水电站（群）中长期预报及调度的智能方法研究

论文摘要

水电站（群）运行管理的核心是预报与调度，将智能算法引入其预测与优化建模分析是近十多年来该研究领域的前沿方向。智能算法拓展了传统的计算模式，不需要建立问题本身的精确模型，非常适合于解决那些因为难以建立有效的形式化模型而用传统方法难以有效解决、甚至无法解决的问题。这些智能方法以及它们的耦合模型为解决水电站（群）中长期预报及调度提供了一条全新的思路和途径。本文以云南电网的澜沧江流域和东北电网的浑江流域的水电站（群）为工程背景，深入研究了神经网络、模糊系统、支持向量机、SCE-UA算法、蚁群算法等智能算法在水电站（群）中长期预报、调度中的建模方法，并将其应用于相关的工程实际，开发了水电站（群）中长期预报及调度决策支持系统，主要内容如下： （1）建立了基于减法聚类的自适应网络模糊推理系统（ANFIS）的径流中长期预报模型。针对“网格划分”ANFIS的维数灾问题，采用减法聚类对输入变量空间进行划分，生成初始的模糊规则库，然后采用混合学习算法用于参数估计，最终构建预报模型。以漫湾实测月径流序列（1953-2003年）为例，并与自回归滑动平均模型（ARMA）、人工神经网络模型（ANN）作比较，实例结果证明该模型是中长期预报方法中较为有效准确的方法。 （2）建立了基于SCE-UA算法参数辨识的支持向量机（SVM）的径流中长期预报模型。将SVM应用于径流中长期预报，在SVM建模过程中核函数选择径向基核函数，在此基础上应用SCE-UA算法用于辨识SVM参数，在SCE-UA搜索过程中做了指数变换以快速准确地找到最优参数。以漫湾实测月径流序列（1974-2003年）为例，并通过与ARMA模型、人工神经网络模型的预报结果作比较，实例结果显示该模型在径流中长期预报中有效准确。 （3）提出了求解水电站优化调度问题的Pareto强度值SCE-UA算法。该方法将水电站优化调度的约束优化问题转换成两个目标函数的无约束优化问题，一个为原问题的目标函数，另一个为违反约束条件的程度函数；对上述两个目标函数组成的向量个体，利用Pareto优于关系和个体Pareto强度值概念，实现个体的优劣比较和群体的优劣排序，在此基础上使用SCE-UA算法求解。以桓仁水电站为例，与采用罚函数法的遗传算法相比较，具有较强的通用性、稳定性，及更好的搜索性能。与传统的动态规划比较，本文提出的方法是可行和有效的。 （4）提出改进的蚁群算法用于求解梯级水库群优化调度的大系统多维多阶段优化决策问题。该算法为了提高搜索效率采用了一个新的信息素更新策略—Ant-weight，新

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景和研究意义
• 1.2 水电站（群）预报及调度研究综述
• 1.2.1 中长期水文预报的研究现状
• 1.2.2 水电站（群）优化调度研究现状
• 1.3 智能算法概述
• 1.4 水资源决策支持系统开发现状
• 1.5 本文主要研究内容
• 2 基于减法聚类的ANFIS在径流中长期预报中的应用研究
• 2.1 引言
• 2.2 自适应神经网络
• 2.2.1 自适应神经网络的结构
• 2.2.2 自适应神经网络的算法
• 2.3 模糊推理系统
• 2.3.1 模糊化
• 2.3.2 规则库
• 2.3.3 推理机
• 2.3.4 去模糊化
• 2.4 自适应模糊推理系统
• 2.4.1 ANFIS模型
• 2.4.2 混合学习算法
• 2.5 减法聚类及其在ANFIS结构辨识中的应用
• 2.5.1 减法聚类算法
• 2.5.2 由减法聚类构造模糊推理模型
• 2.6 实际应用
• 2.6.1 研究背景资料
• 2.6.2 预报建模及输入个数确定
• 2.6.3 预报结果评价指标
• 2.6.4 综合比较分析
• 2.7 小结
• 3 基于SCE-UA参数辨识SVM的径流中长期预报研究
• 3.1 引言
• 3.2 统计学习理论概述
• 3.3 支持向量机
• 3.3.1 分类支持向量机（SVC）
• 3.3.2 回归支持向量机（SVR）
• 3.3.3 支持向量机训练算法
• 3.4 SCE-UA算法
• 3.5 参数辨识
• 3.6 实际应用
• 3.6.1 研究背景资料
• 3.6.2 漫湾月径流序列的自相关性分析
• 3.6.3 综合比较分析
• 3.7 小结
• 4 水电站优化调度的Pareto强度值SCE-UA算法
• 4.1 引言
• 4.2 水电站优化问题数学模型
• 4.3 SCE-UA算法
• 4.4 遗传算法求解约束优化问题的传统方法
• 4.5 Pareto强度值SCE-UA算法
• 4.5.1 约束优化问题的转化为无约束多目标问题求解
• 4.5.2 基于Pareto强度值的个体排序
• 4.5.3 Pareto强度值SCE-UA算法
• 4.6 应用实例
• 4.6.1 桓仁水电站概况及优化调度的基本资料
• 4.6.2 实例约束处理
• 4.6.3 计算结果
• 4.7 小结
• 5 基于改进蚁群算法的梯级水库群优化调度
• 5.1 引言
• 5.2 梯级水库群优化调度的数学模型
• 5.3 基本的蚁群算法
• 5.3.1 蚁群算法原理
• 5.3.2 蚁群算法分析
• 5.3.3 基本信息素更新策略
• 5.4 改进蚁群算法
• 5.5 改进蚁群算法求解水库优化调度过程
• 5.5.1 蚁群算法求解多阶段问题
• 5.5.2 改进蚁群算法求解水库优化调度
• 5.6 应用实例
• 5.6.1 梯级水电站背景资料
• 5.6.2 改进蚁群算法与基本蚁群算法比较
• 5.6.3 改进蚁群算法与逐步优化方法计算结果
• 5.7 小结
• 6 基于Web的水电站（群）中长期预报及调度系统
• 6.1 引言
• 6.2 基于Web的分布式系统的体系结构
• 6.2.1 系统网络体系结构的确定
• 6.2.2 J2EE的多层分布式体系结构
• 6.2.3 数据库产品选择
• 6.3 基于Web的水电站（群）中长期预报及调度系统实现
• 6.3.1 系统开发的技术原则
• 6.3.2 系统开发的关键技术
• 6.3.3 系统总体设计
• 6.3.4 表示层功能模块
• 6.3.5 系统业务逻辑层设计
• 6.3.6 数据层设计
• 6.4 主要界面设计
• 6.5 小结
• 7 总结与展望
• 7.1 全文总结
• 7.2 展望
• 参考文献
• 创新点摘要
• 攻读博士学位期间参加课题和发表论文情况
• Ⅰ 参加课题
• Ⅱ 发表论文
• 致谢
• 大连理工大学学位论文版权使用授权书