买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：水利部水利水电规划设计总院

摘要：本发明公开了一种考虑多重不确定性的风光水电系统短期调度方法及系统，收集风光水电站数据，计算风速预报误差和太阳辐射预报误差，得到预报改进样本，构建风速情景树和太阳辐射情景树，计算得到风光出力预报；构建基于分区控制的流域级风光水电系统短期效益与风险协同的风光水电短期调度模型；基于多算子自适应的改进NSGA‑Ⅲ算法和基于约束重构的改进NSGA‑Ⅲ算法对风光水电短期调度模型求解，分别得到风光水电短期调度方案的非劣解集并取并集采用ANP‑SMAA‑VIKOR模型对非劣解集决策，选出最优解作为最终的风光水电短期调度方案。本发明能够解决预报精度不高、模型考虑不足和求解效率低的问题。

主权项：1.考虑多重不确定性的风光水电系统短期调度方法，其特征在于，包括如下步骤：步骤S1、收集风光水电站数据，计算风速预报误差和太阳辐射预报误差，得到预报改进样本，构建风速情景树和太阳辐射情景树，计算得到风光出力预报；步骤S2、构建基于分区控制的流域级风光水电系统短期效益与风险协同的风光水电短期调度模型；步骤S3、分别基于多算子自适应和约束重构对NSGA-Ⅲ算法优化改进，得到基于多算子自适应的改进NSGA-Ⅲ算法和基于约束重构的改进NSGA-Ⅲ算法；步骤S4、分别采用基于多算子自适应的改进NSGA-Ⅲ算法和基于约束重构的改进NSGA-Ⅲ算法对风光水电短期调度模型求解，分别得到风光水电短期调度方案的非劣解集并取并集，采用ANP-SMAA-VIKOR模型对非劣解集决策，选出最优解作为最终的风光水电短期调度方案；所述步骤S1进一步为：步骤S11、收集风光水电站数据，包括：风速预报、太阳辐射预报、风光水电站特征参数、特征曲线信息和短期径流集合预报；步骤S12、提取风速预报值、太阳辐射预报值并收集真实风速数据、太阳辐射数据，计算得到风速预报误差、太阳辐射预报误差，基于风速预报误差、太阳辐射预报误差分别计算得到风速预报改进值、太阳辐射预报改进值；步骤S13、将风速预报改进值、太阳辐射预报改进值输入预构建的预报演进的通用鞅模型，得到风速情景树、太阳辐射情景树；步骤S14、采用方差对风速、太阳辐射情景树计算，得到风光出力的最大值和最小值，即带不确定区间的风光出力预报；所述步骤S13进一步为：步骤S13a、构建预报演进的通用鞅模型；步骤S13b、构建风速预报改进值的累积分布函数、太阳辐射预报改进值的累积分布函数并给出它们的协方差矩阵和反函数；步骤S13c、采用Cholesky法将风速预报改进值、太阳辐射预报改进值的协方差矩阵分解并对其进行矩阵变换，得到新的无偏、正态分布样本；步骤S13d、将得到的新的无偏、正态分布样本转化为有偏、非正态分布的预报改进样本，基于情景树理论，得到风速情景树、太阳辐射情景树；所述步骤S2进一步为：步骤S21、构建目标函数，包括：水电提供一定出力时耗水量最小和风光水联合出力不足的风险最小；步骤S22、构建约束条件，包括：水库水量平衡约束、水库水位约束、出库流量约束、水电站出力约束和负荷约束；步骤S31、采用拉丁超立方抽样、差分进化算子、粒子群算子、遗传自适应策略和全球信息共享策略对NSGA-Ⅲ算法进行优化改进，得到基于多算子自适应的改进NSGA-Ⅲ算法；步骤S32、采用动态可行域建立对NSGA-Ⅲ算法进行优化改进，得到基于约束重构的改进NSGA-Ⅲ算法；粒子群算子的过程为；定义个体数量为N；定义每个搜索算子的繁殖率一致，即每个搜索算子在第一次迭代时均可产生三分之一个N的子代个体；将合并后的父代与子代个体进行快速非支配排序，将优势种群作为下一代的父代；每个搜索算子根据上一代的繁殖率来确定每个搜索算子允许产生的个体数量；所述步骤S31进一步为：步骤S31a、在M维目标空间内定义一个M-1维标准化的超平面，M为大于3的正整数，基于M-1维超平面生成一组均匀分布的参考点；步骤S31b、在决策变量空间内采用拉丁超立方抽样方法生成初始种群，并将初始种群分成分别隶属于遗传算子、差分进化算子和粒子群算子的初始总群，计算其适应度函数值，将进化代数设置为0；步骤S31c、从父代种群中随机选取个体使用遗传操作生成子代个体，并计算适应度函数值，并保持三类算子生成后代的比例一致；步骤S31d、合并父代种群和子代种群得到新的种群，计算新种群的适应度函数，对新种群进行非支配排序，将排序值优的个体作为下一代的父代，并计算各个算子的繁殖率；所述步骤S4进一步为：步骤S41、将风光水电站特征参数、特征曲线信息、短期径流集合预报和风光出力预报输入风光水电短期调度模型，分别采用基于多算子自适应的改进NSGA-Ⅲ算法和基于约束重构的改进NSGA-Ⅲ算法求解，得到第一非劣解集和第二非劣解集并取并集，即为总非劣解集；步骤S42、将总非劣解集输入ANP-SMAA-VIKOR模型进行决策，得到的最优解即为最终的风光水电短期调度方案；所述步骤S42进一步为：步骤S42a、将总非劣解集中的每个方案的决策矩阵进行标准化，得到标准化决策矩阵；步骤S42b、使用ANP模型确定可行权重空间的分布，并基于其概率密度函数进行拉丁超立方抽样，基于SMAA-VIKOR模型计算各个方案的VIKOR指数和Q值，并计算该方案集的可接受性指标、全局可接受性指标和中心权重向量指标的可行权重，评估每个方案的排名；步骤S42c、多次迭代直至满足迭代次数，基于迭代过程中各个方案的排名计算可接受性指标、全局可接受性指标和中心权重向量指标的排序，选出最优结果对应的调度方案作为最终的风光水电短期调度方案；其中，确定权重空间过程为：构建ANP网络结构，包括目标层和准则层；进行成对比较，得到判断矩阵；计算特征向量，得到权重向量；使用拉丁超立方抽样方法，生成N组可行权重向量；排名计算的过程具体为：对每组权重，计算各方案的VIKOR指数，包括S、R和Q值，根据Q值对方案进行排序；记录每个方案在各次迭代中的排名；计算指标并选择最优方案的过程具体为：可接受性指标：计算每个方案排名第一的次数占总迭代次数的比例；全局可接受性指标：计算每个方案排名在前10%的次数占总迭代次数的比例；中心权重向量：计算使得每个方案排名第一的权重向量的平均值；根据这些指标，选择综合表现最好的方案作为最终的调度方案。

全文数据：

权利要求：

百度查询： 水利部水利水电规划设计总院 考虑多重不确定性的风光水电系统短期调度方法及系统