(遼寧潤中供水有限責任公司,遼寧 沈陽 110166)
桓仁水電站位于遼寧省桓仁滿族自治縣泡子沿鎮(zhèn)境內(nèi),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(shè)計標準為千年一遇,對應(yīng)流量為22600m3/s,校核洪水標準為萬年一遇,對應(yīng)的洪峰流量為30000m3/s[2]?;溉仕娬局饕そㄖ餅榛炷链髩?,壩后式廠房,大壩右側(cè)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?;溉仕娬镜闹饕δ苁前l(fā)電,兼具防洪、供水、灌溉等綜合效益。電站的設(shè)計水頭為53.20m,最大水頭57.10m,最小水頭47.10m,裝機總?cè)萘?2.25萬kW,年均發(fā)電量為4.77億kW·h。
隨著演化技術(shù)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(shù)。進入新世紀以來,國內(nèi)外學者通過對自然界中廣泛存在的自適應(yīng)現(xiàn)象的深入研究,基于對上述功能機制的模擬,設(shè)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(shè)計的新型智能優(yōu)化算法,由于該算法適應(yīng)性好,計算精度高,在提出的短短幾年內(nèi)就在工程領(lǐng)域獲得廣泛應(yīng)用。
由于鴿群算法具有較快的收斂速度,因此,在應(yīng)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(shè)置的方式對算法本身使用的地圖因子進行自適應(yīng)調(diào)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(fù)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(chǎn)生方法有Logistic與Tent Map兩種。相關(guān)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(guān)研究結(jié)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(dǎo)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(jié)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(guān)于柯西擾動方法的計算成果[7],引入FC變量并設(shè)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(chǎn)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(yīng)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(jié)果[8]。為了使參數(shù)能夠?qū)澣核惴ǖ氖諗科鸬阶饔?,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(dǎo)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(shè)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(nèi)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。
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(guān)系(見表1)和下游水位與流量關(guān)系(見表2)。
表1 桓仁水電站水位庫容關(guān)系 單位:億m3
表2 下游水位與流量關(guān)系
為驗證本文提出的改進鴿群算法在水電站發(fā)電調(diào)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(guān)系以及水電站下游的水位—流量關(guān)系,不計水頭損失,以年發(fā)電量最大作為調(diào)度的基本準則進行水庫年調(diào)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(diào)度結(jié)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(diào)度計算,結(jié)果見表3。
表3 動態(tài)規(guī)劃法調(diào)度結(jié)果
續(xù)表
3.2.2 POA 法優(yōu)化調(diào)度
利用POA 法對桓仁水電站典型年的數(shù)據(jù)進行調(diào)度計算,結(jié)果見表4。
表4 POA法調(diào)度結(jié)果
3.2.3 改進鴿群算法調(diào)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(diào)度計算,結(jié)果見表5。
表5 改進鴿群算法調(diào)度結(jié)果
續(xù)表
3.2.4 多算法結(jié)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(diào)度結(jié)果進行對比(見表6)。由計算結(jié)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(diào)度模型的求解。
表6 三種算法結(jié)果對比
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(diào)度問題十分復(fù)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(diào)度中的應(yīng)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(shè)置的方式對算法本身使用的地圖因子進行自適應(yīng)調(diào)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(diào)度計算,結(jié)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(diào)度模型的求解。