王向偉

(大唐鄉(xiāng)城(得榮)水電開發(fā)有限公司，四川 成都 610000)

0 引言

將水庫按最優(yōu)的調(diào)度方式進行蓄水、用水和泄洪，以避免因水庫運行管理不當(dāng)而造成的損失，或?qū)⑦@種損失減少到最低限度，稱之為水電站最優(yōu)調(diào)度。

目前我國的專家學(xué)者提出許多用于解決優(yōu)化問題的算法，如動態(tài)規(guī)劃、逐步優(yōu)化算法(POA)、人工魚群、遺傳算法等都是用于解決多階段、多狀態(tài)過程優(yōu)化問題的算法。上述算法通常須進行一定的改良才能處理對應(yīng)的實際問題。如文獻[1]采用隨機優(yōu)化方法對水電站興利優(yōu)化調(diào)度問題進行了討論并且建立了隨機動態(tài)規(guī)劃水庫優(yōu)化調(diào)度模型，可以根據(jù)水庫實時水位以及上游來水流量對電站發(fā)電模式進行調(diào)整。文獻[2]提出了一種對水庫優(yōu)化調(diào)度新的人工魚群算法，以此來解決水庫優(yōu)化調(diào)度的問題。文獻[3]研究了遺傳算法在水庫群優(yōu)化調(diào)度中的應(yīng)用，并提出將遺傳算法與其他優(yōu)化算法結(jié)合運用的展望。秦旭寶等人[4]和張誠等人[5]對水電站優(yōu)化調(diào)度采用POA算法(逐步算法)。上述算法(模型)雖有了不同方式、不同類型的改進，但是仍然需要外界設(shè)置水庫調(diào)度模式與調(diào)度控制水位，還不能實現(xiàn)水電站自主智能優(yōu)化調(diào)度。

為解決上述傳統(tǒng)優(yōu)化模型缺陷，提升傳統(tǒng)模型的實用性，本文選取POA算法模型與BP神經(jīng)網(wǎng)絡(luò)模型、C4.5等機器學(xué)習(xí)模型進行多算法模型耦合來實現(xiàn)水電站自主智能優(yōu)化調(diào)度[6-7]。

BP(back propagation)神經(jīng)網(wǎng)絡(luò)具有較強數(shù)據(jù)處理與映射能力，能準確地從歷史運行數(shù)據(jù)中抓住水電站庫水位的控制策略，進而根據(jù)實時情況預(yù)測出符合規(guī)律的電站調(diào)度控制水位。饒碧玉等人[8]為解決灌區(qū)水資源供需矛盾突出問題，將BP神經(jīng)網(wǎng)絡(luò)模型用于水庫調(diào)度，該模型較好地反映了水庫月初水位、來水流量以及出庫水量和水庫月末水位之間非線性關(guān)系。同時，BP神經(jīng)網(wǎng)絡(luò)模型在昭平臺、池潭等水庫中取得了較好的應(yīng)用[9-10]，為BP神經(jīng)網(wǎng)絡(luò)在水庫優(yōu)化調(diào)度應(yīng)用的使用提供了可行性依據(jù)。C4.5是一種分類算法，文獻[11]將決策樹C4.5算法進行改進后應(yīng)用于航線網(wǎng)絡(luò)優(yōu)化問題中，使機場群總體效益有顯著的提高；同時C4.5算法在電網(wǎng)調(diào)度[12]中取得了一定成果。本文建立適合樣本對其進行訓(xùn)練后能夠替代調(diào)度人員，根據(jù)電站實時狀態(tài)與各項因素為水庫未來調(diào)度選取合適的調(diào)度模式。以BP(back propagation)神經(jīng)網(wǎng)絡(luò)模型完成POA算法調(diào)度期末水位設(shè)值，C4.5算法完成POA模型調(diào)度模式的選擇，實現(xiàn)多算法耦合模型自動完成水庫最優(yōu)化調(diào)度，提高了模型的實用性。

1 數(shù)據(jù)準備

模型以大渡河流域某電站為實例，以Python語言構(gòu)建調(diào)度周期為一日的短期模型，用以做模型的驗證。該電站正常蓄水位為1 130.00 m，死水位1 120.00 m，總庫容7.42億m3，調(diào)節(jié)庫容1.17億m3，具有日調(diào)節(jié)能力。

2 模型構(gòu)建

2.1 BP神經(jīng)網(wǎng)絡(luò)構(gòu)建

2.1.1 模型輸入和輸出層

水電行業(yè)根據(jù)全年降雨分布情況將運行時期劃分為豐水期與枯水期，豐水期為一年的5—10月，這段時期電站來水豐富，調(diào)度人員通常會結(jié)合電站水庫的庫水位、未來來水情況以及電站當(dāng)前實時出庫流量情況，對調(diào)度期末的控制水位作出一定的調(diào)整，為應(yīng)對突發(fā)洪水保留一定的調(diào)節(jié)空間，其余月份則為枯水期，電站來水較少，電站無防洪壓力，水庫通過水庫蓄水拉高電站水庫水位，提高機組發(fā)電水頭來提升水能利用率。過渡期為豐水期與枯水期重疊的部分，電站調(diào)度模式比較固定，枯水期—豐水期水庫會加大放水，拉低水庫庫容；豐水期—枯水期水庫減少放水，拉高水庫庫容。

本文選取以下因素作為神經(jīng)網(wǎng)絡(luò)的輸入：調(diào)度月份、今日0時水庫庫水位、次日來水水量、今日0時出庫流量。其中調(diào)度月份主要用于區(qū)分調(diào)度策略(水庫蓄水、放水、中低水位保守運行、高水位運行)，次日來水與0時出庫流量主要確定預(yù)測水位的具體數(shù)值；選擇以水電站水庫調(diào)度期末(后日0點)水庫庫水位為BP輸出。

2.1.2 基于BP神經(jīng)網(wǎng)絡(luò)的水庫水位預(yù)測模型

學(xué)校領(lǐng)導(dǎo)對教育專項資金管理的重視程度是提升學(xué)校教育專項資金管理和績效評價工作質(zhì)量的重要基礎(chǔ)，也是教育部門后期管理工作順利進行的重要保障。為此，教育部門要積極向?qū)W校負責(zé)人宣傳教育專項資金管理對學(xué)校長遠發(fā)展的重要性，讓學(xué)校各級管理人員都能夠深刻認識到教育專項資金管理對學(xué)校師生成長以及學(xué)校長遠建設(shè)的重要意義。同時，學(xué)校負責(zé)人要充分發(fā)揮出領(lǐng)導(dǎo)帶頭作用，通過上級帶動下級的方式來引導(dǎo)全校師生重視對教育專項資金撥款的重視。

建立包含1個輸入層、1個輸出層、2個隱藏層的4層神經(jīng)網(wǎng)絡(luò)，其中輸出層包含1個神經(jīng)元，其余層設(shè)置為10個神經(jīng)元，由余麗華[10]構(gòu)建神經(jīng)網(wǎng)絡(luò)選擇的傳統(tǒng)的Sigmoid作為激活函數(shù)，訓(xùn)練過程中易出現(xiàn)梯度爆炸和梯度消失問題，本次激活函數(shù)選用線性整流ReLU函數(shù)，在有效規(guī)避梯度消失問題的同時還能減少模型運算成本。

建立2015—2020年5年的樣本數(shù)據(jù)集供BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練，以min-max方式分別對0時庫水位、次日來水水量、0時出庫流量等特征進行歸一化處理，歸一化公式如下：

水位歸一化處理時vmin取值為水庫死水位，vmax取值為水庫最高蓄水位，入庫水量與出庫流量特征歸一化處理時，vmin取值歷史最小值，vmax取值歷史最大值，訓(xùn)練集示意如表1所示。設(shè)置學(xué)習(xí)率e為0.005，對BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，3—6月水位過程對比如圖1所示。圖1中，O_Z表示實際運行水位，P_Z表示預(yù)測水位。

2.2 決策樹構(gòu)建

建立決策樹模型訓(xùn)練集，樣本特征示意如表2所示。

圖1 水位對比圖

表2 決策樹樣本特征示意表

根據(jù)樣本特征的取值選擇C4.5模型實現(xiàn)優(yōu)化調(diào)度過程調(diào)度模式選擇的功能，C4.5由于使用熵模型，因此有大量的對數(shù)運算，雖然C4.5模型能處理連續(xù)特征，但需要花費大量計算資源，因此本文采用基尼系數(shù)代替熵模型簡化C4.5模型構(gòu)建，犧牲少量準確性，減少模型的運算強度，再依據(jù)姜如霞等人[13]和苗煜飛等人[14]對C4.5算法的改進，建立決策樹。部分決策樹如圖2所示，圖中maxe代表電量最大、minoutq代表最大出庫流量最小、minz代表最高水位最低。

圖2 調(diào)度模式?jīng)Q策樹結(jié)構(gòu)示意

2.3 模型求解

POA子階段以以下方式進行劃分：設(shè)置固定步長step(1 h)，以固定步長對調(diào)度過程t(24 h)進行子階段劃分，如圖3所示。

圖3中z0為t0時刻電站庫水位，z0為電站實時庫水位，zn為BP神經(jīng)網(wǎng)絡(luò)預(yù)測水位。根據(jù)C4.5算法選擇適合調(diào)度過程的調(diào)度模式，不同的調(diào)度模式對應(yīng)的目標函數(shù)為：

最大出庫流量最?。?/p>

(1)

最高庫水位最低：

(2)

發(fā)電量最大：

goal=max(Ei+Ei+1)

(3)

上式中Ei為i階段電站發(fā)電電量，zi為i階段電站水庫平均水位，outqi為i階段電站平均出庫流量。

圖3 模型階段劃分示意圖

根據(jù)以下步驟進行階段優(yōu)化進完成全局優(yōu)化。

1)對t0、t1形成的階段1，假設(shè)t0到t1電站出庫流量為0，利用水量平衡可獲得t1時刻電站上限庫水位，對t1、t2形成的階段2，假設(shè)t1到t2電站出庫流量為0，利用水量平衡可獲得t1時刻電站下限庫水位，t1階段的上下限水位構(gòu)成z1優(yōu)化區(qū)間，其示意圖如圖4所示。

圖4 階段優(yōu)化示意圖

2)以步長為0.01，離散z1優(yōu)化區(qū)間，帶入每一個離散點，根據(jù)調(diào)度模式對應(yīng)的目標函數(shù)，計算電站相應(yīng)狀態(tài)，選擇滿足目標函數(shù)的水位值為t1時刻的最優(yōu)水位。

3)對t1、t2、t3及后續(xù)節(jié)點按照步驟1進行，直至所有節(jié)點時刻優(yōu)化完畢。

4)與初始解對比對應(yīng)節(jié)點水位，若差異較大，則將優(yōu)化狀態(tài)更新至初始狀態(tài)，從t1節(jié)點開始以相同的步驟進行新一輪優(yōu)化。若差異較小或者重復(fù)優(yōu)化次數(shù)達到一定數(shù)值，則優(yōu)化結(jié)束。

3 模型結(jié)果與對比

3.1 指標選取

從電站安全、經(jīng)濟運行兩大方面考量，選取總棄水水量、總發(fā)電電量、平均耗水率、蓄能值對模型結(jié)果進行評估。

3.1.1 棄水水量

棄水水量主要反映電站控制水位、調(diào)度模式、機組負荷合理性，合理控制水位、調(diào)度模式與機組負荷可有效減少電站的棄水水量，其計算方式為：

(4)

3.1.2 發(fā)電量

電量主要反映電站主要效益，Esum越大，效益越好，其計算方式為：

(5)

3.1.3 平均耗水率

平均耗水率主要反映電站對水能的利用率，rate越大，水能利用率越小，其計算方式為：

(6)

3.1.4 期末蓄能值

期末蓄能值是指電站水庫死水位以上可調(diào)水量的靜態(tài)發(fā)電能力，其計算方式為：

(7)

式中：n為調(diào)度過程劃分的階段數(shù)；Qi為調(diào)度i階段的棄水流量；t為調(diào)度i階段時長；Ni為調(diào)度i階段電站全廠負荷；Vi為調(diào)度i階段電站全廠發(fā)電水量；Ei為i階段電站的發(fā)電量；z死為水庫死水位；z庫為水庫當(dāng)前水位；Vx為x水位下電站水庫水量；rx為x水位下電站平均耗水率；Δx為單位步長。

3.2 模型結(jié)果

模型分別對該電站2021年3—6月的歷史運行數(shù)據(jù)進行模擬調(diào)度，實際運行數(shù)據(jù)如表3，模擬結(jié)果如表4。

表3 電站歷史運行統(tǒng)計表

表4 模型模擬結(jié)果表

根據(jù)結(jié)果對比表可以看出，模型期末水位與蓄能值普遍偏高，耗水率普遍低于歷史過程，累計發(fā)電量普遍大于歷史過程，說明耦合能夠自主智能完成水庫的優(yōu)化調(diào)度工作。

4 結(jié)論

水電站的調(diào)度過程中，影響調(diào)度目標的因素多，且調(diào)度目標隨時間、環(huán)境因素頻繁變化，靠人工干預(yù)實現(xiàn)水電站的實時優(yōu)化調(diào)度難度大。POA(逐步優(yōu)化)算法模型通過耦合BP神經(jīng)網(wǎng)絡(luò)、C4.5等機器學(xué)習(xí)算法形成多算法耦合模型，運用該耦合模型對大崗山電站2021年3—6月數(shù)據(jù)模型進行驗證，驗證結(jié)果表明：BP神經(jīng)網(wǎng)絡(luò)水庫水位預(yù)測模型經(jīng)過電站大量的實際運行數(shù)據(jù)進行訓(xùn)練，從中提取控制水位與各項因素之間的內(nèi)在非線性關(guān)系，使預(yù)測模型能夠預(yù)測出水庫水位的變化趨勢，本預(yù)測模型可以通過增加樣本訓(xùn)練集提升預(yù)測模型精度。C4.5經(jīng)過電站大量的實際運行數(shù)據(jù)訓(xùn)練，選取影響電站調(diào)度模式的主要因素形成訓(xùn)練樣本，可使用人工制訂決策樹訓(xùn)練樣本，提供決策樹的可用性，在模型的使用過程中給出更加符合實際情況的調(diào)度模式。機器學(xué)習(xí)與POA模型通過BP神經(jīng)網(wǎng)絡(luò)、決策樹與POA三者協(xié)同作用，解決了POA優(yōu)化模型兩大核心需要人工干預(yù)的困境，形成自主智能優(yōu)化調(diào)度應(yīng)用。