王向偉

(大唐鄉(xiāng)城(得榮)水電開發(fā)有限公司，四川 成都 610000)

0 引言

將水庫按最優(yōu)的調度方式進行蓄水、用水和泄洪，以避免因水庫運行管理不當而造成的損失，或將這種損失減少到最低限度，稱之為水電站最優(yōu)調度。

目前我國的專家學者提出許多用于解決優(yōu)化問題的算法，如動態(tài)規(guī)劃、逐步優(yōu)化算法(POA)、人工魚群、遺傳算法等都是用于解決多階段、多狀態(tài)過程優(yōu)化問題的算法。上述算法通常須進行一定的改良才能處理對應的實際問題。如文獻[1]采用隨機優(yōu)化方法對水電站興利優(yōu)化調度問題進行了討論并且建立了隨機動態(tài)規(guī)劃水庫優(yōu)化調度模型，可以根據(jù)水庫實時水位以及上游來水流量對電站發(fā)電模式進行調整。文獻[2]提出了一種對水庫優(yōu)化調度新的人工魚群算法，以此來解決水庫優(yōu)化調度的問題。文獻[3]研究了遺傳算法在水庫群優(yōu)化調度中的應用，并提出將遺傳算法與其他優(yōu)化算法結合運用的展望。秦旭寶等人[4]和張誠等人[5]對水電站優(yōu)化調度采用POA算法(逐步算法)。上述算法(模型)雖有了不同方式、不同類型的改進，但是仍然需要外界設置水庫調度模式與調度控制水位，還不能實現(xiàn)水電站自主智能優(yōu)化調度。

為解決上述傳統(tǒng)優(yōu)化模型缺陷，提升傳統(tǒng)模型的實用性，本文選取POA算法模型與BP神經網絡模型、C4.5等機器學習模型進行多算法模型耦合來實現(xiàn)水電站自主智能優(yōu)化調度[6-7]。

BP(back propagation)神經網絡具有較強數(shù)據(jù)處理與映射能力，能準確地從歷史運行數(shù)據(jù)中抓住水電站庫水位的控制策略，進而根據(jù)實時情況預測出符合規(guī)律的電站調度控制水位。饒碧玉等人[8]為解決灌區(qū)水資源供需矛盾突出問題，將BP神經網絡模型用于水庫調度，該模型較好地反映了水庫月初水位、來水流量以及出庫水量和水庫月末水位之間非線性關系。同時，BP神經網絡模型在昭平臺、池潭等水庫中取得了較好的應用[9-10]，為BP神經網絡在水庫優(yōu)化調度應用的使用提供了可行性依據(jù)。C4.5是一種分類算法，文獻[11]將決策樹C4.5算法進行改進后應用于航線網絡優(yōu)化問題中，使機場群總體效益有顯著的提高；同時C4.5算法在電網調度[12]中取得了一定成果。本文建立適合樣本對其進行訓練后能夠替代調度人員，根據(jù)電站實時狀態(tài)與各項因素為水庫未來調度選取合適的調度模式。以BP(back propagation)神經網絡模型完成POA算法調度期末水位設值，C4.5算法完成POA模型調度模式的選擇，實現(xiàn)多算法耦合模型自動完成水庫最優(yōu)化調度，提高了模型的實用性。

1 數(shù)據(jù)準備

模型以大渡河流域某電站為實例，以Python語言構建調度周期為一日的短期模型，用以做模型的驗證。該電站正常蓄水位為1 130.00 m，死水位1 120.00 m，總庫容7.42億m3，調節(jié)庫容1.17億m3，具有日調節(jié)能力。

2 模型構建

2.1 BP神經網絡構建

2.1.1 模型輸入和輸出層

水電行業(yè)根據(jù)全年降雨分布情況將運行時期劃分為豐水期與枯水期，豐水期為一年的5—10月，這段時期電站來水豐富，調度人員通常會結合電站水庫的庫水位、未來來水情況以及電站當前實時出庫流量情況，對調度期末的控制水位作出一定的調整，為應對突發(fā)洪水保留一定的調節(jié)空間，其余月份則為枯水期，電站來水較少，電站無防洪壓力，水庫通過水庫蓄水拉高電站水庫水位，提高機組發(fā)電水頭來提升水能利用率。過渡期為豐水期與枯水期重疊的部分，電站調度模式比較固定，枯水期—豐水期水庫會加大放水，拉低水庫庫容；豐水期—枯水期水庫減少放水，拉高水庫庫容。

本文選取以下因素作為神經網絡的輸入：調度月份、今日0時水庫庫水位、次日來水水量、今日0時出庫流量。其中調度月份主要用于區(qū)分調度策略(水庫蓄水、放水、中低水位保守運行、高水位運行)，次日來水與0時出庫流量主要確定預測水位的具體數(shù)值；選擇以水電站水庫調度期末(后日0點)水庫庫水位為BP輸出。

2.1.2 基于BP神經網絡的水庫水位預測模型

學校領導對教育專項資金管理的重視程度是提升學校教育專項資金管理和績效評價工作質量的重要基礎，也是教育部門后期管理工作順利進行的重要保障。為此，教育部門要積極向學校負責人宣傳教育專項資金管理對學校長遠發(fā)展的重要性，讓學校各級管理人員都能夠深刻認識到教育專項資金管理對學校師生成長以及學校長遠建設的重要意義。同時，學校負責人要充分發(fā)揮出領導帶頭作用，通過上級帶動下級的方式來引導全校師生重視對教育專項資金撥款的重視。

建立包含1個輸入層、1個輸出層、2個隱藏層的4層神經網絡，其中輸出層包含1個神經元，其余層設置為10個神經元，由余麗華[10]構建神經網絡選擇的傳統(tǒng)的Sigmoid作為激活函數(shù)，訓練過程中易出現(xiàn)梯度爆炸和梯度消失問題，本次激活函數(shù)選用線性整流ReLU函數(shù)，在有效規(guī)避梯度消失問題的同時還能減少模型運算成本。

建立2015—2020年5年的樣本數(shù)據(jù)集供BP神經網絡訓練，以min-max方式分別對0時庫水位、次日來水水量、0時出庫流量等特征進行歸一化處理，歸一化公式如下：

水位歸一化處理時vmin取值為水庫死水位，vmax取值為水庫最高蓄水位，入庫水量與出庫流量特征歸一化處理時，vmin取值歷史最小值，vmax取值歷史最大值，訓練集示意如表1所示。設置學習率e為0.005，對BP神經網絡進行訓練，3—6月水位過程對比如圖1所示。圖1中，O_Z表示實際運行水位，P_Z表示預測水位。

2.2 決策樹構建

建立決策樹模型訓練集，樣本特征示意如表2所示。

圖1 水位對比圖

表2 決策樹樣本特征示意表

根據(jù)樣本特征的取值選擇C4.5模型實現(xiàn)優(yōu)化調度過程調度模式選擇的功能，C4.5由于使用熵模型，因此有大量的對數(shù)運算，雖然C4.5模型能處理連續(xù)特征，但需要花費大量計算資源，因此本文采用基尼系數(shù)代替熵模型簡化C4.5模型構建，犧牲少量準確性，減少模型的運算強度，再依據(jù)姜如霞等人[13]和苗煜飛等人[14]對C4.5算法的改進，建立決策樹。部分決策樹如圖2所示，圖中maxe代表電量最大、minoutq代表最大出庫流量最小、minz代表最高水位最低。

圖2 調度模式決策樹結構示意

2.3 模型求解

POA子階段以以下方式進行劃分：設置固定步長step(1 h)，以固定步長對調度過程t(24 h)進行子階段劃分，如圖3所示。

圖3中z0為t0時刻電站庫水位，z0為電站實時庫水位，zn為BP神經網絡預測水位。根據(jù)C4.5算法選擇適合調度過程的調度模式，不同的調度模式對應的目標函數(shù)為：

最大出庫流量最小：

(1)

最高庫水位最低：

(2)

發(fā)電量最大：

goal=max(Ei+Ei+1)

(3)

上式中Ei為i階段電站發(fā)電電量，zi為i階段電站水庫平均水位，outqi為i階段電站平均出庫流量。

圖3 模型階段劃分示意圖

根據(jù)以下步驟進行階段優(yōu)化進完成全局優(yōu)化。

1)對t0、t1形成的階段1，假設t0到t1電站出庫流量為0，利用水量平衡可獲得t1時刻電站上限庫水位，對t1、t2形成的階段2，假設t1到t2電站出庫流量為0，利用水量平衡可獲得t1時刻電站下限庫水位，t1階段的上下限水位構成z1優(yōu)化區(qū)間，其示意圖如圖4所示。

圖4 階段優(yōu)化示意圖

2)以步長為0.01，離散z1優(yōu)化區(qū)間，帶入每一個離散點，根據(jù)調度模式對應的目標函數(shù)，計算電站相應狀態(tài)，選擇滿足目標函數(shù)的水位值為t1時刻的最優(yōu)水位。

3)對t1、t2、t3及后續(xù)節(jié)點按照步驟1進行，直至所有節(jié)點時刻優(yōu)化完畢。

4)與初始解對比對應節(jié)點水位，若差異較大，則將優(yōu)化狀態(tài)更新至初始狀態(tài)，從t1節(jié)點開始以相同的步驟進行新一輪優(yōu)化。若差異較小或者重復優(yōu)化次數(shù)達到一定數(shù)值，則優(yōu)化結束。

3 模型結果與對比

3.1 指標選取

從電站安全、經濟運行兩大方面考量，選取總棄水水量、總發(fā)電電量、平均耗水率、蓄能值對模型結果進行評估。

3.1.1 棄水水量

棄水水量主要反映電站控制水位、調度模式、機組負荷合理性，合理控制水位、調度模式與機組負荷可有效減少電站的棄水水量，其計算方式為：

(4)

3.1.2 發(fā)電量

電量主要反映電站主要效益，Esum越大，效益越好，其計算方式為：

(5)

3.1.3 平均耗水率

平均耗水率主要反映電站對水能的利用率，rate越大，水能利用率越小，其計算方式為：

(6)

3.1.4 期末蓄能值

期末蓄能值是指電站水庫死水位以上可調水量的靜態(tài)發(fā)電能力，其計算方式為：

(7)

式中：n為調度過程劃分的階段數(shù)；Qi為調度i階段的棄水流量；t為調度i階段時長；Ni為調度i階段電站全廠負荷；Vi為調度i階段電站全廠發(fā)電水量；Ei為i階段電站的發(fā)電量；z死為水庫死水位；z庫為水庫當前水位；Vx為x水位下電站水庫水量；rx為x水位下電站平均耗水率；Δx為單位步長。

3.2 模型結果

模型分別對該電站2021年3—6月的歷史運行數(shù)據(jù)進行模擬調度，實際運行數(shù)據(jù)如表3，模擬結果如表4。

表3 電站歷史運行統(tǒng)計表

表4 模型模擬結果表

根據(jù)結果對比表可以看出，模型期末水位與蓄能值普遍偏高，耗水率普遍低于歷史過程，累計發(fā)電量普遍大于歷史過程，說明耦合能夠自主智能完成水庫的優(yōu)化調度工作。

4 結論

水電站的調度過程中，影響調度目標的因素多，且調度目標隨時間、環(huán)境因素頻繁變化，靠人工干預實現(xiàn)水電站的實時優(yōu)化調度難度大。POA(逐步優(yōu)化)算法模型通過耦合BP神經網絡、C4.5等機器學習算法形成多算法耦合模型，運用該耦合模型對大崗山電站2021年3—6月數(shù)據(jù)模型進行驗證，驗證結果表明：BP神經網絡水庫水位預測模型經過電站大量的實際運行數(shù)據(jù)進行訓練，從中提取控制水位與各項因素之間的內在非線性關系，使預測模型能夠預測出水庫水位的變化趨勢，本預測模型可以通過增加樣本訓練集提升預測模型精度。C4.5經過電站大量的實際運行數(shù)據(jù)訓練，選取影響電站調度模式的主要因素形成訓練樣本，可使用人工制訂決策樹訓練樣本，提供決策樹的可用性，在模型的使用過程中給出更加符合實際情況的調度模式。機器學習與POA模型通過BP神經網絡、決策樹與POA三者協(xié)同作用，解決了POA優(yōu)化模型兩大核心需要人工干預的困境，形成自主智能優(yōu)化調度應用。