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:大连理工大学
摘要:本发明公开一种基于微粒子群算法的相邻水电站运行参数及历史序列数据反推方法。在梯级水电站上下游不匹配的问题背景下,首先,依据自身观测数据与公开数据建立推断模型;其次,进行基于工程经验的参数确定及模型重构;最后,针对重构的推断模型特性,采用具有重启动功能的微粒子群算法求解重构后的推断模型。本发明能够高效准确地对相邻上游电站的运行参数及历史序列数据进行推断,求解方法能够通过重启动策略避免启发式算法的“早熟”现象,结果满足工程领域的实用性与准确性要求。本发明可为处于下游的水电站缓解上游的信息不确定性,提高下游电站发电生产计划的可行性,也可为我国电力市场改革及实现“双碳”目标提供技术借鉴。
主权项:1.一种基于微粒子群算法的相邻水电站运行参数及历史序列数据反推方法,其特征在于,所述的基于微粒子群算法的相邻水电站运行参数及历史序列数据反推方法的应用范围为由三座水电站组成的梯级水电发电系统,根据其空间分布,从上游到下游分别称为首位电站、中位电站、末位电站,其中,首位电站与末位电站隶属于同一产权主体,中位电站隶属于另一产权主体;中位电站是末位电站的相邻上游电站,故亦称为末位电站要推断的目标电站,简称“目标电站”;所述的基于微粒子群算法的相邻水电站运行参数及历史序列数据反推方法具体步骤如下:步骤1:依据自身观测数据与公开数据建立推断模型;所述的推断模型是指推断上游相邻水电站运行参数及其历史序列数据的逆优化双层模型;所述的逆优化双层模型中,上层模型以发电量序列偏差最小为目标函数,负责对目标电站的运行参数及历史序列数据进行寻优和迭代;下层模型以目标电站的实际调度过程为背景,以发电量最大为目标函数,基于上层模型传入的参数,模拟目标电站的物理发电行为,并将调度结果返回给上层模型,作为上层模型下一步寻优和迭代的依据;如式1~式14所示,式1~式14为一个整体,共同组成了所述的推断模型;其中,上层模型的目标函数为式1,约束条件为式2及整个下层模型;下层模型的目标函数为式3,约束条件为式4~式14; 1s.t.2 3s.t.4 5 6 7 8 9 10 11 12 13 14其中,参数的下标“up”、“dn”分别指代首位电站、末位电站;若无下标“up”或“dn”,则参数为目标电站的相关参数;为所有时段的集合,为某一个时段;为实数集;为目标电站时段的实际发电量;为目标电站时段的模拟发电量;为目标电站时段的发电流量;为耗水率的倒数;为一个时段所对应的时长;为目标电站时段的库容;和分别为目标电站在时段的入库流量和下泄流量;为目标电站时段的弃水流量;为目标电站的水位—库容关系曲线,为目标电站的尾水位—泄量关系曲线,为目标电站的耗水率倒数—水头关系曲线,、、三条曲线均用一次函数进行拟合,分别为各曲线对应的斜率和截距;分别为目标电站时段的坝上水位、尾水位、净水头;为目标电站的水头损失;分别为目标电站库容上下限;为目标电站装机容量;为首位电站的下泄流量;为时段首位电站与目标电站间的天然径流;为时段末位电站的入库流量;为时段目标电站与末位电站间的天然径流;为时段首位电站与末位电站间的天然径流总和;对于下层模型而言,这7个参数由上层模型进行赋值;步骤2:基于工程经验的参数确定及推断模型重构;步骤1中所建推断模型因存在大量函数和变量而只有概念意义,无法直接应用,故步骤2将利用工程经验对参数确定取值方式,进而将步骤1中推断模型转化为可求解的形式,包含如下3个步骤:步骤2.1:确定天然径流在梯级上下游之间的分配方式;相邻梯级水电站处于同一水文环境下,根据工程经验,天然径流在三座水电站间的分配量与各电站控制的流域面积成正比,故对步骤1中所建立的推断模型添加两个关系式,表示为式15、式16; 15 16式中:分别为首位电站、目标电站、末位电站所控制的流域面积;步骤2.2:弃水参数的确定;根据工程经验,电站安排发电计划时不会主动弃水,只有在极端情况下才会被迫弃水,考虑到下层模型模拟的是目标电站的主动发电行为,因此式6中;步骤2.3:重构推断模型;联立式5~式10、式12~式16,并代入式4中得到式17; 17进一步,令: 18则将式17等价转化为式19; 19此时,所有待推断的参数都统一归集到式19中;进一步,将步骤1中所建立的推断模型重构为式20~式25,式20~式25为一个整体,共同表示重构后的推断模型,式25与式19相同;重构后的推断模型依然为一个逆优化双层模型,其中,上层模型的目标函数为式20,约束为式21及整个下层模型;下层模型的目标函数为式22,约束为式23~式25; 20s.t.21 22s.t.23 24 25步骤3:采用具有重启动功能的微粒子群算法求解重构后的推断模型;步骤3.1:初始化种群:设置微粒子群算法的粒子数量为M,最大循环次数为D;生成M个粒子,每个粒子包含位置和速度两个属性,初始位置和速度均在定义域内随机生成;步骤3.2:计算每个粒子的适应度:根据上层模型目标函数式20计算每个粒子适应度;步骤3.3:更新全局最优和个体最优:将当前所有粒子的适应度值分别与当前的全局最优适应度值、历史上的个体最优适应度值进行比较,分别更新全局最优值和个体最优值;步骤3.4:更新每个粒子的速度和位置:对每个粒子均通过记忆项、自身认知项和群体认知项更新速度与位置;步骤3.5:对种群收敛程度进行评估:每迭代一次之后,具有重启动功能的微粒子群算法即对种群收敛程度进行评估,若收敛程度未超过阈值,则不对种群进行任何操作;若收敛程度超过阈值,表示算法已经陷入局部最优,此时,对种群重新生成;使用新生成粒子种群代替原有粒子种群,但保留原有粒子种群的所有记忆;步骤3.6:重复步骤3.2到步骤3.5,直至迭代次数达到D或满足精度要求为止。
全文数据:
权利要求:
百度查询: 大连理工大学 一种基于微粒子群算法的相邻水电站运行参数及历史序列数据反推方法
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。