基于可插拔模型分片的小水电群多目标调度系统设计与实现

徐新黎，郑舒天，李 笠，王万良(浙江工业大学 计算机科学与技术学院，浙江 杭州 310023)

基于可插拔模型分片的小水电群多目标调度系统设计与实现

徐新黎，郑舒天，李 笠，王万良
(浙江工业大学 计算机科学与技术学院，浙江 杭州 310023)

为了提升区域内小水电的经济效益和生态效益，针对多元化的小水电群调度目标，设计并实现了可插拔模型分片技术的小水电群多目标调度系统.系统采用接口抽取方法与关注点分离思想，将多个调度模型以XML描述文件的格式进行切割分片，在调度决策中以可插拔的形式制定调度目标，具备了良好的可操作性和扩展性.给出了基于二次处理策略的NNBR模型径流预测方法，考虑实际应用示范流域具有多种类型的水库、电站，以及具有串、并联的混联结构特征，实现了径流预测、多目标联合调度和生态径流保证等多种要求.

小水电群；优化调度；多目标；可插拔；模型分片；径流预测

小水电是农村经济发展、环境保护与生态建设的重要手段.由于小水电站装机规模小，调度灵活，对电网分布和系统稳定影响较小.但小水电站受径流来水影响大，枯水期水量不足，丰水期易弃水，调度时凭借人工经验为主，不同的调度人员得出的调度结果往往存在很大的差异.另外，小水电站自动化程度低，大量数据只是手工记录或根据没有记录，出现问题后难以追溯.如果能合理地将小水电群进行联合优化调度，可以整体提升区域内小水电的经济效益和生态效益，促进小水电的可持续发展.

水电群优化调度属于大规模、多目标优化问题，其优化调度对象的复杂多样，使得不同目标之间相互影响和制约.随着水电调度算法、模型等研究的逐步深入，水电站调度决策系统应运而生.周惠成等设计的水库群防洪调度系统实现了从卫星云图、气象预报信息、水雨情实测信息和实时洪水预报信息的收集处理到水库防洪调度方案制定、评价与选择和防汛会商决策[1].张光科等设计了集调度、查询、分析和管理等功能为一体的水电站中长期优化调度决策支持系统[2].徐刚等基于面向服务架构(SOA)的工作流程管理，构建了具有业务流程自动化和重构能力强的快速适应性水电站群发电调度决策支持系统[3].但已有的这些系统主要针对大中型的水电调度，系统目标侧重于通用性、简单性和扩展性等，在实际应用中存在调度目标少、决策结果单一和难以运用于特定调度对象等不足.为了提升区域内小水电的经济效益和生态效益，针对多元化的小水电群调度目标，在已有小水电调度研究[4-6]的基础上，结合粒子群优化算法[7-8]和多目标调度方法[9-10]，根据区域内水电调度管理经验，将软件可插拔技术运用于水电调度模型管理中，设计了基于可插拔模型分片的小水电群多目标调度系统，实现了调度模型灵活升级、多目标联合优化调度和生态径流保证等功能.

1 基于可插拔的模型分片

传统的、紧耦合的水电调度系统针对多目标调度功能，往往采用硬编码的形式，将调度的目标模型固定，使得系统稳定运行后的扩展更新阶段会显得非常笨重.为了将水电调度模型以一种可复用、可选择和可裁剪的方式提供给系统，并使各个调度模型能够独立开发、测试及管理，采用一种解决调度模型平滑升级的思路，即将不同的调度模型进行分片，分片后使用符合Schema规范的XML语言对水电调度模型进行描述.不同目标的模型以标签进行划分.type属性区分调度模型的类型，描述该模型是属于长期调度模型还是短期调度模型.为模型中的运算数据，运算数据分为两种，分别由Dependency-Des描述的已知数据和由Dependency-DB描述的动态数据组成.分片后的模型均能以一种模块化的方式进行集成，省略了升级时重新部署所需要的诸多费时操作，能够有效保证系统在正常运作的同时，用户可以便捷地对已有模型进行增删改等管理操作.

为了将调度模型与系统解耦，所有的模型抽离出来后，将每一种调度模型作(如发电量最大、供水保证、生态径流保证和电价收益最优等)为关注点.如图1所示，各个分片后的调度模型作为该系统上的可插拔模型单元，动态插入到调度模块中参与运行和计算.调度模型管理引擎可以提供统一的数据格式和开放接口，用于动态加载不同目标的调度模型.优化调度运行时，系统读取XML模型描述并进行解析.解析后的模型可以透明插入调度模块，然后结合所选择的算法进行优化调度计算，最后进行调度结果展示.

图1 模型分片Fig.1 Model segment

采用分片可插拔技术后，模型算法管理员可以在系统运行过程中透明切换可选模型.如果系统模型老旧需要升级或替换，可以由系统管理员实施，无需涉及开发人员.水电调度模型也可以单独地进行开发和测试，然后通过可插拔的方式快速地集成并部署到运行的系统中，从而也为模型的移植和通用提供了支持[11].

2 基于二次处理的NNBR模型径流预测

在小水电群多目标调度系统中，径流预测分为长期径流预测层和短期径流预测层.两层径流预测在计算求解中各自运行，计算结果相互反馈和修正，具体预测过程如图2所示.

图2 径流预测过程Fig.2 Runoff forecast process

长期径流预测需要历史水文数据的支持.系统首先对水库历史水文数据进行预处理操作，预处理工作包括数据规格化和异常数据标记等.预处理完成后，建立最近邻抽样回归模型NNBR(Nearest neighbor bootstrapping regressive model).NNBR模型是基于数据驱动的非参数统计模型，可避免模型选择和参数不确定性问题[12].这里采用改进的预测模型处理方式，即对预报结果进行二次处理.二次处理具体过程包括，根据设计报告和典型年分析，将预测年份定义为正常年份、丰水年份或枯水年份，并进行相应的标记.若预测年份被定义为丰水年份，则根据典型年报告针对6～9四个月的预测结果进行正增益处理；若预测年份被定义为枯水年份，则根据典型年报告针对11，12，1，2四个月的预测结果进行负增益处理；若预测年份被定义为正常年份，则不对预测结果进行处理，处理后的结果即为长期径流预测的最终结果.

长期径流预测计算完成后，会将每个月的计算结果作为计算基数，为短期径流预测提供支持.短期径流预测通过实时水文数据和未来短时间径流降雨预报进行计算，并将计算结果实时发送给长期径流预测层，起到修正作用.

3 调度系统设计

3.1 应用需求分析

小水电群多目标调度系统需要为水电站管理维护人员提供决策支持、优化调度、径流预测和信息管理等多维功能.在决策支持方面，系统要为调度人员提供发电计划等决策建议，使调度决策更加精准合理；在可持续发展要求下，需要在保证水电经济效益的同时兼顾生态；在信息搜集和管理方面，要对所覆盖区域小水电群提供完整、实时的信息收集，以及对数据的分析和处理手段.

根据功能需求和实际情况分析，本系统的适用对象为具有调节能力的小水电群，即要实现系统的核心业务，水电群内至少有一个电站是带有水库的并具备调节能力，其中多目标联合调度可分为长期和短期，并具有长短期调度相结合的功能，长短期调度相结合的工作过程如图3所示.上层调度机构根据所管辖电站水库的水文数据和运行数据进行宏观调度，制定长期调度计划；下层多个电站和水库组成的电站群将按照长期计划进行具体实施，并根据自身水文情况制定短期目标，短期调度的具体实施结果将会反馈给上层调度机构，并以此修正原始的长期调度计划，使整体计划更趋向于真实合理.下层具体电站为系统的各个调度节点，调度节点间的数据通信和协同通过网络连接，方便进行集群化管理.每个具体的电站节点不仅具有存储、计算和制定计划等功能，可以扩展到网络内的其他节点电站进行协同工作.小水电群多目标调度系统使用分布式的处理方式，可以减轻主服务器的存储和计算压力，实现多服务器的负载平衡，提高数据查询、传输和计算的效率.

图3 优化调度过程Fig.3 Optimal scheduling procedure

3.2 总体架构设计

为了满足不同平台用户通过网络对数据共享、交互的要求[13]，小水电群多目标调度系统开发采用B/S结构，基于轻量级框架集合SSH(Spring+Struts+Hibernate)技术，以Microsoft SQL Server 2005企业版作为数据库.系统以水库水文数据和电站运行数据为驱动，以径流预测、优化调度和生态径流保证为核心进行设计和开发.

系统架构采用鲜明的层次划分[14]，按照架构逻辑自下而上分为五层:数据层、模型层、算法层、核心业务层和人机交互层，如图4所示.数据层位于系统架构的底层.因为系统涉及小水电站群，所以每个水电系统都维护了各自的本地数据库，这些本地数据库按照HTTPS协议以RESTful(GET，PUT，POST和DELETE)[15]形式与主数据库服务器进行数据(水库水文数据和电站运行数据)同步.同时数据库服务器以接口调用的形式维护外部数据(气象预报、降雨预报量和卫星云图影像).模型层是基于数据的抽象，以不同目标为基准将数据抽象成发电量最大、生态径流保证、供水保证和电价收益最优等多种目标模型.算法层提供多种智能算法供调度计算选择.核心业务层提供多个模块供水电站管理人员调用，其中径流预测提供来水量预测的支持，是进行多目标调度决策的先决条件，日常管理和防洪预警模块为电站中正常运作提供数据记录.

图4 系统总体架构Fig.4 System overall framework

3.3 功能模块设计

小水电群多目标调度系统按照用户权限，将功能模块划分为四个部分：数据管理模块、模型算法模块、调度运维模块和日常管理模块，其功能结构如图5所示.

图5 系统功能结构Fig.5 System function structure

数据管理模块通过系统后台线程直接抓取实测水文/运行数据和调用第三方接口两种方式获取所有数据.数据管理模块可以对获取的实测水文/运行等数据进行查询、录入、增加、删除和修改操作，还可以通过第三方接口获取和管理气象预报、降雨量预测以及卫星云图影像等数据.其中历史水文数据主要为系统径流预测和调度运维服务；历史运行数据主要为优化调度和决策提供支持；气象数据包括卫星云图影像，可以为水电站工作人员的管理计划制定等方面提供参考帮助.

模型算法模块通过对大量的水文/运行等数据进行分析和归纳，最终以模型的形式进行存储和调用.模型算法模块中，使用应用程序与目标模型算法分离的接口通讯技术，使得系统在管理目标模型和算法时，只需通过系统内部提供的接口和公共API，就可以完成对现有模型和优化算法的修改，以及添加一个全新的模型或算法.

调度运维模块供水电站管理人员进行径流预测和优化调度使用.现有的多个目标为：发电量最大、生态径流保证、灌溉用水保证等.系统提供多种优化算法可供调度选择，最终将多个目标的调度结果组成Pareto最优解集，在制定发电计划的时候选取其中某一组作为最终决策.该策略可以为发电调度提供更多的参考，电站管理人员根据具体情况酌情选择调度计划.具体执行包括长短期调度相结合，辅以长期径流预测、短期径流预测和多目标选择等功能，优化过程兼顾水库水量平衡、水电站设备资源约束以及水库安全运行等条件，提高农村小水电群水能利用效率.

日常管理模块提供水电站日常的人事、巡检和防汛会商等计划的安排，为水电站提供完整的信息化管理.系统同时提供水电站下游生态安全评估子系统，以最大程度地保持适宜生态径流为评估的基本原则[6].该子系统针对生态环境进行多维分析，结合专家打分和实测数据对比等手段，以反馈控制的方式[7]修正调度决策结果，实现调度过程最优化、调度结果动态修正的良好机制，优化水库蓄泄状态和下游生态平衡.

4 调度系统实现

4.1 调度实例

小水电群多目标调度系统以江西泸水河流域进行模拟仿真.该流域具有多种类型的水库(年调节水库、日调节水库等)和电站(坝后式电站、径流式电站、引流式电站等)，小水电群也具有串联和并联多种结构特征.由于该流域内电站和水库较多，选取具有典型效应的电站和具有调节能力的水库作为研究对象.参与调度的水库电站为：社上电站(带有社上水库)、岩头陂电站(带有岩头陂水库)、安福渠电站、东谷电站(带有东谷水库)和安平电站，流域示意图如图6所示.

图6 泸水河流域Fig.6 Lushui river basin

该流域内有a，b，c三条支流，其中a支流直接流入社上水库，b支流和岩头陂的下泄水流一起汇入海华一级电站，c支流直接流入东谷水库.安福渠电站为引流式电站，因发电需求量大，在平时工作时d点一直处于断流状态(即流量为0).海华一级和海华二级电站装机容量小，电站自动化程度低且没有历史数据的记录，因此不考虑海华一级和海华二级的出力.参与流域调度的各电站基本信息如表1所示.

表1 流域调度电站基本信息Table 1 Hydroelectric power stations of river basin scheduling

流域各电站来水量的计算公式分别为

Iy,t=ω·Ia,t+γ·Qs,t·Δt

(1)

(2)

(3)

Ib,t=φ·Ia,t

(4)

式中：Iy,t，If,t和Ip,t分别为t时段内岩头陂水库、安福渠电站和安平电站的入库水量；Ia,t，Ib,t分别为t时段支流a、支流b的来水量；Qs,t，Qy,t，Qd,t和Qf,t分别为t时段内社上电站、岩头陂电站、东古水库和安福渠电站的下泄流量；ω为岩头陂水库和社上水库的集雨面积比(数据来自设计报告)；γ为社上电站至岩头陂水库间的流量耗损(数据来自设计报告)；θ为岩头陂电站至安福渠电站间的流量耗损(通过历史数据计算)；η为东谷电站与安福渠电站至安平电站间的流量耗损(通过历史数据计算)；φ为支流b与支流a的集雨面积比(数据来自设计报告).

4.2 径流预测

径流预测时需要选择水文历史年限范围.系统自动根据历史水文戳标注出该范围内丰水枯水记录，建立预报计算模型，进行求解计算.表2为使用该水库历史20年数据进行径流预测所得结果.

表2 径流预测结果Table 2 Results of runoff forecast

4.3 智能调度决策

小水电群多目标调度系统实时采集水库水文数据以及电站运行数据，根据实际数据进行智能调度决策.调度模型采用考虑发电、生态和灌溉且满足库容约束和水量约束的流域小水电群多目标联合调度问题模型，其中增大发电量是为了保证电力公司利益最大化，保证河道生态需水差和灌区的灌溉用水差最小是为了在保持整个流域环境的前提下尽可能减少放水量，从而使水库的水位长期处于较高的位置.表3为系统根据预测来水数据以及各电站的数据，选择离散粒子群算法(DPSO)进行长期多目标调度所得到的多目标优化调度非劣解集.

表3 多目标优化调度非劣解集

Table 3 The pareto optimal solution set of multi-objective scheduling

调度方案总发电量/(万kW·h)总生态缺水量/(万m3)111542.4930-34709.7760211534.3560-34673.9994311525.0759-34515.0660411541.2814-34709.7760511540.3175-34709.7760611549.9004-34709.7760711548.9409-34709.7760811539.3686-34709.7760911533.4203-34709.77601011545.8298-34700.6516

5 结 论

从农村水电站群联合调度需求出发，采用B/S架构，完成了小水电群多目标调度系统，提供了径流预测、长短期调度和多目标选择等功能.鉴于水电调度目标多样性的考虑，提出基于可插拔的模型分片设计，实现调度模型的可插拔机制，并成功将调度模型与系统解耦.后续，系统在人机交互以及稳定运行方面还需要进一步完善，随着研究的深入，会针对系统现有的不足进行版本的升级，使系统的通用性和稳定性得到进一步的提升.

[1] 周惠成,梁国华,王本德,等.基于网络的水库群防洪调度系统应用研究[J].大连理工大学学报,2002,42(3):366-370.

[2] 张光科,邱桢耀.基于Web Service的水电站中长期优化调度决策支持系统[J].水力发电学报,2006,25(4):12-15.

[3] 徐刚,杜发兴,翟谨.基于SOA的工作流技术构建水电站群发电调度决策支持系统[J].水力发电,2008,34(1):11-14.

[4] 罗云霞,王万良,周慕逊.基于自适应粒子群算法的梯级小水电群优化调度研究[J].水力发电学报,2008,27(4):7-10.

[5] 徐新黎,杨丹,王万良,等.混联水库群分时电价下优化调度模型研究[J].浙江工业大学学报，2015,43(4):431-437.

[6] 周李智,王万良,徐新黎,等.基于生态惩罚的混联梯级小水电群优化调度[J].水力发电学报,2015,34(7):45-56.

[7] 鲁建厦,胡海芬,董巧英.基于博弈粒子群算法的混流混合车间调度研究[J].浙江工业大学学报,2015,43(4):398-404.

[8] 陈志杨,刘妍.改进粒子群搜索的二维皮革排样优化算法[J].浙江工业大学学报,2015,43(5):492-496.

[9] 张静,王万良,徐新黎,等.混合粒子群算法求解多目标柔性作业车间调度问题[J].控制理论与应用,2012,29(6):715-722.

[10] 左益,公茂果,曾久琳,等.混合多目标算法用于柔性作业车间调度问题[J].计算机科学,2015,42(9):220-225.

[11] 伍志平.基于模块可插拔机制的信息系统平台的设计与实现[D].上海:复旦大学,2012.

[12] 刘晔,汤成友.最近邻抽样回归模型及其在枯水期月径流预报中的应用[J].水科学与工程技术,2011(6):14-17.

[13] 朱爱红,余冬梅,张聚礼.基于B/S软件体系结构的研究[J].计算机工程与设计,2005,26(5):1163-1165.

[14] 张仁贡,程夏蕾.全国水能资源区划评价决策支持系统的设计与应用[J].水力发电学报,2013,32(5):70-76.

[15] 程春田,申建建,武新宇,等.大规模水电站群短期优化调度方法IV：应用软件系统[J].水利学报,2012,43(2):160-167.

(责任编辑：刘 岩)

Design and implementation of multi-objective scheduling system for small hydro group based on pluggable model segmenting

XU Xinli, ZHENG Shutian, LI Li, WANG Wanliang
(College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China)

In order to improve regional ecological benefits of small hydropower and consider multi-objective scheduling characteristics of small hydro group, a multi-objective scheduling system based on segmenting of pluggable models for small hydro group was designed and implemented. The methods of interface extraction and the separation of concern are applied in the system. The hydropower scheduling models were cut into smaller XML files, So it can make scheduling target in pluggable form in the scheduling decision. The system has a good maneuverability and scalability. Moreover, the NNBR(Nearest Neighbor Bootstrapping Regressive) model with re-treating strategy was proposed to calculate runoff forecast. For the actual application drainage basin, there are various types of reservoirs and hydroelectric power stations and the hybrid connected structures. Many functions of the system, such as runoff forecast, muti-objective optimal scheduling, and ecological runoff guarantee, were implemented.

small hydro group; optimal scheduling; multi-objective; hot plug; model segment; runoff forecast

2016-03-19

国家“十二五”科技支撑计划资助项目(2012BAD10B01)

徐新黎(1977—)，女，浙江余姚人，副教授，研究方向为调度优化、智能计算与无线传感器网络，E-mail：xxl@zjut.edu.cn.

TP319

A

1006-4303(2017)02-0173-06