江方利,湛 洋,劉 剛,黃煒斌,馬光文
(1.四川大學(xué)水利水電學(xué)院,四川成都610065;2.四川川投田灣河開發(fā)有限責(zé)任公司,四川成都610065)
梯級水電站聯(lián)合調(diào)度涉及發(fā)電、防洪、生態(tài)、電網(wǎng)安全運行等多個目標(biāo),不僅要考慮機(jī)組自身運行約束,還要考慮梯級水電站間的水力、電力聯(lián)系,具有高維、動態(tài)、非線性等特征,迅速準(zhǔn)確求解十分困難。為此,國內(nèi)外學(xué)者引進(jìn)了動態(tài)規(guī)劃算法、離散微分動態(tài)規(guī)劃算法、逐步優(yōu)化算法等傳統(tǒng)優(yōu)化算法[1-3]以及遺傳算法、蟻群算法等群智能算法[4- 6],這些算法及其改進(jìn)算法都具有一定實用性,但各自也存在局限性。
近年來,群智能算法因其不受搜索空間連續(xù)或可微的限制,并且具有操作簡單、適宜并行計算等特點,在科學(xué)計算和工程技術(shù)領(lǐng)域內(nèi)得到了普遍認(rèn)可和應(yīng)用[7-9]?;ǚ鬯惴?Flower Pollination Algorithm, FPA)[10-11]是Yang Xinshe于2012年提出的模擬有花植物授粉行為的啟發(fā)式算法。該算法結(jié)構(gòu)簡單、參數(shù)少、代碼容易實現(xiàn),尋優(yōu)能力強。然而在求解高維問題時易出現(xiàn)收斂速度慢、陷入局部最優(yōu)現(xiàn)象。本文改進(jìn)該算法搜索策略,引入差分進(jìn)化算法變異操作,加快收斂速度,提高尋優(yōu)精度,并將其運用于梯級水電站優(yōu)化調(diào)度中。
本文選取梯級水電站優(yōu)化調(diào)度研究中常用的發(fā)電量最大模型,同時考慮在枯水期給電網(wǎng)提供盡可能大而穩(wěn)定的出力。這是一個多目標(biāo)優(yōu)化決策類問題,模型求解較為復(fù)雜。本文采用約束法,將年內(nèi)最小出力最大化的目標(biāo)轉(zhuǎn)化為1個約束條件,則最終的目標(biāo)函數(shù)如下[12]
(1)
式中,E為年內(nèi)梯級水電站總發(fā)電量;n為梯級水電站數(shù)量;i為電站編號;T為年內(nèi)計算時段數(shù)(本文以月為計算時段,即T=12);t為計算時段編號;Ki,t、Qi,t、Hi,t分別為第i個電站t時段的綜合發(fā)電系數(shù)、發(fā)電流量、凈水頭;Mt為t時段的時長;ε為假定的最大化后的最小出力;λ為懲罰因子,為一常數(shù),本文取為10 000;σt為變量,定義如下
(2)
約束條件有水庫水量平衡約束、區(qū)間水量平衡約束、水庫水位約束、水庫下泄流量約束、單站出力約束等。
自然界中有花植物有異花傳粉和自花授粉2種授粉方式?;谶@一自然現(xiàn)象,Xin-She Yang在FPA中引入交叉授粉算子和自花授粉算子求解復(fù)雜優(yōu)化問題。交叉授粉可看作是全局授粉過程,花粉攜帶者服從Levy飛行。自花授粉可看作是局部授粉過程,通過轉(zhuǎn)移概率p實現(xiàn)兩者之間的轉(zhuǎn)換和作用,p∈[0,1]。算法中理想化認(rèn)為每棵植物的花朵是唯一的,每朵花的配子也是唯一的,每朵花或每個配子就是1個解。對于狀態(tài)變量為X=(x1,x2,…,xd)T,目標(biāo)函數(shù)為f(X)的優(yōu)化問題,F(xiàn)PA求解步驟如下:
步驟1:初始設(shè)定轉(zhuǎn)移概率p,花粉配子個數(shù)TN,搜索精度σ或最大迭代次數(shù)gmax。隨機(jī)產(chǎn)生TN個花粉配子作為初始解,Xj=(xj,1,xj,2,…,xj,d)T(j=1,2,…,TN)。
步驟2:計算各個花粉配子Xj的適應(yīng)度函數(shù)值f(Xj),找出當(dāng)前種群目標(biāo)函數(shù)最優(yōu)值f(X*)和最優(yōu)花粉配子X*。
步驟4:找出當(dāng)前種群最優(yōu)解X*和最優(yōu)值f(X*)。
步驟5:判斷是否滿足算法停止準(zhǔn)則。若滿足,結(jié)束尋優(yōu),輸出全局最優(yōu)解X*;否則,轉(zhuǎn)入步驟3。
2.2.1 Levy飛行搜索策略
FPA很強的尋優(yōu)能力主要源于采取了Levy飛行搜索策略。短距離的蹦蹦跳跳與長距離行走相間,前者使得算法能夠進(jìn)行精細(xì)的局部搜索,后者能夠保證搜索范圍更廣闊。在標(biāo)準(zhǔn)花粉算法中,d維向量L的每一維元素均由Levy飛行隨機(jī)產(chǎn)生,這對于求解梯級水電站優(yōu)化調(diào)度這類高維、復(fù)雜問題是極其耗費時間的。假定某梯級水電站系統(tǒng)含1個調(diào)節(jié)水庫,以月為時段進(jìn)行優(yōu)化調(diào)度,若最大迭代次數(shù)為3 000次,花粉配子總數(shù)為100個,則Levy飛行函數(shù)需運行3.6×106次,計算時間較長。為縮短運行時間,設(shè)定各花粉配子向量L不隨迭代而更新,則Levy飛行函數(shù)只需運行1.2×103次,計算時間大大縮短。
2.2.2 引入差分進(jìn)化變異操作
針對FPA求解高維問題收斂速度慢、求解精度低等缺點,引入差分進(jìn)化算法中的變異操作。選定1個配子,通過在該配子上增加種群其他配子個體帶權(quán)的差來實現(xiàn)變異。若變異后的新配子優(yōu)于當(dāng)前交叉授粉或自花傳粉產(chǎn)生的花粉配子,則更新配子。
表1 梯級水電站基本參數(shù)
在算法運行早期,各個花粉配子差異較大,變異操作增加了種群多樣性,增強了全局搜索能力。而到算法運行后期,各個花粉配子間的差異較小,變異操作增強了局部搜索能力。
基于本文提出的改進(jìn)的花粉算法(IFPA),求解梯級水電站中長期優(yōu)化調(diào)度問題的具體步驟如下:
步驟2:以目標(biāo)函數(shù)作為適應(yīng)度函數(shù),根據(jù)水位庫容關(guān)系曲線、下游尾水位流量關(guān)系曲線等計算式(1)中各變量值,找出當(dāng)前種群目標(biāo)函數(shù)最優(yōu)值f(X*)和最優(yōu)花粉配子X*。
步驟3:生成Rand1。進(jìn)行全局或局部授粉,產(chǎn)生新的花粉配子,按照水位變幅、出力限制等各項約束進(jìn)行處理。若新的花粉配子更優(yōu),則更新種群。
步驟4:種群差分變異、選擇,生成均勻分布隨機(jī)數(shù)Rand2∈[0,1]。若Rand2≤變異概率CR(CR=0.5+g/(2·gmax)),按照X2,j(g)=X*+F(Xb(g)-Xc(g))生成新解,并進(jìn)行約束處理。式中,Xb(g)、Xc(g)從當(dāng)前TN個花粉配子中隨機(jī)選取。
步驟5:找出當(dāng)前種群最優(yōu)解X*和最優(yōu)值f(X*)。
步驟6:判斷是否滿足算法停止準(zhǔn)則。若滿足,結(jié)束尋優(yōu),輸出全局最優(yōu)解X*;否則,轉(zhuǎn)入步驟3。
將IFPA用于求解瀑布溝、深溪溝、枕頭壩一級3個梯級水電站多目標(biāo)優(yōu)化問題。其中,瀑布溝水電站具不完全年調(diào)節(jié)性能,月水位變幅不超過 30 m,7月底水位不超過836.2 m;深溪溝、枕頭壩一級水電站均為徑流式電站。3個梯級水電站基本參數(shù)見表1。
本研究中,γ=0.1、λ=1.5、p=0.8、TN=100、F=0.5。本文中設(shè)置了搜索精度0.001或最大迭代次數(shù)3 000這2種終止條件,滿足其中1個終止條件算法都將結(jié)束。
選取水文年2012年6月~2013年5月徑流過程進(jìn)行模擬優(yōu)化調(diào)度,驗證本文提出的IFPA性能,徑流資料見表2。瀑布溝水電站調(diào)度期初水位設(shè)為790 m,IFPA模擬優(yōu)化調(diào)度結(jié)果見表3。
表2 代表年徑流資料 m3/s
從表3可以看出,梯級水電站在豐水期(6月~10月)蓄水,在枯水期(12月~4月)供水,平水期(5月、11月)不蓄不供,水位變化及梯級水電站出力過程符合調(diào)度要求,IFPA模擬優(yōu)化調(diào)度結(jié)果合理。
本研究采用整數(shù)做種子生成隨機(jī)數(shù),這樣使每次獨立運行結(jié)果是穩(wěn)定的,不隨時間而變化。但考慮人為選取整數(shù)的不同而導(dǎo)致結(jié)果有所不同,隨機(jī)改變選取的整數(shù)30次,其中有16次可以得到與表3中完全一致的結(jié)果,另有12次枯期出力值均為1 417 MW,僅梯級發(fā)電量有所差別??梢?,本文所提出的IFPA具有很強的尋優(yōu)能力。
為了分析比較算法的性能,分別用FPA、POA對水文年2012年6月~2013年5月徑流過程模擬計算。在試驗中,F(xiàn)PA中各項參數(shù)均與IFPA相同。POA算法搜索步長為0.01 m,最大迭代次數(shù)10 000次,初始水庫水位軌跡按照等庫容蓄水、消落確定。利用FPA、POA求解問題時,設(shè)定的梯級最小出力值與IFPA調(diào)節(jié)后最大化的最小出力相同。表4為不同算法模擬計算的結(jié)果比較。
表3 改進(jìn)的花粉算法優(yōu)化結(jié)果
表4 不同算法優(yōu)化結(jié)果比較
從表4可以看出,設(shè)定的梯級最小出力值為1 417 MW,IFPA優(yōu)化結(jié)果滿足梯級最小出力要求,枯期出力均勻,梯級發(fā)電量222.0億kW·h,計算時間僅2.8 s,收斂速度快。FPA優(yōu)化結(jié)果出力過程滿足要求,但其尋優(yōu)精度較低,發(fā)電量僅217.1億kW·h,低于本文提出算法4.9億kW·h,且算法收斂速度過慢。POA優(yōu)化結(jié)果未能達(dá)到梯級出力要求,枯期出力波動大,梯級年發(fā)電量也較低。因此,對于梯級水電站多目標(biāo)優(yōu)化問題,本文提出的IFPA明顯優(yōu)于標(biāo)準(zhǔn)的FPA和傳統(tǒng)的POA。
為了進(jìn)一步驗證本文提出的改進(jìn)算法求解梯級水電站多目標(biāo)優(yōu)化問題的有效性,還對該梯級水電站1944年6月~2015年5月共71個水文年的歷史徑流資料進(jìn)行了模擬,計算結(jié)果見圖1。以IFPA梯級最小出力為基準(zhǔn),長系列優(yōu)化結(jié)果顯示,POA優(yōu)化結(jié)果難以達(dá)標(biāo),多年平均最小出力僅1 214.6 MW;FPA優(yōu)化結(jié)果有34個水文年可以完全達(dá)標(biāo),但這34個水文年多年平均年發(fā)電量僅為203.8億kW·h,比本文提出的改進(jìn)算法低3.8億kW·h,且平均計算時間達(dá)50 s,計算時間過長;相應(yīng)年份本文改進(jìn)算法平均年發(fā)電量207.6億kW·h,平均計算時間僅2.3 s。
圖1 長系列優(yōu)化梯級最小出力
為保證電網(wǎng)安全穩(wěn)定運行,本文建立了兼顧梯級最小出力最大化的年發(fā)電量最大模型,并將其轉(zhuǎn)化為單目標(biāo)優(yōu)化問題。針對FPA本身特點,改進(jìn)搜索策略,提出了基于差分進(jìn)化算法變異操作的改進(jìn)花粉算法。梯級水電站中長期優(yōu)化調(diào)度實際應(yīng)用結(jié)果表明,該算法求解精度高,收斂速度快,具有很強的尋優(yōu)能力。
參考文獻(xiàn):
[1] 梅亞東, 熊瑩, 陳立華. 梯級水庫綜合利用調(diào)度的動態(tài)規(guī)劃方法研究[J]. 水力發(fā)電學(xué)報, 2007, 26(2): 1- 4.
[2] 周佳, 馬光文, 張志剛. 基于改進(jìn)POA算法的雅礱江梯級水電站群中長期優(yōu)化調(diào)度研究[J]. 水力發(fā)電學(xué)報, 2010, 29(3): 18- 22.
[3] 程春田, 郜曉亞, 武新宇, 等. 梯級水電站長期優(yōu)化調(diào)度的細(xì)粒度并行離散微分動態(tài)規(guī)劃方法[J]. 中國電機(jī)工程學(xué)報, 2011, 31(10): 26- 32.
[4] 王萬良, 周慕遜, 管秋, 等. 基于遺傳算法的小水電站優(yōu)化調(diào)度方法的研究與實踐[J]. 水力發(fā)電學(xué)報, 2005, 24(3): 6- 11.
[5] 練繼建, 馬超, 張卓. 基于改進(jìn)螞蟻算法的梯級水電站短期優(yōu)化調(diào)度[J]. 天津大學(xué)學(xué)報, 2006, 39(3): 264- 268.
[6] 暢建霞, 黃強, 王義民. 基于改進(jìn)遺傳算法的水電站水庫優(yōu)化調(diào)度[J]. 水力發(fā)電學(xué)報, 2001, 74(3): 85- 90.
[7] 秦國華, 謝文斌, 王華敏. 基于神經(jīng)網(wǎng)絡(luò)與遺傳算法的刀具磨損檢測與控制[J]. 光學(xué)精密工程, 2015, 23(5): 1314- 1321.
[8] 程聲烽, 程小華, 楊露. 基于改進(jìn)粒子群算法的小波神經(jīng)網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J]. 電力系統(tǒng)保護(hù)與控制, 2014, 42(19): 37- 42.
[9] 王靜暉. 改進(jìn)的螞蟻算法應(yīng)用于車輛路徑優(yōu)化問題[D]. 天津: 河北工業(yè)大學(xué), 2005.
[10] YANG Xinshe. Flower pollination algorithm for global optimization[C]∥International Conference on Unconventional Computation and Natural Computation. Berlin: Springer Verlag, 2012: 240- 249.
[11] YANG Xinshe, KARAMANOGLU M, HE Xingshi. Flower pollination algorithm: A novel approach for multi-objective optimization[J]. Engineering Optimization, 2014, 46(9): 1222- 1237.
[12] 王金龍, 黃煒斌, 馬光文. 基于改進(jìn)單親遺傳算法的梯級水電站群多目標(biāo)優(yōu)化[J]. 四川大學(xué)學(xué)報:工程科學(xué)版, 2014, 46(2): 1- 6.