沈笛 趙珂 王渤權(quán)

摘 要：為有效解決小浪底-西霞院水庫群在調(diào)度過程中因泥沙淤積以及黃委調(diào)度指令導(dǎo)致發(fā)電計(jì)劃制訂困難的問題，構(gòu)建考慮泥沙淤積的小浪底-西霞院水庫群優(yōu)化調(diào)度模型，針對(duì)調(diào)度模型特點(diǎn)，一方面，選取影響水庫有效庫容的因子，并結(jié)合人工神經(jīng)網(wǎng)絡(luò)求解出不同時(shí)期、不同水位下的有效庫容，另一方面，提出POA-DP算法實(shí)現(xiàn)調(diào)度模型的求解。通過實(shí)例分析表明人工神經(jīng)網(wǎng)絡(luò)能夠有效表征泥沙淤積對(duì)水位—有效庫容關(guān)系的影響，并能夠預(yù)測(cè)出未來的水位—有效庫容關(guān)系發(fā)展趨勢(shì)，所構(gòu)建的水庫群優(yōu)化調(diào)度模型能夠在滿足黃委調(diào)度指令情況下實(shí)現(xiàn)發(fā)電效益最大化。

關(guān)鍵詞：泥沙淤積;人工神經(jīng)網(wǎng)絡(luò);水位—有效庫容;優(yōu)化調(diào)度;小浪底;西霞院

中圖分類號(hào)：TV145;TV697.1+2;TV882.1 文獻(xiàn)標(biāo)志碼：A

doi：10.3969/j.issn.1000-1379.2020.12.005

Abstract：In order to effectively solve the problem of difficulty in making power generation plan in XiaolangdiXixiayuan reservoirs due to sediment deposition and the influence of Yellow River Conservancy Conservancy Commission's regulation order in the process of operation， an optimal operation model of XiaolangdiXixiayuan cascade reservoirs considering sediment deposition was constructed by the paper. According to the characteristics of the operation model， the factors affecting the reservoir capacity were selected and the effective reservoir capacity at different stages and different water levels was derived by artificial neural network. On the other hand， POADP algorithm was proposed to solve the model. The results show that the artificial neural network can effectively characterize the influence of sediment deposition on water levelreservoir capacity and effectively predict the future trend of water levelreservoir capacity. The optimal operation model of reservoir group can maximize the power generation under the conditions of meeting Yellow River Conservancy Commission's operation order.

Key words： sediment deposition; artificial neural network; water levelreservoir capacity; optimal operation; Xiaolangdi; Xixiayuan

1 引 言

隨著社會(huì)的發(fā)展，對(duì)能源的需求不斷增加，2020年預(yù)計(jì)我國全社會(huì)用電量可達(dá)6.8萬億～7.2萬億kW·h，全國發(fā)電裝機(jī)容量可達(dá)20億kW，因此節(jié)約煤炭資源、大力發(fā)展可再生能源是實(shí)現(xiàn)可持續(xù)發(fā)展的重要措施。截至2017年底，我國可再生能源發(fā)電裝機(jī)容量達(dá)到6.56億kW，水電、風(fēng)電、太陽能發(fā)電裝機(jī)容量穩(wěn)居世界第一?！峨娏Πl(fā)展“十三五”規(guī)劃》提出“加快煤電轉(zhuǎn)型升級(jí)，促進(jìn)清潔有序發(fā)展，積極發(fā)展水電，統(tǒng)籌開發(fā)與外送”等電力能源發(fā)展戰(zhàn)略。在眾多可再生能源與清潔能源中，水電能源以其資源豐富、運(yùn)行成本低以及可調(diào)節(jié)性強(qiáng)等優(yōu)勢(shì)占據(jù)著舉足輕重的位置。自20世紀(jì)至今，我國水電事業(yè)有了長(zhǎng)足的發(fā)展，十三大水電基地相繼建成。在水庫群規(guī)模逐漸成型的過程中，如何充分利用水資源，合理制訂水庫的發(fā)電計(jì)劃成為國內(nèi)外學(xué)者研究的重點(diǎn)[1-2]。

水庫在運(yùn)行過程中，受一系列環(huán)境因素影響。其中，對(duì)于某些水庫而言，泥沙淤積是水庫調(diào)度中不可忽視的重要問題，隨著泥沙淤積量的增加，水庫在防洪、發(fā)電以及航運(yùn)上的效益受到損失，嚴(yán)重影響水庫的性能、縮短水庫的使用壽命，為此，眾多學(xué)者針對(duì)水沙問題進(jìn)行了大量的研究。紀(jì)昌明等[3]針對(duì)泥沙淤積、水庫發(fā)電量建立了水庫多目標(biāo)優(yōu)化調(diào)度模型，提出了相應(yīng)的算法并進(jìn)行求解，結(jié)果表明該模型可以很好地協(xié)調(diào)發(fā)電與排沙之間的矛盾;彭?xiàng)畹萚4]把水庫防洪、發(fā)電、航運(yùn)以及減淤作為基本目標(biāo)，構(gòu)建了水沙聯(lián)合調(diào)度多目標(biāo)決策模型，通過求解得到水庫蓄水時(shí)間和庫容淤積率的非劣解集，為水庫水沙聯(lián)合調(diào)度提供了重要的理論支撐;哈燕萍等[5]針對(duì)黃河上游泥沙淤積情況，構(gòu)建相應(yīng)的水沙調(diào)控指標(biāo)，量化水沙調(diào)控的最佳時(shí)機(jī)，并得出不同調(diào)控目標(biāo)的轉(zhuǎn)化關(guān)系，為黃河上游水沙調(diào)控提供了重要的理論依據(jù);黃仁勇等[6]對(duì)溪洛渡、向家壩和三峽的汛期排沙方式進(jìn)行了研究，并提出了相應(yīng)的排沙調(diào)度方案，為該梯級(jí)水庫群泥沙調(diào)度提供了解決方案;肖楊等[7]、孫東坡等[8]、王帥等[9]也針對(duì)水庫水沙調(diào)度問題做了相關(guān)研究。

對(duì)于小浪底水庫而言，泥沙淤積是影響其效益發(fā)揮的重要因素。小浪底水庫的調(diào)度指令由黃河水利委員會(huì)（黃委）統(tǒng)一下達(dá)，小浪底工作人員需要根據(jù)當(dāng)前調(diào)度指令制訂相應(yīng)的發(fā)電計(jì)劃。泥沙淤積量的增加，直接影響著小浪底水庫水位—有效庫容關(guān)系，進(jìn)而影響發(fā)電計(jì)劃的合理性。為此，以小浪底水庫為工程背景，構(gòu)建考慮泥沙淤積與黃委調(diào)度指令的小浪底-西霞院水庫群優(yōu)化調(diào)度模型，并針對(duì)調(diào)度模型特點(diǎn)，基于人工神經(jīng)網(wǎng)絡(luò)尋求泥沙淤積與水位、庫容的關(guān)系，求解不同時(shí)期、不同水位下的有效庫容，進(jìn)而實(shí)現(xiàn)模型的求解，為小浪底水庫調(diào)度提供理論基礎(chǔ)，提高發(fā)電計(jì)劃制訂的準(zhǔn)確度。

2 考慮泥沙淤積的小浪底水庫調(diào)度模型

2.1 模型建立

傳統(tǒng)水庫調(diào)度通常以發(fā)電量最大為目標(biāo)進(jìn)行模型的建立，其目標(biāo)函數(shù)為式中：Zit、Zit+1分別為第i個(gè)水庫第t時(shí)段初和時(shí)段末的水位，m;ZiQ，t為第i個(gè)水庫在第t個(gè)時(shí)段出庫流量為Q時(shí)的下游水位，m。

式（2）中Zit+1根據(jù)水量平衡和水位庫容曲線計(jì)算得到，之后進(jìn)行逐時(shí)段遞推實(shí)現(xiàn)模型的求解。從上述過程可以看出，若計(jì)算時(shí)采用的水位庫容曲線固定不變，對(duì)于小浪底水庫而言，隨著泥沙淤積量的增加，實(shí)際有效庫容會(huì)逐漸減少，即同一水位下其有效庫容會(huì)呈現(xiàn)出遞減趨勢(shì)，而不同水位下有效庫容的遞減規(guī)律及趨勢(shì)也不盡相同，這勢(shì)必影響小浪底水庫在不同時(shí)期、不同水位下發(fā)電計(jì)劃制訂的準(zhǔn)確性。建立考慮泥沙淤積的小浪底水庫優(yōu)化調(diào)度模型時(shí)，將受泥沙淤積影響的有效庫容變化考慮進(jìn)來，目標(biāo)函數(shù)為式中：a為小浪底水庫;b為西霞院水庫;f（Zat，Qat，t，W）為水頭的函數(shù)，即在t時(shí)段，時(shí)段初水位為Zat、出庫流量為Qat以及含沙量為W情況下的水頭，m。

相應(yīng)的約束條件如下。

（1）水量平衡約束：

式中：Qit為梯級(jí)水庫系統(tǒng)中第i個(gè)水庫在調(diào)度期的第t個(gè)時(shí)段的下泄流量，m3/s;Vit-1與Vit分別為第i個(gè)水庫在t時(shí)段初和時(shí)段末的蓄水量，m3;Δt為一個(gè)時(shí)段長(zhǎng)度，s;Iit為第i（i>1）個(gè)水庫在t時(shí)段的平均區(qū)間入流量，m3/s;Qi-1t為第i個(gè)水庫的上庫在時(shí)段t的出流量（當(dāng)i=1時(shí)，表示龍頭水庫在t時(shí)段的來流量），m3/s;Qie，t為第i個(gè)水庫在時(shí)段t的蒸發(fā)流量，m3/s。

（2）水庫水位約束：

2.2 模型求解

上述模型的求解可分為兩部分：①對(duì)不同時(shí)期、不同水位下的有效庫容演變規(guī)律進(jìn)行分析，求解出目標(biāo)函數(shù)中的f（Zat，Qat，t，W）;②針對(duì)上述約束條件，尤其是黃委調(diào)度指令約束條件，提出小浪底-西霞院聯(lián)合優(yōu)化調(diào)度的計(jì)算步驟。

對(duì)于①，由于影響水庫泥沙淤積分布的因素很多，而沿程的分布形態(tài)直接影響著水位—有效庫容關(guān)系，因此結(jié)合歷史資料，綜合考慮后選取凈來沙量、來水量、泄水量以及不同時(shí)期水位等4個(gè)因子來反映小浪底水庫有效庫容的變化;對(duì)于②，針對(duì)黃委調(diào)度指令特點(diǎn)，提出一種POA-DP算法實(shí)現(xiàn)小浪底-西霞院水庫群的優(yōu)化調(diào)度，為提高水資源利用率提供理論支撐。

2.2.1 基于人工神經(jīng)網(wǎng)絡(luò)的小浪底水位、庫容預(yù)測(cè)

人工神經(jīng)網(wǎng)絡(luò)模仿生物反射機(jī)制[10-12]，在神經(jīng)網(wǎng)絡(luò)中存在多個(gè)神經(jīng)元相互連接，相互傳遞信息，輸入的信息層層向前傳遞，并不斷學(xué)習(xí)，最終在輸出層輸出。人工神經(jīng)網(wǎng)絡(luò)發(fā)展至今已有70余年歷史，在求解分類及預(yù)測(cè)問題方面有著很好的效果。由于西霞院水庫為日調(diào)節(jié)水庫，庫容較小，且全年水位變化范圍較小，因此只針對(duì)小浪底水庫進(jìn)行研究。同時(shí)，鑒于泥沙淤積以及神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，采用人工神經(jīng)網(wǎng)絡(luò)方法[13-14]對(duì)小浪底水位—有效庫容關(guān)系進(jìn)行學(xué)習(xí)，并實(shí)現(xiàn)對(duì)未來的水位—有效庫容關(guān)系的預(yù)測(cè)，其主要步驟如下。

（1）統(tǒng)計(jì)不同時(shí)期、不同水位下的小浪底水庫前一年平均來水流量Qinflow、泄水流量Qoutflow、從2004年至2017年的總凈進(jìn)沙量S、水位Z以及相應(yīng)的庫容。

（2）神經(jīng)網(wǎng)絡(luò)初始化，設(shè)定隱含層數(shù)m、節(jié)點(diǎn)數(shù)n、初始化網(wǎng)絡(luò)連接權(quán)重w、閾值θ、學(xué)習(xí)速率μ、動(dòng)量學(xué)習(xí)速率η等基本參數(shù)。

（3）將統(tǒng)計(jì)得到的樣本數(shù)據(jù)輸入到網(wǎng)絡(luò)當(dāng)中，計(jì)算不同節(jié)點(diǎn)的輸出。

2.2.2 小浪底-西霞院水庫聯(lián)合優(yōu)化調(diào)度計(jì)算

采用上述方法可以實(shí)時(shí)得到不同時(shí)期、不同水位下的小浪底水庫有效庫容值，進(jìn)而對(duì)水庫群聯(lián)合優(yōu)化調(diào)度進(jìn)行求解，與以往調(diào)度模型不同的是，小浪底-西霞院水庫優(yōu)化調(diào)度模型受黃委調(diào)度指令的約束，需要根據(jù)調(diào)度指令中指定的水庫按照給定的下泄流量進(jìn)行調(diào)度，這為模型的求解帶來了一定的困難，為此，提出一種POA-DP算法對(duì)優(yōu)化調(diào)度模型進(jìn)行求解，其步驟如下。

（1）確定調(diào)度期時(shí)段數(shù)T，初始化算法參數(shù)，包括小浪底水庫時(shí)段初水位Z0，0，西霞院調(diào)度期初、末水位值Z1，0、Z1，T，日均相鄰時(shí)段下泄流量最大波動(dòng)值ε，小浪底水庫各個(gè)時(shí)段下泄流量離散點(diǎn)數(shù)M，西霞院水庫庫容離散點(diǎn)數(shù)N。

（2）根據(jù)黃委調(diào)度指令，初始化指定水庫的下泄流量過程（Qoutflow，0， Qoutflow，1， …，Qoutflow，T-1），其中Qoutflow，0= Qoutflow，1=…= Qoutflow，T-1=Qorder。

（3）按照上述下泄流量求得兩個(gè)水庫總的發(fā)電量E0。

（4）以第i時(shí)段初水位為起調(diào)水位，計(jì)算i時(shí)段與i+1時(shí)段的總下泄流量Qtotal，設(shè)定i時(shí)段初水庫下泄流量變化步長(zhǎng)，改變i時(shí)段與i+1時(shí)段的水庫下泄流量，進(jìn)而得到新的水庫水位值，再通過新的下泄流量值作為輸入（輸出），傳送到下一水庫中，按照DP算法對(duì)該水庫進(jìn)行計(jì)算求解，得到新的調(diào)度計(jì)劃及總發(fā)電量E1，與E0進(jìn)行比較，若E1>E0，則采用當(dāng)前調(diào)度策略。

（5）逐時(shí)段進(jìn)行水庫群總發(fā)電量求解，遍歷至?xí)r段末，判斷是否滿足精度以及迭代次數(shù)，若是，則輸出最終結(jié)果，否則返回（4）繼續(xù)進(jìn)行計(jì)算，直至滿足終止條件。

[3] 紀(jì)昌明，劉方，彭?xiàng)?，?基于鯰魚效應(yīng)粒子群算法的水庫水沙調(diào)度模型研究[J].水力發(fā)電學(xué)報(bào)，2013，32（1）：70-76.

[4] 彭?xiàng)睿o(jì)昌明，劉方.梯級(jí)水庫水沙聯(lián)合優(yōu)化調(diào)度多目標(biāo)決策模型及應(yīng)用[J].水利學(xué)報(bào)，2013，44（11）：1272-1277.

[5] 哈燕萍，白濤，黃強(qiáng)，等.梯級(jí)水庫群水沙聯(lián)合調(diào)度的多目標(biāo)轉(zhuǎn)化研究[J].水力發(fā)電學(xué)報(bào)，2017，36（7）：23-33.

[6] 黃仁勇，王敏，張細(xì)兵，等.溪洛渡、向家壩、三峽梯級(jí)水庫汛期聯(lián)合排沙調(diào)度方式初步研究[J].長(zhǎng)江科學(xué)院院報(bào)，2018，35（8）：6-10，26.

[7] 肖楊，彭?xiàng)睿跆珎?基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的水庫水沙聯(lián)合優(yōu)化調(diào)度模型[J].水利水電科技進(jìn)展，2013，33（2）：9-13.

[8] 孫東坡，吳默溪.黃河小浪底水庫運(yùn)用以來的泥沙淤積特征分析[J].華北水利水電大學(xué)學(xué)報(bào)（自然科學(xué)版），2018，39（2）：74-79.

[9] 王帥，彭?xiàng)?，劉方，?POA算法在水庫水沙聯(lián)合調(diào)度中的應(yīng)用研究[J].水電能源科學(xué)，2012，30（4）：29-31，187.

[10] 趙林明，楚清河，代秋平，等.基于小波分析與人工神經(jīng)網(wǎng)絡(luò)的水輪機(jī)壓力脈動(dòng)信號(hào)分析[J].水利學(xué)報(bào)，2011，42（9）：1075-1080.

[11] 陳丁江，呂軍，沈曄娜，等.非點(diǎn)源污染河流水質(zhì)的人工神經(jīng)網(wǎng)絡(luò)模擬[J].水利學(xué)報(bào)，2007，38（12）：1519-1525.

[12] 陳曉楠，黃強(qiáng)，邱林，等.基于混沌優(yōu)化神經(jīng)網(wǎng)絡(luò)的農(nóng)業(yè)干旱評(píng)估模型[J].水利學(xué)報(bào)，2006，37（2）：247-252.

[13] INCE H， CEBECI A F， IMAMOGLU S Z. An Artificial Neural NetworkBased Approach to the Monetary Model of Exchange Rate[J]. Computational Economics， 2017（2）：1-15.

[14] STEINBACH L， ALTINSOY M E. Prediction of Annoyance Evaluations of Electric Vehicle Noise by Using Artificial Neural Networks[J]. Applied Acoustics，2019，145：149-158.

【責(zé)任編輯 張 帥】