一种梯级水库群联合调度的多目标优化方法和系统技术方案

本发明专利技术公开了一种梯级水库群联合调度的多目标优化方法和系统，包括：以发电量最大和生态缺水量最小构建多目标调度模型，将水位作为个体，随机生成包含m个个体的初始种群，在迭代过程中，通过比较前后两次迭代种群中各个个体对应的子目标的适应度值更新各子目标的最大值和最小值；利用各子目标的最大值和最小值计算各子目标的相对优属度，利用各子目标的相对优属度将梯级水库群的多目标调度模型转换为单目标函数，利用单目标函数更新个体极值和全局极值；当迭代次数达到最大迭代次数时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。本发明专利技术调度目标丰富、模型求解准效率高。

A Multi-objective Optimization Method and System for Joint Dispatching of Cascade Reservoirs

【技术实现步骤摘要】
一种梯级水库群联合调度的多目标优化方法和系统
本专利技术属于水资源高效利用与水库群优化调度
，更具体地，涉及一种梯级水库群联合调度的多目标优化方法和系统。
技术介绍
近些年来我国水电事业高速发展，越来越多的水电站不断被开发利用，特别是以西南地区的乌江、澜沧江、大渡河、红水河等为代表的特大流域水电基地陆续投产运行，在提高人类对水资源的开发利用程度的同时，也对所在流域的自然景观、区域气候、生态环境造成了不同程度的影响。现行的梯级水库群调度理念仅仅强调了水资源利用带来的社会效益和经济效益，如防洪、发电、航运等，忽略了水库调节对天然径流的改变所造成的流域生态环境的改变。因此，基于生态调度的梯级水库群多目标优化调度已成为当前研究的重要课题，尤其对我国生态文明建设和确保河流生态系统健康具有重要意义。事实上，国内外已有不少关于水库群生态调度的研究，但多集中于考虑单一生态调度目标，这种方式不足以反应新形势下的梯级调度运行要求，因此，亟需构建梯级水库群多目标联合优化调度模型并实现高效求解，以充分发挥水库在社会、经济、环境方面的协调作用。由此可见，现有技术存在调度目标单一、模型求解准效率低的技术问题。
技术实现思路
针对现有技术的以上缺陷或改进需求，本专利技术提供了一种梯级水库群联合调度的多目标优化方法和系统，由此解决现有技术存在调度目标单一、模型求解准效率低的技术问题。为实现上述目的，按照本专利技术的一个方面，提供了一种梯级水库群联合调度的多目标优化方法，依次包括如下步骤：(1)以梯级水库群的发电量最大为目标建立第一目标函数，以梯级水库群的生态缺水量最小为目标建立第二目标函数，将第一目标函数和第二目标函数作为两个子目标构建梯级水库群的多目标调度模型；(2)计算梯级水库群的多目标调度模型的目标权重向量，将水位作为个体，随机生成包含m个个体的初始种群，在迭代过程中，通过比较前后两次迭代种群中各个个体对应的子目标的适应度值更新各子目标的最大值和最小值；(3)利用各子目标的最大值和最小值计算各子目标的相对优属度，利用各子目标的相对优属度结合目标权重向量将梯级水库群的多目标调度模型转换为单目标函数，利用单目标函数更新个体极值和全局极值；(4)对个体极值进行变异操作，得到新的个体极值，利用新的个体极值构建新的粒子集合，利用新的粒子集合更新种群进行下一次迭代，当迭代次数达到最大迭代次数时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。进一步地，目标权重向量为：{λ1，λ2)＝{1-pr，pr)pr＝(a+1)/(l+1)a＝0，1，2…l-1其中，λ1为第一目标函数的权重值，λ2为第二目标函数的权重值，l为非劣解的总数，pr为二项分布概率，a为概率参数。进一步地，单目标函数为：其中，rj，i为第i个个体第j个子目标的相对优属度，λj为第j个子目标对应的权重值，为单目标函数中对应的适应度值，为第k代第i个个体位置。进一步地，步骤(3)中相对优属度为：当多目标调度模型的子目标的适应度值为越大越优时，当多目标调度模型的子目标的适应度值为越小越优时，其中，为所对应的第j个子目标的适应度值，为第j个子目标的最小值，为第j个子目标的最大值。进一步地，步骤(3)中利用单目标函数更新个体极值和全局极值的具体实现方式为：式中，表示第k次迭代个体i所经历的最好位置，即个体极值；GBk表示第k次迭代所有个体经历的最好位置，即全局极值；为第k-1次迭代个体i所经历的最好位置，表示单目标函数中对应的适应度值。进一步地，步骤(4)包括如下步骤：(41)对个体极值进行变异操作，得到新的个体极值；(42)利用新的个体极值更新个体的当前位置Ug，当满足混合搜索策略启动的条件时，从当前位置Ug随机迁出(D+1)个个体构成外部档案集Sg并进入步骤(43)，D为预设的种群维度；否则，直接进入步骤(46)；(43)对Sg中的个体依次使用映射、收缩、放大进行二次寻优；(44)判断是否满足映射终止条件、收缩终止条件、放大终止条件中的任意一个，满足则转至(45)；否则转至(43)；(45)形成新的外部档案集同时将这(D+1)个个体迁回当前位置Ug以构成新的粒子集合(46)利用新的粒子集合更新种群进行下一次迭代，当迭代次数达到时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。进一步地，步骤(46)中从全局最优个体中选出非劣解的具体实现方式为：利用步骤(46)得到的所有全局最优个体计算全局最优个体对应的第一目标函数的适应度值和全局最优个体对应的第二目标函数的适应度值，将全局最优个体对应的第一目标函数的适应度值作为横坐标、将全局最优个体对应的第二目标函数的适应度值作为纵坐标，绘制非劣解的前沿图，从非劣解的前沿图中选出非劣解。按照本专利技术的另一方面，提供了一种梯级水库群联合调度的多目标优化系统，包括：模型构建模块，用于以梯级水库群的发电量最大为目标建立第一目标函数，以梯级水库群的生态缺水量最小为目标建立第二目标函数，将第一目标函数和第二目标函数作为两个子目标构建梯级水库群的多目标调度模型；适应度值比较模块，用于计算梯级水库群的多目标调度模型的目标权重向量，将水位作为个体，随机生成包含m个个体的初始种群，在迭代过程中，通过比较前后两次迭代种群中各个个体对应的子目标的适应度值更新各子目标的最大值和最小值；单目标函数转换模块，用于利用各子目标的最大值和最小值计算各子目标的相对优属度，利用各子目标的相对优属度结合目标权重向量将梯级水库群的多目标调度模型转换为单目标函数，利用单目标函数更新个体极值和全局极值；非劣解选取模块，用于对个体极值进行变异操作，得到新的个体极值，利用新的个体极值构建新的粒子集合，利用新的粒子集合更新种群进行下一次迭代，当迭代次数达到最大迭代次数时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。总体而言，通过本专利技术所构思的以上技术方案与现有技术相比，能够取得下列有益效果：(1)本专利技术的多目标调度模型包含了梯级水库群的发电量最大和生态缺水量最小这两个目标，克服了现有技术存在调度目标单一的技术问题，同时利用相对优属度将多目标调度模型转换为单目标函数，由此提高模型求解准效率。(2)本专利技术利用二项分布赋权法设置目标权重向量，以相对隶属度的多目标模糊优选方法将多目标优化模型转换为单目标优化模型，再用改进的量子粒子群算法求解，较好的处理了不同目标间多目标优化问题，丰富了求解梯级水库群多目标调度优化问题的方法。附图说明图1是本专利技术实施例提供的一种梯级水库群联合调度的多目标优化方法的流程图；图2(a)是本专利技术实施例1提供的枯水年下多目标优化方法的调度结果；图2(b)是本专利技术实施例1提供的偏枯年下多目标优化方法的调度结果；图2(c)是本专利技术实施例1提供的特枯年下多目标优化方法的调度结果；图3(a)是本专利技术实施例1提供的缺水量结果对比图；图3(b)是本专利技术实施例1提供的发电量结果对比图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅本文档来自技高网...

【技术保护点】
1.一种梯级水库群联合调度的多目标优化方法，其特征在于，依次包括如下步骤：(1)以梯级水库群的发电量最大为目标建立第一目标函数，以梯级水库群的生态缺水量最小为目标建立第二目标函数，将第一目标函数和第二目标函数作为两个子目标构建梯级水库群的多目标调度模型；(2)计算梯级水库群的多目标调度模型的目标权重向量，将水位作为个体，随机生成包含m个个体的初始种群，在迭代过程中，通过比较前后两次迭代种群中各个个体对应的子目标的适应度值更新各子目标的最大值和最小值；(3)利用各子目标的最大值和最小值计算各子目标的相对优属度，利用各子目标的相对优属度结合目标权重向量将梯级水库群的多目标调度模型转换为单目标函数，利用单目标函数更新个体极值和全局极值；(4)对个体极值进行变异操作，得到新的个体极值，利用新的个体极值构建新的粒子集合，利用新的粒子集合更新种群进行下一次迭代，当迭代次数达到最大迭代次数时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。

【技术特征摘要】
1.一种梯级水库群联合调度的多目标优化方法，其特征在于，依次包括如下步骤：(1)以梯级水库群的发电量最大为目标建立第一目标函数，以梯级水库群的生态缺水量最小为目标建立第二目标函数，将第一目标函数和第二目标函数作为两个子目标构建梯级水库群的多目标调度模型；(2)计算梯级水库群的多目标调度模型的目标权重向量，将水位作为个体，随机生成包含m个个体的初始种群，在迭代过程中，通过比较前后两次迭代种群中各个个体对应的子目标的适应度值更新各子目标的最大值和最小值；(3)利用各子目标的最大值和最小值计算各子目标的相对优属度，利用各子目标的相对优属度结合目标权重向量将梯级水库群的多目标调度模型转换为单目标函数，利用单目标函数更新个体极值和全局极值；(4)对个体极值进行变异操作，得到新的个体极值，利用新的个体极值构建新的粒子集合，利用新的粒子集合更新种群进行下一次迭代，当迭代次数达到最大迭代次数时，将此时得到的全局极值对应的个体作为全局最优个体，从全局最优个体中选出非劣解，得到梯级水库群的调度方案。2.如权利要求1所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述目标权重向量为：{λ1，λ2}＝{1-pr，pr}pr＝(a+1)/(l+1)a＝0，1，2…l-1其中，λ1为第一目标函数的权重值，λ2为第二目标函数的权重值，l为非劣解的总数，pr为二项分布概率，a为概率参数。3.如权利要求1或2所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述单目标函数为：其中，rj，i为第i个个体第j个子目标的相对优属度，λj为第j个子目标对应的权重值，为单目标函数中对应的适应度值，为第k代第i个个体位置。4.如权利要求3所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述步骤(3)中相对优属度为：当多目标调度模型的子目标的适应度值为越大越优时，当多目标调度模型的子目标的适应度值为越小越优时，其中，为所对应的第j个子目标的适应度值，为第j个子目标的最小值，为第j个子目标的最大值。5.如权利要求3所述的一种梯级水库群联合调度的多目标优化方法，其特征在于，所述步骤(3)中利用单目标函数更新个体极值和全局极值的具体实现方式为：式中，表示第k次迭代个体i所经历的最好位置，即个体极值；GBk表示第k次迭代所有个体经历的最好位置，即全局极值；为第k-1次迭代个体i所经历的最好位置，表示单目标函数中对应的适应度值。6.如权利要求1或2所述的一种梯级水库群联合调度的多目...

【专利技术属性】
技术研发人员：冯仲恺，夏燕，牛文静，刘帅，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北,42