[發明專利]一種流域干支流大規模水庫群模擬調度方法

有效

• 申請號: 201911334593.4
• 申請日: 2019-12-20
• 公開（公告）號: CN110984062B
• 公開（公告）日: 2020-12-29
• 發明（設計）人: 周建中;駱光磊;戴領;盧程偉;馮仲愷;蔣志強;查港;曾昱;朱思鵬;仇紅亞
• 申請（專利權）人: 華中科技大學
• 主分類號: E02B1/02
• 分類號: E02B1/02;G06N3/04;G06N3/08;G06F30/20;G06F111/04
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智

1.一種流域干支流大規模水庫群模擬調度方法，其特征在于，包括以下步驟：

(1)構建水庫調度函數，對影響水庫出庫流量的因素進行相關性分析，確定各水庫調度函數的輸入因子；

(2)根據所述調度函數的輸入因子，構建神經網絡模型，并采用自適應矩估計算法對神經網絡參數進行尋優，利用水庫歷史運行數據對所構建的神經網絡進行訓練，訓練好的神經網絡作為水庫調度函數的擬合函數；

其中，自適應矩估計算法根據每個參數梯度的一階矩估計和二階矩估計動態調整每個參數的學習速率，并存儲每個參數過去迭代梯度的一階矩估計和二階矩估計；

(3)根據所述水庫調度函數的擬合函數、空間拓撲結構和水庫運行約束條件建立水庫群仿真調度模型，逐級模擬流域水庫群調度運行過程；

所述步驟(2)中構建神經網絡模型時，隱含層層數通過試驗性調參獲得，隱含層節點數通過以下公式確定：

式中，h為隱含層節點數目，m為輸入層節點數目，n為輸出層節點數目，a為1～10之間的調節常數；

而且，采用ReLU(Rectified Linear Unit)激活函數；

所述步驟(2)中對所構建的神經網絡進行訓練包括：

Step1：采用He初始化方法，對網絡權重參數w進行初始化；w為矩陣形式，矩陣中的元素

式中，下標i表示神經網絡第i層，U表示參數服從該區間的均勻分布，n_i表示神經網絡第i層的節點數；

Step2：計算網絡權重參數w的梯度g_t

式中，g_t表示第t次迭代的梯度，f表示網絡的目標函數，下標t表示第t次；

Step3：更新網絡權重參數w的一階無偏矩估計和二階無偏矩估計

式中，β₁和β₂分別是一階矩估計和二階矩估計的指數衰減系數，m_t和v_t分別是待更新參數的一階和二階有偏矩估計；

根據網絡權重參數w的無偏矩估計更新該參數

式中，α表示參數更新步長因子，ε表示極小值；

Step4：重復步驟Step2和Step3直至網絡的目標函數收斂或達到最大訓練次數；

所述步驟(3)包括：

(3.1)選擇要模擬的水庫，構建流域水庫拓撲結構，輸入上游水庫的預報入庫流量和各水庫之間的區間入流；

(3.2)初始化各水庫的初狀態、約束條件和水位庫容曲線；

(3.3)從上游未模擬水庫開始模擬水庫運行過程，各水庫按照擬合好的調度函數控制運行，對運行結果修正以滿足水庫運行約束條件，滾動模擬整個調度期水庫運行過程，得到的下泄流量通過與下游區間疊加，得到下游水庫入庫流量；

(3.4)按照水庫拓撲結構重復步驟(3.2)和步驟(3.3)，直至所有水庫模擬完成，得到流域水庫群仿真結果。

2.如權利要求1所述的流域干支流大規模水庫群模擬調度方法，其特征在于，所述步驟(1)中水庫調度函數的數學表達式為：

F_t＝f(s_1,t,s_2,t,…,s_n,t)

式中，F_t表示水庫t時刻的狀態變量，s_n,t表示水庫調度函數的輸入因子。

3.如權利要求1所述的流域干支流大規模水庫群模擬調度方法，其特征在于，所述步驟(1)中對影響水庫出庫流量的因素進行相關性分析包括：

采用Pearson和Spearman兩種相關系數法分別計算各水庫中影響水庫出庫流量的相關因素與預報下泄流量之間的相關關系，取上述兩種相關系數法所計算出的相關系數絕對值均大于0.5的因素作為輸入因子。

4.如權利要求1所述的流域干支流大規模水庫群模擬調度方法，其特征在于，所述步驟(3)中水庫運行約束條件包括水庫之間的水力聯系、水庫水量平衡約束、水位約束和流量約束。