基于多算法耦合的水电站自主智能优化调度应用

王向伟

(大唐乡城(得荣)水电开发有限公司，四川 成都 610000)

0 引言

将水库按最优的调度方式进行蓄水、用水和泄洪，以避免因水库运行管理不当而造成的损失，或将这种损失减少到最低限度，称之为水电站最优调度。

目前我国的专家学者提出许多用于解决优化问题的算法，如动态规划、逐步优化算法(POA)、人工鱼群、遗传算法等都是用于解决多阶段、多状态过程优化问题的算法。上述算法通常须进行一定的改良才能处理对应的实际问题。如文献[1]采用随机优化方法对水电站兴利优化调度问题进行了讨论并且建立了随机动态规划水库优化调度模型，可以根据水库实时水位以及上游来水流量对电站发电模式进行调整。文献[2]提出了一种对水库优化调度新的人工鱼群算法，以此来解决水库优化调度的问题。文献[3]研究了遗传算法在水库群优化调度中的应用，并提出将遗传算法与其他优化算法结合运用的展望。秦旭宝等人[4]和张诚等人[5]对水电站优化调度采用POA算法(逐步算法)。上述算法(模型)虽有了不同方式、不同类型的改进，但是仍然需要外界设置水库调度模式与调度控制水位，还不能实现水电站自主智能优化调度。

为解决上述传统优化模型缺陷，提升传统模型的实用性，本文选取POA算法模型与BP神经网络模型、C4.5等机器学习模型进行多算法模型耦合来实现水电站自主智能优化调度[6-7]。

BP(back propagation)神经网络具有较强数据处理与映射能力，能准确地从历史运行数据中抓住水电站库水位的控制策略，进而根据实时情况预测出符合规律的电站调度控制水位。饶碧玉等人[8]为解决灌区水资源供需矛盾突出问题，将BP神经网络模型用于水库调度，该模型较好地反映了水库月初水位、来水流量以及出库水量和水库月末水位之间非线性关系。同时，BP神经网络模型在昭平台、池潭等水库中取得了较好的应用[9-10]，为BP神经网络在水库优化调度应用的使用提供了可行性依据。C4.5是一种分类算法，文献[11]将决策树C4.5算法进行改进后应用于航线网络优化问题中，使机场群总体效益有显著的提高；同时C4.5算法在电网调度[12]中取得了一定成果。本文建立适合样本对其进行训练后能够替代调度人员，根据电站实时状态与各项因素为水库未来调度选取合适的调度模式。以BP(back propagation)神经网络模型完成POA算法调度期末水位设值，C4.5算法完成POA模型调度模式的选择，实现多算法耦合模型自动完成水库最优化调度，提高了模型的实用性。

1 数据准备

模型以大渡河流域某电站为实例，以Python语言构建调度周期为一日的短期模型，用以做模型的验证。该电站正常蓄水位为1 130.00 m，死水位1 120.00 m，总库容7.42亿m3，调节库容1.17亿m3，具有日调节能力。

2 模型构建

2.1 BP神经网络构建

2.1.1 模型输入和输出层

水电行业根据全年降雨分布情况将运行时期划分为丰水期与枯水期，丰水期为一年的5—10月，这段时期电站来水丰富，调度人员通常会结合电站水库的库水位、未来来水情况以及电站当前实时出库流量情况，对调度期末的控制水位作出一定的调整，为应对突发洪水保留一定的调节空间，其余月份则为枯水期，电站来水较少，电站无防洪压力，水库通过水库蓄水拉高电站水库水位，提高机组发电水头来提升水能利用率。过渡期为丰水期与枯水期重叠的部分，电站调度模式比较固定，枯水期—丰水期水库会加大放水，拉低水库库容；丰水期—枯水期水库减少放水，拉高水库库容。

本文选取以下因素作为神经网络的输入：调度月份、今日0时水库库水位、次日来水水量、今日0时出库流量。其中调度月份主要用于区分调度策略(水库蓄水、放水、中低水位保守运行、高水位运行)，次日来水与0时出库流量主要确定预测水位的具体数值；选择以水电站水库调度期末(后日0点)水库库水位为BP输出。

2.1.2 基于BP神经网络的水库水位预测模型

学校领导对教育专项资金管理的重视程度是提升学校教育专项资金管理和绩效评价工作质量的重要基础，也是教育部门后期管理工作顺利进行的重要保障。为此，教育部门要积极向学校负责人宣传教育专项资金管理对学校长远发展的重要性，让学校各级管理人员都能够深刻认识到教育专项资金管理对学校师生成长以及学校长远建设的重要意义。同时，学校负责人要充分发挥出领导带头作用，通过上级带动下级的方式来引导全校师生重视对教育专项资金拨款的重视。

建立包含1个输入层、1个输出层、2个隐藏层的4层神经网络，其中输出层包含1个神经元，其余层设置为10个神经元，由余丽华[10]构建神经网络选择的传统的Sigmoid作为激活函数，训练过程中易出现梯度爆炸和梯度消失问题，本次激活函数选用线性整流ReLU函数，在有效规避梯度消失问题的同时还能减少模型运算成本。

建立2015—2020年5年的样本数据集供BP神经网络训练，以min-max方式分别对0时库水位、次日来水水量、0时出库流量等特征进行归一化处理，归一化公式如下：

水位归一化处理时vmin取值为水库死水位，vmax取值为水库最高蓄水位，入库水量与出库流量特征归一化处理时，vmin取值历史最小值，vmax取值历史最大值，训练集示意如表1所示。设置学习率e为0.005，对BP神经网络进行训练，3—6月水位过程对比如图1所示。图1中，O_Z表示实际运行水位，P_Z表示预测水位。

2.2 决策树构建

建立决策树模型训练集，样本特征示意如表2所示。

图1 水位对比图

表2 决策树样本特征示意表

根据样本特征的取值选择C4.5模型实现优化调度过程调度模式选择的功能，C4.5由于使用熵模型，因此有大量的对数运算，虽然C4.5模型能处理连续特征，但需要花费大量计算资源，因此本文采用基尼系数代替熵模型简化C4.5模型构建，牺牲少量准确性，减少模型的运算强度，再依据姜如霞等人[13]和苗煜飞等人[14]对C4.5算法的改进，建立决策树。部分决策树如图2所示，图中maxe代表电量最大、minoutq代表最大出库流量最小、minz代表最高水位最低。

图2 调度模式决策树结构示意

2.3 模型求解

POA子阶段以以下方式进行划分：设置固定步长step(1 h)，以固定步长对调度过程t(24 h)进行子阶段划分，如图3所示。

图3中z0为t0时刻电站库水位，z0为电站实时库水位，zn为BP神经网络预测水位。根据C4.5算法选择适合调度过程的调度模式，不同的调度模式对应的目标函数为：

最大出库流量最小：

(1)

最高库水位最低：

(2)

发电量最大：

goal=max(Ei+Ei+1)

(3)

上式中Ei为i阶段电站发电电量，zi为i阶段电站水库平均水位，outqi为i阶段电站平均出库流量。

图3 模型阶段划分示意图

根据以下步骤进行阶段优化进完成全局优化。

1)对t0、t1形成的阶段1，假设t0到t1电站出库流量为0，利用水量平衡可获得t1时刻电站上限库水位，对t1、t2形成的阶段2，假设t1到t2电站出库流量为0，利用水量平衡可获得t1时刻电站下限库水位，t1阶段的上下限水位构成z1优化区间，其示意图如图4所示。

图4 阶段优化示意图

2)以步长为0.01，离散z1优化区间，带入每一个离散点，根据调度模式对应的目标函数，计算电站相应状态，选择满足目标函数的水位值为t1时刻的最优水位。

3)对t1、t2、t3及后续节点按照步骤1进行，直至所有节点时刻优化完毕。

4)与初始解对比对应节点水位，若差异较大，则将优化状态更新至初始状态，从t1节点开始以相同的步骤进行新一轮优化。若差异较小或者重复优化次数达到一定数值，则优化结束。

3 模型结果与对比

3.1 指标选取

从电站安全、经济运行两大方面考量，选取总弃水水量、总发电电量、平均耗水率、蓄能值对模型结果进行评估。

3.1.1 弃水水量

弃水水量主要反映电站控制水位、调度模式、机组负荷合理性，合理控制水位、调度模式与机组负荷可有效减少电站的弃水水量，其计算方式为：

(4)

3.1.2 发电量

电量主要反映电站主要效益，Esum越大，效益越好，其计算方式为：

(5)

3.1.3 平均耗水率

平均耗水率主要反映电站对水能的利用率，rate越大，水能利用率越小，其计算方式为：

(6)

3.1.4 期末蓄能值

期末蓄能值是指电站水库死水位以上可调水量的静态发电能力，其计算方式为：

(7)

式中：n为调度过程划分的阶段数；Qi为调度i阶段的弃水流量；t为调度i阶段时长；Ni为调度i阶段电站全厂负荷；Vi为调度i阶段电站全厂发电水量；Ei为i阶段电站的发电量；z死为水库死水位；z库为水库当前水位；Vx为x水位下电站水库水量；rx为x水位下电站平均耗水率；Δx为单位步长。

3.2 模型结果

模型分别对该电站2021年3—6月的历史运行数据进行模拟调度，实际运行数据如表3，模拟结果如表4。

表3 电站历史运行统计表

表4 模型模拟结果表

根据结果对比表可以看出，模型期末水位与蓄能值普遍偏高，耗水率普遍低于历史过程，累计发电量普遍大于历史过程，说明耦合能够自主智能完成水库的优化调度工作。

4 结论

水电站的调度过程中，影响调度目标的因素多，且调度目标随时间、环境因素频繁变化，靠人工干预实现水电站的实时优化调度难度大。POA(逐步优化)算法模型通过耦合BP神经网络、C4.5等机器学习算法形成多算法耦合模型，运用该耦合模型对大岗山电站2021年3—6月数据模型进行验证，验证结果表明：BP神经网络水库水位预测模型经过电站大量的实际运行数据进行训练，从中提取控制水位与各项因素之间的内在非线性关系，使预测模型能够预测出水库水位的变化趋势，本预测模型可以通过增加样本训练集提升预测模型精度。C4.5经过电站大量的实际运行数据训练，选取影响电站调度模式的主要因素形成训练样本，可使用人工制订决策树训练样本，提供决策树的可用性，在模型的使用过程中给出更加符合实际情况的调度模式。机器学习与POA模型通过BP神经网络、决策树与POA三者协同作用，解决了POA优化模型两大核心需要人工干预的困境，形成自主智能优化调度应用。