[发明专利]基于多目标优化算法的梯级水库群调度模型的求解方法

说明书

本发明属于梯级水库群多目标优化调度模型求解技术领域，公开了一种基于多目标优化算法的梯级水库群调度模型的求解方法，首先收集梯级水库群的电站基本资料和水文资料；其次根据具体需求建立调度目标并添加调度约束条件；然后以调度期内各时刻的水位为决策变量，采用基于R支配的改进飞蛾扑火多目标优化算法(R‑NSIMFO)对建立的梯级水库群调度模型进行求解；最后根据求解结果得到相应的调度方案集。本发明的求解方法从进化算法和多目标机制两个方面进行改进，有能力获得收敛性和分布性均较优的非劣调度方案集，对实现整个梯级水库群综合效益最大化具有至关重要的作用。

技术领域

本发明属于梯级水库群多目标优化调度模型求解技术领域，尤其涉及一种基于多目标优化算法的梯级水库群调度模型的求解方法。

背景技术

目前，业内常用的现有技术是这样的：

梯级水库群多目标联合调度的研究对水资源优化配置和水电能源高效利用具有重要意义。而梯级水库群多目标优化调度模型是一个多目标、多约束和多决策变量的优化问题，其求解非常复杂。早期用于求解水库调度模型的方法主要是动态规划、线性规划、非线性规划和随机动态规划等方法。当决策变量数目很多时，这些方法会面临巨大的“维数灾”问题，不适合用于梯级水库群调度模型的求解。早期用于求解多目标优化问题的机制主要是权重法和约束法变多目标问题为单目标问题来求解，这类求解机制一次只能得到一个解，求解效率低下。近二十年来，基于Pareto支配的多目标进化算法(MOEAs)因能同时解决“维数灾”问题和求解效率低下的问题而被广泛用于梯级水库群多目标优化调度模型的求解。

多目标进化算法求解梯级水库群多目标优化调度模型时一次求解能够得到一组解集，评价一个多目标算法是否更适合求解某个特定的多目标优化问题需要从这组解集的收敛性和分布性两个方面进行考量。因此得到一个新的多目标进化算法，使其求解梯级水库群多目标优化调度模型时能够得到收敛性和分布性均较优的调度方案集是本发明的创新点和目的。多目标进化算法指的是一类算法，这类算法可以被划分为进化算法和多目标机制两个方面来考虑。一个多目标进化算法的收敛性主要和其采用的进化算法种类有关，一个多目标进化算法的分布性主要和其采用的多目标机制有关。常用的进化算法有遗传算法(GA)、差分进化算法(DE)和粒子群算法(PSO)等。2015年才被提出来的飞蛾扑火优化算法(MFO)因其收敛速度快而逐渐受到广泛关注，但是有文献表明运用MFO到实际问题中时存在易于陷入局部最优而早熟的问题。因此如何改进MFO使得其既能保留收敛速度快的优点又能克服易于早熟的缺点是本发明的重点之一。常用的多目标机制有拥挤距离维持的非支配排序方法(NSGAⅡ)、分解机制(MOEA/D)、参考点机制(NSGAⅢ)和评价指标机制(MOPSOhv)等机制。当目标数目增多时，非支配排序方法会面临巨大的选择压力因为越来越多的个体会变成互不支配的情形，这使得非支配排序方法在解决很多目标问题(3个目标以上)时获得的解集分布性很差。而参考点是一组在归一化后的目标空间中均匀分布的一组散点，具有很好的分布性。如何结合非支配排序方法和参考点以获得一个分布性很好的多目标机制也是本发明的重点之一。

综上所述，现有技术存在的问题是：

梯级水库群调度问题是一种多目标多约束多水库的优化问题，求解这个问题的难点在于寻找到一组收敛性和分布性均较优的调度方案集。而寻优的关键在于采用的多目标优化算法，目前用于求解梯级水库群多目标优化调度问题的算法存在易于早熟或分布性差的问题。

早期用于求解水库调度模型的动态规划、线性规划、非线性规划和随机动态规划等方法在决策变量数目很多时会面临巨大的“维数灾”问题，因此不适合用于梯级水库群优化调度模型的求解。

早期用于求解多目标优化问题的权重法和约束法机制一次求解只能得到一个解，求解效率低下，因此不适合用于梯级水库群目标很多的调度模型的求解。