流,然后由调度规则预报出库流量,根据出库流量计算时段末水位,并将其作为下一个时段计算的起点水位,重复操作该过程直至整个调度期计算完毕。
调度规则模拟调度,由于GRNN神经网络实质为一个非线性回归过程,因此无法在模型内部添加约束。受训练集长度以及波动影响,输出值可能与实际值相差较大。因此对各旬的相对误差进行统计,当相对误差小于25%的旬数量占比不低于80%时则视为模型精度满足要求。同时对相对误差不满足要求的旬进行约束修正。调度模拟结果如图5所示,图5中的上图为丰水年POA、CPSO-GRNN模拟调度过程对比(1998年)图;中图是平水年POA、CPSO-GRNN模拟调度过程对比(1999年)图;下图是枯水年POA、CPSO-GRNN模拟调度过程对比(2005年)图,不同年份模拟合格率如表6所示。由模拟调度结果可知,在丰水年份,所提模型的模拟出库合格率为75%,略低于精度标准,但出库流量和水位过程与POA调度结果趋势基本一致,因此需进行约束修正。平水年和枯水年的出库合格率较高,但在汛期对出库的模拟精度较差,导致水位的累计效应较大,因此需要对汛期的出库模拟结果进行修正以减少累计误差,使模拟结果更符合工程实际。综上,在平水年和枯水年使用该调度规则模型时,汛期应根据实际调度情况做适当修正,其他时期与最优调度基本一致,有较高参考性。
表6 CPSO-GRNN与常规模型枯水年拟合指标对比表
实施例二
一种水电站群发电调度规则,采用如上实施例一所述的任一种水电站群发电调度规则提取方法提取得到。
采用上述水电站群发电调度规则提取方法得到,由于上述方法基于当前人工智能热点技术,将深度学习与梯级水电站发电调度相结合,建立调度函数对应的广义回归网络,通过基于群落重心粒子群,结合目标函数和约束条件确定的输出流量最优解,快速迭代优化广义回归网络参数,确定水电站调度函数,提取了基于群落重心粒子群和广义回归网络(CPSO-GRNN)的梯级水电站发电调度规则。因此,该调度规则可靠性高、鲁棒性强。
相关技术方案同实施例一,在此不再赘述。
实施例三
一种存储介质,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行如上实施例一所述任一种水电站群发电调度规则提取方法。
相关技术方案同实施例一,在此不再赘述。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水电站群发电调度规则提取方法,其特征在于,包括:
建立以水电站群年发电量最大为目标的目标函数及其约束条件,并求解所述目标函数,得到每个水库每个时段的输出流量最优解;
以各水库各时段对应的输入流量和库水位为输入、输出流量为输出,建立广义回归网络,作为调度函数模型;
基于已知的各水库各时段对应的输入流量和库水位以及所述输出流量最优解,采用基于群落重心的粒子群法,以训练误差最小为目标,优化所述广义回归网络的平滑因子,得到调度函数,完成调度规则的提取。
2.根据权利要求1所述的一种水电站群发电调度规则提前方法,其特征在于,所述求解所述目标函数具体为:采用POA算法求解所述目标函数。
3.根据权利要求1所述的一种水电站群发电调度规则提取方法,其特征在于,所述方法还包括:
采用交叉验证法,评估所述调度函数,以对所述调度函数进行调整。
4.根据权利要求1所述的一种水电站群发电调度规则提取方法,其特征在于,所述方法还包括:
评估所述调度函数与所述输出流量最优解对应的确定性优化调度的拟合程度,以对所述调度规则进行调整,其中,所述拟合程度包括输出流量、计算速度、泛化性能的拟合程度。
5.根据权利要求1至4任一项所述的一种水电站群发电调度规则提取方法,其特征在于,所述采用基于群落重心的粒子群法,优化所述广义回归网络的平滑因子,具体为:
S1、随机生成初始平滑因子的值,并构建多个平滑因子群落;
S2、基于训练误差最小目标函数,得到每个群落截至当前迭代的最优平滑因子;
S3、基于各群落当前次迭代对应的最优训练误差值,确定群落重心并将其作为每个群落的全局最优位置以进行下一次迭代,直至基于所述群落重心计算得到的训练误差达到预设值,此时群落重心即为所述广义回归网络的平滑因子。
6.根据权利要求5所述的一种水电站群发电调度规则提前方法,其特征在于,所述S3包括:
计算当前次迭代对应的所有群落训练误差的总和,并基于万有引力距离和引力值负相关特性,采用所述总和计算每个群落的引力系数;
基于每个群落的引力系数,计算群落重心,用该群落重心替换粒子群算法中的速度更新公式的群落最优位置,并分别下一次迭代,直至基于所述群落重心计算得到的训练误差达到预设值。
8.根据权利要求1至4任一项所述的一种水电站群发电调度规则提取方法,其特征在于,所述优化所述广义回归网络的平滑因子,具体为:采用并行式计算方法进行基于群落重心的粒子群算法的计算,完成平滑因子的优化。
9.一种水电站群发电调度规则,其特征在于,采用如权利要求1至8任一项所述的一种水电站群发电调度规则提取方法提取得到。
10.一种存储介质,其特征在于,所述存储介质中存储有指令,当计算机读取所述指令时,使所述计算机执行上述如权利要求1至8任一项所述的一种水电站群发电调度规则提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335948.1A CN111008790A (zh) | 2019-12-23 | 2019-12-23 | 一种水电站群发电调度规则提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911335948.1A CN111008790A (zh) | 2019-12-23 | 2019-12-23 | 一种水电站群发电调度规则提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111008790A true CN111008790A (zh) | 2020-04-14 |
Family
ID=70117205
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911335948.1A Pending CN111008790A (zh) | 2019-12-23 | 2019-12-23 | 一种水电站群发电调度规则提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111008790A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113326632A (zh) * | 2021-06-19 | 2021-08-31 | 南昌工程学院 | 一种反推水库入库流量过程的优化修正方法 |
CN113393119A (zh) * | 2021-06-11 | 2021-09-14 | 河海大学 | 基于场景缩减-深度学习的梯级水电短期调度决策方法 |
CN113419425A (zh) * | 2021-07-07 | 2021-09-21 | 哈尔滨理工大学 | 一种高速电主轴水冷***智能调控方法 |
CN113887154A (zh) * | 2021-10-21 | 2022-01-04 | 中国电建集团成都勘测设计研究院有限公司 | 一种梯级水电站群中长期发电能力评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942434A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 |
CN105138729A (zh) * | 2015-07-24 | 2015-12-09 | 南京信息工程大学 | 基于pso-grnn风电场风电机缺损风速值填充方法 |
CN106295801A (zh) * | 2016-08-01 | 2017-01-04 | 安徽农业大学 | 一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法 |
CN108647829A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 一种基于随机森林的梯级水电站群联合调度规则提取方法 |
US20190251458A1 (en) * | 2018-02-15 | 2019-08-15 | Institute For Development And Research In Banking Technology | System and method for particle swarm optimization and quantile regression based rule mining for regression techniques |
-
2019
- 2019-12-23 CN CN201911335948.1A patent/CN111008790A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103942434A (zh) * | 2014-04-23 | 2014-07-23 | 天津大学 | 基于sspso-grnn的水电站厂坝结构振动响应预测方法 |
CN105138729A (zh) * | 2015-07-24 | 2015-12-09 | 南京信息工程大学 | 基于pso-grnn风电场风电机缺损风速值填充方法 |
CN106295801A (zh) * | 2016-08-01 | 2017-01-04 | 安徽农业大学 | 一种基于果蝇算法优化广义回归神经网络算法的茶叶储存时间分类方法 |
US20190251458A1 (en) * | 2018-02-15 | 2019-08-15 | Institute For Development And Research In Banking Technology | System and method for particle swarm optimization and quantile regression based rule mining for regression techniques |
CN108647829A (zh) * | 2018-05-16 | 2018-10-12 | 河海大学 | 一种基于随机森林的梯级水电站群联合调度规则提取方法 |
Non-Patent Citations (3)
Title |
---|
JIEJIN CAI: "Predicting the critical heat flux in concentric-tube open", 《HEAT AND MASS TRANSFER》 * |
宁必锋: "基于重心法的粒子群优化算法", 《电子世界》 * |
舒生茂: "基于深度学习的梯级水电站发电调度及***设计研究", 《万方数据》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113393119A (zh) * | 2021-06-11 | 2021-09-14 | 河海大学 | 基于场景缩减-深度学习的梯级水电短期调度决策方法 |
CN113393119B (zh) * | 2021-06-11 | 2022-08-30 | 河海大学 | 基于场景缩减-深度学习的梯级水电短期调度决策方法 |
CN113326632A (zh) * | 2021-06-19 | 2021-08-31 | 南昌工程学院 | 一种反推水库入库流量过程的优化修正方法 |
CN113326632B (zh) * | 2021-06-19 | 2022-09-23 | 南昌工程学院 | 一种反推水库入库流量过程的优化修正方法 |
CN113419425A (zh) * | 2021-07-07 | 2021-09-21 | 哈尔滨理工大学 | 一种高速电主轴水冷***智能调控方法 |
CN113887154A (zh) * | 2021-10-21 | 2022-01-04 | 中国电建集团成都勘测设计研究院有限公司 | 一种梯级水电站群中长期发电能力评估方法 |
CN113887154B (zh) * | 2021-10-21 | 2023-05-26 | 中国电建集团成都勘测设计研究院有限公司 | 一种梯级水电站群中长期发电能力评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
Assareh et al. | Application of PSO (particle swarm optimization) and GA (genetic algorithm) techniques on demand estimation of oil in Iran | |
CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
CN108734355A (zh) | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及*** | |
CN108876001B (zh) | 一种基于孪生支持向量机的短期电力负荷预测方法 | |
CN109214449A (zh) | 一种电网投资需求预测方法 | |
CN107133695A (zh) | 一种风电功率预测方法和*** | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN108171379A (zh) | 一种用电负荷预测方法 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN111460001B (zh) | 一种配电网理论线损率评估方法及*** | |
CN114362175B (zh) | 基于深度确定性策略梯度算法的风电功率预测方法及*** | |
CN109858665A (zh) | 基于特征筛选与anfis-pso的光伏短期功率预测方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
Akpinar et al. | Forecasting natural gas consumption with hybrid neural networks—Artificial bee colony | |
CN107657349B (zh) | 一种水库分期发电调度规则提取方法 | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、***、设备及存储介质 | |
CN114119273A (zh) | 一种园区综合能源***非侵入式负荷分解方法及*** | |
CN115345297A (zh) | 一种基于生成对抗网络的台区样本生成方法及*** | |
CN113705098A (zh) | 一种基于pca和ga-bp网络的风道加热器建模方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
Mollaiy-Berneti | Developing energy forecasting model using hybrid artificial intelligence method | |
CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
CN113240181B (zh) | 一种水库调度运行滚动模拟方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200414 |
|
RJ01 | Rejection of invention patent application after publication |