[发明专利]梯级水电站群优化调度逐阶段反向学习降维优化方法

说明书

本发明涉及水资源高效利用与水电优化调度技术领域，公开了一种梯级水电站群优化调度逐阶段反向学习降维优化方法，首先计算得到各水电站的初始调度状态过程和离散步长；然后对于计算的各个阶段，逐阶段在初始状态组合的上下两侧，随机生成上侧、下侧的离散状态数目并加以组合形成廊道，以廊道上下边界为基础，计算初始状态的反向状态组合进行迭代寻优，以获得改进的调度过程；重复上述过程直至所有阶段计算完毕；最后收缩离散步长，反复迭代直至收敛，从而逼近全局最优解，输出最优调度过程。本发明梯级水电站群优化调度逐阶段反向学习降维优化方法，有效降低计算复杂度，大幅提升计算效率，适用于大规模梯级水电站群优化调度。

技术领域

本发明涉及水资源高效利用与水电优化调度技术领域，具体涉及一种梯级水电站群优化调度逐阶段反向学习降维优化方法。

背景技术

近年来，随着我国水利水电事业的飞速迅猛发展和快速有序推进，水电站规模日益增加，特别是在金沙江、雅砻江、乌江等特大流域水电基地，形成世界上前所未有的超大规模水电系统。梯级水电站群优化调度具有显著的社会、经济和生态等方面的综合效益，不仅可有效促进流域水能资源的高效利用，还可提高水电站群的调度管理水平和保证电网系统的安全稳定可靠运行。然而，水电站数目的日益增加和系统规模的逐步壮大，直接导致优化调度过程中计算时间和占用内存呈指数增长，问题的复杂性与求解方法的局限性之间的矛盾凸显，维数灾难题已成为水电站群优化调度必定面临的科学难题，直接关系到我国清洁电力供给和能源有效利用。

梯级水电站群存在复杂的水文、水力和电力联系，包含了水位、库容、流量、出力等众多约束条件，水库站群优化调度是一个具有大规模、高维度、多阶段、强约束、非线性的复杂耦合最优控制问题，行之有效的高效求解面临较大的技术瓶颈。

传统方法应用于梯级水电站群联合优化调度问题时，随着电站数目和离散数目增加，面临严峻的维数灾问题。

从数学上看，水电站群优化调度问题是一个大规模、高维度、多阶段、强约束、非线性的优化问题。针对此问题，国内外研究人员相继提出了线性规划、非线性规划、动态规划(DP)、离散微分动态规划(DDDP)、逐步优化(POA)、进化算法等多种方法。虽然这些方法在水电站群优化调度领域得到广泛应用，但在处理大规模水电站群优化调度问题时仍然存在早熟收敛、计算开销大、维数灾等缺陷。因此，亟待开发一些新型有效的优化方法，实现占用内存和计算耗时的同步降低，有效缓解维数灾问题，来确保大规模水电系统联合调度的计算效率与求解精度。

反向学习是近年来计算智能领域提出的一种新技术，其核心思路是同时评估当前状态及其反向状态，择优使用，从而加速搜索进程。

发明内容

本发明的目的就是针对上述技术的不足，提供一种梯级水电站群优化调度逐阶段反向学习降维优化方法，将高维水电优化调度问题转换为相对简单的低维优化子问题，避免各电站各阶段离散状态之间的全面组合，具有快速的求解效率和计算精度。

为实现上述目的，本发明所设计的梯级水电站群优化调度逐阶段反向学习降维优化方法，包括如下步骤：

1)确定初始计算条件，包括梯级水电站群优化调度的目标函数、约束条件和决策变量；

2)设定计算参数，包括最大迭代次数M、阶段总数T、最大反向学习次数F和收敛精度ε；

3)根据常规动态规划方法或人工经验决策，设定各个水电站的初始试验轨迹并计算获取各水电站初始离散步长Δ＝(Δ_i,j)_N×T，其中，表示水电站i在阶段j的初始状态，Δ_i,j表示水电站i在阶段j的初始离散步长，表示水电站i在阶段j的水位上限，Z_i,j表示水电站i在阶段j的水位下限，N为水电站数目，T为水电站调度期阶段数目，K为初始离散数目；

4)置迭代次数m＝1；

5)置阶段j＝1；