考慮減淤的小浪底-西霞院水庫聯(lián)合優(yōu)化調(diào)度

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)度指令導致發(fā)電計劃制訂困難的問題，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，針對調(diào)度模型特點，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)絡求解出不同時期、不同水位下的有效庫容，另一方面，提出POA-DP算法實現(xiàn)調(diào)度模型的求解。通過實例分析表明人工神經(jīng)網(wǎng)絡能夠有效表征泥沙淤積對水位—有效庫容關(guān)系的影響，并能夠預測出未來的水位—有效庫容關(guān)系發(fā)展趨勢，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;水位—有效庫容;優(yōu)化調(diào)度;小浪底;西霞院

中圖分類號：TV145;TV697.1+2;TV882.1 文獻標志碼：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

隨著社會的發(fā)展，對能源的需求不斷增加，2020年預計我國全社會用電量可達6.8萬億～7.2萬億kW·h，全國發(fā)電裝機容量可達20億kW，因此節(jié)約煤炭資源、大力發(fā)展可再生能源是實現(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)電裝機容量達到6.56億kW，水電、風電、太陽能發(fā)電裝機容量穩(wěn)居世界第一。《電力發(fā)展“十三五”規(guī)劃》提出“加快煤電轉(zhuǎn)型升級，促進清潔有序發(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、運行成本低以及可調(diào)節(jié)性強等優(yōu)勢占據(jù)著舉足輕重的位置。自20世紀至今，我國水電事業(yè)有了長足的發(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)電計劃成為國內(nèi)外學者研究的重點[1-2]。

水庫在運行過程中，受一系列環(huán)境因素影響。其中，對于某些水庫而言，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)電以及航運上的效益受到損失，嚴重影響水庫的性能、縮短水庫的使用壽命，為此，眾多學者針對水沙問題進行了大量的研究。紀昌明等[3]針對泥沙淤積、水庫發(fā)電量建立了水庫多目標優(yōu)化調(diào)度模型，提出了相應的算法并進行求解，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;彭楊等[4]把水庫防洪、發(fā)電、航運以及減淤作為基本目標，構(gòu)建了水沙聯(lián)合調(diào)度多目標決策模型，通過求解得到水庫蓄水時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]針對黃河上游泥沙淤積情況，構(gòu)建相應的水沙調(diào)控指標，量化水沙調(diào)控的最佳時機，并得出不同調(diào)控目標的轉(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]對溪洛渡、向家壩和三峽的汛期排沙方式進行了研究，并提出了相應的排沙調(diào)度方案，為該梯級水庫群泥沙調(diào)度提供了解決方案;肖楊等[7]、孫東坡等[8]、王帥等[9]也針對水庫水沙調(diào)度問題做了相關(guān)研究。

對于小浪底水庫而言，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（黃委）統(tǒng)一下達，小浪底工作人員需要根據(jù)當前調(diào)度指令制訂相應的發(fā)電計劃。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，進而影響發(fā)電計劃的合理性。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，并針對調(diào)度模型特點，基于人工神經(jīng)網(wǎng)絡尋求泥沙淤積與水位、庫容的關(guān)系，求解不同時期、不同水位下的有效庫容，進而實現(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)電計劃制訂的準確度。

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)電量最大為目標進行模型的建立，其目標函數(shù)為式中：Zit、Zit+1分別為第i個水庫第t時段初和時段末的水位，m;ZiQ，t為第i個水庫在第t個時段出庫流量為Q時的下游水位，m。

式（2）中Zit+1根據(jù)水量平衡和水位庫容曲線計算得到，之后進行逐時段遞推實現(xiàn)模型的求解。從上述過程可以看出，若計算時采用的水位庫容曲線固定不變，對于小浪底水庫而言，隨著泥沙淤積量的增加，實際有效庫容會逐漸減少，即同一水位下其有效庫容會呈現(xiàn)出遞減趨勢，而不同水位下有效庫容的遞減規(guī)律及趨勢也不盡相同，這勢必影響小浪底水庫在不同時期、不同水位下發(fā)電計劃制訂的準確性。建立考慮泥沙淤積的小浪底水庫優(yōu)化調(diào)度模型時，將受泥沙淤積影響的有效庫容變化考慮進來，目標函數(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時段，時段初水位為Zat、出庫流量為Qat以及含沙量為W情況下的水頭，m。

相應的約束條件如下。

（1）水量平衡約束：

式中：Qit為梯級水庫系統(tǒng)中第i個水庫在調(diào)度期的第t個時段的下泄流量，m3/s;Vit-1與Vit分別為第i個水庫在t時段初和時段末的蓄水量，m3;Δt為一個時段長度，s;Iit為第i（i>1）個水庫在t時段的平均區(qū)間入流量，m3/s;Qi-1t為第i個水庫的上庫在時段t的出流量（當i=1時，表示龍頭水庫在t時段的來流量），m3/s;Qie，t為第i個水庫在時段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對不同時期、不同水位下的有效庫容演變規(guī)律進行分析，求解出目標函數(shù)中的f（Zat，Qat，t，W）;②針對上述約束條件，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)度的計算步驟。

對于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、泄水量以及不同時期水位等4個因子來反映小浪底水庫有效庫容的變化;對于②，針對黃委調(diào)度指令特點，提出一種POA-DP算法實現(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)絡的小浪底水位、庫容預測

人工神經(jīng)網(wǎng)絡模仿生物反射機制[10-12]，在神經(jīng)網(wǎng)絡中存在多個神經(jīng)元相互連接，相互傳遞信息，輸入的信息層層向前傳遞，并不斷學習，最終在輸出層輸出。人工神經(jīng)網(wǎng)絡發(fā)展至今已有70余年歷史，在求解分類及預測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，因此只針對小浪底水庫進行研究。同時，鑒于泥沙淤積以及神經(jīng)網(wǎng)絡的特點，采用人工神經(jīng)網(wǎng)絡方法[13-14]對小浪底水位—有效庫容關(guān)系進行學習，并實現(xiàn)對未來的水位—有效庫容關(guān)系的預測，其主要步驟如下。

（1）統(tǒng)計不同時期、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年的總凈進沙量S、水位Z以及相應的庫容。

（2）神經(jīng)網(wǎng)絡初始化，設(shè)定隱含層數(shù)m、節(jié)點數(shù)n、初始化網(wǎng)絡連接權(quán)重w、閾值θ、學習速率μ、動量學習速率η等基本參數(shù)。

（3）將統(tǒng)計得到的樣本數(shù)據(jù)輸入到網(wǎng)絡當中，計算不同節(jié)點的輸出。

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

采用上述方法可以實時得到不同時期、不同水位下的小浪底水庫有效庫容值，進而對水庫群聯(lián)合優(yōu)化調(diào)度進行求解，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算法對優(yōu)化調(diào)度模型進行求解，其步驟如下。

（1）確定調(diào)度期時段數(shù)T，初始化算法參數(shù)，包括小浪底水庫時段初水位Z0，0，西霞院調(diào)度期初、末水位值Z1，0、Z1，T，日均相鄰時段下泄流量最大波動值ε，小浪底水庫各個時段下泄流量離散點數(shù)M，西霞院水庫庫容離散點數(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水庫總的發(fā)電量E0。

（4）以第i時段初水位為起調(diào)水位，計算i時段與i+1時段的總下泄流量Qtotal，設(shè)定i時段初水庫下泄流量變化步長，改變i時段與i+1時段的水庫下泄流量，進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算法對該水庫進行計算求解，得到新的調(diào)度計劃及總發(fā)電量E1，與E0進行比較，若E1>E0，則采用當前調(diào)度策略。

（5）逐時段進行水庫群總發(fā)電量求解，遍歷至時段末，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)進行計算，直至滿足終止條件。

[3] 紀昌明，劉方，彭楊，等.基于鯰魚效應粒子群算法的水庫水沙調(diào)度模型研究[J].水力發(fā)電學報，2013，32（1）：70-76.

[4] 彭楊，紀昌明，劉方.梯級水庫水沙聯(lián)合優(yōu)化調(diào)度多目標決策模型及應用[J].水利學報，2013，44（11）：1272-1277.

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

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

[7] 肖楊，彭楊，王太偉.基于遺傳算法與神經(jīng)網(wǎng)絡的水庫水沙聯(lián)合優(yōu)化調(diào)度模型[J].水利水電科技進展，2013，33（2）：9-13.

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

[9] 王帥，彭楊，劉方，等.POA算法在水庫水沙聯(lián)合調(diào)度中的應用研究[J].水電能源科學，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)絡的水輪機壓力脈動信號分析[J].水利學報，2011，42（9）：1075-1080.

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

[12] 陳曉楠，黃強，邱林，等.基于混沌優(yōu)化神經(jīng)網(wǎng)絡的農(nóng)業(yè)干旱評估模型[J].水利學報，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.

【責任編輯 張 帥】