(遼寧潤中供水有限責任公司，遼寧 沈陽 110166)

1 工程概況

桓仁水電站位于遼寧省桓仁滿族自治縣泡子沿鎮(zhèn)境內，屬于渾江梯級開發(fā)中的第一座大型水電站[1]?；溉仕娬究刂屏饔蛎娣e10400km2，水庫庫容為36.40億m3?；溉仕畮斓恼Ｐ钏粸?00.00m，死水位290.00m。工程設計標準為千年一遇，對應流量為22600m3/s，校核洪水標準為萬年一遇，對應的洪峰流量為30000m3/s[2]?；溉仕娬局饕そㄖ餅榛炷链髩危瑝魏笫綇S房，大壩右側為泄洪壩段，共布置有5孔泄洪閘，每孔泄洪閘的閘孔寬為13m，高23.80m。桓仁水電站的主要功能是發(fā)電，兼具防洪、供水、灌溉等綜合效益。電站的設計水頭為53.20m，最大水頭57.10m，最小水頭47.10m，裝機總容量22.25萬kW，年均發(fā)電量為4.77億kW·h。

2 改進鴿群優(yōu)化算法

2.1 鴿群算法簡介

隨著演化技術的不斷發(fā)展，仿生智能優(yōu)化成為解決諸多工程問題的新興技術。進入新世紀以來，國內外學者通過對自然界中廣泛存在的自適應現(xiàn)象的深入研究，基于對上述功能機制的模擬，設計出蟻群優(yōu)化算法、微粒群優(yōu)化、鴿群算法等諸多優(yōu)化算法。其中，鴿群算法由Duan等學者于2014年提出，是一種基于鴿群歸巢行為而設計的新型智能優(yōu)化算法，由于該算法適應性好，計算精度高，在提出的短短幾年內就在工程領域獲得廣泛應用。

2.2 鴿群優(yōu)化算法的改進

由于鴿群算法具有較快的收斂速度，因此，在應用過程中極易出現(xiàn)局部最優(yōu)的情況[3]。鑒于鴿群算法的上述缺陷，研究中按照如下思路進行優(yōu)化：首先，將混沌和反向策略用于算法的初始化，以生成隨機效果好、空間覆蓋廣的初始化解；其次，以參數(shù)設置的方式對算法本身使用的地圖因子進行自適應調整；最后，在迭代過程中加入柯西擾動重分布策略，以實現(xiàn)擾動全局最優(yōu)解，防止收斂速度過快。

2.2.1 混沌和反向策略

混沌運動具有對初始值靈敏度高、運動軌跡的普遍性和不重復性的特點，使用該方法進行種群的初始化可以有效增加其多樣性[4]。目前，常用的混沌變量產生方法有Logistic與Tent Map兩種。相關學者的研究成果顯示[5]，后一種方法具有更快的迭代速度，因此優(yōu)化過程中將Tent Map函數(shù)作為混沌生成函數(shù)，利用rand生成0到1的隨機數(shù)為X0的值，并利用下式進行初始化解的生成：

Sij=Smin,j+Xn×(Smax,j-Smin,j),j=1,2,3,…,D

(1)

顯然，混沌方法存在一定的隨機性，其解的覆蓋范圍也不夠全面，因此，在優(yōu)化過程中借鑒Tizhoosh教授的相關研究結論[6]，通過反向策略來實現(xiàn)初始化解的全局最優(yōu)。

2.2.2 柯西擾動重分布策略

原始鴿群算法存在收斂速度快的問題，因此容易導致早熟收斂現(xiàn)象。為解決上述問題，本次研究擬采用柯西擾動重分布策略，使計算結果跳出局部最優(yōu)解，實現(xiàn)全局最優(yōu)解。在加入柯西擾動重分布的節(jié)點方面，本文采用A.Stacey關于柯西擾動方法的計算成果[7]，引入FC變量并設置其閾值為0，如果FC的值大于這一閾值，則視候選解有較大概率產生局部最優(yōu)情況，加入柯西擾動，同時打亂表現(xiàn)較差的一個半體，最終實現(xiàn)全局最優(yōu)。

2.2.3 參數(shù)自適應策略

鴿群算法作為一種群體智能算法，參數(shù)的科學性與合理性直接影響計算結果[8]。為了使參數(shù)能夠對鴿群算法的收斂起到作用，原始算法中采用指南針因子R來實現(xiàn)對鴿群速度的控制。顯然，R的值較小時，鴿子的速度就較大，進而導致收斂速度的加快，因此種群的搜索能力也會顯著增強，這對于局部搜索無疑具有較大的幫助。因此，本文研究中舍棄了原始方法中對參數(shù)R設定固定值的方法，在原始狀態(tài)下賦予R較小的值，在整個范圍內搜索完畢后，逐漸將R的值增大到1，以利于局部搜索的完成。

3 計算結果與分析

3.1 計算數(shù)據(jù)

根據(jù)桓仁水電站管理局提供的數(shù)據(jù)，整理桓仁水電站水位庫容關系(見表1)和下游水位與流量關系(見表2)。

表1 桓仁水電站水位庫容關系 單位：億m3

表2 下游水位與流量關系

3.2 計算結果分析

為驗證本文提出的改進鴿群算法在水電站發(fā)電調度中的優(yōu)越性，利用傳統(tǒng)的POA、動態(tài)規(guī)劃方法作為對比，對桓仁水電站典型年的數(shù)據(jù)進行計算。在計算過程中，利用桓仁水電站的水位—庫容關系以及水電站下游的水位—流量關系，不計水頭損失，以年發(fā)電量最大作為調度的基本準則進行水庫年調度。為了方便不同方法之間的比較，三種方法均進行150代、5次運算，并對得到的最優(yōu)值進行比較。

3.2.1 動態(tài)規(guī)劃法調度結果

利用動態(tài)規(guī)劃方法對桓仁水電站典型年的數(shù)據(jù)進行調度計算，結果見表3。

表3 動態(tài)規(guī)劃法調度結果

續(xù)表

3.2.2 POA 法優(yōu)化調度

利用POA 法對桓仁水電站典型年的數(shù)據(jù)進行調度計算，結果見表4。

表4 POA法調度結果

3.2.3 改進鴿群算法調度

利用改進鴿群算法對桓仁水電站典型年的數(shù)據(jù)進行調度計算，結果見表5。

表5 改進鴿群算法調度結果

續(xù)表

3.2.4 多算法結果對比分析

對動態(tài)規(guī)劃法、POA法以及改進鴿群算法的調度結果進行對比(見表6)。由計算結果可知，上述三種算法的總棄水量大致相當，而動態(tài)規(guī)劃法的年發(fā)電量為4.66億kW·h，POA法的年發(fā)電量為4.73億kW·h，改進鴿群算法的年發(fā)電量為5.07億kW·h。由此可見，在同樣的計算條件下，改進鴿群算法年發(fā)電量最大，可以在工程實踐中利用該算法進行水庫調度模型的求解。

表6 三種算法結果對比

4 結 論

大型水電站往往具有發(fā)電、供水和防洪等多方面的功能，其調度問題十分復雜，因而存在諸多亟待解決的問題。

本文以遼寧省桓仁水電站為例，研究了改進鴿群算法在水電站調度中的應用。針對傳統(tǒng)的鴿群算法存在的缺陷和不足，將混沌和反向策略用于算法的初始化，以參數(shù)設置的方式對算法本身使用的地圖因子進行自適應調整，在迭代過程中加入柯西擾動重分布策略改進鴿群算法。對桓仁水電站特征年數(shù)據(jù)采取動態(tài)規(guī)劃法、POA法以及改進鴿群算法進行調度計算，結果顯示，在同樣的計算條件下，改進鴿群算法年發(fā)電量最大，具有良好的求解能力，可以在工程實踐中利用該算法進行水庫調度模型的求解。