基于改进人工免疫算法的水库多目标优化调度方法与流程

1.本发明属于水库优化调度技术领域，涉及一种基于改进人工免疫算法的水库多目标优化调度方法。


背景技术：

2.水库优化调度是典型的非线性、高维、多目标优化问题。如何在考虑各类约束的前提下，实现综合效益最大化，是水库调度问题的核心。随着经济社会发展，河道外用水和用电需求增加，水库多目标问题之间矛盾的日益凸显。因此，探究多目标的竞争博弈关系，提出协调各方利益的优化调度方案，是水库运行管理领域的重要需求和当前研究热点。
3.目前，针对水库多目标问题主要有两类解决方法：第一类即将多目标问题通过主目标法或加权法等方法转化为单一目标问题，采用动态规划遗传算法、粒子群算法等单目标算法进行求解。这类计算简单快捷，满足决策者需求，但只能给出一种偏向决策者喜好的优化调度方案，且一次运行只能提供一种优化方案，缺乏灵活性。第二种即采用多目标进化算法如nsga-ii、 mopso等直接获取多目标问题的非劣解集，从而为决策者制定不同均衡方案提供理论支撑，但以上方法均存在如结果不稳定，计算时间长等缺陷。
4.由于nnia运算复杂度低、搜索性能高效，解分布均匀，已被广泛应用于各领域。然而，现有的nnia算法仍然存在一些缺点，如求解高维、非线性问题时，存在智能算法的缺陷，如后期收敛速度慢、容易收敛于局部最优解。因此需要对nnia算法在搜索性能低、求解速度低的缺点进行改进，使搜索最优方案更加快捷，并将其应用于水库多目标优化调度领域。


技术实现要素：

5.本发明实施例的目的在于提供一种基于改进人工免疫算法的水库多目标优化调度方法，针对基本人工免疫算法结果不稳定，求解速度低等缺陷，实现水库调度问题的全局寻优，进一步提高计算效率和准确度，为解决水库多目标优化调度提供了新的求解思路和方法。
6.本发明的技术方案如下：
7.为实现上述目的，本发明提供一种基于改进人工免疫算法的水库多目标优化调度方法，包括以下步骤，如图2所示：
8.基于改进人工免疫算法的水库多目标优化调度方法，包括：
9.步骤1：收集水库基本信息数据；建立包括发电、供水的多目标调度模型作为抗原，确定最大迭代次数g
max
、优势种群规模n(d)、活动种群规模 n(a)、克隆种群规模n(c)，以水库调度期时段末水位为优化变量，维数为m，构成抗体b；
10.步骤2：进行fss优化抗体计算；通过正反双向水位推求，区间取交集确定第ii个抗体第i维变量取值区间，随机生成水位值z(i)，令抗体变量 b
t
(ii,i)＝z(i)，循环计算直至i＝0，可得到一组抗体值，即为fss优化计算，循环fss优化计算直至ii＝n(d)，完成全部抗体种群的生成；
11.步骤3：更新优势种群dt
t 1
；识别并复制b
t
(ii,i)中的优势抗体，形成临时优势抗体种群dt
t 1
；如果n(dt
t 1
)≤n(d)，令d
t 1
＝dt
t 1
；反之，计算dt
t 1
中所有个体的拥挤距离值，并按照拥挤距离值对个体进行降序排序，剔除最后 (n(dt
t 1
)-n(d))个抗体构成d
t 1
；
12.步骤4：终止判断；如果t《g
max
，转向步骤5；如果t≥g
max
，转向步骤6；
13.步骤5：更新活性种群a
t 1
；如果n(d
t 1
)＜n(a)，令a
t
＝d
t
；反之，计算d
t
中所有个体的拥挤距离值，并按照拥挤距离值对个体进行降序排序，剔除最后 (n(d
t 1
)-n(a))个抗体构成a
t 1
；
14.步骤6：克隆、重组和超变异；计算a
t
中每个抗体的拥挤距离，按拥挤度大小设置每个抗体的克隆比例，构成c
t
，针对c
t
进行重组和变异操作，生成c'
t
；
15.步骤7：将c'
t
和d
t
合并生成b
t 1
，转向步骤2；
16.步骤8：计算并输出水库优化调度的计算结果。
17.进一步地，上述步骤1中多目标调度模型的目标函数包括调度期内发电量最大的发电目标函数以及调度期内缺水量最小的水库供水目标函数，具体的目标函数为：
18.发电量最大目标f1：
[0019][0020]
式中：e为电站发电量，单位为亿度；m、n分别为电站总数和调度时段总数；k电站的出力系数；qi为第i时段的发电流量，单位为m3/s；hi为第 i时段的发电水头，单位m；t为单个调度时段；
[0021]
缺水量最小目标f2：
[0022][0023][0024]
式中：t为总时段数，α(t)为第t时段缺水系数，qw(t)和qs(t)分别为第 t时段需水量和供水量；
[0025]
具体的约束条件为：
[0026]
(1)水量平衡约束：v
i 1
＝vi (q
i-qi)t
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0027]
式中：vi、v
i 1
分别为水库时段始末库容，qi和qi分别为水库时段内入库流量和出库流量；
[0028]
(2)水库水位约束：h
min
(i)≤hi≤h
max(i)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0029]
式中：h
max
(i)和h
min
(i)分别为水库时段内水位上下限；
[0030]
(3)水库泄流约束：q
min
(i)≤qi≤q
max(i)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0031]
式中：q
max
(i)和q
min
(i)分别为水库时段内出库流量上下限；
[0032]
(4)电站出力约束：n
min
(i)≤ni≤n
max(i)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0033]
式中：n
max
(i)和n
min
(i)分别为水库时段内出力上下限；
[0034]
(5)非负约束
[0035]
模型中各决策物理参变量均非负：
[0036]
x≥0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)。
[0037]
进一步地，上述步骤2中进行fss优化抗体计算具体为：
[0038]
将多目标调度中所述约束条件可分成可转化约束和不可转化约束；对于不可转化约束，采用在算法适应度函数中进行控制；对于可转化约束，采用两阶段逐步模拟方法剔除不可行解；其中，z0(i)和z1(i)分别为第i阶段始末水位，水库调度期分成两个阶段，1～i为第一阶段，i～i 1为第二阶段，详细的求解步骤如下：
[0039]
步骤2.1：设置i＝t-1，水库调度期始末水位分别为z0(0)和z1(t)；
[0040]
步骤2.2：第一阶段以z0(0)开始起调，中间时段按下泄流量约束进行控制，由此得到第一阶段末水库水位变化范围，记为z0(i)＝[z
0min
(i)， z
0max
(i)]；
[0041]
步骤2.3：以z1(i 1)作为第二阶段末水位，本时段按下泄流量约束进行控制，逆推得到第二阶段初水位变化范围，即第一阶段末水位变化范围，记作z1(i)＝[z
1min
(i)，z
1max
(i)]；
[0042]
步骤2.4：取z0(i)和z1(i)交集即为第i阶段末水位变化范围[z
min
(i)， z
max
(i)]，在区间中随机生成第i阶段末水位，记作z(i)，并令i＝i-1， z1(i)＝z(i)；
[0043]
步骤2.5：判断i》0是否成立，若成立转向步骤2.2，反之转向步骤2.6；
[0044]
步骤2.6：输出[z(1)，z(2)，
…
，z(t)]。
[0045]
进一步地，上述步骤3中更新优势种群dt
t 1
的具体方法为：
[0046]
计算所有个体拥挤距离值并按照拥挤距离值对个体进行降序排序，剔除最后(n(dt
t 1
)-n(d))个抗体构成d
t 1
[0047][0048]
式中，f
imax
和f
imin
是第i个目标的最大值和最小值，以及表示第 i个抗体的拥挤距离。
[0049]
进一步地，上述步骤5中更新活性抗体a
t 1
的具体方法为：
[0050]
计算所有个体拥挤距离值并按照拥挤距离值对个体进行降序排序，剔除最后(n(dt
t 1
)-n(d))个抗体构成d
t 1
[0051][0052]
式中，f
imax
和f
imin
是第i个目标的最大值和最小值，以及表示第i 个抗体的拥挤距离。
[0053]
本发明的实施例提供的技术方案可以包括以下有益效果：
[0054]
1)本发明提供一种基于改进人工免疫算法的水库多目标优化调度方法，可以实现在水库优化调度中综合考虑发电、生态、供水的综合效益；
[0055]
2)本发明提供一种基于改进人工免疫算法的水库多目标优化调度方法，可以实现对人工免疫算法的改进，相对于基本人工免疫算法，提高计算速度和精度；
[0056]
3)本发明提供一种基于改进人工免疫算法的水库多目标优化调度方法，可以实现基于改进人工免疫算法求解水库多目标优化调度方案，为解决水库多目标优化调度问题提供一条新途径。
附图说明
[0057]
图1是本发明的方法流程示意图；
[0058]
图2是本发明的改进人工免疫算法的流程示意图；
[0059]
图3是本发明不同时段可行搜索空间的优化示意图；
[0060]
图4是本发明不同算法的发电-缺水pareto-front曲线图。
具体实施方式
[0061]
下面结合附图和具体实施方式对本发明进行详细说明。
[0062]
为验证本发明提出的改进的人工免疫算法fss-nnia的有效性和优越性，下面通过实例进行说明：
[0063]
小浪底水库位于黄河下游如图3所示，为黄河下游控制性年调节性能水库。随着经济的发展，黄河下游综合用水需求增加，导致用水和发电任务矛盾突出，而天然来水的减少，无疑加剧了两个目标矛盾性。为缓解黄河下游小浪底水库发电
ꢀ‑
供水矛盾，选取历史特枯来水年和现状水平年需水资料，如表1所示，进行多目标调度研究，调度期为7月-次年6月，汛期7-10月。水库主要特征参数见表2。
[0064]
表1来水和需水资料
[0065][0066]
表2水库主要特征参数
[0067][0068]
该实例中，分别采用nnia，fss-nnia，mopso算法，综合考虑发电、供水的综合效益，对小浪底水库建立发电、供水多目标优化调度模型，表示如下：
[0069]
1)目标函数
[0070]
以发电量最大化目标，目标函数如下：
[0071][0072]
式中：f1为电站发电量，亿度，m、n分别为电站总数和调度时段总数， k电站的出力系数，取8.3，qi为第i时段的发电流量，m3/s。hi为第i时段的发电水头，m，t为单个调度时段。
[0073]
缺水量最小目标：
[0074][0075]
[0076]
式中：t为总时段数，α(t)为第t时段缺水系数，0表示不缺水，1表示缺水，qw(t)和qs(t)分别为第t时段需水量和供水量。
[0077]
2)约束条件：
[0078]
(1)水量平衡约束：v
i 1
＝vi (q
i-qi)t
ꢀꢀꢀꢀꢀꢀ
(3)
[0079]
式中：vi、vi 1分别为水库时段始末库容，qi和qi分别为水库时段内入库流量和出库流量；
[0080]
(2)水库水位约束：h
min
(i)≤hi≤h
max(i)ꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0081]
式中：h
max
(i)和h
min
(i)分别为水库时段内水位上下限；
[0082]
(3)水库泄流约束：q
min
(i)≤qi≤q
max(i)ꢀꢀꢀꢀꢀꢀꢀ
(5)
[0083]
式中：q
max
(i)和q
min
(i)分别为水库时段内出库流量上下限，分别为1776 m3/s和300m3/s；
[0084]
(4)电站出力约束：n
min
(i)≤ni≤n
max(i)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0085]
式中：n
max
(i)和n
min
(i)分别为水库时段内出力上下限，分别为180万kw 和35.4万kw；
[0086]
(5)非负约束
[0087]
模型中各决策物理参变量均非负：
[0088]
x≥0
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0089]
对建立的发电、供水多目标优化调度模型，历史特枯来水年和现状水平年需水资料，分别采用nnia，fss-nnia，mopso算法进行求解。
[0090]
其中参数设置预先设定如下：
[0091]
表3参数设置详情表
[0092][0093]
注：为直观地对比各种算法pareto-front曲线分布均匀性，nd设置为 50。
[0094]
结果分析：为了比较分析fss-nnia、nnia和mopso在水库多目标调度问题上的稳定性和优化广度，分别对10次独立计算的结果统计如图4。
[0095]
从图4可以看出，从结果的稳定性来看，mopso算法的计算结果波动很大，得到的pareto-front变成了一个宽带，而nnia和fss-nnia的运行相对稳定。
[0096]
为了分析不同算法的优越性，本文引入了算法的计算时间、非支配解的个数和超体积(hv)作为度量指标。表4显示了所有评估算法的性能指标结果，其中hv越大表明求解空间越大，非支配解个数越多表明寻优解集分布广度越广，求解时间越短表明寻优效率越高。
[0097]
表4基于不同方法的比较指标
[0098][0099]
综合分析可得：与其他进化算法相比，fss-nnia不仅计算高效而且计算结果的分布广度及均匀性更佳。
[0100]
(1)fss-nnia的hv比mopso和nnia分别大0.116和0.016；
[0101]
(2)fss-nnia的非支配解数量比mopso和nnia分别多71和31个。
[0102]
(3)fss-nnia的计算时间分别比mopso和nnia少27秒和5秒。
[0103]
因此，从算法优化的角度来看，mopso最差，nnia更好，fss-nnia最好。
[0104]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。此外，本领域的技术人员可以将本说明书中描述的不同实施例或示例进行接合和组合。
[0105]
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本发明的其它实施方案。本技术旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明的真正范围和精神由所附的权利要求指出。