韓義超,徐 煒,張 弛,彭 勇,王本德

(1.遼寧省水利水電勘測設(shè)計(jì)研究院,遼寧沈陽 110006; 2.重慶交通大學(xué)河海學(xué)院,重慶 400074;3.大連理工大學(xué)建設(shè)工程學(xué)部,遼寧大連 116024)

徑流貝葉斯概率預(yù)報(bào)在水庫發(fā)電優(yōu)化調(diào)度中的應(yīng)用

韓義超1,徐 煒2,3,張 弛3,彭 勇3,王本德3

(1.遼寧省水利水電勘測設(shè)計(jì)研究院,遼寧沈陽 110006; 2.重慶交通大學(xué)河海學(xué)院,重慶 400074;3.大連理工大學(xué)建設(shè)工程學(xué)部,遼寧大連 116024)

為了充分考慮降雨、徑流預(yù)報(bào)的不確定性和降低水庫發(fā)電調(diào)度模型的復(fù)雜性,采用貝葉斯概率水文預(yù)報(bào)系統(tǒng)(BFS)耦合降雨預(yù)報(bào)的不確定性和徑流預(yù)報(bào)模型本身的不確定性來定量描述徑流預(yù)報(bào)的不確定性,發(fā)布徑流確定性預(yù)報(bào)、概率預(yù)報(bào)和概率預(yù)報(bào)期望值;結(jié)合隨機(jī)動(dòng)態(tài)規(guī)劃(SDP)模型和貝葉斯隨機(jī)動(dòng)態(tài)規(guī)劃(BSDP)模型來制定發(fā)電調(diào)度圖;以渾江桓仁水庫流域?yàn)楸尘?采用美國國家天氣局的全球預(yù)報(bào)系統(tǒng)(GFS)發(fā)布的10 d降雨預(yù)報(bào)信息作為預(yù)報(bào)模型輸入,模擬桓仁水庫的發(fā)電調(diào)度過程。模擬結(jié)果表明基于徑流貝葉斯概率預(yù)報(bào)的水庫發(fā)電調(diào)度能有效提高水庫的發(fā)電效益和保證率。

水力發(fā)電;數(shù)值降雨預(yù)報(bào);徑流概率預(yù)報(bào);貝葉斯理論;隨機(jī)動(dòng)態(tài)規(guī)劃;桓仁水庫

近年來,隨著科學(xué)技術(shù)的不斷發(fā)展,數(shù)值氣象預(yù)報(bào)的精度不斷提高,預(yù)見期也不斷延長,其中美國的全球預(yù)報(bào)系統(tǒng)(global forecasting system,GFS)和中國氣象局的T213系統(tǒng)均能夠提供相對可信的中期環(huán)流形勢以及10～15 d的降雨預(yù)報(bào)信息。將數(shù)值降雨預(yù)報(bào)信息應(yīng)用于水庫發(fā)電優(yōu)化調(diào)度中,有利于提高水庫徑流預(yù)報(bào)的預(yù)見期和精度,從而有利于水庫發(fā)電調(diào)度決策。在降雨和徑流預(yù)報(bào)信息的實(shí)際使用中,合理處理預(yù)報(bào)信息的不確定性是關(guān)鍵。

在水庫實(shí)時(shí)發(fā)電調(diào)度中,預(yù)報(bào)的徑流過程屬于不確定性信息,局限了動(dòng)態(tài)規(guī)劃等確定性算法的應(yīng)用,而隨機(jī)動(dòng)態(tài)規(guī)劃(stochastic dynamic programming, SDP)模型能夠在算法中耦合徑流預(yù)報(bào)信息的不確定性,與水庫多階段決策的特點(diǎn)具有較高的契合性。經(jīng)典SDP模型將預(yù)報(bào)徑流信息視為準(zhǔn)確的或假定誤差不變的,調(diào)度中直接用于決策[1-3]。徑流預(yù)報(bào)的不確定性主要受降雨預(yù)報(bào)精度的影響,且隨著預(yù)見期的延長,降雨預(yù)報(bào)和徑流預(yù)報(bào)的不確定性也逐漸增加,即試圖精確地描述徑流非常困難[4-5],因此Karamouz等[6-8]在水庫運(yùn)行中運(yùn)用貝葉斯理論來靈活處理入流的概率信息,并在隨后的研究中建立了貝葉斯隨機(jī)動(dòng)態(tài)規(guī)劃(bayesian stochastic dynamic programming,BSDP)模型。通過對BSDP模型的改進(jìn),使其在電力系統(tǒng)需求分析、季節(jié)性入流不確定性對發(fā)電調(diào)度的影響評價(jià)等方面得到了應(yīng)用[9-15]。然而BSDP模型的入流概率信息只是對徑流預(yù)報(bào)不確定性的某一或某幾方面進(jìn)行量化分析,沒有充分考慮降雨預(yù)報(bào)的不確定性和徑流預(yù)報(bào)模型本身的不確定性。當(dāng)模型在融合多元信息描述徑流預(yù)報(bào)信息的不確定性時(shí),調(diào)度模型的復(fù)雜性和“維數(shù)災(zāi)”問題隨信息量的增加而加劇。

圖1 GFS發(fā)布的降雨預(yù)報(bào)分布

鑒于目前在水庫發(fā)電調(diào)度中耦合降雨和徑流預(yù)報(bào)信息所存在的問題,本文參考 Krzysztofowicz等[16-20]提出的貝葉斯概率水文預(yù)報(bào)系統(tǒng)(bayesian forecasting system,BFS),將數(shù)值降雨預(yù)報(bào)不確定性與水文預(yù)報(bào)不確定性分別量化;然后通過全概率公式將二者耦合起來,得到水文預(yù)報(bào)不確定性的解析解,同時(shí)得到徑流概率預(yù)報(bào)值、概率預(yù)報(bào)期望值和確定性徑流預(yù)報(bào)值;最后,基于SDP模型和BSDP模型的發(fā)電優(yōu)化調(diào)度圖,依據(jù)徑流預(yù)報(bào)信息分別模擬桓仁水庫的發(fā)電調(diào)度決策,并對模擬發(fā)電調(diào)度的效益和穩(wěn)定性進(jìn)行比較與分析。

1 概率預(yù)報(bào)及優(yōu)化調(diào)度模型的建立

1.1 GFS降雨預(yù)報(bào)系統(tǒng)

GFS降雨預(yù)報(bào)系統(tǒng)由美國國家環(huán)境預(yù)報(bào)中心研制,是全球應(yīng)用最廣泛的數(shù)值預(yù)報(bào)業(yè)務(wù)系統(tǒng)之一。該數(shù)值天氣預(yù)報(bào)系統(tǒng)按格林威治時(shí)間在每日的0、6、12和18時(shí)向公眾發(fā)布未來1～15 d各地區(qū)降雨情況,如圖1所示。該降雨預(yù)報(bào)系統(tǒng)分為兩個(gè)部分:一部分為精度較高的未來1～8 d降雨預(yù)報(bào)系統(tǒng),以6 h為間隔發(fā)布數(shù)值預(yù)報(bào),如圖1(a)所示;另一部分為精度較低的未來9～15 d降雨預(yù)報(bào)系統(tǒng),以12 h為間隔發(fā)布數(shù)值預(yù)報(bào),如圖1(b)所示。

1.2 徑流預(yù)報(bào)模型

本文采用多元線性回歸模型和新安江模型分別建立流域非汛期和汛期的旬徑流預(yù)報(bào)模型[13-14]。多元線性回歸模型以上旬降雨和徑流信息和本旬降雨信息作為影響因子,建立非汛期旬徑流預(yù)報(bào)模型[21-22];汛期建立以日降雨量作為輸入的新安江模型,模擬汛期未來旬的徑流過程,通過累加得到旬徑流量[23]。采用1968—2000年的實(shí)測降雨和徑流資料對模型參數(shù)進(jìn)行率定,將此階段作為模型參數(shù)率定期;模型參數(shù)驗(yàn)證階段采用2001—2010年實(shí)測降雨資料模擬徑流,并與實(shí)測徑流對比檢驗(yàn)?zāi)Ｐ皖A(yù)報(bào)能力。模型參數(shù)率定期、驗(yàn)證期和預(yù)報(bào)期精度的詳細(xì)內(nèi)容可參見文獻(xiàn)[13]。

1.3 貝葉斯概率水文預(yù)報(bào)系統(tǒng)BFS

流域徑流預(yù)報(bào)不確定性可分為降雨預(yù)報(bào)不確定性和水文預(yù)報(bào)不確定性[19-20]。通過統(tǒng)計(jì)分析實(shí)測降雨量與GFS預(yù)報(bào)降雨量獲得降雨的不確定性。水文預(yù)報(bào)不確定性包括徑流本身的不確定性以及徑流預(yù)報(bào)模型結(jié)構(gòu)和參數(shù)帶來的不確定性,可通過實(shí)測降雨量模擬徑流并與實(shí)測徑流的對比來進(jìn)行定量分析。BFS采用全概率公式耦合水文預(yù)報(bào)不確定性與降雨預(yù)報(bào)不確定性,并提供了研究概率水文預(yù)報(bào)的框架,如圖2所示。水文模型的預(yù)報(bào)徑流所屬區(qū)間為Ht,實(shí)測徑流所屬區(qū)間為Qt(在優(yōu)化模型計(jì)算時(shí),采用所屬區(qū)間的中值作為區(qū)間代表值進(jìn)行計(jì)算)。

1.3.1 水文預(yù)報(bào)不確定性分析

圖2 旬徑流概率預(yù)報(bào)模型結(jié)構(gòu)

1.3.2 降雨預(yù)報(bào)不確定性分析

統(tǒng)計(jì)GFS發(fā)布的未來10 d降雨量和實(shí)測降雨量,并分別表示為w和r。將降雨量進(jìn)行等級劃分,各等級表示為Ry(y為等級數(shù));可得到當(dāng)預(yù)報(bào)降雨量w為 Ry時(shí),實(shí)際降雨量 r的概率分布函數(shù)為f(Ry);根據(jù)f(Ry)可得到不同概率條件{Ph:h=1,2,…,z}所對應(yīng)的一組實(shí)測降雨量序列{rp1,rp2…,rpz}。根據(jù)GFS發(fā)布的10d預(yù)報(bào)降雨量獲得預(yù)報(bào)降雨量條件下,不同概率對應(yīng)的實(shí)測降雨量序列;然后通過所建立的徑流預(yù)報(bào)模型模擬計(jì)算獲得對應(yīng)的徑流量序列可通過上述關(guān)系計(jì)算出當(dāng)預(yù)報(bào)徑流發(fā)生在Ht區(qū)間的概率:

1.3.3 不確定性綜合

當(dāng)t-1時(shí)段實(shí)測徑流量在Qt-1區(qū)間時(shí),GFS預(yù)報(bào)降雨發(fā)生等級為Ry,采用全概率公式,t時(shí)段實(shí)測徑流將發(fā)生在區(qū)間Qt的概率為

式中:k為t時(shí)段預(yù)報(bào)徑流發(fā)生區(qū)間;N為t時(shí)段預(yù)報(bào)徑流劃分區(qū)間數(shù)。

1.4 水電站調(diào)度優(yōu)化模型

1.4.1 優(yōu)化調(diào)度模型目標(biāo)函數(shù)

優(yōu)化調(diào)度模型以調(diào)度期1～T時(shí)段內(nèi)總發(fā)電量期望值最大為目標(biāo)函數(shù):

式中:Kt為t時(shí)段初的庫水位;Lt為t時(shí)段決策末水位;E[B(Kt,Qt,Lt)]為t時(shí)段期望發(fā)電效益函數(shù); B(Kt,Qt,Lt)為t時(shí)段懲罰后的發(fā)電量效益函數(shù); b(Kt,Qt,Lt)為t時(shí)段水電站實(shí)際發(fā)電效益函數(shù),由耗水率、總泄流量計(jì)算獲得;α和β為懲罰系數(shù);e為保證出力;Δt為計(jì)算時(shí)段長度。

1.4.2 優(yōu)化調(diào)度模型遞歸函數(shù)

建立經(jīng)典SDP模型和BSDP模型,它們的徑流描述過程分別如圖3(a)(b)所示。

圖3 優(yōu)化調(diào)度模型徑流描述過程

a.SDP模型遞推方程。SDP模型的徑流描述過程如圖3(a)所示,將預(yù)報(bào)徑流Ht視為較準(zhǔn)確的情況下水庫發(fā)電調(diào)度優(yōu)化模型遞推方程為

式中:fopt(Kt,Ht)為t時(shí)段初水位Kt和預(yù)報(bào)徑流區(qū)間Ht條件下,優(yōu)化模型遞推方程效益函數(shù);j為t+1時(shí)段實(shí)測徑流發(fā)生區(qū)間;m為t+1時(shí)段實(shí)測徑流劃分區(qū)間數(shù)。

b.BSDP模型遞推方程。BSDP模型采用貝葉斯理論描述徑流狀態(tài)轉(zhuǎn)移過程及徑流的不確定性,模型徑流描述過程如圖3(b)所示,模型遞推方程為

式中:fopt(Kt,Qt-1,Ht)為t時(shí)段初水位Kt、預(yù)報(bào)徑流區(qū)間Ht和t-1時(shí)段實(shí)測徑流區(qū)間Qt-1條件下,優(yōu)化模型遞推方程效益函數(shù);i為t時(shí)段實(shí)測徑流發(fā)生區(qū)間;n為t時(shí)段實(shí)測徑流劃分區(qū)間數(shù)。

1.5 徑流預(yù)報(bào)信息與發(fā)電調(diào)度的耦合

將BFS系統(tǒng)制定的確定性徑流預(yù)報(bào)(確定性預(yù)報(bào))、徑流區(qū)間等級概率預(yù)報(bào)(概率預(yù)報(bào))和徑流概率預(yù)報(bào)期望值(概率預(yù)報(bào)期望值)分別作為SDP和BSDP模型徑流預(yù)報(bào)信息輸入指導(dǎo)水庫發(fā)電調(diào)度決策。由于BFS以徑流區(qū)間形式發(fā)布概率預(yù)報(bào)信息,因此當(dāng)采用概率預(yù)報(bào)信息作為徑流輸入信息時(shí),以發(fā)生概率最大的徑流區(qū)間等級和當(dāng)前控制水位查調(diào)度圖得到?jīng)Q策出力。當(dāng)采用確定性預(yù)報(bào)和概率預(yù)報(bào)期望值作為徑流輸入信息時(shí),通過預(yù)報(bào)徑流結(jié)果和當(dāng)前水庫控制水位查調(diào)度圖得到?jīng)Q策出力。

2 工程實(shí)例

2.1 流域概況

桓仁水庫位于東經(jīng)124°43′～126°50′、北緯40° 40′～42°15′,地處渾江中游我國東北暴雨中心北部邊緣,流域面積10400km2,流域植被良好,多年平均年雨量為860 mm,70%的雨量集中在6—9月,大洪水發(fā)生在7月下旬至8月中旬。

桓仁水庫徑流過程可分封凍期、融雪期與豐水期3個(gè)階段。①封凍期從11月至次年3月,期間徑流量小且相對穩(wěn)定,主要由地下徑流補(bǔ)充,封凍期采用多元線性回歸模型進(jìn)行徑流預(yù)測。②融雪期從3月末至4月末(即春汛),徑流受封凍期流域降雪量、溫度等因素影響,往往致使該階段徑流深大于降雨量。在此期間,采用多元線性回歸模型和新安江模型進(jìn)行徑流預(yù)報(bào),處于由多元線性回歸模型向新安江模型過渡的階段。此階段新安江模型對流域下墊面初值不斷校正,因此徑流預(yù)報(bào)以多元線性回歸模型為主。③豐水期從5月至10月,徑流量主要由降雨產(chǎn)生,該階段采用新安江模型進(jìn)行徑流預(yù)報(bào)。

2.2 徑流概率預(yù)報(bào)

2.2.1 GFS降雨預(yù)報(bào)不確定性分析

根據(jù)資料收集情況,利用2001—2010年5—10月GFS每日8:00發(fā)布的未來10 d降雨預(yù)報(bào),并與實(shí)際降雨量進(jìn)行統(tǒng)計(jì)分析。根據(jù)桓仁水庫流域水文特點(diǎn)將GFS降雨預(yù)報(bào)信息分成3個(gè)階段進(jìn)行分析,即汛前期5—6月;主汛期7—8月;汛后期9—10月。將各階段GFS預(yù)報(bào)降雨量分為4級,等級劃分標(biāo)準(zhǔn)如表1所示。

對預(yù)見期內(nèi)各預(yù)報(bào)等級的實(shí)際發(fā)生降雨量進(jìn)行統(tǒng)計(jì),由于各階段第4級的樣本較少,因此將3個(gè)階段的第4級進(jìn)行合并。通過Kolmogorov檢驗(yàn)法以給定顯著性水平α=0.05時(shí)對各階段各預(yù)報(bào)等級條件下實(shí)際降雨量的分布進(jìn)行非參數(shù)假設(shè)檢驗(yàn),得出5—6月、7—8月的第3級與合并后的第4級均滿足0≤x的正態(tài)分布;其余等級均滿足P-Ⅲ型分布,各等級實(shí)際降雨概率分布類型及參數(shù)見表2。

表1 GFS降雨預(yù)報(bào)等級劃分標(biāo)準(zhǔn)

表2 各等級實(shí)際降雨概率分布類型及參數(shù)

2.2.2 水文模型不確定性分析

采用馬爾柯夫鏈過程來描述t-1時(shí)段徑流量與t時(shí)段徑流量的關(guān)系,采用徑流先驗(yàn)概率Pt,ij來描述徑流的不確定性,表示t-1時(shí)段實(shí)測徑流量Qt-1在區(qū)間i,t時(shí)段實(shí)測徑流量Qt發(fā)生在區(qū)間j的概率。由于只有1968—2000年歷史實(shí)測徑流資料,計(jì)算得到的徑流狀態(tài)轉(zhuǎn)移概率偶然性較大,因此,基于1968—2000年歷史實(shí)測徑流的統(tǒng)計(jì)規(guī)律,采用季節(jié)性自回歸模型得到1 000年模擬徑流過程,并將各旬徑流劃分為4個(gè)等級,計(jì)算徑流狀態(tài)轉(zhuǎn)移概率矩陣,圖4為7月下旬各實(shí)測徑流等級條件下,8月上旬實(shí)測徑流發(fā)生在各等級的轉(zhuǎn)移概率矩陣。

圖4 7月下旬至8月上旬實(shí)測徑流狀態(tài)轉(zhuǎn)移概率矩陣

利用實(shí)測降雨資料模擬徑流與實(shí)測徑流的差異反映了水文模型結(jié)構(gòu)、參數(shù)和流域下墊面情況估計(jì)等因素的不確定性,其概率矩陣即為似然概率矩陣,表示t時(shí)段徑流預(yù)報(bào)Ht在區(qū)間k時(shí),實(shí)測徑流Qt發(fā)生在區(qū)間j的概率。采用1968—2000年實(shí)測降雨模擬徑流與實(shí)測徑流建立似然概率矩陣,圖5為8月上旬各徑流預(yù)報(bào)等級條件下,實(shí)測徑流發(fā)生的似然概率矩陣。

圖5 8月上旬預(yù)報(bào)徑流區(qū)間的似然概率矩陣

在徑流預(yù)報(bào)的不同時(shí)期,根據(jù)t-1時(shí)段實(shí)測徑流等級和t時(shí)段預(yù)報(bào)徑流等級,使用公式(1)可更新該時(shí)段后驗(yàn)概率,圖6為8月上旬的后驗(yàn)概率矩陣。

2.2.3 旬徑流概率預(yù)報(bào)

利用BFS綜合考慮GFS降雨預(yù)報(bào)和徑流預(yù)報(bào)模型的不確定性,發(fā)布旬確定性徑流預(yù)報(bào)和考慮不確定性的概率預(yù)報(bào)和徑流期望值,表3為2010年發(fā)布的豐水期各旬概率預(yù)報(bào)的解析解。

根據(jù)SL250—2000《水文情報(bào)預(yù)報(bào)規(guī)范》規(guī)定徑流中長期預(yù)報(bào)誤差以多年變幅的20%作為評定標(biāo)準(zhǔn)。2001—2010年豐水期5—10月旬徑流預(yù)報(bào)期望值與確定性預(yù)報(bào)的合格率統(tǒng)計(jì)結(jié)果見表4。

表3 2010年豐水期徑流預(yù)報(bào)等級發(fā)生概率分布

表4 徑流概率預(yù)報(bào)期望值和確定性預(yù)報(bào)合格率

圖6 8月上旬的后驗(yàn)概率矩陣

2.3 水電站發(fā)電調(diào)度模擬

2.3.1 優(yōu)化調(diào)度決策圖

分別采用SDP和BSDP模型制定水庫發(fā)電調(diào)度圖。圖7為8月上旬基于SDP模型優(yōu)化制定的桓仁水庫發(fā)電優(yōu)化出力圖,其中a表示8月上旬預(yù)報(bào)徑流量等級。圖8為8月上旬基于BSDP模型優(yōu)化制定的發(fā)電優(yōu)化出力圖,其中b表示7月下旬實(shí)測徑流量發(fā)生等級。根據(jù)上旬實(shí)測徑流量等級、本旬預(yù)報(bào)徑流量等級和當(dāng)前水庫控制水位查圖8可獲得水庫8月上旬決策出力。

圖7 基于SDP模型的8月上旬桓仁水庫發(fā)電優(yōu)化出力

2.3.2 水電站發(fā)電調(diào)度模擬

以確定性動(dòng)態(tài)規(guī)劃(dynamic programming,DP)模型推求的2001—2010年發(fā)電調(diào)度過程作為理想決策過程,以SDP和BSDP模型制定的發(fā)電優(yōu)化調(diào)度圖為基礎(chǔ),采用BFS發(fā)布的確定性預(yù)報(bào)、概率預(yù)報(bào)和概率預(yù)報(bào)期望值作為徑流信息輸入,模擬決策水庫2001—2010年發(fā)電調(diào)度過程。采用年平均發(fā)電量、納什系數(shù)以及決策出力滿足系統(tǒng)出力的可能性作為評價(jià)指標(biāo)[24-25],納什系數(shù)用于評價(jià)各方案模擬的決策過程與理想決策的貼近程度,各方案模擬調(diào)度評價(jià)指標(biāo)統(tǒng)計(jì)結(jié)果見表5。

圖8 基于BSDP模型的8月上旬桓仁水庫發(fā)電優(yōu)化出力

表5 不同模型方案發(fā)電調(diào)度模擬計(jì)算結(jié)果

方案2、3的發(fā)電量都低于方案1,結(jié)果是合理的,這是因?yàn)榉桨?、3只利用了下一個(gè)時(shí)段的實(shí)測徑流信息,而方案1利用了當(dāng)前時(shí)段以后所有的實(shí)測徑流信息。比較方案4和7可知,在確定性預(yù)報(bào)信息條件下,BSDP模型優(yōu)于SDP模型,這是由于SDP模型只采用馬爾科夫鏈描述徑流狀態(tài)轉(zhuǎn)移,而BSDP模型采用貝葉斯理論同時(shí)描述了徑流狀態(tài)轉(zhuǎn)移和徑流預(yù)報(bào)不確定性,因此在決策中直接使用確定性預(yù)報(bào)信息時(shí),BSDP模型比SDP模型具有更強(qiáng)的抗不確定性。

比較方案5、6、8、9可知,SDP模型和BSDP模型中利用概率預(yù)報(bào)信息(概率預(yù)報(bào)值或概率預(yù)報(bào)期望值)來決策發(fā)電調(diào)度,模擬調(diào)度評價(jià)指標(biāo)接近,這是由于這4個(gè)方案都充分考慮了徑流的不確定信息,也說明將徑流不確定性描述與優(yōu)化調(diào)度模型相分離是可行的。

3 結(jié) 語

本文采用BFS分別與SDP模型和BSDP模型相耦合的方法來提高水庫的發(fā)電效益。由于BFS考慮了降雨信息、模型及徑流本身的不確定性,其預(yù)報(bào)結(jié)果與確定性預(yù)報(bào)徑流相比有校正效果,所以在概率預(yù)報(bào)信息條件下SDP模型和BSDP模型效率相近,說明所建模型和耦合方法是可行的,且此時(shí)SDP模型比BSDP模型計(jì)算量更少,更簡潔易懂,獨(dú)立的SDP模型和BFS系統(tǒng)具有更強(qiáng)的模塊化。

[1]DUTTA B,Houck M H.A stochastic optimization model for real-time operation ofreservoirs using uncertain forecasts[J].Water Resource Research 1984,20(8): 1039-1046.

[2]DUTTA B,BURGES S J.Short-term,single,multiple purpose reservoir operation:importance of loss function and forecast errors[J].Water Resource Research,1984, 20(9):1167-1176.

[3]STEDINGER J R,SULE B F,LOUCKS D P.Stochastic dynamicprogramming modelsforreservoiroperation optimization[J].Water Resources Research,1984,20 (11):1499-1505.

[4]ROULIN E,VANNITSEM S.Skillofmedium-range hydrological ensemble predictions[J].Journal of Hydrometeorology,2005,6(5):729-744.

[5]MASCARO G,VIVONI E,DEIDDA R.Implications of ensemble quantitative precipitation forecasterrorson distributed streamflow forecasting[J].Journal of Hydrometeorology,2010,11(1):69-86.

[6]KARAMOUZ M.Forecast uncertainty in reservoir operation[C]//Proceedings of the 15th Annual Water Resources Conference,Critical Water Issues and Computer Applications.New York:ASCE,1988.

[7]KARAMOUZ M.Bayesian decision theory and fuzzy sets theory in systems operation[C]//Proceedings of the 17th AnnualWaterResourcesConference,Optimizingthe Resources for Water Management.New York:ASCE, 1990.

[8]KARAMOUZ M,VASILIADIS H V.Bayesian stochastic optimization of reservoir operation using uncertain forecasts[J].Water Resource Research,1992,28(5): 1221-1232.

[9]KIM Y O,PALMER R N.Value of seasonal flow forecasts in bayesian stochastic programming[J].Water Resources Planning and Management,1997,123(6):327-335.

[10]MUJUMDAR P P,NIRMALA B.A bayesian stochastic optimization model for a multi-reservoir hydropower system [J]Water Resour Manage,2007,21:1465-1485.

[11]周惠成,王峰,唐國磊,等.二灘水電站水庫徑流描述與優(yōu)化調(diào)度模型研究[J].水力發(fā)電學(xué)報(bào),2009,28(1): 18-23.(ZHOU Huicheng,WANG Feng,TANG Guolei,et al.Study on the runoff description and optimal operation models for Ertan hydropower station[J].Journal of Hydroelectric Engineering,2009,28(1):18-23.(in Chinese))

[12]唐國磊,周惠成,李寧寧,等.一種考慮徑流預(yù)報(bào)及其不確定性的水庫優(yōu)化調(diào)度模型[J].水利學(xué)報(bào),2011,42 (6):641-647.(TANG Guolei,ZHOU Huicheng,LI N,et al.Optimaloperation modelforhydropowerstation considering the inflow forecast and uncertainty[J].Journal of Hydraulic Engineering,2011,42(6):641-647.(in Chinese))

[13]徐煒,張弛,彭勇,等.基于降雨預(yù)報(bào)信息的梯級水電站不確定優(yōu)化調(diào)度研究I:聚合分解降維[J].水利學(xué)報(bào), 2013,44(8):42-51.(XU Wei,ZHANG Chi,PENG Yong,et al.Stochastic optimization operation for cascade hydropower reservoirs by using precipitation forecasts I. Using aggregation-decomposition methodology to reduce high computationalcosts[J].JournalofHydraulic Engineering,2013,44(8):42-51.(in Chinese))

[14]徐煒,彭勇,張弛,等.基于降雨預(yù)報(bào)信息的梯級水電站不確定優(yōu)化調(diào)度研究 Ⅱ:耦合短、中期預(yù)報(bào)信息[J].水利學(xué)報(bào),2013,44(10):1189-1196.(XU Wei,PENG Yong,ZHANG Chi,et al.Stochastic optimization operation for cascade hydropower reservoirs by using precipitation forecasts ii-coupling short and medium-term information [J].Journal of Hydraulic Engineering,2013,44(8):42-51.(in Chinese))

[15]TANG G L,ZHOU H C,LI N,et al.Value of mediumrange precipitation forecasts in inflow prediction and hydropower optimization[J].Water Resour Manage,2010, 24:2721-2742.

[16]KRZYSZTOFOWICZ R.Bayesian model of forecasted time series[J].Water Resource Research,1985,21(5):805-814.

[17]KRZYSZTOFOWICZ R,KELLY K S.Hydrologic uncertainty processor for probabilistic river stage forecasting[J].Water Resource Research,2000,36(11): 3265-3277.

[18]KRZYSZTOFOWICZ R,HERR H D.Hydrologic uncertainty for probabilistic river stage forecasting: precipitation-dependent model[J].Journal of Hydrology, 2001,249(1/2/3/4):46-68.

[19]KRZYSZTOFOWICZ R,MARANZANO C J.Hydrologic uncertainty processor for probabilistic stage transition forecasting[J].Journal of Hydrology,2004,293(1/2/3/ 4),:57-73.

[20]KRZYSZTOFOWICZ R,MARANZANO C J.Bayesian system for probabilistic stage transition forecasting[J]. Journal of Hydrology,2004,299(1/2):15-44.

[21]梁國華,王國利,王本德,等.大伙房跨流域引水工程預(yù)報(bào)調(diào)度方式研究[J].水力發(fā)電學(xué)報(bào),2009,28(3):32-36.(LIANG Guohua,WANG Guoli,WANG Bende,et al. Study on forecast based operation mode for Dahuofang inter-basin water transfer project[J].Journal of Hydroelectric Engineering,2009,28(3):32-36.(in Chinese))

[22]梁國華,習(xí)樹峰,王本德,等.基于BP神經(jīng)網(wǎng)絡(luò)的旬降雨徑流相關(guān)預(yù)報(bào)模型[J].水力發(fā)電,2009,35(8):10-12.(LIANG Guohua,XI Shufeng,WANG Bende,et al. Ten-day correlation forecast model of rainfall and runoff based on BP neural network[J].Water Power,2009.35 (8):10-12.(in Chinese))

[23]詹道江,葉守澤.工程水文學(xué)[M].北京:中國水利水電出版社,2000.

[24]HASHIMOTO T,STEDINGER J R,LOUCKS D P. Reliability,resiliency and vulnerability criteria for water resources system performance evaluation[J].Water Resource Research,1982,18(1):14-20.

[25]SURESH K R.Modeling for irrigation reservoir operation [D].Bangalore,India:Indian Institute of Science,2002.

Building optimization model for reservoir hydropower generation using Bayesian forecasting system and stochastic dynamic programming//

HAN Yichao1,XU Wei2,3,ZHANG Chi3,PENG Yong3,WANG Bende3
(1.Liaoning Hydro& Power Design Institute,Shenyang 110006,China;2.College of River and Ocean Engineering,Chongqing Jiaotong University,Chongqing 400074,China;3.Faculty of Infrastructure Engineering,Dalian University of Technology,Dalian 116024,China)

In this paper,the Bayesian Forecasting System(BFS)is presented to address the uncertainties of inflow forecast and precipitation forecast as well as to reduce the complexity of the reservoir hydropower generation model.The BFS,based on Bayesian decision theory and total probability formula,is applied to quantitatively depict the uncertainties of inflow forecast by analyzing the uncertainties of hydrological model,inflow and precipitation forecast.Furthermore,the BFS is also used to develop a deterministic inflow forecast(DIF),the probabilistic quantitative inflow forecast(PQIF)and expectations forecast.Besides that,Stochastic Dynamic Programming(SDP) and Bayesian Stochastic Dynamic Programming(BSDP)are combined to formulate the hydroelectric operating policies.Finally,by using information of the 10 days lead time precipitation forecast of Global Forecast System(GFS)and taking Huanren Reservoir as a study case, the simulation of hydropower generation operating for this reservoir is provided.The simulation results show that the power generation dispatching based on the combination of BFS with SDP model can effectively improve the power generation efficiency and stability of the reservoir.

hydropower generation;precipitation forecast of GFS;probabilistic quantitative inflow forecast;Bayesian theory;stochastic dynamic programming;Huanren Reservoir

TV697.1+1;TV214

:A

:1006-7647(2014)04-0039-07

10.3880/j.issn.1006-7647.2014.04.009

2013-1231 編輯:周紅梅)

水利部公益性行業(yè)專項(xiàng)(201001024);國家自然科學(xué)基金(51109025);教育部博士點(diǎn)基金(20100041120004)

韓義超(1967—),男,遼寧蓋縣人,教授級高級工程師,主要從事水利水電勘測設(shè)計(jì)工作。E-mail:hanyichao@163.com

徐煒(1985—),男,重慶人,講師,博士,主要從事水庫水電站發(fā)電優(yōu)化調(diào)度研究。E-mail:xuwei19850711@163.com