论文部分内容阅读
水电站(群)运行管理的核心是预报与调度，将智能算法引入其预测与优化建模分析是近十多年来该研究领域的前沿方向。智能算法拓展了传统的计算模式，不需要建立问题本身的精确模型，非常适合于解决那些因为难以建立有效的形式化模型而用传统方法难以有效解决、甚至无法解决的问题。这些智能方法以及它们的耦合模型为解决水电站(群)中长期预报及调度提供了一条全新的思路和途径。本文以云南电网的澜沧江流域和东北电网的浑江流域的水电站(群)为工程背景，深入研究了神经网络、模糊系统、支持向量机、SCE-UA算法、蚁群算法等智能算法在水电站(群)中长期预报、调度中的建模方法，并将其应用于相关的工程实际，开发了水电站(群)中长期预报及调度决策支持系统，主要内容如下： (1)建立了基于减法聚类的自适应网络模糊推理系统(ANFIS)的径流中长期预报模型。针对“网格划分”ANFIS的维数灾问题，采用减法聚类对输入变量空间进行划分，生成初始的模糊规则库，然后采用混合学习算法用于参数估计，最终构建预报模型。以漫湾实测月径流序列(1953-2003年)为例，并与自回归滑动平均模型(ARMA)、人工神经网络模型(ANN)作比较，实例结果证明该模型是中长期预报方法中较为有效准确的方法。 (2)建立了基于SCE-UA算法参数辨识的支持向量机(SVM)的径流中长期预报模型。将SVM应用于径流中长期预报，在SVM建模过程中核函数选择径向基核函数，在此基础上应用SCE-UA算法用于辨识SVM参数，在SCE-UA搜索过程中做了指数变换以快速准确地找到最优参数。以漫湾实测月径流序列(1974-2003年)为例，并通过与ARMA模型、人工神经网络模型的预报结果作比较，实例结果显示该模型在径流中长期预报中有效准确。 (3)提出了求解水电站优化调度问题的Pareto强度值SCE-UA算法。该方法将水电站优化调度的约束优化问题转换成两个目标函数的无约束优化问题，一个为原问题的目标函数，另一个为违反约束条件的程度函数；对上述两个目标函数组成的向量个体，利用Pareto优于关系和个体Pareto强度值概念，实现个体的优劣比较和群体的优劣排序，在此基础上使用SCE-UA算法求解。以桓仁水电站为例，与采用罚函数法的遗传算法相比较，具有较强的通用性、稳定性，及更好的搜索性能。与传统的动态规划比较，本文提出的方法是可行和有效的。 (4)提出改进的蚁群算法用于求解梯级水库群优化调度的大系统多维多阶段优化决策问题。该算法为了提高搜索效率采用了一个新的信息素更新策略—Ant-weight，新