(遼寧潤(rùn)中供水有限責(zé)任公司，遼寧 沈陽 110166)

1 工程概況

桓仁水電站位于遼寧省桓仁滿族自治縣泡子沿鎮(zhèn)境內(nèi)，屬于渾江梯級(jí)開發(fā)中的第一座大型水電站[1]?；溉仕娬究刂屏饔蛎娣e10400km2，水庫庫容為36.40億m3。桓仁水庫的正常蓄水位為300.00m，死水位290.00m。工程設(shè)計(jì)標(biāo)準(zhǔn)為千年一遇，對(duì)應(yīng)流量為22600m3/s，校核洪水標(biāo)準(zhǔn)為萬年一遇，對(duì)應(yīng)的洪峰流量為30000m3/s[2]?；溉仕娬局饕そㄖ餅榛炷链髩?，壩后式廠房，大壩右側(cè)為泄洪壩段，共布置有5孔泄洪閘，每孔泄洪閘的閘孔寬為13m，高23.80m?；溉仕娬镜闹饕δ苁前l(fā)電，兼具防洪、供水、灌溉等綜合效益。電站的設(shè)計(jì)水頭為53.20m，最大水頭57.10m，最小水頭47.10m，裝機(jī)總?cè)萘?2.25萬kW，年均發(fā)電量為4.77億kW·h。

2 改進(jìn)鴿群優(yōu)化算法

2.1 鴿群算法簡(jiǎn)介

隨著演化技術(shù)的不斷發(fā)展，仿生智能優(yōu)化成為解決諸多工程問題的新興技術(shù)。進(jìn)入新世紀(jì)以來，國(guó)內(nèi)外學(xué)者通過對(duì)自然界中廣泛存在的自適應(yīng)現(xiàn)象的深入研究，基于對(duì)上述功能機(jī)制的模擬，設(shè)計(jì)出蟻群優(yōu)化算法、微粒群優(yōu)化、鴿群算法等諸多優(yōu)化算法。其中，鴿群算法由Duan等學(xué)者于2014年提出，是一種基于鴿群歸巢行為而設(shè)計(jì)的新型智能優(yōu)化算法，由于該算法適應(yīng)性好，計(jì)算精度高，在提出的短短幾年內(nèi)就在工程領(lǐng)域獲得廣泛應(yīng)用。

2.2 鴿群優(yōu)化算法的改進(jìn)

由于鴿群算法具有較快的收斂速度，因此，在應(yīng)用過程中極易出現(xiàn)局部最優(yōu)的情況[3]。鑒于鴿群算法的上述缺陷，研究中按照如下思路進(jìn)行優(yōu)化：首先，將混沌和反向策略用于算法的初始化，以生成隨機(jī)效果好、空間覆蓋廣的初始化解；其次，以參數(shù)設(shè)置的方式對(duì)算法本身使用的地圖因子進(jìn)行自適應(yīng)調(diào)整；最后，在迭代過程中加入柯西擾動(dòng)重分布策略，以實(shí)現(xiàn)擾動(dòng)全局最優(yōu)解，防止收斂速度過快。

2.2.1 混沌和反向策略

混沌運(yùn)動(dòng)具有對(duì)初始值靈敏度高、運(yùn)動(dòng)軌跡的普遍性和不重復(fù)性的特點(diǎn)，使用該方法進(jìn)行種群的初始化可以有效增加其多樣性[4]。目前，常用的混沌變量產(chǎn)生方法有Logistic與Tent Map兩種。相關(guān)學(xué)者的研究成果顯示[5]，后一種方法具有更快的迭代速度，因此優(yōu)化過程中將Tent Map函數(shù)作為混沌生成函數(shù)，利用rand生成0到1的隨機(jī)數(shù)為X0的值，并利用下式進(jìn)行初始化解的生成：

Sij=Smin,j+Xn×(Smax,j-Smin,j),j=1,2,3,…,D

(1)

顯然，混沌方法存在一定的隨機(jī)性，其解的覆蓋范圍也不夠全面，因此，在優(yōu)化過程中借鑒Tizhoosh教授的相關(guān)研究結(jié)論[6]，通過反向策略來實(shí)現(xiàn)初始化解的全局最優(yōu)。

2.2.2 柯西擾動(dòng)重分布策略

原始鴿群算法存在收斂速度快的問題，因此容易導(dǎo)致早熟收斂現(xiàn)象。為解決上述問題，本次研究擬采用柯西擾動(dòng)重分布策略，使計(jì)算結(jié)果跳出局部最優(yōu)解，實(shí)現(xiàn)全局最優(yōu)解。在加入柯西擾動(dòng)重分布的節(jié)點(diǎn)方面，本文采用A.Stacey關(guān)于柯西擾動(dòng)方法的計(jì)算成果[7]，引入FC變量并設(shè)置其閾值為0，如果FC的值大于這一閾值，則視候選解有較大概率產(chǎn)生局部最優(yōu)情況，加入柯西擾動(dòng)，同時(shí)打亂表現(xiàn)較差的一個(gè)半體，最終實(shí)現(xiàn)全局最優(yōu)。

2.2.3 參數(shù)自適應(yīng)策略

鴿群算法作為一種群體智能算法，參數(shù)的科學(xué)性與合理性直接影響計(jì)算結(jié)果[8]。為了使參數(shù)能夠?qū)澣核惴ǖ氖諗科鸬阶饔?，原始算法中采用指南針因子R來實(shí)現(xiàn)對(duì)鴿群速度的控制。顯然，R的值較小時(shí)，鴿子的速度就較大，進(jìn)而導(dǎo)致收斂速度的加快，因此種群的搜索能力也會(huì)顯著增強(qiáng)，這對(duì)于局部搜索無疑具有較大的幫助。因此，本文研究中舍棄了原始方法中對(duì)參數(shù)R設(shè)定固定值的方法，在原始狀態(tài)下賦予R較小的值，在整個(gè)范圍內(nèi)搜索完畢后，逐漸將R的值增大到1，以利于局部搜索的完成。

3 計(jì)算結(jié)果與分析

3.1 計(jì)算數(shù)據(jù)

根據(jù)桓仁水電站管理局提供的數(shù)據(jù)，整理桓仁水電站水位庫容關(guān)系(見表1)和下游水位與流量關(guān)系(見表2)。

表1 桓仁水電站水位庫容關(guān)系 單位：億m3

表2 下游水位與流量關(guān)系

3.2 計(jì)算結(jié)果分析

為驗(yàn)證本文提出的改進(jìn)鴿群算法在水電站發(fā)電調(diào)度中的優(yōu)越性，利用傳統(tǒng)的POA、動(dòng)態(tài)規(guī)劃方法作為對(duì)比，對(duì)桓仁水電站典型年的數(shù)據(jù)進(jìn)行計(jì)算。在計(jì)算過程中，利用桓仁水電站的水位—庫容關(guān)系以及水電站下游的水位—流量關(guān)系，不計(jì)水頭損失，以年發(fā)電量最大作為調(diào)度的基本準(zhǔn)則進(jìn)行水庫年調(diào)度。為了方便不同方法之間的比較，三種方法均進(jìn)行150代、5次運(yùn)算，并對(duì)得到的最優(yōu)值進(jìn)行比較。

3.2.1 動(dòng)態(tài)規(guī)劃法調(diào)度結(jié)果

利用動(dòng)態(tài)規(guī)劃方法對(duì)桓仁水電站典型年的數(shù)據(jù)進(jìn)行調(diào)度計(jì)算，結(jié)果見表3。

表3 動(dòng)態(tài)規(guī)劃法調(diào)度結(jié)果

續(xù)表

3.2.2 POA 法優(yōu)化調(diào)度

利用POA 法對(duì)桓仁水電站典型年的數(shù)據(jù)進(jìn)行調(diào)度計(jì)算，結(jié)果見表4。

表4 POA法調(diào)度結(jié)果

3.2.3 改進(jìn)鴿群算法調(diào)度

利用改進(jìn)鴿群算法對(duì)桓仁水電站典型年的數(shù)據(jù)進(jìn)行調(diào)度計(jì)算，結(jié)果見表5。

表5 改進(jìn)鴿群算法調(diào)度結(jié)果

續(xù)表

3.2.4 多算法結(jié)果對(duì)比分析

對(duì)動(dòng)態(tài)規(guī)劃法、POA法以及改進(jìn)鴿群算法的調(diào)度結(jié)果進(jìn)行對(duì)比(見表6)。由計(jì)算結(jié)果可知，上述三種算法的總棄水量大致相當(dāng)，而動(dòng)態(tài)規(guī)劃法的年發(fā)電量為4.66億kW·h，POA法的年發(fā)電量為4.73億kW·h，改進(jìn)鴿群算法的年發(fā)電量為5.07億kW·h。由此可見，在同樣的計(jì)算條件下，改進(jìn)鴿群算法年發(fā)電量最大，可以在工程實(shí)踐中利用該算法進(jìn)行水庫調(diào)度模型的求解。

表6 三種算法結(jié)果對(duì)比

4 結(jié) 論

大型水電站往往具有發(fā)電、供水和防洪等多方面的功能，其調(diào)度問題十分復(fù)雜，因而存在諸多亟待解決的問題。

本文以遼寧省桓仁水電站為例，研究了改進(jìn)鴿群算法在水電站調(diào)度中的應(yīng)用。針對(duì)傳統(tǒng)的鴿群算法存在的缺陷和不足，將混沌和反向策略用于算法的初始化，以參數(shù)設(shè)置的方式對(duì)算法本身使用的地圖因子進(jìn)行自適應(yīng)調(diào)整，在迭代過程中加入柯西擾動(dòng)重分布策略改進(jìn)鴿群算法。對(duì)桓仁水電站特征年數(shù)據(jù)采取動(dòng)態(tài)規(guī)劃法、POA法以及改進(jìn)鴿群算法進(jìn)行調(diào)度計(jì)算，結(jié)果顯示，在同樣的計(jì)算條件下，改進(jìn)鴿群算法年發(fā)電量最大，具有良好的求解能力，可以在工程實(shí)踐中利用該算法進(jìn)行水庫調(diào)度模型的求解。