改进鸽群算法在水电站发电优化调度中的应用研究

(辽宁润中供水有限责任公司，辽宁 沈阳 110166)

1 工程概况

桓仁水电站位于辽宁省桓仁满族自治县泡子沿镇境内，属于浑江梯级开发中的第一座大型水电站[1]。桓仁水电站控制流域面积10400km2，水库库容为36.40亿m3。桓仁水库的正常蓄水位为300.00m，死水位290.00m。工程设计标准为千年一遇，对应流量为22600m3/s，校核洪水标准为万年一遇，对应的洪峰流量为30000m3/s[2]。桓仁水电站主要水工建筑物为混凝土大坝，坝后式厂房，大坝右侧为泄洪坝段，共布置有5孔泄洪闸，每孔泄洪闸的闸孔宽为13m，高23.80m。桓仁水电站的主要功能是发电，兼具防洪、供水、灌溉等综合效益。电站的设计水头为53.20m，最大水头57.10m，最小水头47.10m，装机总容量22.25万kW，年均发电量为4.77亿kW·h。

2 改进鸽群优化算法

2.1 鸽群算法简介

随着演化技术的不断发展，仿生智能优化成为解决诸多工程问题的新兴技术。进入新世纪以来，国内外学者通过对自然界中广泛存在的自适应现象的深入研究，基于对上述功能机制的模拟，设计出蚁群优化算法、微粒群优化、鸽群算法等诸多优化算法。其中，鸽群算法由Duan等学者于2014年提出，是一种基于鸽群归巢行为而设计的新型智能优化算法，由于该算法适应性好，计算精度高，在提出的短短几年内就在工程领域获得广泛应用。

2.2 鸽群优化算法的改进

由于鸽群算法具有较快的收敛速度，因此，在应用过程中极易出现局部最优的情况[3]。鉴于鸽群算法的上述缺陷，研究中按照如下思路进行优化：首先，将混沌和反向策略用于算法的初始化，以生成随机效果好、空间覆盖广的初始化解；其次，以参数设置的方式对算法本身使用的地图因子进行自适应调整；最后，在迭代过程中加入柯西扰动重分布策略，以实现扰动全局最优解，防止收敛速度过快。

2.2.1 混沌和反向策略

混沌运动具有对初始值灵敏度高、运动轨迹的普遍性和不重复性的特点，使用该方法进行种群的初始化可以有效增加其多样性[4]。目前，常用的混沌变量产生方法有Logistic与Tent Map两种。相关学者的研究成果显示[5]，后一种方法具有更快的迭代速度，因此优化过程中将Tent Map函数作为混沌生成函数，利用rand生成0到1的随机数为X0的值，并利用下式进行初始化解的生成：

Sij=Smin,j+Xn×(Smax,j-Smin,j),j=1,2,3,…,D

(1)

显然，混沌方法存在一定的随机性，其解的覆盖范围也不够全面，因此，在优化过程中借鉴Tizhoosh教授的相关研究结论[6]，通过反向策略来实现初始化解的全局最优。

2.2.2 柯西扰动重分布策略

原始鸽群算法存在收敛速度快的问题，因此容易导致早熟收敛现象。为解决上述问题，本次研究拟采用柯西扰动重分布策略，使计算结果跳出局部最优解，实现全局最优解。在加入柯西扰动重分布的节点方面，本文采用A.Stacey关于柯西扰动方法的计算成果[7]，引入FC变量并设置其阈值为0，如果FC的值大于这一阈值，则视候选解有较大概率产生局部最优情况，加入柯西扰动，同时打乱表现较差的一个半体，最终实现全局最优。

2.2.3 参数自适应策略

鸽群算法作为一种群体智能算法，参数的科学性与合理性直接影响计算结果[8]。为了使参数能够对鸽群算法的收敛起到作用，原始算法中采用指南针因子R来实现对鸽群速度的控制。显然，R的值较小时，鸽子的速度就较大，进而导致收敛速度的加快，因此种群的搜索能力也会显著增强，这对于局部搜索无疑具有较大的帮助。因此，本文研究中舍弃了原始方法中对参数R设定固定值的方法，在原始状态下赋予R较小的值，在整个范围内搜索完毕后，逐渐将R的值增大到1，以利于局部搜索的完成。

3 计算结果与分析

3.1 计算数据

根据桓仁水电站管理局提供的数据，整理桓仁水电站水位库容关系(见表1)和下游水位与流量关系(见表2)。

表1 桓仁水电站水位库容关系 单位：亿m3

表2 下游水位与流量关系

3.2 计算结果分析

为验证本文提出的改进鸽群算法在水电站发电调度中的优越性，利用传统的POA、动态规划方法作为对比，对桓仁水电站典型年的数据进行计算。在计算过程中，利用桓仁水电站的水位—库容关系以及水电站下游的水位—流量关系，不计水头损失，以年发电量最大作为调度的基本准则进行水库年调度。为了方便不同方法之间的比较，三种方法均进行150代、5次运算，并对得到的最优值进行比较。

3.2.1 动态规划法调度结果

利用动态规划方法对桓仁水电站典型年的数据进行调度计算，结果见表3。

表3 动态规划法调度结果

续表

3.2.2 POA 法优化调度

利用POA 法对桓仁水电站典型年的数据进行调度计算，结果见表4。

表4 POA法调度结果

3.2.3 改进鸽群算法调度

利用改进鸽群算法对桓仁水电站典型年的数据进行调度计算，结果见表5。

表5 改进鸽群算法调度结果

续表

3.2.4 多算法结果对比分析

对动态规划法、POA法以及改进鸽群算法的调度结果进行对比(见表6)。由计算结果可知，上述三种算法的总弃水量大致相当，而动态规划法的年发电量为4.66亿kW·h，POA法的年发电量为4.73亿kW·h，改进鸽群算法的年发电量为5.07亿kW·h。由此可见，在同样的计算条件下，改进鸽群算法年发电量最大，可以在工程实践中利用该算法进行水库调度模型的求解。

表6 三种算法结果对比

4 结 论

大型水电站往往具有发电、供水和防洪等多方面的功能，其调度问题十分复杂，因而存在诸多亟待解决的问题。

本文以辽宁省桓仁水电站为例，研究了改进鸽群算法在水电站调度中的应用。针对传统的鸽群算法存在的缺陷和不足，将混沌和反向策略用于算法的初始化，以参数设置的方式对算法本身使用的地图因子进行自适应调整，在迭代过程中加入柯西扰动重分布策略改进鸽群算法。对桓仁水电站特征年数据采取动态规划法、POA法以及改进鸽群算法进行调度计算，结果显示，在同样的计算条件下，改进鸽群算法年发电量最大，具有良好的求解能力，可以在工程实践中利用该算法进行水库调度模型的求解。