CN112184479B - 一种水库群调度规则型式和参数对气候变化的适应性研究方法 - Google Patents
一种水库群调度规则型式和参数对气候变化的适应性研究方法 Download PDFInfo
- Publication number
- CN112184479B CN112184479B CN202010981139.4A CN202010981139A CN112184479B CN 112184479 B CN112184479 B CN 112184479B CN 202010981139 A CN202010981139 A CN 202010981139A CN 112184479 B CN112184479 B CN 112184479B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- rule
- reservoir
- dispatching
- reservoir group
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 140
- 230000008859 change Effects 0.000 title claims abstract description 61
- 238000011160 research Methods 0.000 title claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 35
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000010248 power generation Methods 0.000 claims description 17
- 238000004088 simulation Methods 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 claims description 13
- 230000008901 benefit Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 8
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000013076 uncertainty analysis Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000013473 artificial intelligence Methods 0.000 claims description 4
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000001704 evaporation Methods 0.000 claims description 4
- 230000008020 evaporation Effects 0.000 claims description 4
- 238000003786 synthesis reaction Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000012067 mathematical method Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 2
- 238000001308 synthesis method Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 7
- 230000004044 response Effects 0.000 abstract description 2
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000498 cooling water Substances 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 239000002131 composite material Substances 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 239000002689 soil Substances 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种水库群调度规则型式和参数对气候变化的适应性研究方法,通过开展气候变化下的水库群调度规则型式及参数响应机理研究,对不同调度规则进行合成及稳定性评估,提出稳健、可靠的水库群调度规则型式,通过型式和参数的适应性来揭示调度规则对气候变化的演变机理,可为气候变化条件下的水库群优化调度提供理论支撑,进而可以为缓解能源短缺、保障水资源可持续利用和国民经济可持续发展提供重要的科学依据,具有重大的理论与现实意义。
Description
技术领域
本发明属于水库群调度技术领域,具体涉及一种考虑未来气候变化情况下水库群调度规则型式和参数的适应性研究方法。
背景技术
随着我国经济和社会的迅速发展,能源需求量日益增加,能源短缺以及能源与环境的矛盾已经成为当今社会可持续发展的重要难题。水电由其可再生、成本低廉、易于开发利用越来受到国家能源发展中的重视。
我国水电蕴藏量居世界第一位,其中技术预计可开发装机容量为4.02亿kW。虽然目前总装机也已达2亿kW,占技术可开发装机容量的36%,但与世界平均水平60%仍有一定差距。作为水电站优化运行管理的重中之重,水库群优化调度会提高水库群的发电量,增加经济效益(即增发电能或节约耗水)约1%~3%。对于我国这样的水电大国而言,增加的效益是非常可观和十分有意义的。
受制于管理水平的不够成熟,很大一部分水库不能充分发挥在设计之初的功能,即使在美国这种水库调度技术较为成熟的国家,也仍然存在这种现象。目前我国十三大水电基地陆续进入规划设计、建设、投产阶段,水电能源***的成分、结构与功能也日趋复杂。如此规模庞大的水库群优化调度运行涉及领域众多、难度巨大,无论国内还是国外,都没有先例,给大型梯级水利水电工程运行带来严峻挑战。水库群的合理调控也是今后更大范围和更高层次上水电工程实际运行和人水和谐发展的基础和前提条件,也是水库群发挥最大经济效益所必需的。水电能源***如何通过合理优化的运行调度,提高电能质量、更大程度发挥清洁能源的优势,具有重大的现实意义。
气候变化通过影响降雨、蒸发、径流和土壤湿度等改变水文循环的现状,引起水资源在时间和空间上的重新分配,对水资源合理调配带来风险与挑战。气候变化对水文水资源影响评估与适应性对策是国际上普遍关注的全球性问题,也是中国可持续发展面临的重大战略问题。对于水库群优化调度问题,在水库调度规则型式及参数对气候变化的适应性方面研究较少,目前常采用调度函数和调度图等水库调度规则型式,但这些方式以经验为主,理论依据较为薄弱,特别对于水库群调度尚无通用的调度规则型式。
因此,开展气候变化下的水库群调度规则型式及参数响应机理研究,对不同调度规则进行合成及稳定性评估,提出稳健、可靠的水库群调度规则型式,通过型式和参数的适应性来揭示调度规则对气候变化的演变机理,可为气候变化条件下的水库群优化调度提供理论支撑,进而可以为缓解能源短缺、保障水资源可持续利用和国民经济可持续发展提供重要的科学依据,具有重大的理论与现实意义。
发明内容
本发明的目的就是针对上述背景技术的现状,考虑未来气候变化对水库群调度规则的影响,保证未来水库群高效、稳定运转,提供一种水库群调度规则型式和参数对气候变化的适应性研究方法。
本发明为解决现有技术中存在的问题采用的技术方案如下:
一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于,包括如下步骤:
步骤1、确定水库群优化目标和约束条件,建立多目标水库群优化调度模型;
步骤2、采用多目标优化算法求解多目标水库群优化调度模型求解得到优化调度轨迹,对优化调度运行轨迹进行拟合获得多种水库调度规则;
步骤3、构建基于贝叶斯理论的水库群优化调度规则的合成模型,开展水库群调度规则合成研究;
步骤4、通过降尺度技术处理GCM模型的输出作为流域水文模型的输入,将分布式水文模型与GCM模型耦合,模拟预测未来气候情景下流域的径流过程;
步骤5、采用数理统计方法对未来气候情景下的径流过程进行可用性分析和处理,开展原始径流资料和未来径流系列数据的融合;
步骤6、建立多指标的调度规则评价体系;
步骤7、采用多指标的调度规则评价体系,评价分析气候变化下的不同类型调度规则对不同气候模式的适应性;
步骤8、构建基于贝叶斯理论的不确定性分析技术的水库群调度规则参数变化规律分析模型,分析不同情形下的参数变化规律,建立水库调度规则参数和径流的相关关系,进而分析评估调度规则参数对气候变化的适应性。
根据上述步骤,即可分析水库群调度规则型式和参数对未来气候的适应性情形,可更好的指导水库群高效、稳定运行。
所述步骤1的具体过程如下:
步骤1.1、确定水库群调度的优化目标:
当水库群面临多种目标时,可建立确定性多目标优化调度模型,使得水库的综合效益最大化,优化的主要目标有:①最大化水电站群***的总发电量;②水电站群的发电保证率最大;③下游遭遇洪水的风险最小;④生态流量满足率最大;⑤下游航运保证率最高;⑥供水保证率最高等目标;
以发电、防洪和生态为例,确定水库群优化调度的目标函数,如下所示:
最大化水库群的总发电量:
式中:n为划分的调度时段数目;m为水库群中电站数目;Δt为调度期的时段长度;Pi,j为i时段j电站的出力;
水库群的发电保证率最大:
下游遭遇洪水的风险最小:
式中:Qsafe为下游防洪控制点的安全泄量;num(Qi,j≤Qsafe)表示各个时段中下泄流量小于等于安全泄量的次数;
生态流量满足率最大:
式中:Qeco为下游河道的最小生态流量;num(Qi,j≥Qeco)表示各个时段中下泄流量大于等于生态流量的次数;
步骤1.2、确定水库群调度的约束条件:
约束条件主要包括:①水量平衡约束;②库容约束;③水库出库流量约束;④上下游水库间水量平衡约束;⑤电站出力约束;⑥始末状态约束等。
所述步骤2中的多目标优化算法为NSGA-II、PSO或及MODE算法等;
以NSGA-II方法为例,采用NSGA-II方法求解多目标优化模型的主要步骤如下:
步骤2.1.1随机生成多组调度轨迹;
步骤2.1.2计算不同调度轨迹的适应度;
步骤2.1.3经过个体变异、交叉和选择,产生新的调度轨迹;
步骤2.1.4通过拥挤程度计算和快速非支配排序,保留精英;
步骤2.1.5判断是否满足算法的收敛条件,若满足则转向下一步,否则转向步骤2.1.2;
最终得到满足条件的非劣解集,进而得到不同的多目标水库群优化调度轨迹;非劣解集的挑选可以通过人工经验赋予不同目标不同的权重加权后决策;
所述步骤2中对优化调度运行轨迹进行拟合的方法,为线性规划或人工智能算法(如人工神经网络、支持向量机、遗传规划等)等方法,可以得到显式和隐式的水库群优化调度规则;
以遗传规划方法为例,说明调度规则拟合的过程,主要步骤如下:
步骤2.2.1、确定个体的表达方式,包括F(函数集)和T(终止符集),选择水库群中各水库的当前入流、库容和上一时段的入流、库容作为因变量,水库群的总出力作为决策变量,函数集可以选择“+,-,*,/,xy”等;
步骤2.2.2、随机产生初始群体(程序),即随机生成决策变量和因变量的函数关系;
步骤2.2.3、运行群体中的每一个个体(生成的函数关系),并赋予每个个体一个适应度(如总发电量);
步骤2.2.4、依据适应度随机选定个体和双亲,把当前群体复制成新的群体或者双亲个体随机选定的部位进行交换生成新的群体;
步骤2.2.5重复运行步骤2.2.3和步骤2.2.4,直到结果满足终止准则为止。
所述步骤3通过构建基于贝叶斯理论的水库群联合优化调度规则的合成模型,采用多种优化算法来确定各个水库调度规则在合成调度规则中的权重和方差,开展调度规则的合成研究,以贝叶斯模型平均方法为例,即通过对不同调度规则取不同的权重以得到更好的合成调度规则的数学方法,假设Q为调度规则的出库过程集合(决策变量),D=[X,Y]是输入数据(其中X是K个调度规则决策值的模拟数据,Y是最优的模拟运行过程),f=[f1,f2,…,fk]是K个调度规则的集合,贝叶斯模型平均方法可用如下公式表示:
式中:p(fk|D)是第k个调度规则在给定优化调度D的情景下的后验概率fk,它是fk和最优调度过程Y的匹配相似度的反映,事实上,p(fk|D)是贝叶斯模型的权重wk;权重wk按调度结果的优劣划分,单个水库调度规则的调度结果越好(如发电量多,弃水少等),则在综合调度规则中所占权重愈大,且wk总大于零,其和为1;pk(Q|fk,D)是在给定优化调度D和概率fk的条件下,调度规则的出库过程集合Q的后验分布;
模型可以采用期望最大化算法或马尔科夫蒙特卡洛求解,进而确定合成调度规则中每个单个规则的权重与方差;以期望最大化算法为例,说明贝叶斯模型平均方法中单个规则权重与方差求解过程;主要步骤如下:
步骤3.1、条件的初始化,假定Ite=0
步骤3.2、计算初始似然函数值的大小,按下式(7)计算:
步骤3.3、计算隐藏变量:设Ite=Ite+1,计算式如(8)所示:
步骤3.4、计算各个调度规则的权重,按公式(9)计算:
步骤3.5、计算各个调度规则的误差,按公式(10)计算:
步骤3.6、计算对数似然值l(θ)(Ite),按公式(11)所示计算:
步骤3.7、检验计算结果收敛性,假设l(θ)(Ite)-l(θ)(Ite-1)不大于预先设定的误差标准,就停止计算,否则重新从步骤3.3开始下一轮的计算。
所述步骤4的具体过程为:将气象中心观测资料和统计降尺度方法,应用于全球气候模式GCM,首先实现对未来降水变化的预测分析,然后通过降尺度方法处理GCM的输出(降水和气温)作为分布式流域水文模型的输入,模拟预测未来气候情景下流域的径流过程;基于气象中心观测资料和统计降尺度方法的分布式流域水文模型与GCM模型耦合机制;
以NCEP观测资料和分布式水文模型VIC为例,进行VIC和GCM耦合说明,主要步骤如下:
步骤4.1、大尺度气候预报因子和统计降尺度方法的选择和率定;
步骤4.2、利用NCEP观测资料来检验降尺度方法,对预报因子标准化出力和主成分分析;
步骤4.3、应用预报因子的主分量,作为统计降尺度方法的输入,并利用实测资料对统计降尺度方法进行率定;
步骤4.4、把主成分方向和统计降尺度方法应用于GCM,产生未来降水变化情景;
步骤4.5、通过降尺度方法处理GCM的输出(降水和气温)作为流域水文模型VIC的输入,模拟预测未来气候情景下流域的径流过程。
所述步骤5的具体过程为:在数字流域基础上,选择合适的时间尺度,构建分布式流域水文模型,率定模型参数,分析未来气候变化和人类活动情景,将未来小尺度气候因子时空分布和流域下垫面组成情况输入到分布式流域水文模型,来预测未来水资源时空分布规律;首先选择多种全球气候模型(GCM)在不同排放情景下的输出,如常用的CGCM2、HadCM3等;然后将GCM输出的气象变量(如日降水、日最高气温、最低气温等),选取合适的降尺度方法,降解到流域水文模型尺度,把多个气候模式的输出作为分布式流域水文模型的输入,用来驱动分布式流域水文模型,模拟流域未来气候情景下径流、蒸发的空间分布情况;
由于未来径流预测数据与过去的原始径流资料存在非一致,采用数理统计方法(如M-K、线性回归等),开展原始径流资料和未来径流系列数据的融合。
所述步骤6所建立的评价体系主要包括以下几个指标:
①可靠性指标:
②可恢复性指标:
式中,int∑(Pi<TPi&&Pi+1≥TPi+1)表示i时段出力Pi小于TPi并且i+1时段出力Pi+1大于等于TPi+1的次数;
③脆弱性指标:
④发电量指标:
式中:Δt为调度期的时段长度。
所述步骤7的具体过程为:通过步骤4和步骤5的计算,得到不同情景下的气候模型对应的未来径流过程,分别采用步骤2和步骤3中提取的多种调度规则进行模拟运行,使用步骤6中建立的多指标评价指标体系对各个规则的适应性进行评判,同样根据人工经验赋予不同目标不同权重,分析不同类型调度规则对不同气候模式的适应性程度。
所述步骤8的具体过程为:将水库调度规则形式视为模型,调度规则参数视为参数,调度目标函数视为似然函数,认为各种调度规则参数均具有可行性与可能性,只是概率分布不同而已,可采用基于贝叶斯理论的不确定性分析技术等方法(通用似然不确定性估计法、马尔科夫链蒙特卡罗法等)代替传统的优化方法,研究参数的后验概率分布,进而根据模拟调度进一步估计最优调度轨迹的区间分布,根据参数区间的分布大小,进而评估参数的适应性优劣;
以通用似然不确定性估计法为例进行计算说明,主要步骤如下:
步骤8.1、假设水库调度目标函数中参数的先验分布是均匀分布,通过随机模拟取样方法生成一定数目的可行参数组;
步骤8.2、输入资料,利用模拟模型,计算各参数组对应的似然函数值(目标函数值)。选定最优调度目标函数值的α倍为阈值(α为0~1之间的随机数),对似然函数值低于该阈值的参数组,令其相应的似然函数值为0;对高于该阈值的参数组,按照似然函数值由高到低排序,设第i组参数对应的似然函数值为Fi,则它的权重为
步骤8.3、这些具有权重的参数组就是参数的后验分布,取其经验分布即可估计区间的分布;
根据上述步骤,分别采用原始径流系列和融合未来气候情景下径流系列作为模型的输入,分析不同情形下的参数区间变化规律,建立水库调度规则参数和径流的相关关系,进而可以分析评估调度规则参数对气候变化的适应性。
最后,总结步骤7和步骤8的成果,即可完成水库群调度规则型式和参数对气候变化的适应性研究,为未来气候变化下的水库群优化调度提供参考依据,使得水库群高效、稳定运行。
本发明具有如下优点:
1、本发明充分考虑模拟的未来径流系列与原径流系列是否一致问题,本发明采用数理统计方法分析并处理原系列和未来径流系列的非一致性问题;
2、本发明不仅可以评判不同调度规则的适应性优劣,还可以揭示调度规则型式和参数对未来径流系列的变化机制;
3、本发明适用于指导水库群在未来情景下的多目标优化调度,使得水库群高效、稳定运行;
4、本发明提供一种水库群调度规则型式和参数对气候变化的适应性研究方法,进而提供适应未来水库群入流变化的自适应性水库群多目标调度方案;本发明充分考虑未来气候变化对水库群调度的影响,可为水库群的管理提供更为准确的决策依据。
附图说明
图1为本发明技术路线图;
图2为本发明水库群调度规则合成及规则型式适应性研究流程图;
图3为本发明分布式水文模型与GCM模型耦合机制图;
图4为本发明水库群调度规则参数变化规律及适应性分析流程图。
具体实施方式
下面通过实施例,并结合附图,对本发明的技术方案作进一步具体的说明。
本发明充分考虑未来气候变化下水库群优化调度方式,通过建立多目标优化调度模型,拟合并合成不同型式水库群调度规则,耦合分布式水文模型和GCM模型,融合历史径流系列与未来气候情景下径流系列,建立多指标体系和采用不确定性分析技术研究调度规则型式和参数的适应性,使得水库群可以在未来气候模型下更加高效、稳定的运行。具体流程见附图1。
一种水库群调度规则型式和参数对气候变化的适应性研究方法,具体包括以下过程:
1、确定水库群优化目标和约束条件,建立多目标水库群优化调度模型
1.1确定水库群调度的优化目标
当水库群面临多种目标时,可建立确定性多目标优化调度模型,使得水库的综合效益最大化,优化的主要目标有:①最大化水电站群***的总发电量;②水电站群的发电保证率最大;③下游遭遇洪水的风险最小;④生态流量满足率最大;⑤下游航运保证率最高;⑥供水保证率最高等目标。
以发电、防洪和生态为例,确定水库群优化调度的目标函数,如下所示:
最大化水库群的总发电量:
式中:n为划分的调度时段数目;m为水库群中电站数目;Δt为调度期的时段长度;Pi,j为i时段j电站的出力。
水库群的发电保证率最大:
下游遭遇洪水的风险最小:
式中:Qsafe为下游防洪控制点的安全泄量;num(Qi,j≤Qsafe)表示各个时段中下泄流量小于等于安全泄量的次数。
生态流量满足率最大:
式中:Qeco为下游河道的最小生态流量;num(Qi,j≥Qeco)表示各个时段中下泄流量大于等于生态流量的次数。
1.2、确定水库群调度的约束条件
约束条件主要包括:①水量平衡约束;②库容约束;③水库出库流量约束;④上下游水库间水量平衡约束;⑤电站出力约束;⑥始末状态约束等。
2、采用多目标优化算法求解多目标水库群优化调度模型求解得到优化调度轨迹,对优化调度运行轨迹进行拟合获得多种水库调度规则
上述优化问题是一个多参数、高维、非线性的优化问题,通常可以采用人工智能多目标优化算法进行优化计算。常用的方法有:NSGA-II、PSO以及MODE算法等。如多目标遗传算法:通过引入精英策略将搜索过程中得到的最好的解保留下来和拥挤度计算和快速非支配排序提高了算法效率;粒子群算法:采用“群体”与“进化”的概念,依据个体的适应值大小通过粒子在解空间追随最优的粒子而进行搜索寻优计算,寻优得到非劣解集。
下边以NSGA-II方法为例,进行多目标优化模型求解说明。NSGA-II基于Pareto思想,可以得到种群数以内的多个非劣解;采用了精英策略,将搜索过程中得到的最好的解保留下来;此外还通过对拥挤程度计算和快速非支配排序法的应用,提高了算法效率,降低了计算的复杂度,实现简单。采用NSGA-II方法求解多目标优化模型的主要步骤如下:①随机生成多组调度轨迹;②计算不同调度轨迹的适应度;③经过个体变异、交叉和选择,产生新的调度轨迹;④通过拥挤程度计算和快速非支配排序,保留精英;⑤判断是否满足算法的收敛条件,若满足则转向下一步,否则转向步骤②。最终得到满足条件的非劣解集,进而得到不同的多目标水库群优化调度轨迹。非劣解集的挑选可以通过人工经验赋予不同目标不同的权重加权后决策。
采用线性规划或人工智能算法(如人工神经网络、支持向量机、遗传规划等)等方法对确定性调度轨迹进行拟合,可以得到显式和隐式的水库群优化调度规则。以遗传规划方法为例,说明调度规则拟合的过程,主要步骤如下:
①确定个体的表达方式,包括F(函数集)和T(终止符集),选择水库群中各水库的当前入流、库容和上一时段的入流、库容作为因变量,水库群的总出力作为决策变量,函数集可以选择“+,-,*,/,xy”等。
②随机产生初始群体(程序),即随机生成决策变量和因变量的函数关系。
③运行群体中的每一个个体(生成的函数关系),并赋予每个个体一个适应度(如总发电量)。
④依据适应度随机选定个体和双亲,把当前群体复制成新的群体或者双亲个体随机选定的部位进行交换生成新的群体。
⑤重复运行③和④,直到结果满足终止准则为止。
3、构建基于贝叶斯理论的水库群优化调度规则的合成模型,开展水库群调度规则合成研究
如附图2所示,通过构建基于贝叶斯理论的水库群联合优化调度规则的合成模型,采用多种优化算法来确定各个水库调度规则在合成调度规则中的权重和方差,开展调度规则的合成研究。
以贝叶斯模型平均方法为例,即通过对不同调度规则取不同的权重以得到更好的合成调度规则的数学方法。假设Q为调度规则的出库过程集合(决策变量),D=[X,Y]是输入数据(其中X是K个调度规则决策值的模拟数据,Y是最优的模拟运行过程),f=[f1,f2,…,fk]是K个调度规则的集合,贝叶斯模型平均方法可用如下公式表示:
式中:p(fk|D)是第k个调度规则在给定优化调度D的情景下的后验概率fk,它是fk和最优调度过程Y的匹配相似度的反映,事实上,p(fk|D)是贝叶斯模型的权重wk。权重wk按调度结果的优劣划分,单个水库调度规则的调度结果越好(如发电量多,弃水少等),则在综合调度规则中所占权重愈大,且wk总大于零,其和为1。pk(Q|fk,D)是在给定优化调度D和概率fk的条件下,调度规则的出库过程集合Q的后验分布。
模型可以采用期望最大化算法或马尔科夫蒙特卡洛求解,进而确定合成调度规则中每个单个规则的权重与方差。以期望最大化算法为例,说明贝叶斯模型平均方法中单个规则权重与方差求解过程。主要步骤如下:
①条件的初始化,假定Ite=0
②计算初始似然函数值的大小,按下式(7)计算:
③计算隐藏变量:设Ite=Ite+1,计算式如(8)所示:
④计算各个调度规则的权重,按公式(9)计算:
⑤计算各个调度规则的误差,按公式(10)计算:
⑥计算对数似然值l(θ)(Ite),按公式(11)所示计算:
⑦检验计算结果收敛性,假设l(θ)(Ite)-l(θ)(Ite-1)不大于预先设定的误差标准,就停止计算,否则重新从③开始下一轮的计算。
4、通过降尺度技术处理GCM模型的输出作为流域水文模型的输入,将分布式水文模型与GCM模型耦合,模拟预测未来气候情景下流域的径流过程
将气象中心观测资料和统计降尺度方法,应用于全球气候模式GCM,首先实现对未来降水变化的预测分析,然后通过降尺度方法处理GCM的输出(降水和气温)作为分布式流域水文模型的输入,模拟预测未来气候情景下流域的径流过程。基于气象中心观测资料和统计降尺度方法的分布式流域水文模型与GCM模型耦合机制,见附图3。
以NCEP观测资料和分布式水文模型VIC为例,进行VIC和GCM耦合说明,主要步骤如下:①大尺度气候预报因子和统计降尺度方法的选择和率定;②利用NCEP观测资料来检验降尺度方法,对预报因子标准化出力和主成分分析;③应用预报因子的主分量,作为统计降尺度方法的输入,并利用实测资料对统计降尺度方法进行率定;④把主成分方向和统计降尺度方法应用于GCM,产生未来降水变化情景;⑤通过降尺度方法处理GCM的输出(降水和气温)作为流域水文模型VIC的输入,模拟预测未来气候情景下流域的径流过程。
5、采用数理统计方法对未来气候情景下的径流过程进行可用性分析和处理,开展原始径流资料和未来径流系列数据的融合
在数字流域基础上,选择合适的时间尺度,构建分布式流域水文模型,率定模型参数,分析未来气候变化和人类活动情景,将未来小尺度气候因子时空分布和流域下垫面组成情况输入到分布式流域水文模型,来预测未来水资源时空分布规律。首先选择多种全球气候模型(GCM)在不同排放情景下的输出,如常用的CGCM2、HadCM3等。然后将GCM输出的气象变量(如日降水、日最高气温、最低气温等),选取合适的降尺度方法,降解到流域水文模型尺度,把多个气候模式的输出作为分布式流域水文模型的输入,用来驱动分布式流域水文模型,模拟流域未来气候情景下径流、蒸发的空间分布情况。
由于未来径流预测数据与过去的原始径流资料存在非一致,采用数理统计方法(如M-K、线性回归等),开展原始径流资料和未来径流系列数据的融合。
6、建立多指标的调度规则评价体系
考虑水电***的复杂性,为了给决策者提供更为科学、准确的调度决策依据,尽可能全面的评估调度规则适应性的优劣,所建立的评价体系主要包括以下几个指标:
①可靠性指标:
②可恢复性指标:
式中,int∑(Pi<TPi&&Pi+1≥TPi+1)表示i时段出力Pi小于TPi并且i+1时段出力Pi+1大于等于TPi+1的次数;
③脆弱性指标:
④发电量指标:
式中:Δt为调度期的时段长度。
7、采用多指标的调度规则评价体系,评价分析气候变化下的不同类型调度规则对不同气候模式的适应性
通过4和5的计算,可以得到不同情景下的气候模型对应的未来径流过程,分别采用2和3中提取的多种调度规则进行模拟运行,使用6中建立的多指标评价指标体系对各个规则的适应性进行评判,同样根据人工经验赋予不同目标不同权重,分析不同类型调度规则对不同气候模式的适应性程度。
8、构建基于贝叶斯理论的不确定性分析技术的水库群调度规则参数变化规律分析模型,分析不同情形下的参数变化规律,建立水库调度规则参数和径流的相关关系,进而分析评估调度规则参数对气候变化的适应性
如附图4所示,将水库调度规则形式视为模型,调度规则参数视为参数,调度目标函数视为似然函数,认为各种调度规则参数均具有可行性与可能性,只是概率分布不同而已,可采用基于贝叶斯理论的不确定性分析技术等方法(通用似然不确定性估计法、马尔科夫链蒙特卡罗法等)代替传统的优化方法,研究参数的后验概率分布,进而根据模拟调度进一步估计最优调度轨迹的区间分布。根据参数区间的分布大小,进而评估参数的适应性优劣。
以通用似然不确定性估计法为例进行计算说明,主要步骤如下:
①假设水库调度目标函数中参数的先验分布是均匀分布,通过随机模拟取样方法生成一定数目的可行参数组。
②输入资料,利用模拟模型,计算各参数组对应的似然函数值(目标函数值)。选定最优调度目标函数值的α倍为阈值(α为0~1之间的随机数),对似然函数值低于该阈值的参数组,令其相应的似然函数值为0;对高于该阈值的参数组,按照似然函数值由高到低排序,设第i组参数对应的似然函数值为Fi,则它的权重为
③这些具有权重的参数组就是参数的后验分布,取其经验分布即可估计区间的分布。
根据上述步骤,分别采用原始径流系列和融合未来气候情景下径流系列作为模型的输入,分析不同情形下的参数区间变化规律,建立水库调度规则参数和径流的相关关系,进而可以分析评估调度规则参数对气候变化的适应性。
最后,总结7和8的成果,即可完成水库群调度规则型式和参数对气候变化的适应性研究,为未来气候变化下的水库群优化调度提供参考依据,使得水库群高效、稳定运行。
本发明的保护范围并不限于上述的实施例,显然,本领域的技术人员可以对本发明进行各种改动和变形而不脱离本发明的范围和精神。倘若这些改动和变形属于本发明权利要求及其等同技术的范围内,则本发明的意图也包含这些改动和变形在内。
Claims (8)
1.一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于,包括如下步骤:
步骤1、确定水库群优化目标和约束条件,建立多目标水库群优化调度模型;
步骤2、采用多目标优化算法求解多目标水库群优化调度模型求解得到优化调度轨迹,对优化调度运行轨迹进行拟合获得多种水库调度规则;
步骤3、构建基于贝叶斯理论的水库群优化调度规则的合成模型,开展水库群调度规则合成研究;
步骤4、通过降尺度技术处理GCM模型的输出作为流域水文模型的输入,将分布式水文模型与GCM模型耦合,模拟预测未来气候情景下流域的径流过程;
步骤5、采用数理统计方法对未来气候情景下的径流过程进行可用性分析和处理,开展原始径流资料和未来径流系列数据的融合;
步骤6、建立多指标的调度规则评价体系;
步骤7、采用多指标的调度规则评价体系,评价分析气候变化下的不同类型调度规则对不同气候模式的适应性;
步骤8、构建基于贝叶斯理论的不确定性分析技术的水库群调度规则参数变化规律分析模型,分析不同情形下的参数变化规律,建立水库调度规则参数和径流的相关关系,进而分析评估调度规则参数对气候变化的适应性;
通过构建基于贝叶斯理论的水库群联合优化调度规则的合成模型,采用多种优化算法来确定各个水库调度规则在合成调度规则中的权重和方差,开展调度规则的合成研究,以贝叶斯模型平均方法为例,即通过对不同调度规则取不同的权重以得到更好的合成调度规则的数学方法,假设Q为调度规则的出库过程集合,即决策变量,D=[X,Y]是输入数据,其中X是K个调度规则决策值的模拟数据,Y是最优的模拟运行过程,f=[f1,f2,…,fk]是K个调度规则的集合,贝叶斯模型平均方法可用如下公式表示:
式中:p(fk|D)是第k个调度规则在给定优化调度D的情景下的后验概率fk,它是fk和最优调度过程Y的匹配相似度的反映,事实上,p(fk|D)是贝叶斯模型的权重wk;权重wk按调度结果的优劣划分,单个水库调度规则的调度结果越好,则在综合调度规则中所占权重愈大,且wk总大于零,其和为1;pk(Q|fk,D)是在给定优化调度D和概率fk的条件下,调度规则的出库过程集合Q的后验分布;
模型采用期望最大化算法或马尔科夫蒙特卡洛求解,进而确定合成调度规则中每个单个规则的权重与方差;以期望最大化算法为例,说明贝叶斯模型平均方法中单个规则权重与方差求解过程;主要步骤如下:
步骤3.1、条件的初始化,假定Ite=0
步骤3.2、计算初始似然函数值的大小,按下式(7)计算:
步骤3.3、计算隐藏变量:设Ite=Ite+1,计算式如(8)所示:
步骤3.4、计算各个调度规则的权重,按公式(9)计算:
步骤3.5、计算各个调度规则的误差,按公式(10)计算:
步骤3.6、计算对数似然值l(θ)(Ite),按公式(11)所示计算:
步骤3.7、检验计算结果收敛性,假设l(θ)(Ite)-l(θ)(Ite-1)不大于预先设定的误差标准,就停止计算,否则重新从步骤3.3开始下一轮的计算。
2.如权利要求1所述的一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于,所述步骤1的具体过程如下:
步骤1.1、确定水库群调度的优化目标:
当水库群面临多种目标时,建立确定性多目标优化调度模型,使得水库的综合效益最大化,优化的目标包括:①最大化水电站群***的总发电量;②水电站群的发电保证率最大;③下游遭遇洪水的风险最小;④生态流量满足率最大;⑤下游航运保证率最高;⑥供水保证率最高;
以发电、防洪和生态为例,确定水库群优化调度的目标函数,如下所示:
最大化水库群的总发电量:
式中:n为划分的调度时段数目;m为水库群中电站数目;Δt为调度期的时段长度;Pi,j为i时段j电站的出力;
水库群的发电保证率最大:
下游遭遇洪水的风险最小:
式中:Qsafe为下游防洪控制点的安全泄量;num(Qi,j≤Qsafe)表示各个时段中下泄流量小于等于安全泄量的次数;
生态流量满足率最大:
式中:Qeco为下游河道的最小生态流量;num(Qi,j≥Qeco)表示各个时段中下泄流量大于等于生态流量的次数;
步骤1.2、确定水库群调度的约束条件:
约束条件包括:①水量平衡约束;②库容约束;③水库出库流量约束;④上下游水库间水量平衡约束;⑤电站出力约束;⑥始末状态约束。
3.如权利要求1所述的一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于:所述步骤2中的多目标优化算法为NSGA-II、PSO或MODE算法;
以NSGA-II方法为例,采用NSGA-II方法求解多目标优化模型的主要步骤如下:
步骤2.1.1随机生成多组调度轨迹;
步骤2.1.2计算不同调度轨迹的适应度;
步骤2.1.3经过个体变异、交叉和选择,产生新的调度轨迹;
步骤2.1.4通过拥挤程度计算和快速非支配排序,保留精英;
步骤2.1.5判断是否满足算法的收敛条件,若满足则转向下一步,否则转向步骤2.1.2;
最终得到满足条件的非劣解集,进而得到不同的多目标水库群优化调度轨迹;非劣解集的挑选通过人工经验赋予不同目标不同的权重加权后决策;
所述步骤2中对优化调度运行轨迹进行拟合的方法,为线性规划方法或人工智能算法,得到显式和隐式的水库群优化调度规则;
以遗传规划方法为例,说明调度规则拟合的过程,主要步骤如下:
步骤2.2.1、确定个体的表达方式,包括F和T,F为函数集,T为终止符集,选择水库群中各水库的当前入流、库容和上一时段的入流、库容作为因变量,水库群的总出力作为决策变量,函数集选择“+,-,*,/,xy”;
步骤2.2.2、随机产生初始群体,即随机生成决策变量和因变量的函数关系;
步骤2.2.3、运行群体中的每一个个体,并赋予每个个体一个适应度;
步骤2.2.4、依据适应度随机选定个体和双亲,把当前群体复制成新的群体或者双亲个体随机选定的部位进行交换生成新的群体;
步骤2.2.5重复运行步骤2.2.3和步骤2.2.4,直到结果满足终止准则为止。
4.如权利要求1所述的一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于:
所述步骤4的具体过程为:将气象中心观测资料和统计降尺度方法,应用于全球气候模式GCM,首先实现对未来降水变化的预测分析,然后通过降尺度方法处理GCM的输出:降水和气温,作为分布式流域水文模型的输入,模拟预测未来气候情景下流域的径流过程;基于气象中心观测资料和统计降尺度方法的分布式流域水文模型与GCM模型耦合机制;
以NCEP观测资料和分布式水文模型VIC为例,进行VIC和GCM耦合说明,主要步骤如下:
步骤4.1、大尺度气候预报因子和统计降尺度方法的选择和率定;
步骤4.2、利用NCEP观测资料来检验降尺度方法,对预报因子标准化出力和主成分分析;
步骤4.3、应用预报因子的主分量,作为统计降尺度方法的输入,并利用实测资料对统计降尺度方法进行率定;
步骤4.4、把主成分方向和统计降尺度方法应用于GCM,产生未来降水变化情景;
步骤4.5、通过降尺度方法处理GCM的输出:降水和气温,作为流域水文模型VIC的输入,模拟预测未来气候情景下流域的径流过程。
5.如权利要求1所述的一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于:
所述步骤5的具体过程为:在数字流域基础上,选择合适的时间尺度,构建分布式流域水文模型,率定模型参数,分析未来气候变化和人类活动情景,将未来小尺度气候因子时空分布和流域下垫面组成情况输入到分布式流域水文模型,来预测未来水资源时空分布规律;首先选择多种全球气候模型在不同排放情景下的输出;然后将GCM输出的气象变量,选取合适的降尺度方法,降解到流域水文模型尺度,把多个气候模式的输出作为分布式流域水文模型的输入,用来驱动分布式流域水文模型,模拟流域未来气候情景下径流、蒸发的空间分布情况;
由于未来径流预测数据与过去的原始径流资料存在非一致,采用数理统计方法,开展原始径流资料和未来径流系列数据的融合。
7.如权利要求1所述的一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于:所述步骤7的具体过程为:通过步骤4和步骤5的计算,得到不同情景下的气候模型对应的未来径流过程,分别采用步骤2和步骤3中提取的多种调度规则进行模拟运行,使用步骤6中建立的多指标评价指标体系对各个规则的适应性进行评判,同样根据人工经验赋予不同目标不同权重,分析不同类型调度规则对不同气候模式的适应性程度。
8.如权利要求1所述的一种水库群调度规则型式和参数对气候变化的适应性研究方法,其特征在于:所述步骤8的具体过程为:将水库调度规则形式视为模型,调度规则参数视为参数,调度目标函数视为似然函数,采用基于贝叶斯理论的不确定性分析技术方法代替传统的优化方法,研究参数的后验概率分布,进而根据模拟调度进一步估计最优调度轨迹的区间分布,根据参数区间的分布大小,进而评估参数的适应性优劣;
以通用似然不确定性估计法为例进行计算说明,主要步骤如下:
步骤8.1、假设水库调度目标函数中参数的先验分布是均匀分布,通过随机模拟取样方法生成一定数目的可行参数组;
步骤8.2、输入资料,利用模拟模型,计算各参数组对应的似然函数值,选定最优调度目标函数值的α倍为阈值,α为0~1之间的随机数,对似然函数值低于该阈值的参数组,令其相应的似然函数值为0;对高于该阈值的参数组,按照似然函数值由高到低排序,设第i组参数对应的似然函数值为Fi,则它的权重为
步骤8.3、这些具有权重的参数组就是参数的后验分布,取其经验分布即可估计区间的分布;
根据上述步骤,分别采用原始径流系列和融合未来气候情景下径流系列作为模型的输入,分析不同情形下的参数区间变化规律,建立水库调度规则参数和径流的相关关系,进而可以分析评估调度规则参数对气候变化的适应性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981139.4A CN112184479B (zh) | 2020-09-17 | 2020-09-17 | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010981139.4A CN112184479B (zh) | 2020-09-17 | 2020-09-17 | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112184479A CN112184479A (zh) | 2021-01-05 |
CN112184479B true CN112184479B (zh) | 2021-08-17 |
Family
ID=73921576
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010981139.4A Active CN112184479B (zh) | 2020-09-17 | 2020-09-17 | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112184479B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819293B (zh) * | 2021-01-14 | 2023-01-06 | 中国长江三峡集团有限公司 | 气候变化影响下水库调度规则的失效预警分析方法 |
CN112884232A (zh) * | 2021-03-01 | 2021-06-01 | 北京师范大学 | 一种考虑丰、枯水期入流预报不确定性差异的水库生态调度方法 |
CN116739187B (zh) * | 2023-08-10 | 2024-01-09 | 长江三峡集团实业发展(北京)有限公司 | 水库优化调度决策方法、装置、计算机设备及存储介质 |
CN117332908B (zh) * | 2023-12-01 | 2024-02-13 | 长江水利委员会水文局 | 一种耦合集合预报的梯级水库多目标优化调度方法及*** |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462861A (zh) * | 2014-12-31 | 2015-03-25 | 武汉大学 | 一种基于水库调度规则合成的水库调度决策方法 |
CN105714729A (zh) * | 2016-02-29 | 2016-06-29 | 武汉大学 | 一种自适应气候变化的水库多变量设计洪水推求方法 |
CN106485346A (zh) * | 2016-09-18 | 2017-03-08 | 武汉大学 | 一种混联水库提前蓄水多目标优化调度方法 |
CN107330538A (zh) * | 2016-09-20 | 2017-11-07 | 武汉大学 | 一种气候变化条件下水库适应性调度规则编制的方法 |
CN107563538A (zh) * | 2017-07-13 | 2018-01-09 | 大连理工大学 | 大电网平台下的面向关键水位控制的多目标水库群调度优化方法 |
CN109118120A (zh) * | 2018-09-10 | 2019-01-01 | 武汉大学 | 考虑水库调度方案可持续性利用的多目标决策方法 |
CN110598290A (zh) * | 2019-08-30 | 2019-12-20 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和*** |
CN110851977A (zh) * | 2019-11-06 | 2020-02-28 | 武汉大学 | 基于生态流量的供水-发电-生态多目标调度图优化方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9811061B1 (en) * | 2001-05-18 | 2017-11-07 | The Energy Authority, Inc. | Method for management and optimization of hydropower generation and consumption |
CN103049671B (zh) * | 2013-01-21 | 2015-08-19 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
CN107527117A (zh) * | 2017-08-28 | 2017-12-29 | 武汉大学 | 基于d‑s证据理论的水库适应性调度方法 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及*** |
-
2020
- 2020-09-17 CN CN202010981139.4A patent/CN112184479B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462861A (zh) * | 2014-12-31 | 2015-03-25 | 武汉大学 | 一种基于水库调度规则合成的水库调度决策方法 |
CN105714729A (zh) * | 2016-02-29 | 2016-06-29 | 武汉大学 | 一种自适应气候变化的水库多变量设计洪水推求方法 |
CN106485346A (zh) * | 2016-09-18 | 2017-03-08 | 武汉大学 | 一种混联水库提前蓄水多目标优化调度方法 |
CN107330538A (zh) * | 2016-09-20 | 2017-11-07 | 武汉大学 | 一种气候变化条件下水库适应性调度规则编制的方法 |
CN107563538A (zh) * | 2017-07-13 | 2018-01-09 | 大连理工大学 | 大电网平台下的面向关键水位控制的多目标水库群调度优化方法 |
CN109118120A (zh) * | 2018-09-10 | 2019-01-01 | 武汉大学 | 考虑水库调度方案可持续性利用的多目标决策方法 |
CN110598290A (zh) * | 2019-08-30 | 2019-12-20 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和*** |
CN110851977A (zh) * | 2019-11-06 | 2020-02-28 | 武汉大学 | 基于生态流量的供水-发电-生态多目标调度图优化方法 |
Non-Patent Citations (4)
Title |
---|
"Optimal Pump Scheduling in an Open Reservoir Water-Treatment Incorporating Evaporation and Seepage Effect";P.B. Ngancha;《I2018 Open Innovations Conference (OI)》;20181005 * |
"多目标调度图对气候变化的自适应研究";周研来;《华中科技大学学报(自然科学版)》;20140225;第42卷(第2期);第6-10页 * |
"气候变化条件下的水库优化调度分析";王译彬;《中国优秀硕士学位论文全文数据库》;20200215;C037-127 * |
"考虑未来径流变化的丹江口水库多目标调度规则研究";杨光,郭生练,李立平;《水力发电学报》;20151225;第34卷(第12期);第54-63页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112184479A (zh) | 2021-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112184479B (zh) | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 | |
US11070056B1 (en) | Short-term interval prediction method for photovoltaic power output | |
Zhang et al. | Short-term optimal operation of wind-solar-hydro hybrid system considering uncertainties | |
Ming et al. | Hydropower reservoir reoperation to adapt to large-scale photovoltaic power generation | |
Quan et al. | A survey of computational intelligence techniques for wind power uncertainty quantification in smart grids | |
Hatamkhani et al. | A simulation–optimization models for multi-reservoir hydropower systems design at watershed scale | |
CN111555355B (zh) | 水光蓄联合发电的调度策略及其优化方法 | |
Pandya et al. | Multi-objective optimization framework for optimal power flow problem of hybrid power systems considering security constraints | |
Zhang et al. | A hybrid particle swarm optimization with small population size to solve the optimal short-term hydro-thermal unit commitment problem | |
Qi et al. | Optimal configuration of concentrating solar power in multienergy power systems with an improved variational autoencoder | |
Xu et al. | A modified water cycle algorithm for long-term multi-reservoir optimization | |
Yang et al. | DISTRIBUTED OPTIMAL DISPATCH OF VIRTUAL POWER PLANT BASED ON ELM TRANSFORMATION. | |
Abedi et al. | Rolling-horizon optimization integrated with recurrent neural network-driven forecasting for residential battery energy storage operations | |
CN104462861A (zh) | 一种基于水库调度规则合成的水库调度决策方法 | |
Zhou et al. | Deep learning-based rolling horizon unit commitment under hybrid uncertainties | |
Su et al. | An integrated, systematic data-driven supply-demand side management method for smart integrated energy systems | |
CN105809349A (zh) | 一种考虑来水相关性梯级水电站群的调度方法 | |
Wang et al. | Unified operation optimization model of integrated coal mine energy systems and its solutions based on autonomous intelligence | |
Tan et al. | Two-stage stochastic optimal operation model for hydropower station based on the approximate utility function of the carryover stage | |
Inteha et al. | A data driven approach for day ahead short term load forecasting | |
Soares et al. | Multi-objective robust optimization to solve energy scheduling in buildings under uncertainty | |
Souabi et al. | Data-driven prediction models of photovoltaic energy for smart grid applications | |
Toubeau et al. | Improved day-ahead predictions of load and renewable generation by optimally exploiting multi-scale dependencies | |
de Oliveira et al. | Optimisation modelling tools and solving techniques for integrated precinct-scale energy–water system planning | |
Gao et al. | Multi-objective optimal allocation of distributed generation considering the spatiotemporal correlation of wind-photovoltaic-load |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |