水库优化调度研究进展和发展趋势

杨 旭,徐淑琴,孟凡香

(1.东北农业大学 水利与建筑学院,哈尔滨 150030;2.黑龙江大学 应用技术学院,哈尔滨 150080)

1 水库优化调度的进展

水资源开发利用的历史悠久,可以说有水库出现就有水库调度,但应用系统分析理论与方法,研究和解决水资源开发利用问题包括水库调度问题,始于20世纪50、60年代。国外最早是 1946年,美国学者Moses最早将优化概念引入单一水库调度[1];国内最早是1963年谭维炎、黄守信等根据动态规划与Markov过程理论,建立了一个长期调节水电站水库的优化调度模型[2],并在狮子滩水电站的优化调度中得到应用[3]。从发挥水库经济社会效益出发,探讨如何实现水库综合利用效益最佳,包括防洪、发电、灌溉、供水及航运等效益最佳,国内外进行了大量研究工作并应用于实践,建立了随机性优化调度、确定性优化调度、最优控制、多目标优化调度等多种模型,提出了动态规划、非线性规划、网络流规划算法、大系统分解协调方法等单目标优化方法,和权重法、约束扰动法、多目标线性规划法、多目标动态规划法、均衡规划法、目的规划法等多目标优化方法,最近又发展了遗传进化算法、神经网络方法及微粒群(PSO)方法、蚁群算法(ACO)等方法,形成了水库调度的智能(仿生)优化方法。

1.1 遗传算法

遗传算法(GA)是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化搜索算法[4],最初由美国密歇根大学的John Holland教授于1962年提出的[5-6]。20世纪80年代由Goldberg对20世纪70年代DeJong基于遗传算法的思想在计算机上进行了大量的纯数值函数的优化计算实验进行了归纳总结,形成了遗传算法的基本框架[7]。遗传算法属于自适应概率搜索技术,其选择、交叉和变异等运算都以一种概率方式进行,因而增加了搜索的灵活性,具有广泛的应用价值。我国采用GA求解确定性入流下单目标水电站水库年优化调度问题最早在1996年,之后又用于求解梯级水电站日优化运行问题,根据水库调度多目标要求提出了多目标GA,并应用于水库群优化调度问题[8-11]。现有求解的调度问题多数为年调度问题。如果当GA应用于多年调度问题时,计算效果和效率均有待进一步改进。

1.2 蚁群算法

蚁群算法(ACO)也称蚂蚁算法,最早是由意大利学者M.Dorigo根据蚂蚁觅食原理在20世纪90年代设计出的一种群体智能算法[11]。在解决旅行商问题、二次分配问题、车间调度问题、车辆路线等组合优化问题时取得了一系列较好的实验结果[12-14]。近些年,蚁群算法的应用也逐渐扩展到了水资源领域。Abbaspour等人2001年把蚁群算法应用到估算非饱和土的水力参数中[15];Maier在2003年又把蚁群算法应用到配水系统优化设计中,并获得了配水系统的近似全局最优解,并指出蚁群算法能代替遗传算法用于配水系统的优化设计[16]。而在我国,徐刚等人在2005年把蚁群算法应用到梯级水电站水库群优化调度中[17]。

1.3 粒子群算法

粒子群优化算法(PSO)是最早由美国社会心理学家James Kennedy和电气工程师 Russell Eberhartg在1995年提出的,其基本思想是起源于对鸟类捕食行为的研究的启发[18]。粒子群算法[19-22]与遗传算法相类似,同样采用了“群体”与“进化”的概念,也是根据个体的适应值大小进行操作。所不同的是PSO算法的进化过程是一个自适应的过程,粒子的位置代表被优化问题在搜索空间中的潜在解,粒子们追随当前的最优粒子在解空间搜索。PSO初始化为一群随机粒子,然后通过迭代来找到最优解。在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。一方面就是个体极值,即粒子本身所找到的最优解;另一方面就是全局极值,即整个粒子群体目前找到的最优解。针对该算法的特点,粒子群算法已经被马西霞等人在2006年和张双虎等人在2007年成功地应用于水库优化调度问题中[23-24]。

1.4 人工神经网络方法

人工神经网络(ANN)是通过数学方法对人脑若干基本特性进行抽象和模拟,是一种模仿人脑结构及其功能的非线性信息处理系统[25],以生物神经网络为模拟模型,具有自学习、自适应、自组织、高度非线性和并行处理等优点。在水库调度领域应用较多的是多层前馈网络与Hopfield网络。利用前馈神经网络可进行径流中长期分级预报,提取水库群优化调度函数等工作。Hopfield网络模型则在求解优化问题方面获得成功,如水库群长期、短期优化调度问题。胡铁松、万永华等1995年提出了水库群优化调度函数的人工神经网络方法,利用Hopfield连续模型建立了混联水库群优化调度的神经网络模型,以水库群优化运行策略作为BP网络的训练样本,通过BP网络对样本的学习得到水库群优化调度函数[26]。GaoHong等人1998年利用 Hopfield连续模型建立了计算水电站补偿效益的模型,结果发现,在实际应用中能获得满意的结果[27]。傅巧萍等人又在1998年建立了水电站最优调度函数,确定了水库最优余留效益函数的神经元网络方法[28]。

应该说,各种水库调度优化方法各具优缺点。由于水库优化调度往往存在多目标、多约束等问题,所以在解决实际调度问题时,应考虑综合运用以上一种或几种方法,应注重多种优化方法组合模型的研究。

2 水库优化调度存在的主要问题

水库优化调度,特别是综合利用水库的优化调度问题,虽然在国内外已有几十年的研究历史了,取得了很多的研究成果,但在实际应用中还存在着相当多的问题。到目前为止,还没有研究出来一个很成熟的优化调度方法,结合当前国内外关于水库调度的研究现状,可以总结得到目前水库优化调度研究中存在且尚待解决的问题是:①理论研究方面的问题;②管理方面的问题[1]。

2.1 理论研究方面

1)一些研究侧重理论探讨,片面追求高水平、深理论,方法深奥,追求算法的完美,使得使用者难以理解,导致理论研究者多而实际应用者少;

2)一些模型要么庞大复杂,操作起来不方便,要么过于简化,与实际有很大出入,使模型不能很好地描述水库群的实际工况;

3)对于水库多目标决策问题,一些方法片面追求最优解,而忽视了水库的复杂、多变、动态特性以及生产上许多因素的不确定性,优化结果偏离实际,结果无法使决策者满意。

2.2 管理方面

1)客观原因。一般水库调度管理部门对水库调度关心的首要问题是安全、可靠的运行调度,其次考虑的才是经济问题,这从客观上决定了决策部门对水库优化调度的实施兴趣受到限制;

2)主观原因。目前我国的决策者大都对水库优化调度的理论及计算机技术了解不够深入,优化调度理论与实际结合不是很好,决策者对优化调度方案的采用把握性不大,他们又对数学模型的抽象结果有很多不满意的地方,以及程序缺乏灵活性,导致他们从主观上对新调度方案的采用不太接受,从而难以应用到实际中去。

3 发展趋势展望

为了解决理论研究方面存在的问题,应采用系统的调度理论,从全局出发,不断完善调度理论,注重理论与生产实际相结合,注重研究成果向生产的转化,把理论研究与实际应用的差距较好的缩短;必须结合生产需要和具体问题,研究探讨适合某一具体河流或区域、简便实用并为生产管理者所接受的水库调度模型及应用方法。

随着计算机及人工智能技术的发展,与计算机及人工智能技术相结合,并引入新的理论,成为水库优化调度研究的一个热点和发展趋势[3]:

1)充分应用计算机的快速运算及大容量存储能力,研究快速、准确求解水库优化调度模型的方法及算法,以提高水库优化调度模型效率。

2)充分利用计算机技术,结合人工智能开发出人机界面友好的具有智能化、敏捷化的决策支持系统是水库调度决策技术今后的发展趋势。此外,全球定位系统、地理信息系统、遥感技术以及虚拟现实技术等高新技术,在水利行业也具有广阔的应用前景。

总之,在水库调度方面更广泛的、高质量的应用高新技术,可以使得调度决策变得更科学化、更智能化、更敏捷化,进一步提升调度决策的技术水平,使水库调度向着可视化、交互化、智能化、集成化的方向前进。

[1]王 利.三门峡水库多目标优化调度研究[D].南京:河海大学,2006.

[2]王美良.东深供水工程经济调度研究[D].南京:河海大学,2006.

[3]倪建军,徐立中,李臣明,等.水库调度决策研究综述[J].水利水电科技进展,2004,24(6):63-66.

[4]周明孙,树 栋.遗传算法原理及应用[M].北京:国防工业出版社,2001.

[5]Holland J H.Genetic Algorithms and the Optimal Allocations of Trials[J].SLAM Journal of Computing,1973,(3):88-105.

[6]Holland J H.Genetic Algorithms[J].Scientific American,1992,(4):44-50.

[7]金菊良,丁 晶.遗传算法及其在水科学中的应用[M].成都:四川大学出版社,2000.

[8]马光文,王 黎,Walters G.A..水电站群优化调度的FP遗传算法[J].水力发电学报,1996,(4):21-28.

[9]钟登华,熊开智,成立芹.遗传算法的改进及其在水库优化调度中的应用研究[J].中国工程科学,2003,5(9):22-26.

[10]伍永刚,王定一.基于遗传算法的梯级水电厂自动发电控制算法研究[J].电网技术,2000,24(3):35-38.

[11]Dorigo M,M aniezzo V,Colorni A.Ant System Optimization by a Colony of Cooperating Agents[J].IEEE T r-ans on SMC,1996,26(1):28-41.

[12]Dorigo M,Gambardella L M.Ant Colony System:a Cooperative Learning Approach to the Traveling Salesman Problem[J].IEEE T rans on Evolutionary Computing,1997,1(1):53-56.

[13]Colo rni A,Dorigo M,M aniezzo V.Ant Colony System for Job-shop Scheduling[J].Belgian J of Operations Research Statistics and Computer Science,1994,34(1):39-53.

[14]李士勇.蚁群算法及其应用[M].哈尔滨:哈尔滨工业大学出版社,2004.

[15]Abbaspour K.C.,Schulin R.,and van Genuchten M.T.Estimating Unsaturated Soil Hydraulic Parameters Using ant Colony Optimization[J].Ady Water Resour,2001,24(8):827-933.

[16]Maier H.R.,Simpson A.R.,Zecchin A.C.,et al.Ant Colony Optimization for Design of Water Distribution Systems[J].Water Resour Plng and Mg rnt,2003,129(3):200-209.

[17]徐 刚,马光文,梁武湖,等.蚁群算法在水库优化调度中的应用[J].水科学进展,2005,16(3):397-400.

[18]刘群明.粒子群优化方法在梯级水电站水库优化调度中的应用研究[D].南京:河海大学,2007.

[19]曾建潮,介 婧,崔志华.微粒群算法:第一版[M].北京:科学出版社,2004.

[20]李爱国,覃 征,鲍复民,等.粒子群优化算法[J].计算机工程与应用,2002,(21):1-3,17.

[21]周 驰,高海兵,高 亮,等.粒子群优化算法[J].计算机应用研究,2003,(12):7-11.

[22]樊 玮.粒子群优化方法及其实现[J].航空计算技术,2004,34(3):39-42.

[23]马细霞,储冬冬.粒子群优化算法在水库调度中的应用分析[J].郑州大学学报,2006,27(4):121-124.

[24]张双虎,黄 强,吴洪寿,等.水电站水库优化调度的改进粒子群算法[J].水力发电学报,2007,26(1),1-5.

[25]付 强.数据处理方法及其农业应用[M].北京:科学出版社,2006:1-164.

[26]胡铁松,万永华,冯尚友.水库群优化调度函数的人工神经网络方法研究[J].水科学进展,1995,3(6):53-60.

[27]Gao Hong,Wang Huanchen,Tan Weixion,et al.A New Method of Compensative Regulation of Hydropower Based on Artificial Neutral Network[J].水电能源科学,1998,3(16):22-28.

[28]傅巧萍,尚金成,张士军,等.水电站长期优化调度的神经元网络方法[J].水电能源科学,1998,9(16):26-31.