【梯级水库优化调度常用方法探析综述3600字】

梯级水库优化调度常用方法分析综述目录TOC\o"1-2"\h\u5072梯级水库优化调度常用方法分析综述 [38]等针对梯级水电站调度功能辨识协同优化中的线性选择和变量选择问题，采用逐步回归模型筛选关键变量，建立回归调度函数方程，简化调度过，。并确保有效性。将该模型应用于金沙江和长江三峡水库系统。通过逐步回归调度函数，确定了溪洛渡和三峡水库的调降机制，并对模型的准确性进行了检验。(2)优化算法目前水库优化调度的求解方法主要有逐步优化算法、大系统方法、遗传算法以及人工神经网络等。逐步优化算法(POA)作为一种改进的DP算法，于1975年由H.R.Howson和N.G.FSancho提出，其最优策略具有“每个决策阶段相对其始端值和终端值都是最优的”特点。该算法通过把一个多阶段、多状态变量的复杂决策优化问题，根据逐次优化的思想，划分为一系列简单的阶段子问题来解决。POA可以不让其中的状态变量变成离散化，这样就可以避免维数限制，并且逐步优化算法本身收敛，因而能够达到较为精确的全局最优解。但逐步优化算法对优化问题的目标函数以及约束条件要求严格，这点严重限制了其应用范围。大系统方法(LSS)分解协调技术是依据Mesaroivc等人于20世纪70年代初提出的递阶控制的概念户生的，HaimeS等在1977年又对它进行了改进和完善。大系统方法根据强对偶定理，第一步将复杂的整个系统划分成多个相互之间独立的子系统，使之形成递阶结构形式，第二步求出变量以及约束条件相对较少的子系统的局部最优解，再考虑各子系统之间的关联信息，综合大系统的总目标，最终实现整个算法的最优解。这种方法具有减少内存、简化算法的复杂性等优点，可直接利用现有各种水库群优化调度模型来求解子系统，故此被广泛地应用于水库群优化调度、城市供水系统调度、国民经济协调管理等多个方面。但是该算法收敛缓慢，并且当水库入流量为可变情况时考虑不充分。神经网络(NAA)是由D.E.Rumelhart等学者于1986年模仿人的大脑的组织形式和处理信息的方式而提出的高度非线性的计算模型。该模型以大量相互连接的人工神经元作为基本元件来仿生人类大脑的思维学习方式，通过感知获得其它神经元或外部环境的讯息，加以分析计算，并将结果返还给为其提供讯息的对象。凭借强大的逼近性能，人工神经网络模型可用于调整不同输入和输出变量之间的映射关系，并解决各种复杂的问题。BP神经网络是使用最广泛的人工神经网络模型。在学习过程中，内部输入层和中间层的权重会随着环境的变化而不断调整，操作直到ANN输出达到配置的学习次数或错误在可接受的范围内。许多学者意识到了开发ANN模型的潜力，并加强了对该方法基于理论的深入研究，学习和培训。如今，该模型具有强大的存储能力，适应性，容错能力和自组织能力。该方法具有大规模并行计算，分布式存储和处理的优势，被广泛用于水文预报和水质模拟中的水库群联合作业中，因为它特别适合解决信息处理问题的许多不准确和模棱两可的因素和条件。但是在实际应用中，由于学习时间长等因素，BP神经网络的收敛速度十分缓慢。对算法进度有明显影响，尤其是在处理一些非常复杂的问题时。另外人工神经网络具有编辑网络神经结构比较困难，学习可扩展性比较低，泛化能力比较弱，容易导致结果只有局部优化以及稳定性差的缺点。遗传算法(NSGA)是1975年美国密执安大学J.H.Holland教授提出的一种随机化搜索算法。该方法模仿“适者生存，优胜劣汰”生物生命进化的原理。也就是说，它模拟了自然选择和遗传进化过程中发生的繁殖，基因重组和基因突变现象。该方法把函数搜索范围当作一个基因遗传范围，把每个可行解用编码做为一个向量，称为一个种群个体，也可以看作为一种染色体。对于水库优化调度的遗传算法可以理解为，以水库的库容、发电流量等决策变量的时间序列作为染色体，然后在由决策变量上下限之间的解空间中随机产生初始的染色体群，从该初始染色体群出发，染色体之间通过随机选择、交叉和变异等操作，产生群具有更优适应度的新个体，在解空间中以全局搜索方式向具有更优特性的方向演变，这样代代直到最终进化到对环境适应能力最强的群染色体上，最终得到水库优化问题的最佳决策方案。每化的种群个体都会通过相应的以水库调度目标函数值来表示的适应度值来进行评价，总的思想就是适应度值较大的染色体复制下代的几率更大，但是又不完全依赖于以该值的高低大小作为选择标准，为了避免出现计算后期由于物种的单一使算法陷入局部最优，种群会通过随机变异等操作生成一些新的染色体来增加种再的多样性。经过这样的过程，适应度值较低的染色体(决策变量序列)会逐渐被淘汰掉，整个染色体种群将向着更适宜环境(即适应度值增加)的方向发展：同时又会有经过变异的新染色体个体产生。遗传算法具有很强的多目标寻求最优解能力，能比较高效地寻找到最优解。但是遗传算法的局部搜索能力较差，过程中应用到随机优化策略，这将直接影响计算后期的进化搜索效率，导致其在实际应用中并不能保证一定得到全局最优解。本质上仍是无约