一种基于多目标混合蛙跳差分算法的水库调度方法
【技术领域】
[0001] 本发明涉及水库技术领域，尤其涉及一种基于多目标混合蛙跳差分算法的水库调 度方法。
【背景技术】
[0002] 水库优化调度是一个多约束多阶段决策的动态、复杂非线性系统的最优控制问 题，特别是对于防洪、发电、灌溉、供水、航运、排沙等多目标的综合利用水库，更增加了优化 求解的复杂度。随着优化技术的发展以及对水库调度研究的不断深入，先后有各类优化算 法被引入到水库的优化调度中，包括一些经典传统优化算法、最优控制理论方法（如大系 统方法）以及集群智能算法等。传统优化技术成熟可靠、效率高，但应用于多目标优化时易 出现"维数灾"等问题，增加了问题求解的难度。近年来，随着计算机以及人工智能技术的 发展，一些智能优化算法如遗传算法、神经网络法、蚁群算法、粒子群算法、混沌优化算法等 也开始逐步应用于水库优化调度领域，由于它们优化效果显著、适用范围广泛，且对于求解 空间复杂、多维与非线性的问题具有良好的适应能力，正逐渐成为水库优化调度领域的研 究热点。
[0003] 差分进化算法（DifferentialEvolution，DE)是由Stom.R和Price.K于 1995 年 提出的一种随机并行直接搜索算法，具有结构简单、易于理解、可调参数少、鲁棒性强等优 点，DE通过不同的进化策略选择若干个体向量干扰现有的个体，生成新的个体向量，依据一 对一的竞争优选策略决定新个体向量或者干扰向量进入下一次迭代过程。DE中特有的进化 策略使得算法具有针对较优个体的记忆能力，促使较差个体迅速向最优个体靠拢，具有较 强的全局收敛性和鲁棒性。
[0004] 混合娃跳算法（（ShuffledFrogLeapingAlgorithm，SFLA)是一种基于群体智能 的后启发式计算技术，于2003年由Eusuff和Lansey提出并应用于水资源管网分配问题， 因其兼顾了模因演算法（MA)与粒子群算法（PS0)两者的优点，具有算法参数设置少，局部 搜索与全局搜索并重的特点，后逐渐在模式识别、信号与信息处理和函数优化领域取得成 功应用。与其他智能优化算法类似，基本SFLA也存在算法寻优能力依赖参数设置、后期易 陷于局部最优解、收敛速度较慢等问题，并且在SFLA的初始化阶段，初始种群的分布性质 将会影响整个算法的收敛性能。近年来，国内外不少学者对SFLA的改进和应用进行了很多 研究，并将其应用于水库调度领域，但大多数的研究都是针对水库单目标优化问题，并且针 对水库多目标优化调度问题的多目标蛙跳算法的相关文献目前仍没有。
【发明内容】
[0005] 本发明所要解决的技术问题在于，针对传统SFLA易陷于局部最优解、收敛速度较 慢等缺陷，并为避免出现初始种群分布性差对寻优过程有影响，提供一种基于多目标混合 蛙跳差分算法（M0SFLA-EA)的水库调度方法，实现水库多目标优化调度。
[0006] 为了解决上述技术问题，本发明提供了一种基于多目标混合蛙跳差分算法的水库 调度方法，包括步骤：
[0007] S11、获取水库的基本信息数据；
[0008]S12、根据所述基本信息数据建立考虑水量平衡、机组出力、下泄流量和发电流量 约束条件的多目标优化调度数学模型，其中的目标函数为以发电量最大、缺水量最小、弃水 量最小、最小出力最大建立的目标函数；
[0009]S13、采用多目标混合蛙跳差分算法求解多目标优化调度数学模型的Pareto最优 解；
[0010] S14、在所述Pareto最优解的基础上，米用多目标决策方法自主确定水库最优调 度方案。
[0011] 实施本发明，具有如下有益效果：
[0012] (1)满足水库多目标优化调度的要求；
[0013] ⑵利用混沌理论初始种群提高初始种群的遍历性、随机性以及多样性，可以避免 SFLA随机初始种群质量差以及集中在某些局部区域以致算法陷入局部最优的问题；
[0014] (3)采用动态更新机制的外部归档集法，确保非劣解个体分布均匀，具有良好的多 样性，加快全局收敛；
[0015] (4)改进DE中变异策略，建立自适应变异策略机制，促使较差个体迅速向最优个 体靠拢，具有较强的全局收敛性和鲁棒性的优点，将DE引入到SFLA的局部进化搜索过程 中，以增强SFLA的局部搜索能力；
[0016] (5)所提出的多目标决策方法，可从Pareto最优解集中自主选择一个最优的水库 调度方案，增强了水库多目标调度系统的自主决策能力。
【附图说明】
[0017] 为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他的附图。
[0018]图1是本发明提供的基于多目标混合蛙跳差分算法的水库调度方法的一个实施 例的流程示意图；
[0019] 图2是多目标混合蛙跳差分算法的流程图；
[0020] 图3是多目标决策方法流程图；
[0021] 图4是丰水年Pareto非劣解空间分布图；
[0022] 图5是新安江水库丰水年流量-出力变化图；
[0023] 图6是新安江水库丰水年流量-水位调度图。
【具体实施方式】
[0024] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0025] 本发明针对传统SFLA易陷于局部最优解、收敛速度较慢等缺陷，并为避免出现初 始种群分布性质差对寻优过程有影响，提供一种基于多目标混合蛙跳差分算法（SFLA-EA) 的水库调度方法。该方法利用混沌理论生成初始种群、采用动态更新机制的外部归档集法 以及引入DE到SFLA局部进化搜索过程，实现算法全局寻优的能力，并在非劣解集的基础上 采用多目标决策理论自主选择最优水库调度方案，实现水库多目标优化调度。
[0026]图1是本发明提供的基于多目标混合蛙跳差分算法的水库调度方法的一个实施 例的流程示意图，如图1所示，包括步骤：
[0027] S11、获取水库的基本信息数据。
[0028] 其中，所述基本信息数据包括：水库的正常蓄水位ZE、防洪限制水位、死水位Z #，水库库容-水位关系曲线S~Ζ，水库下游水位-下泄流量关系曲线Ζ~Q，水库发电机 组出力约束值Ν，水库下泄流量约束值u，水库发电机组过流能力值q，水库来水量W。
[0029]S12、根据所述基本信息数据建立考虑水量平衡、机组出力、下泄流量和发电流量 约束条件的多目标优化调度数学模型，其中的目标函数为以发电量最大、缺水量最小、弃水 量最小、最小出力最大建立的目标函数。
[0030] 其中，所述多目标优化调度数学模型为：
[0031]minF(x) ={fj(x),f2 (x), (x)}
[0033] 式中，n表示水库优化调度的目标数，n= 1，2,…，N;F(x)表示目标函数集；fn(x) 表示为以发电量最大、缺水量最小、弃水量最小、最小出力最大建立的目标函数；△t表示 计算时段区间；wt，ut分别表示水库At时段内水库的入库流量、下泄流量，单位m3/s;St， St+1分别表示水库t时段、t+1时段末蓄水量，单位m3;I1表示水库At时段内水库的损失 量，单位m3;Z表示水库t时段末水库库前水位，单位m;Zt,_，Zt,_分别表示水库t时段末 允许的最低水位、最高水位；qt表示水库At时段内水库的发电流量，单位m3/s;qt,_，qt,_ 分别表不水库t时段末允许的最小发电流量、最大发电流量，单位m3/s;ut,min，ut,max分别表 示水库t时段末允许的最小下泄流量、最大下泄流量，单位m3/s;队表示水库△t时段内水 库的出力，单位kW;Nt,_，Nt,nax分别表示水库t时段末允许的最小出力值、最大出力值，单 位kW。
[0034]S13、采用多目标混合蛙跳差分算法求解多目标优化调度数学模型的Pareto最优 解。
[0035] 具体的，如图2所示，所述S13具体包括：
[0036]S131、划分水电站水库调度周期时段T，选择各时段的水库水位值作为决策变量， 确定各时段水库水位值的上下限Nt,_，Nt,_;
[0037]S132、设定参数：确定变量的个数T，确定初始种群规模G，子种群数N，每个子种 群个体数量M，全局迭代次数GEN，交叉概率p。，变异概率F，子种群迭代次数k，外部归档集 Nea;