【技术实现步骤摘要】
本专利技术涉及梯级水电站群调度领域，特别涉及抗干扰的梯级水电站多级联动快速实时优化方法及系统。
技术介绍
1、在梯级水电站群的联合实时调度实践中，众多易变且相互交织的影响因素，造成实时调度极易被干扰，调度模型难以发挥水资源优化的作用。梯级电站实时调度不仅需要严格遵循调度中心的指令，还需深入考量流域内瞬息万变的水文条件，这些因素往往难以准确预测，为调度策略的制定增设了重重挑战。进入实际操作层面，调度指令的灵活性虽旨在响应电网用户的即时需求，但负荷需求的频繁波动以及调峰调频的迫切要求，使得实时负荷计划与实际执行间不可避免地存在偏差，如果控制偏差并及时响应电力负荷需求，为梯级电站联合调度带来极大的挑战。
2、此外，当前的调度体系往往侧重于单一任务的执行，忽略了梯级电站调度固有的多任务并行特性。在实时调度场景下，多个任务间的协调变得尤为关键，因为它们之间可能存在直接的利益冲突，追求水位稳定可能会牺牲对负荷需求的即时满足，反之，过度满足负荷需求又可能引发不必要的水位剧烈波动，影响电站的安全稳定运行，调度模型需要解决调度多目标多任务的均衡问题。
3、综上所述，针对梯级水电站群调度面临的多因素干扰难题，亟需一种更为全面、灵活的调度方法及系统，该系统应能够深度整合预测信息与实时数据，有效平衡多任务间的冲突，提高调度决策的前瞻性和适应性，从而显著提升梯级水电站群调度的整体效能与稳定性。
技术实现思路
1、本专利技术提供抗干扰的梯级水电站多级联动快速实时优化方法，包括：建立初始
2、进一步地，所述初始梯级电站调度模型的目标函数为：，,其中，为所述初始梯级电站调度模型的第一目标函数，i为水电站总数，t为一个调度周期包括的调度时间点总数，为示性函数，当第i个水电站在第t个调度时间点的水位位于允许的水位差值范围内，则为1，反之为0，为水电站在第t个调度时间点的水位，为允许的水位差值范围，表示水电站在第t个调度时间点的水位位于允许的水位差值范围内，为目标水位，为预设差值，为所述初始梯级电站调度模型的第二目标函数，为第i个水电站在第t个调度时间点的出力，为第t个调度时间点的计划负荷，为所述初始梯级电站调度模型的第三目标函数，用于表征是否满足水位控制目标，当t<t 时，为0，当t等于96，且梯级水电站群的期末水位等于目标水位，则为1，否则为0。
3、进一步地，所述初始梯级电站调度模型的约束集至少包括每座水电站在每个时间点的总弃水量约束、每座水电站在每个时间点的总出库约束、每座水电站在每个时间点的坝前水位约束、每座水电站在每个时间点的出库流量和坝后水位的线性关系约束、每座水电站在每个时间点的出力与发电流量和水头的关系约束、每座水电站在每个时间点的出力约束、每座水电站在每个时间点的机组总爬坡约束。
4、进一步地，所述马尔科夫决策模型的综合回报函数为：，，其中，为所述马尔科夫决策模型的综合回报函数，及均为权重，及均大于0，且，为预设参数，为梯级水电站群的期末水位，其中，为第一回报值，为第二回报值，为第三回报值。
5、进一步地，所述马尔科夫决策模型的动作值函数的贝尔曼方程为：，其中，为在状态下采取动作后，遵循策略所能获得的未来累积奖励的期望值，为在状态下采取动作后，环境给予的即时奖励，为期望操作符，表示对从状态转移到所有可能的状态的概率分布p上取平均，为折扣因子，为状态值函数，表示在状态下，遵循策略所能获得的未来累积奖励的期望值；
6、所述马尔科夫决策模型的状态值函数的贝尔曼方程为：
7、其中，为在状态下，遵循策略时所能获得的未来累积奖励的期望值，为在状态下采取动作 后，遵循策略时所能获得的未来累积奖励的期望值，为熵正则化系数，为在给定状态下选择动作的概率分布。
8、进一步地，所述马尔科夫决策模型的状态值函数的损失函数为：其中，为状态值函数的损失函数，为状态值网络的参数，为期望操作符，表示对从经验回放缓冲区 d中采样的状态进行平均，为动作网络在给定参数 θ、状态和动作时的输出，为状态值网络在给定状态 和参数下的输出，为期望操作符，表示对从策略中采样的动作进行平均，为策略网络在给定状态和参数下，输出在状态下采取动作的概率。
9、进一步地，所述马尔科夫决策模型的q函数的损失函数为：其中，为q函数的损失函数， θ为动作网络的参数，为目标q值，为期望操作符，表示对从分布 d 中采样的状态-动作对进行取平均。
10、进一步地，所述马尔科夫决策模型的策略网络损失函数为：其中，为策略网络损失函数，为期望操作符，表示从状态分布 d 中采样的状态和从噪声分布 n中采样的噪声进行取平均，表示策略网络在给定参数 、状态、噪声时输出的动作的概率分布，用于将噪声和状态映射到动作空间，为动作网络在给定参数 θ、状态 和动作时的输出。
11、进一步地，对所述马尔科夫决策模型进行训练，包括：通过后见经验重放算法和梯度算法，对所述马尔科夫决策模型进行训练。
12、本专利技术提供抗干扰的梯级水电站多级联动快速实时优化系统，包括：模型建立模块，用于建立初始梯级电站调度模型，其中，所述初始梯级电站调度模型的输入包括一个时间段包括的多个连续的时间点的计划负荷和梯级电站入库流量；模型转化模块，用于将所述初始梯级电站调度模型转化成具有连续状态空间和连续动作空间的无模型的马尔科夫决策模型；模型训练模块，用于对所述马尔科夫决策模型进行训练，得到梯级水电站群调度模型；任务获取模块，用于获取当前调度任务，其中，所述当前调度任务包括目标未来时间段包括的多个连续的未来时间点的计划负荷和梯级电站入库流量；联合调度模块，用于通过所述梯级电站调度模型，基于所述当前调度任务，对梯级水电站群进行调度。
13、相比于现有技术，本专利技术提供的抗干扰的梯级水电站多级联动快速实时优化方法及系统，至少具备以下有益效果：
14、梯级电站调度模型能够处理连续状态空间和动作空间，使得调度策略能够根据实际的水库状态（如水位、蓄水量）和外部环境（如入库流量、计划负荷）的变化进行动态调整，从而提高调度的准本文档来自技高网...
【技术保护点】
1.抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，包括：
2.根据权利要求1所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述初始梯级电站调度模型的目标函数为：
3.根据权利要求2所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述初始梯级电站调度模型的约束集至少包括每座水电站在每个时间点的总弃水量约束、每座水电站在每个时间点的总出库约束、每座水电站在每个时间点的坝前水位约束、每座水电站在每个时间点的出库流量和坝后水位的线性关系约束、每座水电站在每个时间点的出力与发电流量和水头的关系约束、每座水电站在每个时间点的出力约束、每座水电站在每个时间点的机组总爬坡约束。
4.根据权利要求3所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述马尔科夫决策模型的综合回报函数为：
5.根据权利要求2所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述马尔科夫决策模型的动作值函数的贝尔曼方程为：
6.根据权利要求5所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征
7.根据权利要求6所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述马尔科夫决策模型的Q函数的损失函数为：
8.根据权利要求7所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述马尔科夫决策模型的策略网络损失函数为：
9.根据权利要求1-8中任意一项所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，对所述马尔科夫决策模型进行训练，包括：
10.抗干扰的梯级水电站多级联动快速实时优化系统，其特征在于，包括：
...【技术特征摘要】
1.抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，包括：
2.根据权利要求1所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述初始梯级电站调度模型的目标函数为：
3.根据权利要求2所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述初始梯级电站调度模型的约束集至少包括每座水电站在每个时间点的总弃水量约束、每座水电站在每个时间点的总出库约束、每座水电站在每个时间点的坝前水位约束、每座水电站在每个时间点的出库流量和坝后水位的线性关系约束、每座水电站在每个时间点的出力与发电流量和水头的关系约束、每座水电站在每个时间点的出力约束、每座水电站在每个时间点的机组总爬坡约束。
4.根据权利要求3所述的抗干扰的梯级水电站多级联动快速实时优化方法，其特征在于，所述马尔科夫决策模型的综合回报函数为：
<...【专利技术属性】
技术研发人员：罗玮，许剑，张峰，赵建世，
申请(专利权)人：国能大渡河大数据服务有限公司，
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。