【技术实现步骤摘要】
本申请涉及梯级水电站，尤其涉及一种梯级水电站的优化调度方法、设备及存储介质。
技术介绍
1、径流预报在水电站供水、防洪和发电等水资源管理的各个方面均具有重要作用。精确、可靠的水电站径流预报能为水电站调度人员做出更好的决策。nns、svm、lstm等一类的机器学习模型成为径流预报近年来常用的模型。nns等机器学习模型能够有效拟合数据之间的非线性，成功运用到水文确定性预报中并可以得到较好的预报精度。然而，径流预报中往往存在潜在不确定性，其预报的不确定性会给水电站调度人员决策带来影响，确定性预报无法提供径流预报的不确定性程度，在实时水电站预报调度系统中存在一定的局限性。而使得梯级水电站的不能得到充分的利用。
技术实现思路
1、本申请主要解决的技术问题是提供一种梯级水电站的优化调度方法，解决上述的问题。
2、为解决上述技术问题，本申请采用的一个技术方案是提供一种梯级水电站的优化调度方法，包括步骤：建立优化马尔科夫模型，采用非监督学习算法对优化马尔科夫模型进行学习，根据联合高斯分布的特性对模型进行回归；从而获得梯级水电站中的径流预报结果；
3、建立优化调度模型，优化调度模型运用强化学习方法，利用梯级水电站相关数据和径流预报结果，以最低的运行成本消纳最多的水电为目标；训练更新智能体的策略神经网络参数至收敛；
4、应用时，智能体根据当前水电出力场景，利用训练完成的策略神经网络获得调度期内梯级水电站优化调度策略。
5、本申请还提供一种计算机设备，包括
6、本申请还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现所述的方法的步骤。
7、本申请的有益效果是：本申请引入了径流隐含状态的概念，建立了优化马尔科夫模型，采用非监督学习算法对优化马尔科夫模型进行学习，最后根据联合高斯分布的特性对模型进行回归。本申请提出的概率预报方法相比于现有的机器学习模型，优化马尔科夫模型的模型参数在水文过程的物理机制上具有合理的解释，通过隐含状态变量转移概率解释流域“干湿”状态变化，通过观测概率模型学习不同“干湿”状态下的径流分布。通过预报可靠性评价结果证明了优化马尔科夫模型给出的预报区间与理想预报区间十分接近，能够较好的描述径流观测值的概率分布，为调度决策者提供了可靠的区间估计值。优化马尔科夫模型能够在不采用数学变化的前提下，具备处理预报不确定性“异方差性”、“非正态性”的能力。针对不确定径流下的梯级水电站-电网系统的调度计划的经济性、安全性和实时性需求，研究了考虑经济运行域的优化调度方法，具体包括离线训练和实际应用两个部分。在离线训练阶段，显著改善了智能体的寻优效率，提高了策略网络的训练速度。
本文档来自技高网...【技术保护点】
1.一种梯级水电站的优化调度方法，其特征在于，包括步骤：
2.根据权利要求1所述的梯级水电站的优化调度方法，其特征在于，所述建立优化马尔科夫模型，包括：
3.根据权利要求2所述的梯级水电站的优化调度方法，其特征在于，所述采用非监督学习算法对优化马尔科夫模型进行学习，包括：
4.根据权利要求3所述的梯级水电站的优化调度方法，其特征在于，所述的梯级水电站中的径流预报结果使用预报精度评价指标以及预报可靠性评价指标来评价；
5.根据权利要求4所述的梯级水电站的优化调度方法，其特征在于，
6.根据权利要求5所述的梯级水电站的优化调度方法，其特征在于，优化调度模型目标函数和约束条件如下：
7.根据权利要求6所述的梯级水电站的优化调度方法，其特征在于，
8.根据权利要求7所述的梯级水电站的优化调度方法，其特征在于，
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
1
...【技术特征摘要】
1.一种梯级水电站的优化调度方法，其特征在于，包括步骤：
2.根据权利要求1所述的梯级水电站的优化调度方法，其特征在于，所述建立优化马尔科夫模型，包括：
3.根据权利要求2所述的梯级水电站的优化调度方法，其特征在于，所述采用非监督学习算法对优化马尔科夫模型进行学习，包括：
4.根据权利要求3所述的梯级水电站的优化调度方法，其特征在于，所述的梯级水电站中的径流预报结果使用预报精度评价指标以及预报可靠性评价指标来评价；
5.根据权利要求4所述的梯级水电站的优化调度方法，其特征在于，
6.根据权利要求5所...
【专利技术属性】
技术研发人员：岳旭辉，陈思，童舟波，杨强，周孜，常伟光，
申请(专利权)人：中国电建集团华东勘测设计研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。