四种优化方法在水库优化调度中的运用

《四种优化方法在水库优化调度中的运用》由会员分享，可在线阅读，更多相关《四种优化方法在水库优化调度中的运用（5页珍藏版）》请在金锄头文库上搜索。

1、http:/ - 1 - 四种优化方法在水库优化调度中的运用四种优化方法在水库优化调度中的运用 田昆 河海大学水利水电工程学院，南京（210098） E-mail： 摘摘 要：要：本文用动态规划法、增量动态规划法、逐步优化算法和遗传算法四种优化算法，编 写 Visual Basic 程序，建立模型，研究单一水库的优化调度问题。通过实例计算，对四种方 法进行比较分析，结果正名逐步优化法和遗传算法收敛速度快，且能达到全局最优解。 关键词：关键词：水库调度；动态规划；增量；遗传算法 本文以整个调度期内发电量最大作为优化的目标函数， 建立单一水库确定性模型， 用动态规划、 离散微分动态规划、 逐步优化

2、算法和遗传算法四种方法分别编写 Visual Basic 程序，对同一实例进行计算，通过结果比较，表明逐步优化法(POA)和遗传算法(GA)收敛快，且能得到全局最优解，计算效果较好。 1. 动态规划（动态规划（DP） 动态规划是解决多阶段决策过程最优化的一种最优化方法。 它把比较复杂的问题划分成若干阶段，通过逐段求解，最终获得全局最优解。 本次计算中，调度期取一年，按月份划分调度时段，以调度时段 t(t=1,2,.T)作为阶段变量，库容tV作为状态变量，各时段发电用水量tQ作为决策变量，对应于一个阶段效应tN(tQ,tV)，引入罚函数，所以顺时序确定性动态规划模型为1： =TtttEEFWE1

3、)(max （1） 递推方程： )(),(max)(11+=tttttttVNVQNVN （2） 考虑以下约束条件：s.t=+TtNNNZZZQQQVVtQSttttttttttttt,.2 , 1)(max,min,max,min,max,min,1（3） 上式中tS为t时段水库的天然来水，tQ为t时段水库的发电流量；min, tZ，max, tZ分别为t时段的水库水位下限和水位上限；min, tQ，max, tQ分别为水轮机的最小和最大过水约束；min, tN，max, tN分别为t时段水轮机的最小技术出力和最大预想出力。)(ttVN为从时段t到第一时段的最优发电量；),(tttVQN为面

4、临时段t在时段初水库蓄水量为初水库蓄水量为tV和该时段发电用水量为tQ的发电量；)(11ttVN为余留期（从t-1 时段到第一时段）最优发电量。 2. 增量动态规划（增量动态规划（IDP） 增量动态规划是动态规划的一种改进方法，使用逐次逼近的方法（迭代法）寻优，每次http:/ - 2 - 寻优旨在某个状态序列附近的小范围，用动态规划法进行，比动态规划减少很多的计算量。具体步骤： 步骤 1：选择一组初始调度线，它满足水位约束及设定的各库始、终库水位。 步骤 2：再在其上下方各取n个设定的水位差dz作为廊道。 步骤 3：然后再根据动态规划方法进行依次顺推计算，即可求出第一次改善的新的调度线和决策

5、序列。 步骤 4：在上述基础上再进行第二步迭代，即在新的状态序列上下再变动一个增量打造dz,并进行优选。这样逐次进行迭代，直至逼近最优决策序列和最优状态序列，满足精度要求为止。 3. 逐步优化算法（逐步优化算法（POA） 逐步优化算法是 1975 年由加拿大学者 H.R.Howson 和 N.G.F.Sancho 提出，用于求解多状态动态规划问题，能有效克服 DP 的“维数灾问题”。作者根据别尔曼最优化原理的思想，提出逐步优化理论，即“最优线路具有这样的性质，每对决策集合相对于它的初始值和终止值来说是最优的”。具体步骤： 步骤 1：在水库水位允许范围内给定一组初始调度线tZ (Tt,.2 ,

6、1=)。 步骤 2： 从起始时刻开始， 固定2,+ttZZ两个值， 调整水位1+tZ， 使得目标函数在t到2+t时刻达到最优，得到新的* 1+tZ，用新的* 1+tZ代替1+tZ。(Tt,.2 , 1=)同理向右滑动，如此进行循环迭代，直到得到一组新的轨迹。 步骤 3:用新的一轮轨迹代替旧轨迹，重复步骤 2，判断是否* ttZZ。如果满足，转步骤 4；否则，用新轨迹代替旧的轨迹，重复步骤 3。 步骤 4：新一轮计算出来的轨迹即为最优轨迹，迭代结束。 4. 遗传算法遗传算法(GA) 遗传算法【3】是 80 年代出现的新型优化算法， 近年来迅速发展。 它的原理基于自然选择和遗传机制,在计算机上模拟

7、生物进化机制的寻优方法.它把搜索空间(欲求解问题的解空间)映射为遗传空间,把每一个可能的解编码为一个向量(二进制或十进制数字串),称为一个染色体(或个体),所有染色体组成群体(群体中染色体个数用 POP 表示)，通过选择、杂交和变异等核心操作，实现“优胜劣汰”。具体步骤： （1）个体编码。本次计算选用库水位tZ作为决策变量，进行二进制编码。经过编码，所有变量由固定长度的二进制符号串来表示，其等位基因由二值符号集(0,1)组成。 （2）初始群体产生。经过编码和解码，在tZ的变化区间(max,min,ttZZ),max,min,ttZZ分别为时段水位允许的最小值和最大值，随机生成pop组水位变化序

8、列),.,(11 21 1TZZZ, ),.,(22 22 1TZZZ,.),.,(21POP TPOPPOPZZZ。本次计算中pop取值 1000。 （3）适应度计算。计算个体的适应度大小，从而评定各个个体的优劣程度，决定其遗传机会的大小 。 （4）选择计算。又称复制计算，是遗传算法的一个重要算子，它模拟了生物进化过程中的自然选择规律，一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。 http:/ - 3 - （5） 交叉计算。 被估参数的父代个体的杂交， 即将第 4 步得到的两组父代个体两两配对。其次随机设置交叉点位置， 最后再相互交换配对染色体之间的部分基因。 它模拟了生物的遗

9、传规律，也是遗传算法的一个重要算子。如表 1： 表 1 交叉算子 个体编号 选择结果 配对情况 交叉点位 交叉结果 1 011101 011001 2 111001 1-2 1-2：2 111101 （6）变异运算。它模拟生物进化过程中的随机变异现象，可有效避免种群发生早熟（解陷入局部极优） 。首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处；然后依照某一概率将变异点的原有基因值取反。如表 2： 表 2 变异算子 个体编号 交叉结果 变异点 变异结果 子代群体 1 011001 4 011101 011001 2 111101 5 1111

10、11 111101 （7）进化迭代。这 n 个子代个体作为新的父代，进入下一轮进化，重新评价、选种、杂交、变异，使得被估参数的个体适应能力不断提高，直到满足精度要求计算停止。 5. 实例计算结果实例计算结果 计算已知某水电站水库的水位-库容曲线，下游水位-下泄流量关系曲线，丰水年来水过程线。水库正常蓄水位为 173m,死水位为 146m,汛限水位为 165m,水轮机出力系数为 8.5，保证出力为 8.8 万 kw,装机容量为 60 万 kw,汛期从 6 月到 9 月，调度期为一年，计算中假设从一月初水位为调度初始水位， 12 月末为调度末水位,分别固定始末水位为 155m。 选取整个调度期内发

11、电量最大作为优化的目标函数。本次计算分别编写了 DP、POA、IDP、和 GA 的Visual Basic 程序，计算结果分别如下表 4 至 7 和图 1：计算单位分别为时序(月)、水位(m)、来水(m3/s)、发电流量(m3/s)、出力(万 kw)、发电量(亿度)。 表 3 来水序列 时序 1 2 3 4 5 6 7 8 9 10 11 12 库区来水 132 135.6 322.9 452 683.1892.9300.8332.9270.2 165.4 124 95.4 表 4 DP 计算最优结果（状态离散点 k=50） 时序 1 2 3 4 5 6 7 8 9 10 11 12 13 水

12、位 155 156 156 168 166 159 165 165 165 173 173 173 155 发电流量 125 127 120 503 793 797 301 333 110 165 124 407 出力 8.98 9.17 9.36 40.26 60 60 23.6826.179.19 14.24 10.72 31.98发电量 0.66 0.67 0.68 2.94 4.38 4.38 1.73 1.91 0.67 1.04 0.78 2.33 22.17http:/ - 4 - 表 5 IDP 计算最优结果(dz=0.01m) 时序 1 2 3 4 5 6 7 8 9 10

13、11 12 13 水位 155 156 156 169 166 160 165 165 165 173 173 170 155 发电流量 123 133 113 506 792 795 301 333 113 167 183 348 出力 8.81 9.57 8.84 40.53 60 60 23.7626.269.46 14.36 15.56 26.97发电量 0.64 0.7 0.65 2.96 4.38 4.38 1.73 1.92 0.69 1.05 1.14 1.97 22.21 表 6 POA 计算最优结果 时序 1 2 3 4 5 6 7 8 9 10 11 12 13 水位 1

14、55 156 156 169 166 159 165 165 165 173 173 173 155 发电流量 125 123 116 511 767 794 301 333 107 165 124 415 出力 8.95 8.83 8.41 41.73 60 57.9823.7526.258.55 14.29 10.75 35.47发电量 0.65 0.64 0.61 3.05 4.38 4.23 1.73 1.92 0.62 1.04 0.79 2.59 22.25 表 7 GA 计算最优结果 (pop=1000，迭代 100 代) 时序 1 2 3 4 5 6 7 8 9 10 11 1

15、2 13 水位 155 156 157 169 166 160 165 165 165 173 173 173 155 发电流量 123 121 112 519 792 795 301 333 107 165 124 415 出力 8.8 8.81 8.81 41.71 60 60 23.7526.258.96 14.29 10.75 32.71发电量 0.64 0.64 0.64 3.05 4.38 4.38 1.73 1.92 0.65 1.04 0.79 2.39 22.25 水位(米)15516016517017512345678910 11 12 13时间(月)DP IDP GA POA图 1 计算结果对比图 6. 结果分析结果分析 本次计算结果 POA 法和 GA 法得到结果最优，而且收敛速度较快。 (1) DP 法因为是在全部可行域中求解，因此能够得到整个可行域的全局最优解。这次计算中，由于状态离散的数目不大，所以计算的精度偏小。增大网格的离散度能够提高计算结果的精度，但是会使得计算工作量增大，增大计算难度。(2)IDP 法，把计算工作量减少到 DP 的几十分之一甚至更低，计算速度很快，且计算精度较 DP 法高。但是这种方法是在局部可行域进行迭代，有时候计算结果可能收敛到某一局部最优解。