在水库调度中,隐随机优化调度方法由于较好克服了计算上的困难而得到了较广泛的应用。这种方法大概包含两部分:一是对长系列的径流资料,采用确定性优化计算方法进行优化计算;二是根据确定性优化计算的结果,进行函数拟合,得到水库调度规则函数。对于第一部分,目前应用较多的是POA算法,该方法克服了“维数灾”问题,且易于编程实现。对于第二部分,通常是用线性回归方法拟合调度函数。但调度函数一般都是非线性的,而且究竟属于哪一类非线性函数也难以明确,因此用线性拟合方法难免会带来一定误差。本文利用神经网络强大的非线性映射功能,对调度函数进行非线性拟合,并将其应用于水库群联合调度中。实例表明,该方法取得了较为满意的效果。文章的重点内容及有关成果如下:(1)阐述了神经网络的基本原理,着重介绍了BP神经网络原理及其改进方法。改进的方法在训练神经网络时通常可以比标准BP算法快十至上百倍。对于不超过几百个权值和阈值的中等规模神经网络,采用L-M算法可以使收敛速度最快。(2)在径流资料不是特别充分的情况下,为防止网络训练过拟合,采用自动正则化技术,该技术用L-M算法进行训练,用贝叶斯的统计方法自动决定正则化参数。通过神经网络拟合得到了较为可靠的水库调度函数,网络的拟合精度较高。(3)调度函数中分别采用时段末水位和出库流量做决策,并最终将两者相结合,以相互印证和补充。通过对金沙江下游四库及三峡、葛洲坝水库组成的水库系统的模拟联合调度,可以看到,利用神经网络拟合并采用双决策的调度函数比常规调度方法和线性调度函数方法取得了更显著的效果。