一种基于GA算法的梯级泵站群扬程优化分配方法组成比例

本发明专利技术公开了一种基于GA算法的梯级泵站群扬程优化分配方法，包括如下内容，S1、确定目标函数、决策变量和约束条件；S2、对梯级泵站群中的泵站进行前期处理；S3、采用GA算法对目标函数进行求解，获取梯级泵站群扬程的最优分配结果。优点是：针对全工况下泵站群系统进行优化调度，相比于现有的方式，实用性更高。

【技术实现步骤摘要】
一种基于GA算法的梯级泵站群扬程优化分配方法
本专利技术涉及水利系统优化领域，尤其涉及一种基于GA算法的梯级泵站群扬程优化分配方法。
技术介绍
为了实现水资源的合理配置，国内外均修建了许多大型跨流域、串并联梯级泵站调水工程。在这些工程中，梯级泵站系统发挥着巨大的作用，但也往往由于装机容量大、耗能多，故该类系统的运行能耗较高，具备很大的节能潜力。梯级泵站群扬程优化调度一直是水利系统优化领域的一个重要问题。国内外学者对梯级泵站群优化调度方面做了许多研究和应用，有研究运用遗传算法对多个大型配水系统的设计进行优化研究，结果显示，优化方案可减少30-40％的运行费。有研究提出了一种基于动态规划的优化算法框架，实现了在可编程逻辑控制器中的应用，以改善对并联水泵的自动控制，达到节能的目的。有研究以并联泵站群日提水费最少为目标函数，建立了优化模型。有研究把泵站、输变电设备、输水河道作为大型梯级泵站系统整体考虑，以系统总输入功率最小为目标，建立优化数学模型。在目前研究中，能源消耗、运行费用、泵站效率等经济学指标经常被选做优化模型的调度目标。近年来，输水水质、蒸发渗漏、维修费用等也逐步纳入了梯级泵站系统优化调度的考量范围。在泵站系统中，水泵扬程、叶片角度、转动速度、开关状态等各种决策变量的存在，使得梯级泵站群扬程优化分配成为了一个复杂的非线性问题。目前，对于梯级泵站群扬程优化分配问题，通常采用线性规划、非线性规划、动态规划法等传统优化算法，很容易陷入“维数灾”问题，导致计算量巨大，不利于结果的生成。现有的梯级泵站群扬程优化分配主要是针对于设计工况和特定工况来进行研究，很少关注非设计工况下泵站群系统的优化运行。受到用水负荷变化、来水过程波动、泵站机组调节等因素影响，梯级泵站群输水系统在运行阶段常处于非设计工况下运行。已有研究无法完全适应工程的实际需求。因此，立足解决梯级泵站输水系统的实际运行需求，需要进一步深入研究梯级泵站群非设计工况下的优化运行模式，并系统分析不同工况下的扬程优化分配过程，为梯级泵站群输水系统实现科学、合理调度提供基础数据支撑。
技术实现思路
本专利技术的目的在于提供一种基于GA算法的梯级泵站群扬程优化分配方法，从而解决现有技术中存在的前述问题。为了实现上述目的，本专利技术采用的技术方案如下：一种基于GA算法的梯级泵站群扬程优化分配方法，包括如下内容，S1、确定目标函数、决策变量和约束条件；S2、对梯级泵站群中的泵站进行前期处理；S3、采用GA算法对目标函数进行求解，获取梯级泵站群扬程的最优分配结果。优选的，m级梯级泵站的目标函数为，其中，为第k时段梯级泵站在流量为总扬程为Htotal情况下的总效率；Htotal为梯级泵站的总扬程；是第j级泵站的最大效率。优选的，所述决策变量为每级泵站的进水侧水位和出水侧水位。优选的，所述约束条件为梯级泵站总扬程约束、单机泵站扬程约束、各级泵站进水侧水位控制区间约束和各级泵站出水侧水位控制区间约束，分别表示如下，其中，hj,j+1为第j级泵站与第j+1级泵站见渠道的水头损失；分别为最后一级泵站出水池水位与第一级泵站进水池水位；分别为第j级泵站最小和最大扬程；分别为第j级泵站进水池最小和最大水位；分别为第j级泵站出水池最小和最大水位。优选的，步骤S2具体为，确定个泵站的进水口、出水口的最低和最高运行水位区间，并确定泵站的单机流量运行区间；根据选定的水位区间和流量区间离散步长，获取一系列上游流量和下游水位值，模拟在各种可行流量，水位下各级间的水头损失。优选的，步骤S3包括如下内容，S31、确定泵站中可运行工况的群体，并对其编码，随机生成一系列的流量个体；S32、对决策变量和约束条件进行处理，并通过目标函数计算群体中各个个体的适应度；S33、判断最优个体的适应度是否达到设定阈值，或者，最优个体的适应度和群体的适应度是否均不再上升，或者，迭代次数是否达到预设次数，若是，则GA算法终止，获取梯级泵站群扬程的最优分配结果；若否，则将群体中的各个个体按照适应度大小排序，并执行步骤S34；S34、将选择算子作用于群体，以令优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代；S35、将交叉算子作用于群体，以把两个父代个体的部分结构加以替换重组进而生成新个体；S36、将变异算子作用于群体，根据预设的变异概率判断群体中的各个个体是否需要进行变异，并将需要进行变异的个体随机选择变异位进行变异，获取下一代群体，并返回步骤S32。本专利技术的有益效果是：1、避免了“维数灾”的危险，有利生成实际而有效的数据。2、能够跳出局部解来直接寻找全局最优解，有效解决计算量大的问题。3、具有自组织、自适应和自学习性。GA算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。4、现有的梯级泵站群优化调度主要是针对于设计工况和特定工况来进行研究，很少关注非设计工况下泵站群系统的优化运行，本专利技术针对全工况下泵站群系统进行优化调度，相比于现有的方式，实用性更高。附图说明图1是本专利技术实施例中方法的原理流程图；图2是本专利技术实施例中梯级泵站群优化后流量为72.8m3/s时的入口水位-出口水位-效率曲面。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，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方式仅仅用以解释本专利技术，并不用于限定本专利技术。实施例一如图1所示，本实施例中，提供了一种基于GA算法的梯级泵站群扬程优化分配方法，包括如下内容，S1、确定目标函数、决策变量和约束条件；S2、对梯级泵站群中的泵站进行前期处理；S3、采用GA算法对目标函数进行求解，获取梯级泵站群扬程的最优分配结果。本实施例中，本方法首先在泵站内部单级优化运行基础上，对组成梯级泵站输水系统的各级泵站级间的水力优化组合问题进行研究，寻求最优扬程分配方案。本实施例中，目标函数的目的是在满足各种等式、不等式约束的同时，实现梯级泵站间扬程最优化分配，以最大化梯级泵站总效率。则，m级梯级泵站的目标函数为，其中，为第k时段梯级泵站在流量为总扬程为Htotal情况下的总效率；Htotal为梯级泵站的总扬程；是第j级泵站的最大效率。本实施例中，所述决策变量为每级泵站的进水侧水位和出水侧水位。采用各级泵站的进、出水侧水位作为决策变量，对决策变量的离散化，离散的步长越小，计算精度则越高。本实施例中，所述约束条件为梯级泵站总扬程约束、单机泵站扬程约束、各级泵站进水侧水位控制区间约束和各级泵站出水侧水位控制区间约束，分别表示如下，其中，hj,j+1为第j级泵站与第j+1级泵站见渠道的水本文档来自技高网...

【技术保护点】
1.一种基于GA算法的梯级泵站群扬程优化分配方法，其特征在于：包括如下内容，/nS1、确定目标函数、决策变量和约束条件；/nS2、对梯级泵站群中的泵站进行前期处理；/nS3、采用GA算法对目标函数进行求解，获取梯级泵站群扬程的最优分配结果。/n

【技术特征摘要】
1.一种基于GA算法的梯级泵站群扬程优化分配方法，其特征在于：包括如下内容，
S1、确定目标函数、决策变量和约束条件；
S2、对梯级泵站群中的泵站进行前期处理；
S3、采用GA算法对目标函数进行求解，获取梯级泵站群扬程的最优分配结果。


2.根据权利要求1所述的基于GA算法的梯级泵站群扬程优化分配方法，其特征在于：m级梯级泵站的目标函数为，



其中，为第k时段梯级泵站在流量为总扬程为Htotal情况下的总效率；Htotal为梯级泵站的总扬程；是第j级泵站的最大效率。


3.根据权利要求1所述的基于GA算法的梯级泵站群扬程优化分配方法，其特征在于：所述决策变量为每级泵站的进水侧水位和出水侧水位。


4.根据权利要求3所述的基于GA算法的梯级泵站群扬程优化分配方法，其特征在于：所述约束条件为梯级泵站总扬程约束、单机泵站扬程约束、各级泵站进水侧水位控制区间约束和各级泵站出水侧水位控制区间约束，分别表示如下，















其中，hj,j+1为第j级泵站与第j+1级泵站见渠道的水头损失；分别为最后一级泵站出水池水位与第一级泵站进水池水位；分别为第j级泵站最小和最大扬程；分别为第j级泵站进水池最小和最大水位；分别为第j级泵站出水池最...

【专利技术属性】
技术研发人员：雷晓辉，卢龙斌，张荣轩，陈广明，张召，景象，朱杰，
申请(专利权)人：中国水利水电科学研究院，安徽省引江济淮工程有限责任公司，
类型：发明
国别省市：北京;11