水电系统中预报与调度的混合智能方法研究及应用

论文摘要

随着水电建设的快速发展和工程规模的不断拓宽,水电系统中的问题规模和复杂度也越来越大,表现出高维、非线性、非凸等复杂特性,利用传统方法和单一智能方法对问题进行求解时结果往往不够理想,鉴于这种现状,算法混合的思想就成为提高算法性能的一个重要而有效的途径。因此根据研究问题的特点,如何有机结合各种算法的优点,构造更高效的算法,对提高水文预报的精度及水电系统经济、高效运行具有重要意义。本文首先系统介绍了概念性水文模型参数优选及不确定性分析、中长期水文预报、水电站（群）优化调度的研究现状,结合湖南双牌水库、云南澜沧江流域和贵州乌江流域的水电站（群）等工程,综合利用遗传算法、混沌系统、人工神经网络、自适应模糊推理、遗传程序设计、支持向量机等多种人工智能技术,深入研究了这些方法及其混合在概念性水文模型参数优选、概念性水文模型参数不确定性分析、中长期水文预报、水电站（群）优化调度的建模方法及应用,取得了一些有价值的研究成果。主要内容如下:（1）以湖南省双牌水库2000-2006年水情自动测报系统积累的48场1小时洪水过程资料为基础,预报模型采用三水源新安江模型,提出三水源新安江模型参数率定的模糊多目标优化混合启发式遗传算法。该算法应用混沌变量生成初始种群,应用退化混沌变异操作代替标准的变异操作,应用SA技术提供局部邻域搜索,从实际应用出发,采用洪峰流量、峰现时间和洪水总量的合格率作为场次洪水模拟的评价目标,对三水源新安江模型参数进行模糊多目标优选,模拟和检验的比较结果表明,提出的方法能较好地获得短期洪水预报模型参数。（2）应用概念性水文模型进行水文模拟时,由于模型本身的不足及参数多、信息量少等原因,会出现率定的最优参数组不唯一,不稳定等问题。考虑到以往的参数优选,都只得出一个参数组,无法评定优化所得参数组的不确定性的影响,存在一定的片面性和局限性,使模型的实际应用受到限制。针对这一问题。提出应用基于马尔可夫链蒙特卡罗（MCMC）理论的SCEM-UA算法,通过双牌流域不同历时的典型洪水数据对新安江模型参数进行随机优选和不确定性评估。结果表明,该算法能很好地推出新安江模型参数的后验概率分布;率定和检验结果比较分析也表明,应用SCEM-UA算法对新安江模型进行优选和不确定评估是有效和可行的。（3）对比研究了人工神经网络（ANN）、自适应模糊推理系统（ANFIS）、遗传程序设计（GP）和支持向量机（SVM）在径流中长期中的预报建模。为了评价它们在月径流时间序列的预报效果,采用了几个标准的执行评价措施,如相关系数（R）、确定性系数（E）、均方误差（RMSE）和平均绝对百分误差（MAPE）。应用了时间序列分析建模技术ARMA作为参考的标准。通过漫湾水电站52年月径流系列及洪家渡水电站54年的月径流系列预测结果比较分析表明人工智能技术是个强有力的工具,能获得比传统时间序列分析方法更好的预报精度。分析结果也表明根据不同的统计评价指标,ANFIS、GP和SVM分别能获得最好的预报结果。这说明ANTIS、GP和SVM相对于ARMA和ANN能提高月径流时间序列预报的精度。（4）利用混沌运动的遍历性、随机性和规律性等特点,提出了一种求解水电站水库优化调度问题的基于浮点数编码的混沌遗传（CGA）算法。该算法的思想是采用混沌优化进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子,避免搜索过程陷入局部极值。利用两个著名的测试函数对提出的算法进行验证,分析结果表明提出的混沌遗传算法不但具有传统遗传算法的全局多点搜索,占用内存少等优点,而且还较好地克服了传统遗传算法的易“早熟”、易陷入局部最优和停滞的问题。通过对典型径流水电站优化调度,长系列历史径流资料的优化计算和梯级水电群的优化调度,并与传统方法相比,结果说明了该算法能提高计算结果,并具有计算速度快,搜索效率高,收敛性能好等优点。这说明提出的方法对求解复杂的水库优化调度问题是有效的和可行的。最后对全文做了总结,并对有待于进一步研究的问题进行了展望。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题的背景和研究的意义
• 1.2 水文模型参数优选及不确定性研究现状
• 1.2.1 水文模型参数优选研究现状
• 1.2.2 水文模型不确定性研究现状
• 1.3 中长期水文预报研究现状
• 1.4 水电站（群）优化调度研究现状
• 1.4.1 传统的数学规划方法
• 1.4.2 现代启发式智能方法
• 1.5 研究现状分析与结论
• 1.6 本文主要研究内容
• 2 流域水文模型参数模糊多目标优化的混合启发式算法
• 2.1 引言
• 2.2 新安江模型结构与参数
• 2.3 混合启发式优化算法
• 2.3.1 遗传算法（GA）
• 2.3.2 混沌（Chaos）和Logistic映射
• 2.3.3 模拟退火（SA）
• 2.3.4 混合混沌遗传和模拟退火（CGASA）
• 2.3.5 CGASA的实现
• 2.4 应用实例
• 2.4.1 研究区域
• 2.4.2 率定准则
• 2.4.3 应用结果和分析
• 2.5 小结
• 3 流域水文模型参数随机优化及不确定性分析
• 3.1 引言
• 3.2 SCEM-UA算法评估新安江模型参数不确定性
• 3.2.1 SCE-UA算法
• 3.2.2 SCEM-UA算法
• 3.2.3 SCEM-UA算法评估新安江模型参数不确定性
• 3.3 应用实例
• 3.3.1 研究区域和数据
• 3.3.2 应用结果和分析
• 3.4 小结
• 4 基于人工智能技术的径流中长期预报模型研究
• 4.1 引言
• 4.2 研究模型简介
• 4.2.1 人工神经网络（ANN）
• 4.2.2 自适应模糊推理（ANFIS）
• 4.2.3 遗传程序设计（GP）
• 4.2.4 支持向量机（SVM）
• 4.3 应用实例
• 4.3.1 研究背景资料
• 4.3.2 预报输入个数的确定
• 4.3.3 预报结果评价指标
• 4.3.4 预报建模
• 4.4 应用结果和分析
• 4.5 小结
• 5 水电站（群）优化调度的混沌遗传算法研究及应用
• 5.1 引言
• 5.2 单一水电站优化调度的数学模型
• 5.3 梯级水电站优化调度的数学模型
• 5.4 混沌遗传算法
• 5.4.1 混沌及其特性
• 5.4.2 混沌与遗传算法的结合
• 5.4.3 混沌遗传算法的步骤
• 5.5 应用实例
• 5.5.1 复杂函数优化
• 5.5.2 典型径流水电站优化调度
• 5.5.3 长系列历史径流水电站优化
• 5.5.4 梯级水电站优化调度
• 5.6 小结
• 结论
• 参考文献
• 攻读博士学位期间发表学术论文和参加课题情况
• 致谢