[发明专利]基于机器学习的两阶段水库发电优化调度方法及装置

说明书

本发明提供基于机器学习的两阶段水库发电优化调度方法及装置，方法包括：步骤1.构建水库确定性长系列发电优化调度模型；步骤2.采用确定性动态规划算法将逆序求解确定性发电优化调度模型转换为面临阶段和余留阶段两阶段子问题求解，获得各时段初不同库容状态点对应余留效益；步骤3.计算各时间节点各库容状态对应净余留效益，结合可用信息因子构建净余留效益函数样本集；步骤4.基于净余留效益函数样本集，学习净余留效益函数；步骤5.以习得的净余留效益函数为基础，构建两阶段发电优化调度实时决策模型并求解；步骤6.滚动更新并求解上述实时决策模型，得到包含下一时段最优末库容的决策数据，基于该决策数据进行下一时段的发电调度。

技术领域

本发明属于水库发电优化调度技术领域，具体涉及基于机器学习的两阶段水库发电优化调度方法及装置。

背景技术

水库中长期发电优化调度是提高水电能源利用率的重要技术手段，其核心是在保证水电生产安全运行的前提下，对天然状态下水能资源时空特征进行合理整合分配，以满足各方面需求的同时提高系统发电量，以实现水能资源的高效利用。新时期碳中和背景下，水电不仅是清洁能源重要组成部分，同时也是协助配合风、光等波动性清洁能源入网的重要补偿电源，做好水库中长期发电优化调度具有重要现实意义。

现阶段水库中长期发电优化调度实践中，实时决策的制定大致分为两种模式：基于隐随机调度的调度函数模式和基于长期径流预测的模拟优化模式。基于隐随机调度的调度函数模式是将当前阶段的调度决策看作当前可用信息的函数，并通过回归分析或模拟优化的方式获得调度函数。在实时调度决策时，根据当前的可用信息，根据调度函数关系可获得当前阶段决策。基于长期径流预测的模拟优化模式，是将对当前时段决策影响较小或末水位容易确定时间节点(往往为年末)作为调度期末，并以此较长时期的预测径流作为输入，采用动态规划等优化方法求解此调度期内的最优水位或库容过程，取当前时段的最优水位或库容作为当前时段的调度决策。

对于调度函数模式，由于水库系统理论最优调度函数是一个时变、非线性、高维且复杂度随着水电系统增大而急剧增大的未知函数，在制定时需先拟定合理的函数形式，不恰当的调度函数无法给出合适的调度决策，在实践中使用较少，或仅将其作为一种参考。基于长期径流预测的模拟优化模式，由于长期径流预测不确定性极大，不仅不能较好的表征后期的来水情况，同时也会引入新的调度风险。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供基于机器学习的两阶段水库发电优化调度方法及装置，能够获得适用于水库发电调度的高质量调度决策数据。

本发明为了实现上述目的，采用了以下方案：

方法

本发明提供基于机器学习的两阶段水库发电优化调度方法，其特征在于，包括以下步骤：

步骤1.构建水库确定性长系列发电优化调度模型；

步骤2.以长系列历史入流为输入，采用确定性动态规划算法将逆序求解确定性发电优化调度模型转换为一系列面临阶段和余留阶段两阶段子问题求解，获得各时段初不同库容状态点对应余留效益；

设第t时段为面临阶段，面临阶段效益值为面临效益，t+1～T时段为余留阶段，余留阶段最优总效益值为余留效益；分别选取时段初、末库容V_t和V_t+1为状态变量和决策变量，以水量平衡约束为状态转移方程，确定性动态规划递推方程为：

E^*(V_t)＝max[g(V_t，V_t+1，I_t)+E^*(V_t+1)]，