梯级水电站群优化调度策略：自适应混沌整体退火遗传算法

随着我国西南地区大型水电基地开发建设步伐的加快，一批具有电站级数多、装机容量大等特点的特大干流梯级水电站群将陆续竣工和投产。由于电网和水电公司精细化调度要求越来越高，这类梯级水电系统优化调度问题建模更加复杂，水电站之间的时空约束耦合更加强烈，动辄十几级甚至几十级电站规模使“维数灾”问题将变得尤为突出，求解难度越来越大，计算效率越来越低。传统优化方法已难以满足大规模水电系统优化求解，探索合理高效的求解方法是水电系统优化领域亟待解决的科学技术难题。本书针对上述问题，以红水河和澜沧江下游梯级水电站群为工程背景，在深入分析梯级水电站群优化调度特性的基础上，结合近年来兴起的并行技术，开展不同智能算法相结合的混合智能算法及其并行化研究，同时提出经典优化方法动态规划及其改进方法的并行化求解方法。研究成果和结论如下。

（1）针对粒子群算法早熟收敛、容易陷入局部最优等不足，同时考虑方法计算效率的提高，提出了梯级水电站群长期优化调度并行自适应混合粒子群进化算法。该算法引入混沌优化生成初始种群，提高初始种群质量；通过粒子能量、粒子能量阈值、粒子相似度和粒子相似度阈值来描述算法自适应变化以及群体进化程度，同时结合遗传变异思想进行粒子操作，提高局部精化能力，抑制算法早熟；采用一种基于邻域的随机贪婪策略以解决算法后期进化速度慢的缺点；采用粗粒度并行设计模式，利用Fork/Join多核并行框架的分治策略，将其初始种群递归划分为多个子种群，平均分配到不同的内核逻辑线程中实现并行计算。红水河梯级水电站群优化调度实例结果表明，自适应混合粒子群进化算法比粒子群算法具有更好的收敛性，能够获得精度更高的优化解；与逐步优化算法相比，优化结果相近，但计算时间更少。同时，方法的并行化能充分发挥多核配置的计算性能，计算效率显著提升。而且，所提方法采用的粗粒度并行设计模式可为其他种群算法的并行化提供参考和借鉴。因此，并行自适应混合粒子群进化算法是求解大规模梯级水电站群优化调度可供选择的一种求解方法。

（2）针对遗传算法易早熟且局部搜索能力差等缺点，同时考虑方法计算效率的提高，提出了梯级水电站群长期优化调度并行自适应混沌整体退火遗传算法。该算法通过混沌优化生成初始种群，提高初始种群质量；采用父代参与竞争的整体退火选择方式，避免种群早熟及过早收敛；通过自适应调整交叉算子和变异算子，提高算法的收敛速度以及避免算法陷入局部最优；采用粗粒度并行设计模式，利用Fork/Join多核并行框架的分治策略，将其初始种群递归划分为多个子种群，平均分配到不同的内核逻辑线程中实现并行计算。红水河梯级水电站群优化调度实例结果表明，自适应混沌整体退火遗传算法比遗传算法具有更快的收敛速度，且搜索到的全局最优解优于遗传算法与逐步优化算法，并且比逐步优化方法耗时更少。同时，方法并行计算缩短了计算耗时，满足精细化调度需求。因此，并行自适应混沌整体退火遗传算法为大规模水电系统优化调度提供了一种合理有效的求解途径。

（3）针对差分进化算法求解水电站群优化调度问题时易陷入局部最优，同时考虑方法计算效率的提高，提出了梯级水电站群长期优化调度并行混合差分进化算法。该方法利用tent映射生成差分进化算法的初始种群并实现对控制参数（缩放因子和交叉因子）进行动态调整；利用模拟退火算法，依据Metropolis准则改善局部搜索能力；采用粗粒度并行设计模式，利用Fork/Join多核并行框架的分治策略，将其初始种群递归划分为多个子种群，平均分配到不同的内核逻辑线程中实现并行计算。红水河梯级水电站群优化调度实例结果表明，所提方法能够充分利用多核资源，显著提高优化解质量和计算效率，是求解大规模梯级水电站群长期优化调度问题的一种有效可行的方法。

（4）针对离散动态规划方法求解大规模梯级水电站群优化调度易造成计算耗时过多以及求解效率较低的情况，提出了梯级水电站群长期优化调度并行离散微分动态规划方法。该方法采用细粒度并行设计模式，以离散微分动态规划方法多阶段内单次廊道计算的所有离散变量组合在递推公式中的求解运算作为并行计算父任务，利用Fork/Join多核并行框架实现算法的并行化求解。以澜沧江下游梯级水电站群优化调度为应用实例，在两台不同多核资源配置中展开方法验证，并建立多个任务规模不同的方案进行测试。计算结果表明，对于规模较大的计算任务，并行方法可充分利用多核资源，计算耗时较串行方法大幅缩减，显著提高求解效率；对于规模较小的计算任务，核数较多环境下易出现加速瓶颈，影响计算效率。同时，并行离散微分动态规划方法的求解设计思路可为逐次逼近动态规划、逐步优化等其他动态规划方法并行化提供参考和借鉴。(www.xing528.com)

（5）针对随机动态规划求解大规模梯级水电站群优化调度易造成计算耗时过多以及求解效率较低的情况，提出了梯级水电站群长期优化调度并行随机动态规划方法。该方法采用细粒度并行设计模式，以随机动态规划方法单阶段内所有离散变量组合在递推公式中的求解运算作为并行计算父任务，利用Fork/Join多核并行框架实现算法的并行化求解。以澜沧江下游梯级水电站群优化调度为应用实例，在两台不同多核资源配置中展开方法验证，并建立多个任务规模不同的方案进行测试。计算结果表明，所提方法能够充分利用多核资源，大幅度缩短计算时间，计算效率显著提高；同时，在相同的多核CPU环境下，计算任务的规模越大，计算加速比与理想加速比之差越小；另外，并行随机动态规划方法的并行化设计思路可以为机会约束动态规划、抽样随机动态规划等随机动态规划方法的并行化提供参考和借鉴。

（6）针对极端干旱气候制约梯级水电站群发电能力从而影响电网安全稳定运行的情况，提出了考虑系统发电保证率和破坏深度的梯级水电站群长期优化调度多核并行机会约束动态规划方法。该方法将系统发电保证率要求作为机会约束纳入模型中，采用惩罚函数法处理出力破坏深度控制要求作为递推方程惩罚项。在逐时段递推最优决策过程中，应用Fork/Join多核并行框架实现单时段内所有变量组合的递推求解并行化。根据动态更新的拉格朗日乘子和惩罚系数迭代生成多组优化调度规则，通过模拟调度的出力保证率和最大破坏深度进行筛选，再以多年平均发电量最大为准则选取最优调度规则。澜沧江下游梯级水电站群应用实例结果表明，所提模型和求解方法制定的最优调度规则可兼顾系统发电保证率和出力破坏深度控制，并实现发电量最大，能够有效响应极端干旱气候对水电系统的影响，为电网安全稳定运行提供了强有力的技术保障；方法并行化可大幅削减计算耗时，为更深入了解梯级水电站群调度运行规律提供了更高效的手段。

（7）阐述了大规模梯级水电站群长期优化调度系统的设计与实现方法。结合已开发的多个水电站群调度决策支持系统，详细阐述了系统的开发运行环境、总体架构、功能结构、数据库表、数据结构、标准化组件以及系统安全等方面的设计与开发方法；同时从人机交互平台构建、计划制作流程设计、可扩展性设计以及差异化的业务需求处理四方面介绍了系统采用的关键技术。该系统已在中国南方电网、重庆电网以及澜沧江水电集控中心等多个发电与管理单位得到成果运用。