考虑生态灌溉需求的梯级水电站群多目标优化调度研究

王娟; 王冉旋; 王奕; 马志贵; 胡新源; 钟平安; Juan WANG; Ran-xuan WANG; Yi WANG; Zhi-gui MA; Xin-yuan HU; Ping-an ZHONG

中国农村水利水电 ›› 2022 ›› (3) : 221-226.

水电建设

考虑生态灌溉需求的梯级水电站群多目标优化调度研究

作者信息 +

Multi-objective Optimal Operation of Cascade Hydropower Stations Considering Ecological and Irrigation Demands

Author information +

稿件信息 +

摘要

综合考虑灌溉、防洪、生态、发电目标建立梯级水电站群多目标联合优化调度模型，以发电效益最大为优化目标，将农业灌溉、生态流量、防洪目标转化为硬性约束条件，采用改进的差分进化算法求解模型。引入灌溉用水计划倍比系数，通过多情景模拟，分析灌溉、发电目标之间的竞争关系和置换率，揭示多目标之间的效益置换机理和水电站群联合优化调度增益机制。结果表明：①梯级发电量和发电效益较实际调度分别增加4.32%和4.30%；②梯级总发电量和灌溉供水量之间存在明显的竞争关系，两者的置换率为0.084 5 kWh/m³；③随着灌溉用水计划倍比系数的减小，通过调整联合优化调度策略，利用上下游电站之间水量、水头的置换实现了梯级整体效益的最大化。

Abstract

Considering irrigation， flood control， ecology and power generation， a multi-objective joint optimal operation model was established in this study. Maximizing power generation benefit of cascade hydropower stations was selected as the optimization objective， the agricultural irrigation， ecological flow and flood control objectives were transformed into solid constraints， and the improved differential evolution algorithm is used to solve the model. This paper introduced the scaling coefficient of irrigation water plan， analyzed the competition relationship and replacement rate between irrigation and power generation objectives through multi-scenario simulation， and revealed the benefit replacement mechanism between multiple objectives and the gain mechanism of joint optimal operation of hydropower stations. The results show that： ① Compared with the actual operation， the total power generation and benefit increase by 4.32% and 4.30% respectively. ② An obvious competitive relationship exists between the total power generation and irrigation water supply， and the replacement rate is 0.0845 kWh/m³； ③ With the decrease of the scaling coefficient， the adjustment of the joint optimal operation strategy realizes the maximum overall benefits of the cascade through the replacement of water volume and water head between upstream and downstream power stations.

关键词

梯级水电站群 / 生态灌溉需求 / 多目标优化 / 差分进化算法 / 非劣解集

Key words

cascade hydropower stations / ecological irrigation demand / multi-objective optimization / differential evolution algorithm / non-inferior solutions

基金

国家自然科学基金面上项目(52079037)

国家能源集团科技创新项目(GJNY-19-14)

引用本文

EndNote

Ris (Procite)

Bibtex

导出引用

王娟 , 王冉旋 , 王奕 , 马志贵 , 胡新源 , 钟平安. 考虑生态灌溉需求的梯级水电站群多目标优化调度研究[J].中国农村水利水电, 2022(3): 221-226

Juan WANG , Ran-xuan WANG , Yi WANG , Zhi-gui MA , Xin-yuan HU , Ping-an ZHONG. Multi-objective Optimal Operation of Cascade Hydropower Stations Considering Ecological and Irrigation Demands[J].China Rural Water and Hydropower, 2022(3): 221-226

0 引言

流域梯级水电站群承担着防洪、生态、灌溉、供水等综合任务，微小的调度方式优化将带来巨大的经济、社会效益提升。实施水电站群联合优化调度不仅可以协调各水电站水量与水头的相互配合，充分挖掘其自身的潜在效益，而且可以利用各级水电站之间的水力、电力联系，实现梯级整体效益最大化^［1-4］。

目前，水电站群多目标优化调度研究主要侧重于多目标优化调度数学模型建立、多目标进化算法及其改进、多目标竞争关系分析等方面^［5-12］。周研来等针对溪洛渡-向家坝-三峡梯级水库联合蓄水调度过程中防洪、发电、蓄水和航运等目标之间的矛盾，推求了可权衡防洪与兴利之间矛盾的梯级水库联合蓄水方案^［13］。杨晓萍等构建了乌江梯级水电站多目标优化调度模型，提出了一种新型的改进多目标布谷鸟算法^［14］。现有研究大多侧重于多目标调度数学模型建立和求解算法改进，分析不同决策情景下多目标竞争关系和效益置换机理的成果较少。

本文以流域梯级水电站群为研究对象，综合考虑灌溉、防洪、生态、发电目标建立多目标联合优化调度模型，寻求梯级水电站群多目标联合优化调度方案。采用多目标决策和多情景模拟技术，量化多目标之间的置换率，剖析多目标之间的效益置换机理和水电站群联合优化调度增益机制。

1 流域与电站概况

以我国新疆某流域的梯级水电站为研究对象，该电站群自上而下分别记为：A电站、B电站、C电站、D电站、E电站，拓扑结构如图1所示。C站是该区域最大的水电站，承担区域电网主调峰任务。A电站、B电站、D电站为拦河引水式水电站，C电站和E电站为坝后式水电站。D电站与E电站承担下游灌区的农业灌溉供水任务，D电站发电引水渠道总长约31 km，发电尾水不用于灌溉，E电站发电尾水直接进入主河道用于农业灌溉。

图1 流域梯级水电站群拓扑结构示意图

Fig.1 Topological structure of cascade hydropower stations in the River Basin

Full size|PPT slide

2 梯级水电站群联合优化调度模型

该流域梯级水电站群承担农业灌溉用水、生态流量保障、防洪、发电等多目标综合利用任务。本文所构建的模型以梯级水电站群发电效益最大为优化目标，将农业灌溉、生态流量、防洪目标转化为硬性约束条件，采用改进的差分进化算法求解优化调度模型。

2.1 目标函数

模型的调度期为年，时段长取旬，以调度期内梯级水电站群总发电效益最大为目标函数：

m a x f = \sum_{i = 1}^{N H} \sum_{t = 1}^{T} p r c_{i, t} \cdot N_{i, t} \cdot d t_{t}

（1）

式中：NH为水电站总数；i为电站序号；T为总时段数；t为时段序号；prc_i，t 为电站i在时段t的上网电价，元/度；N_i，t 为电站i在时段t的出力，kW；dt_t 为t时段的小时数，h。

2.2 约束条件

（1）水量平衡约束。

V_{i, t + 1} = V_{i, t} + (\sum_{m_{i} = 1}^{N M_{i}} R_{m_{i}, t} + I_{i, t} - R_{i, t} - S_{i, t}) \cdot d {t_{t}}^{'}

（2）

R_{i, t} = \{\begin{matrix} {R_{i, t}}^{p o w e r} + {R_{i, t}}^{s p i l l} & 坝 后 式 水 电 站 \\ {R_{i, t}}^{e c o - a g r i} + {R_{i, t}}^{p o w e r} + {R_{i, t}}^{s p i l l} & 拦 河 引 水 式 水 电 站 \end{matrix}

（3）

式中：

V_{i, t + 1}

和

V_{i, t}

是水电站i在第t时段末、初的水库蓄水量，m³；m_i 为水电站i的直接上游水库序号；NM_i 为水电站i的直接上游水库总数；I_i，t 、R_i，t 、S_i，t 分别为水电站i在时段t的区间入库流量、总出库流量、损失流量，m³/s；

d {t_{t}}^{'}

为第t时段的秒数，s；R_i，t ^eco-agri、R_i，t ^power、R_i，t ^spill分别为水电站i在时段t的生态/灌溉供水流量、发电引水流量、弃水流量，m³/s。本文调度模型的时段长为旬，不考虑上下游水库时延。

（2）流量约束。

{R_{i, t}}^{e c o - a g r i} \geq E {G_{i, t}}^{p l a n}

（4）

\underset{̲}{{R_{i, t}}^{p o w e r}} \leq {R_{i, t}}^{p o w e r} \leq \bar{{R_{i, t}}^{p o w e r}}

（5）

式中：EG_i，t ^plan为水电站i在时段t的生态、灌溉用水计划值，m³/s；

\bar{{R_{i, t}}^{p o w e r}}

和

\underset{̲}{{R_{i, t}}^{p o w e r}}

分别为水电站i在时段t的发电流量上下限，m³/s。

（3）水位约束。

\underset{̲}{Z_{i, t}} \leq Z_{i, t} \leq \bar{Z_{i, t}}

（6）

式中：

Z_{i, t}

、

\underset{̲}{Z_{i, t}}

、

\bar{Z_{i, t}}

分别为水电站i在时刻t的水库水位、下限水位、上限水位，m。

（4）出力约束。

\underset{̲}{N_{i, t}} \leq N_{i, t} \leq \bar{N_{i, t}}

（7）

式中：

\bar{N_{i, t}}

、

\underset{̲}{N_{i, t}}

分别为水电站i在时段t的出力上下限，kW。

（5）水位变幅约束。

|Z_{i, t} - Z_{i, t + 1}| \leq Δ Z_{i, t}

（8）

式中：

Δ Z_{i, t}

为水电站i在时段t的水位允许变幅，根据库区水位涨落安全和防冰凌的要求确定，m。

（6）调度期初、期末控制水位约束。

Z_{i, 0} = Z I_{i}, Z_{i, T} = Z E_{i}

（9）

式中：ZI_i 和ZE_i 分别为水电站i的起调水位和期末控制水位，m。

2.3 求解算法

差分进化算法（Differential Evolution Algorithm，DE）是基于群体智能理论的启发式搜索算法。差分进化算法在流程框架上类似于遗传算法，主要通过变异、交叉、选择算子实现种群进化，从而最终求解优化问题^［15］。本文采用改进的差分进化算法求解联合优化调度模型，主要步骤如下（见图2）：

图2 基本差分进化算法与改进差分进化算法流程对比图

Fig.2 Flow chart of the basic DE algorithm and improved DE algorithm

Full size|PPT slide

（1）初始种群均匀生成。选择各水库水位为决策变量进行联合编码，算法中每个个体由各水库各时刻的水位组合而成，个体的维度D=NH×（T+1）。初始种群的分布状况对进化算法的全局收敛性能具有较大影响。传统的种群随机生成方式容易导致初始种群代表性不足和求解效率低的问题。本文采用种群均匀生成方式提高初始解的全域分布均匀性：

Z_{j, d}^{0} = \underset{̲}{Z_{d}} + \frac{\bar{Z_{d}} - \underset{̲}{Z_{d}}}{P - 1} \cdot (j - 1) j = 1,2, \dots, P

（10）

式中：

Z_{j, d}^{0}

为第0代种群第j个个体第d维的决策变量值；

\bar{Z_{d}}

和

\underset{̲}{Z_{d}}

分别为第d维决策变量的搜索上下限；P为种群规模。

（2）适应度函数设计。构造适应度函数

ψ (\cdot)

来评价个体的优劣程度，该函数在目标函数的基础上额外增加了表征约束条件违反程度项。采用变系数罚函数法处理非等式约束：

ψ (Z) = \sum_{i = 1}^{N H} \sum_{t = 1}^{T} (p r c_{i, t} \cdot N_{i, t} \cdot d t_{t}) + \sum_{k = 1}^{K} \sum_{i = 1}^{N H} \sum_{t = 1}^{T} (λ \cdot \frac{g}{G_{m a x}} \cdot V i o l_{i, t}^{k})

（11）

式中：λ为最大惩罚系数；g为当前进化代数；G _max为最大进化代数；

V i o l_{i, t}^{k}

为水电站i的第k个非等式约束在时段t的违反值；K为非等式约束总数。

（3）变异操作算子。差分进化算法有两种传统的变异模式，分别为DE/Rand/1和DE/Best/1，前者有利于保持种群多样性，具有较强的全局搜索能力，但收敛速度较慢；后者导向性好、收敛速度快，但容易陷入局部最优解。本文结合两种变异模式的优点，提出“Rand-Best耦合变异模式”用于个体变异：

\{\begin{matrix} B_{j}^{g + 1} = Z_{r 1}^{g} + F \cdot (Z_{r 2}^{g} - Z_{r 3}^{g}) & D E / R a n d / 1 模 式 \\ B_{j}^{g + 1} = Z_{B e s t}^{g} + F \cdot (Z_{r 1}^{g} - Z_{r 2}^{g}) & D E / B e s t / 1 模 式 \\ B_{j}^{g + 1} = \frac{g}{G_{m a x}} \cdot Z_{B e s t}^{g} + (1 - \frac{g}{G_{m a x}}) \cdot Z_{r 1}^{g} + F \cdot (Z_{r 2}^{g} - Z_{r 3}^{g}) & R a n d - B e s t 模 式 \end{matrix}

（12）

式中：

B_{j}^{g + 1}

为变异个体；

Z_{B e s t}^{g}

为第g代种群中适应度函数最优的个体；F为缩放因子，取值范围为（0， 2］；下标r1，r2，r3为［1， P］区间的随机整数。Rand-Best耦合变异模式在进化初期的变异操作偏向于DE/Rand/1模式，具有较强的全局搜索性能，在进化后期偏向于DE/Best/1模式，具备更为高效、精确的局部搜索能力。

（4）交叉操作算子。通过交叉操作算子得到试验个体：

U_{j, d}^{g + 1} = \{\begin{matrix} B_{j, d}^{g + 1} & 若 R n d \leq P c 或 R n b r (j) = d \\ Z_{j, d}^{g} & 若 R n d > P c 且 R n b r (j) \neq d \end{matrix}

（13）

式中：

B_{j, d}^{g + 1}

为变异个体

B_{j}^{g + 1}

的第d维元素；Rnd为［0， 1］区间的均匀分布随机数；P_c 为交叉概率；Rnbr（k）为［1， D］区间的随机整数。

（5）选择操作算子。选择操作比较试验个体与父代个体的适应度

ψ (\cdot)

，适应度函数值较大者进入下一代种群进化过程：

Z_{j}^{g + 1} = \{\begin{matrix} U_{j}^{g + 1} & 若 ψ (U_{j}^{g + 1}) > ψ (Z_{j}^{g}) \\ Z_{j}^{g} & 若 ψ (U_{j}^{g + 1}) \leq ψ (Z_{j}^{g}) \end{matrix}

（14）

（6）进化终止条件。设置进化终止条件为达到预设的最大进化代数G _max。

3 结果分析

3.1 计算条件

以该流域某典型年的实际来水过程为例开展梯级水电站群联合优化调度研究。A电站、B电站的最小生态流量约束取5.5 m³/s，C电站和E电站汛期水位变幅约束值设为50、1 m/d。D灌区和E灌区的灌溉期为4-10月，生态或农业灌溉用水计划见表1。改进差分进化算法的参数设置为：种群规模P=200、缩放因子F=0.6、交叉概率P_c =0.9、最大进化代数G _max=5 000。

表1 D灌区和E灌区生态或灌溉用水计划表

Tab.1 Ecological or irrigation water plan of irrigation areas D and E

月份	生态或农业灌溉用水/（m³·s^-1）		月份	生态或农业灌溉用水/（m³·s^-1）
月份	D灌区	E灌区	月份	D灌区	E灌区
1	5.5	5.5	7	50.0	145
2	5.5	5.5	8	50.0	145
3	5.5	5.5	9	28.0	100
4	15.0	80	10	18.0	100
5	37.0	120	11	5.5	5.5
6	50.0	145	12	5.5	5.5

3.2 典型年优化调度结果分析

采用改进的差分进化算法求解梯级水电站群优化调度模型。对于该年份，五库联合优化调度后梯级发电量达40.17亿kWh，比实际运行发电量（38.51 亿kWh）增加了4.32%，梯级发电效益达10.19亿元，与实际运行效益（9.77亿元）相比增幅为4.30%。

图3（a）展示了C电站优化与实际水位、发电量过程对比图。与实际调度运行过程相比，C电站主要通过整体抬高水库水位、增加发电水头来提高发电量，优化的消落水位（1 393.51 m）比实际运行消落水位（1 386.97 m）提高6.54 m。从水位和发电量的年内变化过程看，C电站发电量增加的月份主要集中在4-8月和11、12月。1-3月，优化调度通过控制发电流量的方式避免水库水位的过度消落，虽然这3个月的发电量比实际运行少，但优化调度显著提高了4-8月的发电水头，从而提升了后续五个月的发电效益。9-10月，实际调度运行通过增加发电流量的方式提高了发电量，但造成了水库水位的快速回落；而优化调度控制发电流量、保持较高水头运行的方式虽然在一定程度上降低了这两个月的发电量，但显著提高了11-12月的发电效益，实现了年发电效益的最大化和梯级五库整体效益的最优。

图3 优化与实际水位、发电量过程对比图

Fig.3 Comparison between the optimized and actual water level and power output process

Full size|PPT slide

图3（b）展示了E电站优化与实际水位、发电量过程对比图。E电站优化的水位过程与实际水位过程相比更为平缓，除了1-2月和12月末有轻微波动外，其余时段都维持955 m不变。E电站增发的月份与C电站基本一致，主要集中在4-8月和11、12月，这与C电站在这些月份加大下泄流量有关。

图4展示了D电站和E电站的生态、灌溉供水流量与发电引水流量过程。D电站从主河道下泄的生态、灌溉供水流量严格等于两者的用水计划值，其余部分进入发电引水渠用于水力发电。E电站的出库流量过程也完全满足生态、灌溉用水计划的要求。上述结果表明，本文采用变系数罚函数法能够有效处理流量、出力、水位变幅等非等式约束，所构建的水电站群联合优化调度模型能够在满足生态、灌溉用水计划的前提下实现梯级整体发电效益最优。

图4 生态、灌溉供水流量与发电流量过程

Fig.4 Ecological or irrigation water supply and power generation flow

Full size|PPT slide

3.3 多目标置换关系定量分析

为了定量分析梯级水电站群发电、生态灌溉用水之间的多目标置换关系，本文引入灌溉用水计划倍比系数（α），通过摄动α值在表1的基础上对D灌区和E灌区的生态灌溉用水计划进行同倍比缩放，生成一系列生态灌溉用水计划情景，计算公式如下：

E {G_{i, t}}^{s c e n} = 5.5 + α \cdot (E {G_{i, t}}^{p l a n} - 5.5)

（15）

式中：EG_i，t ^scen为水电站i在时段t的生态灌溉用水情景值，m³/s。

利用式（15）生成的生态灌溉用水情景值始终满足最小生态流量（5.5 m³/s）的要求，当α=1时，即为原始的生态灌溉用水计划。

本算例共摄动10组α值，采用改进差分进化算法分别求解不同α值情景下的水电站群联合优化调度模型，进而生成非劣解集。图5展示了不同灌溉用水计划倍比系数情景下各电站最优年发电量的结果。图5（a）为发电和灌溉供水目标的非劣解前沿，梯级总发电量和灌溉供水量之间存在明显的竞争关系，随着D电站和E电站对下游灌区灌溉供水量的增加，梯级总发电量呈现显著的线性下降趋势。灌溉用水计划倍比系数（α）每增加10%，梯级总发电量将减少0.220 21 亿kWh。将α值换算为灌溉供水量，梯级总发电量和灌溉供水量之间的定量置换率为0.084 5 kWh/m³。需要指出的是本节以典型年实际来水为例，小范围地扰动灌溉供水量，在该实验条件下，发电用水量的变化范围较小，因此计算得到的多目标定量置换率为定值。由图5（b）可知，C电站发电量随灌溉供水量的增加反而呈增加的趋势。图5（c）表明：D电站发电量随灌溉供水量的增加呈显著的线性下降趋势，α每增加10%，D电站年发电量将减少 0.244 26亿k Wh，两者的定量置换率为0.093 7 kWh/m³。D电站为拦河引水式电站，其出库流量优先满足生态、灌溉用水计划并从主河道下泄，剩余部分进入发电引水渠道输送至下游31 km处的发电厂房，发电尾水无法用于灌溉，因此D电站的发电和灌溉供水目标之间存在直接竞争关系。由图5（d）可知，E电站的发电量基本不受灌溉用水计划倍比系数的影响，这是由于E电站的发电尾水直接进入主河道用于下游灌区农业灌溉，因此发电和灌溉目标不冲突。

图5 不同灌溉用水计划倍比系数情景下各电站最优年发电量变化过程

Fig.5 Optimal annual power generation of each hydropower station under different scaling coefficients of irrigation water plan

Full size|PPT slide

3.4 多目标效益置换机理分析

为了进一步剖析发电和灌溉目标之间的效益置换机理，重点对C电站和D电站的优化调度过程进行详细分析。图6展示了不同灌溉用水计划倍比系数情景下C电站优化的水位、发电水头、出库流量、出力过程。灌溉用水计划倍比系数（α）的变化主要影响C电站4-8月的调度方式。4-5月，随着α不断减小，C电站逐渐加大出库流量；6-8月的规律则正好相反，即C电站的出库流量随着α的减小而逐渐减小。

图6 不同灌溉用水计划倍比系数情景下C电站优化的水位、发电水头、出库流量、出力过程

Fig.6 Optimal water level， water head， outflow and power output process of the hydropower station C under different scaling coefficients of irrigation water plan

Full size|PPT slide

图7为不同灌溉用水计划倍比系数情景下D电站优化的生态、灌溉流量和出力过程。由于该典型年汛期来水偏丰，在α=1情景下D电站6-8月的出力已经达到了装机容量（24万kW）。当α不断减小时，若维持α=1情景的调度方式，则灌溉用水量的减少部分将全部转化为无效弃水，从而造成D电站发电效益的损失。因此，随着α不断减小，C电站和D电站将联合优化调度方式调整为：4-5月，C电站加大出库流量，D电站提前加大出力直至装机容量；6-8月，C电站控制出库流量维持D电站满发且不产生弃水。由图7可知，D电站在不同α情景下的生态、灌溉供水流量均严格等于计划值，无弃水产生。图5也表明，随着α的减小，C电站发电量减少，D电站发电量增加，梯级总发电量增加。上述联合优化调度策略的调整在一定程度上牺牲了C电站的发电效益，但通过梯级水电站之间水量、水头的置换实现了梯级整体效益的最大化。

图7 不同灌溉用水计划倍比系数情景下D电站优化的生态、灌溉流量和出力过程

Fig.7 Optimal ecological or agricultural irrigation water supply， power output process of the hydropower station D under different scaling coefficients of irrigation water plan

Full size|PPT slide

4 结论

本文构建了考虑生态灌溉需求的梯级水电站群多目标联合优化调度模型，通过多情景模拟定量分析了灌溉、发电目标之间的竞争关系和置换率，剖析了多目标之间的效益置换机理和水电站群联合优化调度增益机制。所建立的模型能够在满足生态、灌溉用水计划的前提下通过整体抬高水库水位、增加发电水头的方式显著提高梯级整体的发电效益。梯级总发电量和灌溉供水量之间存在明显的竞争关系，联合优化调度策略以局部水电站效益损失为代价，通过上下游电站之间水量、水头的置换实现了梯级整体效益的最优。上述结论对于明晰梯级发电效益增益机理、指导梯级水电站群中长期优化调度具有一定的参考价值。 □

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序

1	徐斌，钟平安，陈宇婷，等. 金沙江下游梯级与三峡-葛洲坝多目标联合调度研究［J］. 中国科学：技术科学， 2017，47（8）：823-831. 本文引用 [1]

2	WANG J， CHENG C T， SHEN J J， et al. Optimization of large-scale daily hydrothermal system operations with multiple objectives［J］. Water Resources Research， 2018， 54（4）：2 834-2 850.

3	WEI YM， DONG Z C. Application of a novel Jaya algorithm based on chaotic sequence and opposition-based learning in the multi-objective optimal operation of cascade hydropower stations system［J］. Water Resources Management， 2021，35：1 397-1 413.

4	王丽萍，吴月秋，张验科，等. 入库径流不确定条件下水库多目标优化调度方案决策［J］. 中国农村水利水电， 2021（4）：22-26，32. 本文引用 [1]

5	郭生练，陈炯宏，刘攀，等. 水库群联合优化调度研究进展与展望［J］. 水科学进展， 2010，21（4）：496-503. 本文引用 [1]

6	王浩，王旭，雷晓辉，等. 梯级水库群联合调度关键技术发展历程与展望［J］. 水利学报， 2019，50（1）：25-37.

7	REED P M， HADKA D， HERMAN J D， et al. Evolutionary multiobjective optimization in water resources： The past， present， and future［J］. Advances in Water Resources， 2013，51：438-456.

8	李克飞，纪昌明，张验科. 水电站水库群多目标联合调度风险评价决策研究［J］. 中国农村水利水电， 2012（10）：120-122.

9	张培，纪昌明，张验科，等. 水库群多目标调度风险管理决策支持系统研究［J］. 中国农村水利水电， 2016（12）：201-204，210.

10	杨光，郭生练，刘攀，等. PA-DDS算法在水库多目标优化调度中的应用［J］. 水利学报， 2016，47（6）：789-797.

11	王健，程春田，申建建，等. 水电站群优化调度非线性全局优化方法［J］. 中国电机工程学报， 2018，28（17）：5 107-5 117.

12	苏律文，杨侃，邓丽丽. 基于健康江湖关系的长江中游库群多目标优化调度研究［J］. 中国农村水利水电， 2018，（1）：33-39，45. 本文引用 [1]

13	周研来，郭生练，陈进. 溪洛渡-向家坝-三峡梯级水库联合蓄水方案与多目标决策研究［J］. 水利学报， 2015， 46（10）：1 135-1 144. 本文引用 [1]

14	杨晓萍，黄瑜珈，黄强. 改进多目标布谷鸟算法的梯级水电站优化调度［J］. 水力发电学报， 2017，36（3）：12-21. 本文引用 [1]

15	钟平安，张卫国，张玉兰，等. 水电站发电优化调度的综合改进差分进化算法［J］. 水利学报， 2014，46（10）：1 147-1 155. 本文引用 [1]

PDF(4298 KB)

675

访问

引用

详细情况

段落导航

摘要
Abstract
关键词
Key words
基金
引用本文
0 引言
1 流域与电站概况
图1 流域梯级水电站群拓扑结构示意图
2 梯级水电站群联合优化调度模型
2.1 目标函数
2.2 约束条件
2.3 求解算法
图2 基本差分进化算法与改进差分进化算法流程对比图
3 结果分析
3.1 计算条件
表1 D灌区和E灌区生态或灌溉用水计划表
3.2 典型年优化调度结果分析
图3 优化与实际水位、发电量过程对比图
图4 生态、灌溉供水流量与发电流量过程
3.3 多目标置换关系定量分析
图5 不同灌溉用水计划倍比系数情景下各电站最优年发电量变化过程
3.4 多目标效益置换机理分析
图6 不同灌溉用水计划倍比系数情景下C电站优化的水位、发电水头、出库流量、出力过程
图7 不同灌溉用水计划倍比系数情景下D电站优化的生态、灌溉流量和出力过程
4 结论
参考文献

收稿日期	出版日期
2021-06-07	2022-03-15
发布日期
2022-05-26

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

基金

引用本文

0 引言

1 流域与电站概况

图1 流域梯级水电站群拓扑结构示意图

2 梯级水电站群联合优化调度模型

2.1 目标函数

2.2 约束条件

2.3 求解算法

图2 基本差分进化算法与改进差分进化算法流程对比图

3 结果分析

3.1 计算条件

表1 D灌区和E灌区生态或灌溉用水计划表

3.2 典型年优化调度结果分析

图3 优化与实际水位、发电量过程对比图

图4 生态、灌溉供水流量与发电流量过程

3.3 多目标置换关系定量分析

图5 不同灌溉用水计划倍比系数情景下各电站最优年发电量变化过程

3.4 多目标效益置换机理分析

图6 不同灌溉用水计划倍比系数情景下C电站优化的水位、发电水头、出库流量、出力过程

图7 不同灌溉用水计划倍比系数情景下D电站优化的生态、灌溉流量和出力过程

4 结论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

选择文件类型/文献管理软件名称

选择包含的内容

摘要

Abstract

关键词

Key words

基金

引用本文

0 引 言

1 流域与电站概况

图1 流域梯级水电站群拓扑结构示意图

2 梯级水电站群联合优化调度模型

2.1 目标函数

2.2 约束条件

2.3 求解算法

图2 基本差分进化算法与改进差分进化算法流程对比图

3 结果分析

3.1 计算条件

表1 D灌区和E灌区生态或灌溉用水计划表

3.2 典型年优化调度结果分析

图3 优化与实际水位、发电量过程对比图

图4 生态、灌溉供水流量与发电流量过程

3.3 多目标置换关系定量分析

图5 不同灌溉用水计划倍比系数情景下各电站最优年发电量变化过程

3.4 多目标效益置换机理分析

图6 不同灌溉用水计划倍比系数情景下C电站优化的水位、发电水头、出库流量、出力过程

图7 不同灌溉用水计划倍比系数情景下D电站优化的生态、灌溉流量和出力过程

4 结 论

{{custom_sec.title}}

{{custom_sec.title}}

参考文献

0 引言

4 结论