[發明專利]一種考慮多源預報誤差不確定性的復雜水庫群優化調度方法

有效

• 申請號: 202110008065.0
• 申請日: 2021-01-05
• 公開（公告）號: CN112711896B
• 公開（公告）日: 2021-09-03
• 發明（設計）人: 于欣廷;郭玉雪;許月萍;鄭超昊
• 申請（專利權）人: 浙江大學
• 主分類號: G06F30/25
• 分類號: G06F30/25;G06F30/27;G06K9/62;G06N3/12;G06F111/04;G06F111/06;G06F111/08;G06F113/08
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 萬尾甜;韓介梅

1.一種考慮多源預報誤差不確定性的復雜水庫群優化調度方法，其特征在于，包括以下步驟：

步驟1，確定預報模型輸入因子，對各水庫分別建立基于深度學習算法的徑流預報模型，采用客觀賦權法對多模型預報結果進行處理并根據處理后的模型預報結果計算其預報誤差，獲得多源徑流預報誤差；

步驟2，對水庫群的多源徑流預報誤差分別進行分布擬合優選，借助Copula函數構建多源徑流預報誤差的聯合分布函數；

步驟3，以獲得的徑流預報結果疊加預報誤差，采用蒙特卡洛法對每個水庫各生成多組隨機模擬徑流，作為復雜水庫群優化調度模型的入庫徑流序列；

步驟4，選擇水庫群調度決策因子作為待選集合，建立水庫群調度決策因子優選模型，結合各水庫調度特性提取出合適的水庫群調度決策因子；

步驟5，以水庫供水量為決策變量，將步驟4提取的水庫群調度決策因子引入高斯徑向基函數RBF，建立復雜水庫群參數化調度規則；

步驟6，以多目標魯棒優化準則為判斷依據，采用智能算法優選復雜水庫群優化調度規則參數，獲取考慮多源預報誤差的不確定性的自適應性調度決策集合；

步驟1中所述的對各水庫分別建立基于深度學習算法的徑流預報模型，根據模型的預報結果計算其預報誤差，具體包括以下步驟：

步驟1-1，將徑流預報模型和輸入因子相互組合對受水區和供水區多源徑流進行自適應滾動預報；

步驟1-2，以驗證期的納什系數、均方根誤差及平均絕對百分比誤差評估預報結果，并引入客觀賦權法對預報結果進行處理；

步驟1-3，根據評估的預報結果，確定最優預報因子集，作為后續徑流預報模型的輸入變量，同時計算預報誤差；假定實測值為h_s，預測值為h_i，則預報誤差Δh可表示為：

Δh＝h_i-h_s (1)；

所述步驟2包括以下步驟：

步驟2-1，對多源預報誤差序列數據進行分析，分別建立頻率分布直方圖；

步驟2-2，根據數據分布情況選用合適的邊緣分布，以判定系數或均方根誤差為判定依據，選擇擬合效果最好的分布曲線作為邊緣分布；

步驟2-3，借助Copula函數對擬合好的邊緣分布曲線構造聯合分布函數；

所述步驟5中，建立的復雜水庫群參數化調度規則如公式(2)-(3)所示：

式中，表示t時段的第k個決策變量；Γ_t為t時段決策因子，M為決策因子的個數；表示RBF函數，N為RBF的個數，ω_i,k為第k個決策變量的第i個RBF對應的權重，c_j,i和b_j,i表示第i個RBF的參數，c_j,i∈[-1,1]，b_j,i∈(0,1]。

2.如權利要求1所述的考慮多源預報誤差不確定性的復雜水庫群優化調度方法，其特征在于，步驟1中，所述的確定預報模型輸入因子，具體采用相關系數方法篩選預報模型輸入因子；所述的客觀賦權法為貝葉斯模型算法、主成分分析法、離差及均方差法、多目標規劃法中的一種；所述的多源徑流預報誤差指利用多個模型，獲得多個水庫的預報結果，其結果與實際值之間的差值。

3.如權利要求1所述的考慮多源預報誤差不確定性的復雜水庫群優化調度方法，其特征在于，所述步驟2-3中借助Copula函數構造聯合分布函數，包括以下步驟：

步驟2-3-1，確定系統中需要進行徑流預報的數量n，明確水庫群間的相關性和獨立性；對n個徑流序列，其預報誤差分別設為x₁,x₂,…,x_n，其對應的邊緣分布分別為F₁,F₂,…,F_n，其對應的邊緣密度函數分別為f₁,f₂,…,f_n；

步驟2-3-2，選擇阿基米德Copula函數對邊緣分布曲線構造聯合分布函數，采用Akaike信息準則對擬合優度進行檢驗，選取最小AIC值對應的Copula函數，得到Copula函數的模型參數及表達式。