基于改进蚁群算法的梯级水库群优化调度.docx

基于改进蚁群算法的梯级水库群优化调度林剑艺1程春田2滨3筠2于曾(1.中国科学院城市环境研究所,福建厦门361003;2.大连理工大学土木水利学院,辽宁大连116024;3.大连海事大学交通规划研究所,辽宁大连116026)摘要:针对梯级水库群优化调度的大系统多维多阶段优化决策问题提出改进的蚁群算法。为提高算法搜索效率采用新的信息素更新策略———Ant2proportion,综合考虑全局和局部信息。以漫湾—大朝山梯级水电站优化调度为例,计算结果表明,改进算法与基本蚁群算法相比具有更好的优化结果和收敛速度,与逐步优化法相比可靠有效。关键词:梯级水库群;优化调度;蚁群算法;Ant2proportion中图分类号:TV697.1+2文献标志码:A水库群优化调度是一个复杂的大系统多维多阶段优化决策问题[1]。目前,最优化方法有动态规划逐次逼近法、线性规划—动态规划法、逐次优化法、网络流算法、逐次聚合法和大系统分解协调法等[2～4]。最常采用动态规划及其系列算法,但它往往伴随“维数灾”问题,尤其是用于多库联合调度时明显。20世纪90年代初意大利学者Dorigo等提出蚁群算法(ACO)[5],是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络等后又一种应用于组合优化问题的启发式搜索算法,已成功应用于水库优化调度中[6,7]。本文采用一种新的信息素更新模型—Ant2proportion用于改进基本蚁群算法[8],更新策略综合考虑了全局和局部的反馈信息,有效地提高了搜索质量并缩短了时间。最后将改进蚁群算法用于解决梯级水库群优化调度中的计算问题。图1梯级水电站水库群系统示意图SchematicdiagramofcascadedhydroelectricplantsreserviorgroupFig.1Tnmaxf=max66AiQitHitMt(1)t=1i=1(2)约束条件。水量平衡约束为:Vit+1=Vit+(Fit-Qit-Sit)Δt水库蓄水量约束为:Vit,min≤Vit≤Vit,max水轮机过水流量约束为:Qimin≤Qit≤Qimax水库泄流量约束为:qit,min≤Qit+Sit≤qit,max水电站出力约束为:Ni,min≤AiQitHit≤Nimax(3)关联方程。Fi+1t=Qit+Sit+IBit式中,T为年内总时段数,以月计,T=12;Ai(2)(3)(4)(5)(6)数学模型1(7)为水假设梯级水电站水库群系统(图1)由n个水库组成,以发电为主,兼顾其他综合效益。长期优化调度的确定性数学模型主要有三项内容。(1)目标函数。电站I的出力系数;Qit为水电站发电引用流量,m3/s;Fit为水库i的入库流量,m3/s;Hit为水电站i的时段平均水头,m;Sit为水库i弃水流量,收稿日期:2007212224,修回日期:2008204207基金项目:国家自然科学基金资助项目;中国科学院知识创新工程青年人才领域前沿基金资助项目(07l4071d30)作者简介:林剑艺(19652),男,助理研究员,研究方向为复杂系统建模,Email:jylin@通讯作者:程春田(19652),男,教授、博导,研究方向为电网与水电站经济运行,E2mail:ctcheng@·54·水电能源科学2008年m3/s;Mt为第t时段小时数;Vit、Vit+1分别为时段初、末水库i的蓄水量,m3;Δt为第t时段的秒数;Vit,min、Vit,max分别为水库i最小、最大允许蓄水量,m3;Qi,min、Qi,max分别为水电站i最小、最大引用流量,m3/s;qit,min、qit,max分别为水库i下游综合利用要求的最小、安全下泄流量,m3/s;Nimin、Nimax分别为水电站i保证出力、装机容量,kW。进行更新。每条路段(局部反馈信息)对目标函数的贡献不同,为使信息素更有效地引导后来蚂蚁朝正确方向搜索,应在较好的路段分配较大的信息素增量,在较差路段分配较小的信息素增量。这样就有效地利用了全局信息,同时可在较好区域上进行更精细的搜索,避免了大量的无效搜索,加快算法收敛的同时也提高了搜索全局最佳路径的可能性。具体的信息素更新如下:改进蚁群算法第k只蚂蚁经过边(i,j)其他2fk-fkQijfk(N-2)fk0式中,N为节点个数。Δτkij=(11)蚁群算法是受到真实的蚁群行为的启发而提出,蚁群运动依据一定的转移规则进行,转移规则依赖于路径上的信息素浓度。常用的更新策略主要有以下三种:①Ant2density。3实例应用Q第k只蚂蚁在循环中经过边(i,j)0其他Δτkij=(8)3.1算法步骤根据式(1)～(7),梯级水电站的运行策略一般用发电引用流量序列Qit,而用其又可转换为水位变化序列Zit。因此,问题转化为求决策变量为式中,Δτ