考虑减淤的小浪底-西霞院水库联合优化调度

沈笛 赵珂 王渤权

摘 要：为有效解决小浪底-西霞院水库群在调度过程中因泥沙淤积以及黄委调度指令导致发电计划制订困难的问题，构建考虑泥沙淤积的小浪底-西霞院水库群优化调度模型，针对调度模型特点，一方面，选取影响水库有效库容的因子，并结合人工神经网络求解出不同时期、不同水位下的有效库容，另一方面，提出POA-DP算法实现调度模型的求解。通过实例分析表明人工神经网络能够有效表征泥沙淤积对水位—有效库容关系的影响，并能够预测出未来的水位—有效库容关系发展趋势，所构建的水库群优化调度模型能够在满足黄委调度指令情况下实现发电效益最大化。

关键词：泥沙淤积;人工神经网络;水位—有效库容;优化调度;小浪底;西霞院

中图分类号：TV145;TV697.1+2;TV882.1 文献标志码：A

doi：10.3969/j.issn.1000-1379.2020.12.005

Abstract：In order to effectively solve the problem of difficulty in making power generation plan in XiaolangdiXixiayuan reservoirs due to sediment deposition and the influence of Yellow River Conservancy Conservancy Commission's regulation order in the process of operation， an optimal operation model of XiaolangdiXixiayuan cascade reservoirs considering sediment deposition was constructed by the paper. According to the characteristics of the operation model， the factors affecting the reservoir capacity were selected and the effective reservoir capacity at different stages and different water levels was derived by artificial neural network. On the other hand， POADP algorithm was proposed to solve the model. The results show that the artificial neural network can effectively characterize the influence of sediment deposition on water levelreservoir capacity and effectively predict the future trend of water levelreservoir capacity. The optimal operation model of reservoir group can maximize the power generation under the conditions of meeting Yellow River Conservancy Commission's operation order.

Key words： sediment deposition; artificial neural network; water levelreservoir capacity; optimal operation; Xiaolangdi; Xixiayuan

1 引 言

隨着社会的发展，对能源的需求不断增加，2020年预计我国全社会用电量可达6.8万亿～7.2万亿kW·h，全国发电装机容量可达20亿kW，因此节约煤炭资源、大力发展可再生能源是实现可持续发展的重要措施。截至2017年底，我国可再生能源发电装机容量达到6.56亿kW，水电、风电、太阳能发电装机容量稳居世界第一。《电力发展“十三五”规划》提出“加快煤电转型升级，促进清洁有序发展，积极发展水电，统筹开发与外送”等电力能源发展战略。在众多可再生能源与清洁能源中，水电能源以其资源丰富、运行成本低以及可调节性强等优势占据着举足轻重的位置。自20世纪至今，我国水电事业有了长足的发展，十三大水电基地相继建成。在水库群规模逐渐成型的过程中，如何充分利用水资源，合理制订水库的发电计划成为国内外学者研究的重点[1-2]。

水库在运行过程中，受一系列环境因素影响。其中，对于某些水库而言，泥沙淤积是水库调度中不可忽视的重要问题，随着泥沙淤积量的增加，水库在防洪、发电以及航运上的效益受到损失，严重影响水库的性能、缩短水库的使用寿命，为此，众多学者针对水沙问题进行了大量的研究。纪昌明等[3]针对泥沙淤积、水库发电量建立了水库多目标优化调度模型，提出了相应的算法并进行求解，结果表明该模型可以很好地协调发电与排沙之间的矛盾;彭杨等[4]把水库防洪、发电、航运以及减淤作为基本目标，构建了水沙联合调度多目标决策模型，通过求解得到水库蓄水时间和库容淤积率的非劣解集，为水库水沙联合调度提供了重要的理论支撑;哈燕萍等[5]针对黄河上游泥沙淤积情况，构建相应的水沙调控指标，量化水沙调控的最佳时机，并得出不同调控目标的转化关系，为黄河上游水沙调控提供了重要的理论依据;黄仁勇等[6]对溪洛渡、向家坝和三峡的汛期排沙方式进行了研究，并提出了相应的排沙调度方案，为该梯级水库群泥沙调度提供了解决方案;肖杨等[7]、孙东坡等[8]、王帅等[9]也针对水库水沙调度问题做了相关研究。

对于小浪底水库而言，泥沙淤积是影响其效益发挥的重要因素。小浪底水库的调度指令由黄河水利委员会（黄委）统一下达，小浪底工作人员需要根据当前调度指令制订相应的发电计划。泥沙淤积量的增加，直接影响着小浪底水库水位—有效库容关系，进而影响发电计划的合理性。为此，以小浪底水库为工程背景，构建考虑泥沙淤积与黄委调度指令的小浪底-西霞院水库群优化调度模型，并针对调度模型特点，基于人工神经网络寻求泥沙淤积与水位、库容的关系，求解不同时期、不同水位下的有效库容，进而实现模型的求解，为小浪底水库调度提供理论基础，提高发电计划制订的准确度。

2 考虑泥沙淤积的小浪底水库调度模型

2.1 模型建立

传统水库调度通常以发电量最大为目标进行模型的建立，其目标函数为式中：Zit、Zit+1分别为第i个水库第t时段初和时段末的水位，m;ZiQ，t为第i个水库在第t个时段出库流量为Q时的下游水位，m。

式（2）中Zit+1根据水量平衡和水位库容曲线计算得到，之后进行逐时段递推实现模型的求解。从上述过程可以看出，若计算时采用的水位库容曲线固定不变，对于小浪底水库而言，随着泥沙淤积量的增加，实际有效库容会逐渐减少，即同一水位下其有效库容会呈现出递减趋势，而不同水位下有效库容的递减规律及趋势也不尽相同，这势必影响小浪底水库在不同时期、不同水位下发电计划制订的准确性。建立考虑泥沙淤积的小浪底水库优化调度模型时，将受泥沙淤积影响的有效库容变化考虑进来，目标函数为式中：a为小浪底水库;b为西霞院水库;f（Zat，Qat，t，W）为水头的函数，即在t时段，时段初水位为Zat、出库流量为Qat以及含沙量为W情况下的水头，m。

相应的约束条件如下。

（1）水量平衡约束：

式中：Qit为梯级水库系统中第i个水库在调度期的第t个时段的下泄流量，m3/s;Vit-1与Vit分别为第i个水库在t时段初和时段末的蓄水量，m3;Δt为一个时段长度，s;Iit为第i（i>1）个水庫在t时段的平均区间入流量，m3/s;Qi-1t为第i个水库的上库在时段t的出流量（当i=1时，表示龙头水库在t时段的来流量），m3/s;Qie，t为第i个水库在时段t的蒸发流量，m3/s。

（2）水库水位约束：

2.2 模型求解

上述模型的求解可分为两部分：①对不同时期、不同水位下的有效库容演变规律进行分析，求解出目标函数中的f（Zat，Qat，t，W）;②针对上述约束条件，尤其是黄委调度指令约束条件，提出小浪底-西霞院联合优化调度的计算步骤。

对于①，由于影响水库泥沙淤积分布的因素很多，而沿程的分布形态直接影响着水位—有效库容关系，因此结合历史资料，综合考虑后选取净来沙量、来水量、泄水量以及不同时期水位等4个因子来反映小浪底水库有效库容的变化;对于②，针对黄委调度指令特点，提出一种POA-DP算法实现小浪底-西霞院水库群的优化调度，为提高水资源利用率提供理论支撑。

2.2.1 基于人工神经网络的小浪底水位、库容预测

人工神经网络模仿生物反射机制[10-12]，在神经网络中存在多个神经元相互连接，相互传递信息，输入的信息层层向前传递，并不断学习，最终在输出层输出。人工神经网络发展至今已有70余年历史，在求解分类及预测问题方面有着很好的效果。由于西霞院水库为日调节水库，库容较小，且全年水位变化范围较小，因此只针对小浪底水库进行研究。同时，鉴于泥沙淤积以及神经网络的特点，采用人工神经网络方法[13-14]对小浪底水位—有效库容关系进行学习，并实现对未来的水位—有效库容关系的预测，其主要步骤如下。

（1）统计不同时期、不同水位下的小浪底水库前一年平均来水流量Qinflow、泄水流量Qoutflow、从2004年至2017年的总净进沙量S、水位Z以及相应的库容。

（2）神经网络初始化，设定隐含层数m、节点数n、初始化网络连接权重w、阈值θ、学习速率μ、动量学习速率η等基本参数。

（3）将统计得到的样本数据输入到网络当中，计算不同节点的输出。

2.2.2 小浪底-西霞院水库联合优化调度计算

采用上述方法可以实时得到不同时期、不同水位下的小浪底水库有效库容值，进而对水库群联合优化调度进行求解，与以往调度模型不同的是，小浪底-西霞院水库优化调度模型受黄委调度指令的约束，需要根据调度指令中指定的水库按照给定的下泄流量进行调度，这为模型的求解带来了一定的困难，为此，提出一种POA-DP算法对优化调度模型进行求解，其步骤如下。

（1）确定调度期时段数T，初始化算法参数，包括小浪底水库时段初水位Z0，0，西霞院调度期初、末水位值Z1，0、Z1，T，日均相邻时段下泄流量最大波动值ε，小浪底水库各个时段下泄流量离散点数M，西霞院水库库容离散点数N。

（2）根据黄委调度指令，初始化指定水库的下泄流量过程（Qoutflow，0， Qoutflow，1， …，Qoutflow，T-1），其中Qoutflow，0= Qoutflow，1=…= Qoutflow，T-1=Qorder。

（3）按照上述下泄流量求得两个水库总的发电量E0。

（4）以第i时段初水位为起调水位，计算i时段与i+1时段的总下泄流量Qtotal，设定i时段初水库下泄流量变化步长，改变i时段与i+1时段的水库下泄流量，进而得到新的水库水位值，再通过新的下泄流量值作为输入（输出），传送到下一水库中，按照DP算法对该水库进行计算求解，得到新的调度计划及总发电量E1，与E0进行比较，若E1>E0，则采用当前调度策略。

（5）逐时段进行水库群总发电量求解，遍历至时段末，判断是否满足精度以及迭代次数，若是，则输出最终结果，否则返回（4）继续进行计算，直至满足终止条件。

[3] 纪昌明，刘方，彭杨，等.基于鲶鱼效应粒子群算法的水库水沙调度模型研究[J].水力发电学报，2013，32（1）：70-76.

[4] 彭杨，纪昌明，刘方.梯级水库水沙联合优化调度多目标决策模型及应用[J].水利学报，2013，44（11）：1272-1277.

[5] 哈燕萍，白涛，黄强，等.梯级水库群水沙联合调度的多目标转化研究[J].水力发电学报，2017，36（7）：23-33.

[6] 黄仁勇，王敏，张细兵，等.溪洛渡、向家坝、三峡梯级水库汛期联合排沙调度方式初步研究[J].长江科学院院报，2018，35（8）：6-10，26.

[7] 肖杨，彭杨，王太伟.基于遗传算法与神经网络的水库水沙联合优化调度模型[J].水利水电科技进展，2013，33（2）：9-13.

[8] 孙东坡，吴默溪.黄河小浪底水库运用以来的泥沙淤积特征分析[J].华北水利水电大学学报（自然科学版），2018，39（2）：74-79.

[9] 王帅，彭杨，刘方，等.POA算法在水库水沙联合调度中的应用研究[J].水电能源科学，2012，30（4）：29-31，187.

[10] 赵林明，楚清河，代秋平，等.基于小波分析与人工神经网络的水轮机压力脉动信号分析[J].水利学报，2011，42（9）：1075-1080.

[11] 陈丁江，吕军，沈晔娜，等.非点源污染河流水质的人工神经网络模拟[J].水利学报，2007，38（12）：1519-1525.

[12] 陈晓楠，黄强，邱林，等.基于混沌优化神经网络的农业干旱评估模型[J].水利学报，2006，37（2）：247-252.

[13] INCE H， CEBECI A F， IMAMOGLU S Z. An Artificial Neural NetworkBased Approach to the Monetary Model of Exchange Rate[J]. Computational Economics， 2017（2）：1-15.

[14] STEINBACH L， ALTINSOY M E. Prediction of Annoyance Evaluations of Electric Vehicle Noise by Using Artificial Neural Networks[J]. Applied Acoustics，2019，145：149-158.

【責任编辑 张 帅】