研究水电站优化调度翻译

考虑生态用水需求水电站优化调度研究计算机科学与技术学院信息工程学院机械工程学院浙江大学Abstract-考虑到标准粒子群优化收敛速度慢和容易陷入局部最优解,提出了一种结合动态邻域拓扑的改进算法,粒子之间的联系随着动态邻居粒子的结构的变化而调整。在早期的阶段的算法中,为了维持粒子的多样性和防止算法局部最优,最优粒子的影响被削弱了，然后添加了粒子间的连接，这样算法有更多的后期快速收敛。关注水电最优调度问题,我们讨论了相关技术,建立了考虑生态用水需求的调度模型,研究了在水电站生态调度方面的生态河流用水需求的计算。我们结合生态调度和发电调度方面考虑了最大的发电目标和河流的生态因子，水库的水平衡限制,放电容量限制，输出限制等,然后,我们使用一种改进的粒子群算法解决优化问题。仿真调度结果表明,该算法具有较强的全局快速搜索能力和收敛速度,能有效解决这样一个多约束,非线性问题水电站调度。Keywords-水电站;最优调度;生态水需求;算法;动态邻域结构;西北小世界1介绍水电开发是一种能满足能源需求的常规自然资源,这是人类发展、人类社会、和社会进步的客观需求必然选择。目前,我们的水电开发已经取得了一些显著成果;然而,在很多水力发电的快速发展的区域暴露出严重的生态环境问题,所以人们越来越关注这个问题。水力发电是一种清洁、可再生能源的来源,然而,水力发电建设和运营将在当地产生不良影响生态环境。因此,生态的概念被提出。生态操作指的是在考虑河流生态系统需求的条件下符合经济和社会目标,如发电、防洪、导航和供水的操作。传统的水电站最优运行目标是电能最大化[1]或发电的利益[2]而忽略了生态效益的需求和库区追求的经济效率,因此让许多负面影响了脆弱的生态系统。近年来,一些学者提高了生态环境意识，开始对生态进行分类因素的调度计划。Symphorien[3]认为生态调度是指水库的灌溉调度，这可以满足人类对水的需求量和生态系统的水需求。不难得出这样的结论:生态调度的核心是指水库运行发展的最新阶段,它把生态因素添加到了现有水电调度问题中，以满足目标水的最优资源调度和河流生态系统健康[4].粒子群优化(PSO)算法是肯尼迪和Eberhart[5]提出的,它是基于群情报的。基本的想法是由他们的对群体行为建模与仿真的鸟群的早期结果所激发。在近年来,借助于简单的原则,容易理解和实现,PSO算法已成功(6-8)应用于水库操作问题,并实现好的结果。基肖尔:[9]等使用神经网络方法解决水电厂的动态模型。但是,粒子群优化算法忽略了一个非常重要的因素,即不考虑个体信息及其影响。在现实中,人类或其他生物的行为不仅受自我认知能力影响,而且受许多外部因素如社会群体行为的限制。事实上，周围的同伴的行为和经验,以及信息交换很大程度上影响个体决策。基于上述考虑,本文将NWsmallworld模型加入到粒子群算法中，作为其社会认知结构,并提出一种基于西北社区的粒子群优化算法结构;然后，出于预防PSO算法从局部最优目的，提出一种动态邻域的新型拓扑结构。该算法随着每次迭代，更新动态邻域结构，这既能保持算法的随机搜索，还可保证粒子的多样性,防止算法过早收敛。最后,算法应用于水电站模拟,并和标准粒子群(SPSO)算法的调度结果和数值分析的方法做比较。结果表明,改进后的算法比SPSO的算法具有更好的搜索能力和收敛速度。二;在动态邻域中考虑生态用水需求的水电站最优调度模型水电站优化调度的第一次使用系统工程去构建水利水电系统的目标函数,集中在水力发电站,协助设置的约束条件,然后优化方法用于求解由目标函数和约束条件组成的方程,来帮助我们实现最优调度结果。最优水电站的调度模型包含了最佳的操作和约束条件的目标函数。目标函数和采用的优化调度准则有关。常用的优化调度模型一般包括以下几种:最大的输出功率,发电的经济效益,长期和存储、短期负荷调节能力最小的水浪费等等,而他们中，大多数以最大输出功率为优化目标,从经济效益方面去实现水资源的最大化。生态需水量指维持河流生态系统的平衡的水量。目前,第一问题是需要考虑水电站的经济效益，将生态因素加入到调度模型将减少的发电量。他们是一对矛盾。这是水电生态调度的关键和难点满足河流生态需水量,并在同一时间提高最大的综合效益。最优调度的目标是在一定的经济效益和生态效益之间寻求平衡的结果。a:目标函数本质上是一个通过算法来获得的需求解决方案de多目标生态操作优化问题。但每个目标解决方案的非主导的倾向在很大程度上,取决于制造商的决策的偏好,它不仅仅是一个技术问题[10]。此外,没有一个具体的解决方案或对生态系统价值评价指标,不同的评价方法可能会带来更大的价值变化。因此,本文将生态系统的目标转化为社会和经济目标的约束条件,通过将生态调度问题转化为的生态流在水电优化调度约束下的问题。因此,多目标优化转换为单目标优化问题。在水电站的调度中,我们基于全部的水电资源，结合了市场的事实和需要,为了最大化利用电力能源。目标函数是:B约束水电优化调度约束包括传统的约束和生态流约束。1)传统的约束传统的约束包括阶段,输出和其他约束。表达式如下:2)生态流约束生态流约束实际上是流约束,即在一段时间中,通过的总流率应该等于或大于生态需水量。生态需水量指满足河流生态的需要所需的水数量,其中包括水面蒸发,维持河岸稳定和生物学和non-biology水需求的生态循环。国内外多年的研究后,一个相对生态需水量估算方法已经形成。它基本上可以分为:水文方法,液压评级方法,整体方法,栖息地的方法几个类别等[11]。估计生态需水量是基于历史流,如果数据是正确的,它可以快速方便的获得结果。广泛应用于水文方法的代表方法:坦南特方法[12],每月保证频率方法[13],每月最低放电方法[14]。在本文中,我们使用这三种方法来计算。河流生态需水量采用最大值,以改善整个河的生态需水量保证率。三；基于西北动态社区结构的PSO算法a:标准PSO算法及其原理粒子群算法是受鸟群的社会行为所激发。每只鸟在羊群被视为“粒子”没有空间的体积和质量。每一个粒子是对应于一个潜在的解决方案的目标函数,使用一个简单的velocity-position模型。它会在这个实时更新速度和位置的空间中跟踪最优粒子。合适的解是由目标函数决定的,粒子可以根据当前条件去动态调整。在飞行期间,粒子和竞争互相配合,粒子的运动速度根据历史运动状态动态调整信息本身和它的同伴。粒子的最好的历史位置会影响当前的粒子的运动轨迹,以便能够找到最好的的位置。公式的第一部分(8)粒子在之前的速度多个重量加速,表达了粒子的继承满足的运动,根据自己的速度使用惯性运动。第二部分是认知,代表粒子的思考本身。也就是说,粒子从自己的经验中运动。第三部分是“社会”,代表之间的信息共享与合作粒子。换句话说,粒子的运动,来源于该集团其他粒子的经验。该算法将不会终止,直到解决方案满足条件或达到预定义的最大的错误时间的迭代。粒子群优化算法具有很多优点。这是一个简单的算法和参数调整少，收敛速度快等等,然而,由于这些优势它会导致许多缺陷。首先,局部收敛是个问题。在算法的运行中,如果一个粒子得到当前最优位置,可能是一个“陷阱”,它会误导其他粒子说这是一个最佳位置,所以其他粒子很快就会移动到错误的位置,因此该算法将导致局部最优。由于信息传播在PSO算法单一,个体多样性将会减少很快,它可能陷入过早收敛;而在后期,优化的收敛速度下降,有时甚至接近停滞。针对这些问题,一些研究人员提出基于gbest模型的lbest模型如公式(10)所示,P1代表了在当地地区的粒子的最优值。这种模式削弱了全球最优粒子的影响整个种群搜索的过程,所以它可以实现更好的全局搜索和防止局部收敛。社区结构对于粒子群算法的性能有着重要的影响。在gb模型中,整体完全连接,每个粒子互相比较。全球最好的粒子是用作吸引子让所有粒子聚集在最后的位置。这个模型中牺牲鲁棒性成本提高收敛速度,容易使未成熟收敛。而lb模型使用multi-attractor,整个组分为几个,这有助于维持的多样性人口,另一方面,两个粒子之间的信息交换方式相对远离彼此导致收敛速度的降低。根据ibest的特点,介绍了西北小世界社区结构、使用小世界网络特点,即“平均最短路径小长度,聚类系数大”。有k(kN)高度集中粒子快速信息交换,帮助算法开展一个微妙的搜索,不同的社区相对能保持独立于彼此的多样性,和一些远程边缘的保证粒子更高效地共享信息。所以这战略不仅克服在gb模型过早收敛的弱点,但也弥补lb模型缺乏不同社区之间的信息交换速度,由于它提供了一个在速度和准确的平衡性。B西北的小世界小世界模型是从现实生活中提取的;它揭示了存在于客观世界中许多复杂网络信息传播的最有效的方法。这是一个网络和图表过渡模型,瓦和Strongtz[15]在1998年首先介绍了它。WS小世界模型是一个随机重组过程，一个边缘保持不变,而另一个以概率p随机选择顶点。但这个功能有可能打破网络模型连接并生成孤立的集群或意外删除关键的连接。因此,纽曼和瓦另一个小世界模型,被称为西北小世界模型[16]。西北小世界模型是通过添加对顶点之间额外的链接而不是WS小世界模型中的随机重组。具体的构造算法如下:考虑N站点的动态网络,每个站点和周边k/2的点连接。添加随机捷径:概率p对节点之间随机抽取的任何两个不同的站点只有一个链接最多,和每个站点不能与自己的一面。引入一些小型网络模型的概念如下:平均路径长度。聚类系数聚类系数反映了集群的程度在西北小世界模型中,概率为p的捷径对结构和性质产生重大影响整个网络中,图1显示了关于NW模型进化的过程。在NW模型中,当p=0对应于原始的最近邻耦合网络,而p=1时成为一种全球性耦合网络。标准粒子群算法(gb版本)。图1所示。小世界网络模型为了更好地理解概率p对结构和性能的影响,我们建立了2000个顶点，并使用NW模型构建小世界网络模型。在这里,初始化常规网络k=4度(即每个顶点都有4邻居),我们使用公式(11)(12)来验证,实验结果如图2所示。图2。平均路径长度和聚类系数在西北社区模式从上面的图可以看到,虽然在后期的时间间隔内,集群系数迅速降低,平均最短路径基本上保持不变。换句话说,当有一个非常小连接概率p,整个网络的属性往往是一个常规的网络和p的增加,小世界的特性逐渐增加,即平均路径长度短和聚类系数高,这是非常有利于交换的信息和分享。c.基于西北动态邻域结构的PSO算法第一部分阐述了PSO算法在迭代初期阶段可能有一个分散的解决方案,所以考虑到算法的效率和有效性,不适合介绍局部搜索的策略.这个时候我们应该充分利用PSO算法的全球搜索能力来提高勘探能力,找出潜在的最优解。然而,在算法后期,几乎整个粒子群无法进一步提高解决方案的质量。在这时我们可以引进基于西北社区结构的当地的搜索机制去提高发展能力并对整个解空间有一个更复杂的搜索,由此来加快收敛，提高解决方案质量。基于上述观点,我们使用lb模型来调整更新粒子的速度和位置,取代了ib模型的传统结构。不同于一般lb模型,一个新的可能性函数在lb模型动态结构中，被引进来构建邻域结构。在原来的基础上，邻域结构被动态地改变。该函数如下所示:图3。图的概率函数从上面的图我们可以看到,有一个大大的线概率p在迭代初期,这个时候邻域结构的整体趋向于gb模型。也就是说,结构之间的信息交换会非常活跃,这有助于找到最优解。随着迭代的增加,p下降,信息的交流也逐渐降低;整个算法的时期,随着迭代次数的增加,社区结构动态地改变。该算法将每个粒子视作一个在小世界网络中的顶点,使用NW模型来构建社区粒子之间的关系(如图1所示)。首先,我们给每个粒子构建编号去构建最近邻耦合动态网络,其中每个顶点有k/2个邻居;随着搜索的进行,该算法在每个迭代中用概率p调整社区结构。算法的流程如下:基于西北动态社区结构的PSO算法(DNWPSO)第五:更新粒子的位置(8)和速度(7);第六步:更新社区结构(9);第七步:满足终止准则?四,案例研究液压工程的主要任务是结合调峰,防洪和防冰来供水;水库的总容量约为8.96x1