基于改进智能水滴算法的梯级水库群发电优化调度方法与流程

1.本发明属于水库优化调度领域，具体涉及一种基于改进智能水滴算法的梯级水库群发电优化调度方法。


背景技术：

2.梯级水库群优化调度是一个多阶段、高维度、多约束的非线性优化问题，梯级水库群优化调度方法成为当前水库调度领域的研究热点之一。相比易导致“维数灾”的传统优化方法，智能优化算法具有效率高、结构简单、全局优化性能强、通用性强等优点，为水库优化调度提供了新的途径。作为一种新型群体智能优化算法，智能水滴算法(intelligent water drops，iwd)模拟了水流对河床冲刷过程中水滴的路径选择原理，其具有自组织能力强、鲁棒性强等诸多优点，但其存在种群初始化多样性不够高、易陷入局部最优、初期求解速度缓慢等缺陷。


技术实现要素：

3.本发明的目的是针对上述问题，提供一种基于改进智能水滴算法(improved intelligent water drops，iiwd)的梯级水库群发电优化调度方法，其将逻辑斯蒂混沌映射作为种群初始化方式，引入差分进化算法(differential evolution，de)的差分变异算子对iiwd每轮迭代中初次更新的种群进行变异操作以解决易陷入局部最优的问题，将基于自组织映射算法(self-organizing map，som)改进的神经元更新方式运用于iiwd算法的最优个体次更新过程，进一步增强其寻优能力。
4.本发明的技术方案是基于改进智能水滴算法的梯级水库群发电优化调度方法，包括以下步骤：
5.步骤1：设定改进智能水滴算法的种群大小、个体维度、交叉概率、最大迭代次数、目标函数，优化目标为梯级水库群调度期总发电量最大，适应度值即为梯级水库群调度期总发电量的大小，输入约束条件后读取水库相关数据信息，包括正常蓄水位、调度期内各日入库流量、出库流量、水位库容曲线；
6.步骤2：在满足水库自身约束条件的前提下，对水滴种群进行初始化，种群大小为n，个体维度为d，即包含d个水位，判断是否满足水位约束条件，若不满足需要则进行水位修正；
7.步骤3：水滴根据路径选择概率选取路径进行移动，完成移动之后对水滴以及路径的相关参数进行更新，得到新一代种群；
8.步骤4：使用适应度函数计算新一代种群中每个个体的适应度值，同时运用差分变异算子对新一代种群中的个体进行变异，得到差分变异个体，再将新一代种群和差分变异个体通过适应度函数进行计算比较，选取当代最优个体；
9.步骤5：对当代最优个体的速度以及路径的泥沙含量进行更新，将当代最优个体和更新后的个体进行适应度函数计算比较，选取最优个体；
10.步骤6：判断是否达到最大迭代次数，若达到则结束计算，输出最优解作为最终的梯级水库优化调度方案，否则执行步骤3。
11.智能水滴算法包括：
12.1)初始化过程，
13.初始化的变量包括：水滴初始速度v
ini
，速度更新参数av、bv、c
ν
，水滴泥沙含量更新参数as、bs、cs，局部变量更新参数α，全局变量更新参数β；
14.各条路径泥沙含量的集合记为w；
15.2)路径选择过程，
16.水滴将分若干步移动至目的地，记种群的某一个水滴的当前位置为i，下一位置为j，水滴选择路径(i，j)的概率记为p(i，j)，路径(i，j)的泥沙含量记为s(i，j)，p(i，j)与s(i，j)呈反比，
17.路径选择概率p(i，j)的表达式如下：
[0018][0019][0020][0021]
式中f(s(i，j))表示s(i，j)的相关函数；ε表示一个大于零的常量，其作用是避免发生分母为零的情况；g(s(i，k))是一个确保s(i，j)为正数的转换函数；
[0022]
3)局部变量更新过程，
[0023]
在完成路径选择之后，水滴将移动至下一位置j，更新泥沙含量s(i，j)、水滴速度v
iwd
，假设水滴在时刻t至时刻t 1从位置i移动至位置j，则v
iwd
以及s(i，j)的更新公式如下：
[0024][0025]
s(i，j)＝(1-α)s(i，j)-αδs(i，j)
ꢀꢀꢀꢀ
(5)
[0026]siwd
＝s
iwd
δs(i，j)
ꢀꢀꢀꢀ
(6)
[0027][0028]
式中δs(i，j)为路径(i，j)泥沙含量的变化量，t(i，j)为水滴在路径(i，j)上的运动时间且t(i，j)＝1.
[0029]viwd
(t)、v
iwd
(t 1)分别表示水滴在t和t 1时刻的速度；
[0030]
4)全局变量更新过程，
[0031]
计算每一代种群每个可行解的适应度值，选择适应度值最优的解作为该种群的最优解，将最优解对应的泥沙含量组成的集合w作为下一轮迭代的初始路径泥沙含量，则全局路径泥沙含量的更新公式如下：
[0032]
[0033]
式中n
iwd
表示种群中水滴总个数；β为全局变量更新参数。
[0034]
优选地，步骤2中，采用logistic混沌映射进行种群初始化，其表达式如下：
[0035][0036]
式中μ为控制参数，当μ＝4时，群体处于完全混沌状态，c(t)、c(t 1)分别表示初始化种群中水滴个体在t和t 1时刻的位置。
[0037]
优选地，引入标准差分进化算法中的差分变异算子对每次迭代之后的局部最优解进行差分变异，其表达式如下：
[0038]v′
q，g
(t)＝v
best，g
m
·
(v
q，g
‑‑vq 1，g
) m
·
(v
q 2，g
‑‑vq 3，g
)
ꢀꢀꢀꢀꢀꢀ
(10)
[0039]s′
q，g
(i，j)＝s
best，g
(i，j) m
·
(s
q，g
(i，j)-s
q 1，g
(i，j)) n
·
(s
q 2，g
(i，j)-s
q 3，g
(i，j)) (11)
[0040]
式中v
q，g
、v
q 1，g
、v
q 2，g
、v
q 3，g
分别表示第g代种群第q、q 1、q 2、q 3个个体的速度；v
′
q，g
(t)表示经过差分变异后第g代种群第q个个体的速度，v
best，g
表示第g代种群中最优个体的速度；s
best，g
(i，j)为进行差分变异前第g代种群的最优个体从i移动到j之后路径(i，j)的泥沙含量；s
′
q，g
(i，j)表示经过差分变异后第g代种群第q个个体从i移动到j之后路径(i，j)的泥沙含量，m为变异操作缩放因子。
[0041]
优选地，所述差分变异算子采用“de/best/1”变异和二项式交叉。
[0042]
改进并引入som更新神经元的方式，以此进行iiwd算法的最优个体的次更新过程，具体步骤如下：
[0043]
1)将路径泥沙含量视为神经元，记路径(i，j)的泥沙含量s(i，j)为q
i，j
，记x
i，j
为对应神经元的权重向量；
[0044]
2)以当前种群中最优个体作为最匹配神经元s
*
(i，j)，将第n 1次迭代所得最差路径泥沙含量s
n 1#
(i，j)作为输入，计算其与第n次迭代所得种群中所有个体对应路径泥沙含量之间的欧式距离大小，选取与当前最匹配神经元s
*
(i，j)欧式距离最小的神经元作为最匹配神经元s
*
(i，j)，从而更新最匹配神经元s
*
(i，j)；
[0045]
3)以当前最匹配神经元s
*
(i，j)为中心，计算其邻域半径rg，并更新此邻域范围内的所有神经元。
[0046]
以上三个步骤的具体表达式如下：
[0047]
rg＝r0·
e-g/λ
，λ＝ns/lgr0ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(12)
[0048][0049]
v(g)＝v0e-g/n
，g＝1，2，
…
，n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(14)
[0050][0051]
式中rg为第g代种群对应的邻域半径，r0为种群的初始邻域半径，λ为时间常量，v(g)为第g代种群对应的速度学习因子，v0为初始速度学习因子，ns为种群的最大迭代次数，ps表示神经元s(i，j)的坐标；表示最匹配神经元s
*
(i，j)的坐标；为最匹配神经元s
*
(i，j)与神经元s(i，j)之间的欧式距离；表示第g代种群中最匹配神经元s
*
(i，j)与其他神经元之间欧式距离的计算函数；r(g)表示第g代种群的邻域半径；λ表示时间常量；s
g-1
(i，j)、sg(i，j)、s
g 1
(i，j)分别表示第g-1、g、g 1代种群中路径(i，j)上的泥沙含量；
[0052]
4)对全局变量进行更新，更新的表达式如下：
[0053][0054]
式中w(s
*
(i，j))为s
*
(i，j)构成种群的中心点，a
t*
表示相邻神经元之间的欧氏距离，u
t*
表示单位向量，m(0，rgi)表示正态分布的噪声向量。
[0055]
优选地，所述改进智能水滴算法的种群大小为50。
[0056]
相比现有技术，本发明的有益效果包括：
[0057]
1)本发明中所提改进的智能水滴算法提升了智能水滴算法的寻优性能，在梯级水库群发电优化调度中能够获得更优的调度方案，同时其计算速度更快，结果更稳定。
[0058]
2)本发明采用逻辑斯蒂混沌映射进行种群初始化可以使得初始化种群中个体分布更加均匀稳定，从而降低了算法陷入局部最优的可能性。
[0059]
3)本发明采用差分变异算子对局部最优解进行差分变异，有助于算法跳出局部最优。
[0060]
4)本发明运用基于自组织映射算法改进的神经元更新方式对当代最优个体进行更新，自组织映射算法的映射过程具有拓扑保持和分布保持的自适应特性，基于其改进后的神经元更新方式能够较好的保留种群的结构特性，避免因为算法的运行而导致种群结构特性的变化，从而使得算法求解结果更加稳定。
附图说明
[0061]
下面结合附图和实施例对本发明作进一步说明。
[0062]
图1为本发明实施例的梯级水库群发电优化调度方法的流程示意图。
[0063]
图2a为2020年来水情况下iiwd算法优化调度的溪洛渡水库水位变化曲线图。
[0064]
图2b为2020年来水情况下iiwd算法优化调度的向家坝水库水位变化曲线图。
[0065]
图2c为2020年来水情况下iiwd算法优化调度的三峡水库水位变化曲线图。
[0066]
图3a为2015年来水情况下iiwd算法优化调度的溪洛渡水库水位变化曲线图。
[0067]
图3b为2015年来水情况下iiwd算法优化调度的向家坝水库水位变化曲线图。
[0068]
图3c为2015年来水情况下iiwd算法优化调度的三峡水库水位变化曲线图。
[0069]
图4a为2016年来水情况下iiwd算法优化调度的溪洛渡水库水位变化曲线图。
[0070]
图4b为2016年来水情况下iiwd算法优化调度的向家坝水库水位变化曲线图。
[0071]
图4c为2016年来水情况下iiwd算法优化调度的三峡水库水位变化曲线图。
具体实施方式
[0072]
如图1所示，基于改进智能水滴算法的梯级水库群发电优化调度方法，包括以下步骤：
[0073]
step1：设定改进智能水滴算法的各项参数：种群大小n、个体维度d、交叉概率cr、最大迭代次数iteration、目标函数/适应度函数，优化目标为梯级水库群调度期总发电量最大，适应度值即为梯级水库群调度期总发电量的大小，输入约束条件后读取水库相关数据信息，包括正常蓄水位、调度期内各日入库流量、出库流量、水位库容曲线等。
[0074]
step2：在满足水库自身约束条件的前提下，使用逻辑斯蒂混沌映射对水滴种群进行初始化，种群大小为n，个体维度为d，即包含d个水位，判断是否满足水位约束条件，若不满足需要则进行水位修正。
[0075]
step3：水滴根据路径选择概率选取路径进行移动，完成移动之后对水滴以及路径的相关参数进行更新，得到新一代种群。
[0076]
step4：使用适应度函数计算新一代种群中每个个体的适应度值，同时运用差分变异算子对新一代种群中的个体进行变异，得到差分变异个体，再将新一代种群和差分变异个体通过适应度函数进行计算比较，选取当代最优个体。
[0077]
step5：运用基于自组织映射算法改进的神经元更新方式对当代最优个体的速度以及路径的泥沙含量进行更新，将当代最优个体和更新后的个体进行适应度函数计算比较，选取最优个体。
[0078]
step6：判断是否达到最大迭代次数，若达到则结束计算输出最优解作为最终的梯级水库优化调度方案，否则返回至step3，依次循环直至迭代结束。
[0079]
实施例以溪洛渡、向家坝、三峡梯级水库群为实施对象，以总发电量最大为目标构建了梯级水库群发电优化调度模型，选取2020年、2015年、2016年分别作为丰、平、枯三个典型年，以9月1日-10月31日为调度期，综合考虑溪洛渡、向家坝、三峡水库之间的水力联系，在三个典型年来水的情况下，分别运用iiwd算法、iwd算法、de算法求解梯级水库群发电调度模型500次，统计上述三种算法在500次运算过程中求解方案对应的发电量的最大值、最小值、平均值、标准差以及平均每次完成计算所需时间，计算结果如表1-3所示。设置上述三种算法种群大小n＝50，迭代次数iter＝500。其中，iiwd算法和iwd算法水滴初始速度v
ini
＝0.5，水滴初始泥沙含量s
iwd
＝0，de算法采用“de/best/1”变异和二项式交叉，取交叉概率cr＝0.5。
[0080]
2020年来水情况下本发明的iiwd算法优化调度的溪洛渡、向家坝、三峡水库水位分别如图2a、2b、2c所示；2015年来水情况下本发明的iiwd算法优化调度的溪洛渡、向家坝、三峡水库水位分别如图3a、3b、3c所示。2016年来水情况下本发明的iiwd算法优化调度的溪洛渡、向家坝、三峡水库水位分别如图4a、4b、4c所示。
[0081]
由表1、表2、表3可知，从求解结果的优劣性上看，在三种不同典型年来水情况下，iiwd算法所求得发电量的最大值、最小值以及平均值均高于iwd和de算法，因此iiwd算法求解所得方案更优。求解结果均方差的大小直接反映了算法求解结果的稳定性，均方差越小则算法稳定性越强，相比于iwd和de算法，iiwd算法求解所得发电量的标准差相对于iwd和de算法更小，所以iiwd算法具备更好的稳定性。从算法的求解速度来看，相比于另外两种算法，iiwd算法平均完成一次完整计算所需要的时间更短，其求解速度更快。
[0082]
综上所述，iiwd算法的求解结果的优劣性、稳定性以及求解速度均高于iwd和de算法，iiwd算法相比于iwd和de算法具有更好的寻优性能，为梯级水库群发电优化调度提供了一种寻优性能较好的算法。
[0083]
表1 2020(丰水年)计算结果
[0084][0085]
表2 2015(平水年)计算结果
[0086][0087]
表3 2016(枯水年)计算结果
[0088]