[发明专利]考虑历史轨迹知识的梯级水库群生态调度优化方法

说明书

本发明涉及梯级水库群生态调度技术领域，公开了一种考虑历史轨迹知识的梯级水库群生态调度优化方法，在给定初始调度过程后，以离散微分动态规划方法(DDDP)为基础框架，首先在每次迭代前，通过挖掘历史轨迹过程携带的知识信息，对当前轨迹进行变尺度重心反向学习，得到结果更好的优化轨迹；然后在优化轨迹的基础上进行离散迭代求解；最后通过迭代寻优逐次逼近全局最优解。本发明考虑历史轨迹知识的梯级水库群生态调度优化方法，充分利用了历史轨迹知识信息，通过变尺度重心反向学习来挖掘生成多样性的搜索信息，提高了全局搜索能力，有效克服了传统算法的局部收敛问题。

技术领域

本发明涉及梯级水库群生态调度技术领域，具体涉及一种考虑历史轨迹知识的梯级水库群生态调度优化方法。

背景技术

伴随着我国水利事业飞速迅猛发展，各个流域大规模梯级水库群不断建成运营，发挥了巨大的防洪、发电、航运等社会效益和经济效益，但也急剧改变了原始的天然径流水文情势，对河流生态系统的结构和工程也产生了诸多不利的影响，包括河道萎缩、泥沙淤积、生物多样性减少。为减缓水库运行对河道生态环境的负面影响，水库群生态调度作为一种典型的非工程措施，通过调整水库群的运行方式，获取生态系统稳定及保持物种多样性最为合适的径流过程。可见，开展水库群生态调度非常有必要，受到国内外的广泛关注。

梯级水库群生态调度问题具有大规模、高维度、多阶段、强约束、非线性等特点，传统的动态规划方法(DP)应用于求解梯级水库群联合优化调度问题时，无法避免地面临严重的维数灾问题。

离散微分动态规划方法(DDDP)是一种以逐次渐进逼近理论为核心的动态规划改进方法。其基本思路是：首先，根据经验或其他方法获得满足各项复杂约束条件的初始轨迹；然后，在该轨迹的邻域内对各电站不同时段的状态变量进行离散形成廊道；其次，基于常规动态规划方法在各时段离散状态组合间进行优化，寻找出新的最优轨迹作为下次迭代的试验轨迹，反复迭代直至满足收敛条件。但DDDP在处理大规模水库群优化调度问题时，仍然存在维数灾、早熟收敛、搜索能力不足等缺陷。

因此，亟待对DDDP的计算机理进行有效改进，提高水库群联合调度问题的计算效率和求解精度。

重心反向学习是近年来依托反向学习提出的新智能计算技术，其基本思想是充分利用群体的搜索信息，评估当前状态及其重心反向状态，择优使用，从而加速搜索进程。由于DDDP是逐阶段计算过程，没有群体的概念，本次将各阶段的状态视为一个个体，这样若干个不同阶段的状态则可视为一个群体。为了有效利用历史轨迹信息，本次提出了考虑不同历史轨迹的变尺度重心反向学习，即选取不同尺度的阶段个数，然后组成一个群体并计算重心反向状态，来挖掘生成多样性的搜索信息，提高全局搜索能力。

本发明成果考虑历史轨迹所携带的知识信息，采用变尺度重心反向学习与DDDP相结合，通过变尺度重心反向学习寻找优化轨迹，来有效克服DDDP的局部收敛问题，提高方法的求解效率和计算精度，对大规模水库群优化调度问题具有良好的支撑应用价值。

发明内容

本发明的目的就是针对上述技术的不足，提供一种考虑历史轨迹知识的梯级水库群生态调度优化方法，解决DDDP在复杂水电系统优化调度求解时存在的局部收敛问题。

为实现上述目的，本发明所设计的考虑历史轨迹知识的梯级水库群生态调度优化方法，包括如下步骤：

1)确定初始计算条件，包括梯级水库群生态调度的优化目标函数、约束条件和决策变量；

2)设定计算参数，包括最大迭代次数M、最大变尺度重心反向学习次数K、各水库初始离散步长、收敛精度ε、水库数目N和调度期时段数目T；

3)采用常规动态规划方法生成满足各约束条件的各个水库的初始轨迹Ω₁，并将其存入历史轨迹库

4)初始化迭代次数m＝1；