【梯級水庫優(yōu)化調(diào)度常用方法探析綜述3600字】

梯級水庫優(yōu)化調(diào)度常用方法分析綜述目錄TOC\o"1-2"\h\u5072梯級水庫優(yōu)化調(diào)度常用方法分析綜述 [38]等針對梯級水電站調(diào)度功能辨識協(xié)同優(yōu)化中的線性選擇和變量選擇問題，采用逐步回歸模型篩選關(guān)鍵變量，建立回歸調(diào)度函數(shù)方程，簡化調(diào)度過，。并確保有效性。將該模型應用于金沙江和長江三峽水庫系統(tǒng)。通過逐步回歸調(diào)度函數(shù)，確定了溪洛渡和三峽水庫的調(diào)降機制，并對模型的準確性進行了檢驗。(2)優(yōu)化算法目前水庫優(yōu)化調(diào)度的求解方法主要有逐步優(yōu)化算法、大系統(tǒng)方法、遺傳算法以及人工神經(jīng)網(wǎng)絡(luò)等。逐步優(yōu)化算法(POA)作為一種改進的DP算法，于1975年由H.R.Howson和N.G.FSancho提出，其最優(yōu)策略具有“每個決策階段相對其始端值和終端值都是最優(yōu)的”特點。該算法通過把一個多階段、多狀態(tài)變量的復雜決策優(yōu)化問題，根據(jù)逐次優(yōu)化的思想，劃分為一系列簡單的階段子問題來解決。POA可以不讓其中的狀態(tài)變量變成離散化，這樣就可以避免維數(shù)限制，并且逐步優(yōu)化算法本身收斂，因而能夠達到較為精確的全局最優(yōu)解。但逐步優(yōu)化算法對優(yōu)化問題的目標函數(shù)以及約束條件要求嚴格，這點嚴重限制了其應用范圍。大系統(tǒng)方法(LSS)分解協(xié)調(diào)技術(shù)是依據(jù)Mesaroivc等人于20世紀70年代初提出的遞階控制的概念戶生的，HaimeS等在1977年又對它進行了改進和完善。大系統(tǒng)方法根據(jù)強對偶定理，第一步將復雜的整個系統(tǒng)劃分成多個相互之間獨立的子系統(tǒng)，使之形成遞階結(jié)構(gòu)形式，第二步求出變量以及約束條件相對較少的子系統(tǒng)的局部最優(yōu)解，再考慮各子系統(tǒng)之間的關(guān)聯(lián)信息，綜合大系統(tǒng)的總目標，最終實現(xiàn)整個算法的最優(yōu)解。這種方法具有減少內(nèi)存、簡化算法的復雜性等優(yōu)點，可直接利用現(xiàn)有各種水庫群優(yōu)化調(diào)度模型來求解子系統(tǒng)，故此被廣泛地應用于水庫群優(yōu)化調(diào)度、城市供水系統(tǒng)調(diào)度、國民經(jīng)濟協(xié)調(diào)管理等多個方面。但是該算法收斂緩慢，并且當水庫入流量為可變情況時考慮不充分。神經(jīng)網(wǎng)絡(luò)(NAA)是由D.E.Rumelhart等學者于1986年模仿人的大腦的組織形式和處理信息的方式而提出的高度非線性的計算模型。該模型以大量相互連接的人工神經(jīng)元作為基本元件來仿生人類大腦的思維學習方式，通過感知獲得其它神經(jīng)元或外部環(huán)境的訊息，加以分析計算，并將結(jié)果返還給為其提供訊息的對象。憑借強大的逼近性能，人工神經(jīng)網(wǎng)絡(luò)模型可用于調(diào)整不同輸入和輸出變量之間的映射關(guān)系，并解決各種復雜的問題。BP神經(jīng)網(wǎng)絡(luò)是使用最廣泛的人工神經(jīng)網(wǎng)絡(luò)模型。在學習過程中，內(nèi)部輸入層和中間層的權(quán)重會隨著環(huán)境的變化而不斷調(diào)整，操作直到ANN輸出達到配置的學習次數(shù)或錯誤在可接受的范圍內(nèi)。許多學者意識到了開發(fā)ANN模型的潛力，并加強了對該方法基于理論的深入研究，學習和培訓。如今，該模型具有強大的存儲能力，適應性，容錯能力和自組織能力。該方法具有大規(guī)模并行計算，分布式存儲和處理的優(yōu)勢，被廣泛用于水文預報和水質(zhì)模擬中的水庫群聯(lián)合作業(yè)中，因為它特別適合解決信息處理問題的許多不準確和模棱兩可的因素和條件。但是在實際應用中，由于學習時間長等因素，BP神經(jīng)網(wǎng)絡(luò)的收斂速度十分緩慢。對算法進度有明顯影響，尤其是在處理一些非常復雜的問題時。另外人工神經(jīng)網(wǎng)絡(luò)具有編輯網(wǎng)絡(luò)神經(jīng)結(jié)構(gòu)比較困難，學習可擴展性比較低，泛化能力比較弱，容易導致結(jié)果只有局部優(yōu)化以及穩(wěn)定性差的缺點。遺傳算法(NSGA)是1975年美國密執(zhí)安大學J.H.Holland教授提出的一種隨機化搜索算法。該方法模仿“適者生存，優(yōu)勝劣汰”生物生命進化的原理。也就是說，它模擬了自然選擇和遺傳進化過程中發(fā)生的繁殖，基因重組和基因突變現(xiàn)象。該方法把函數(shù)搜索范圍當作一個基因遺傳范圍，把每個可行解用編碼做為一個向量，稱為一個種群個體，也可以看作為一種染色體。對于水庫優(yōu)化調(diào)度的遺傳算法可以理解為，以水庫的庫容、發(fā)電流量等決策變量的時間序列作為染色體，然后在由決策變量上下限之間的解空間中隨機產(chǎn)生初始的染色體群，從該初始染色體群出發(fā)，染色體之間通過隨機選擇、交叉和變異等操作，產(chǎn)生群具有更優(yōu)適應度的新個體，在解空間中以全局搜索方式向具有更優(yōu)特性的方向演變，這樣代代直到最終進化到對環(huán)境適應能力最強的群染色體上，最終得到水庫優(yōu)化問題的最佳決策方案。每化的種群個體都會通過相應的以水庫調(diào)度目標函數(shù)值來表示的適應度值來進行評價，總的思想就是適應度值較大的染色體復制下代的幾率更大，但是又不完全依賴于以該值的高低大小作為選擇標準，為了避免出現(xiàn)計算后期由于物種的單一使算法陷入局部最優(yōu)，種群會通過隨機變異等操作生成一些新的染色體來增加種再的多樣性。經(jīng)過這樣的過程，適應度值較低的染色體(決策變量序列)會逐漸被淘汰掉，整個染色體種群將向著更適宜環(huán)境(即適應度值增加)的方向發(fā)展：同時又會有經(jīng)過變異的新染色體個體產(chǎn)生。遺傳算法具有很強的多目標尋求最優(yōu)解能力，能比較高效地尋找到最優(yōu)解。但是遺傳算法的局部搜索能力較差，過程中應用到隨機優(yōu)化策略，這將直接影響計算后期的進化搜索效率，導致其在實際應用中并不能保證一定得到全局最優(yōu)解。本質(zhì)上仍是無約