中長期水文預報與水庫群優(yōu)化調(diào)度方法及其系統(tǒng)集成研究.pdf

1、隨著計算機技術(shù)的迅速發(fā)展和預測優(yōu)化理論的深入研究，水利科學工作者幾乎嘗試應(yīng)用了各種算法來解決水文預報和水庫群的優(yōu)化調(diào)度問題，并且取得了豐富的研究成果和一定的實踐效果。但由于在水文中長期預報方面缺乏機理上的認知突破，在水庫群優(yōu)化調(diào)度方面一些新方法仍存在理論與應(yīng)用上的問題，所以尚有大量的基礎(chǔ)工作、理論研究、模型與方法改進等課題需要進一步的研究和解決。本文主要是進行模型與方法的改進工作，深入研究了模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)、支持向量機、小波分頻預測和微

2、粒群算法在水文預報和水庫調(diào)度中的建模及其系統(tǒng)集成方法，主要內(nèi)容如下： (1) 針對傳統(tǒng)模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)模型訓練速度慢的缺點，模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)訓練時采用 Levenberg-Marquardt 算法，其收斂速度近似二階。Levenberg-Marquardt 算法是Gauss-Newton 法的改進形式，既有 Gauss-Newton 法的局部特性，又具有梯度法的全局特性，提供了Newton法的速度和保證收斂的梯度下降法之間的折衷

3、，收斂的迭代次數(shù)少，能快速完成網(wǎng)絡(luò)訓練。兩個實例分析結(jié)果表明，Levenberg-Marquardt算法訓練速度快，并且訓練得到的模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)模型的模擬預測結(jié)果都比較滿意。 (2)利用微粒群算法的全局尋優(yōu)特性來進行支持向量機的參數(shù)識別。在支持向量機建模過程中選擇徑向基函數(shù)為核函數(shù)，在此基礎(chǔ)上應(yīng)用微粒群算法用于辨識支持向量機參數(shù)。在微粒群搜索參數(shù)前，對參數(shù)做了指數(shù)變換，使[0,1]區(qū)間和[1，∞]區(qū)間有著相同的搜索概率。微粒群

4、算法的適應(yīng)值函數(shù)以支持向量機模型的推廣能力為標準，討論了測試樣本的最小誤差和留一法對支持向量機學習方法推廣能力的兩種估計。支持向量機訓練算法采用序列極小化訓練算法，為了提高支持向量機模型的訓練速度，訓練工作集的選擇利用了目標函數(shù)的二階導數(shù)信息，使工作集中的兩個乘子在當前訓練迭代步中具有最大的改變量。最后以長江的宜昌站、寸灘站和漫灣水庫的月徑流資料為例，分別采用 ARMA 模型、季節(jié)性 ARIMA 模型、BP神經(jīng)網(wǎng)絡(luò)模型以及所建立的支持向

5、量機模型進行模擬預測，實例結(jié)果顯示了該模型有效性。 (3) 利用小波分析的多分辨率功能，建立了月徑流序列的小波分頻預測模型。該模型通過小波分解方法將月徑流非平穩(wěn)時間序列分解為多個細節(jié)信號序列和一個逼近信號序列，然后運用平穩(wěn)時間序列的ARMA模型對各信號序列分別進行預測。以長江的宜昌站和寸灘站的月徑流資料為例，分別采用ARMA模型、季節(jié)性ARIMA模型、BP 神經(jīng)網(wǎng)絡(luò)模型以及本文所建立的小波分頻預測模型進行模擬預測，并討論了小波分

6、解尺度數(shù)對小波分頻預測模型的影響。最后還討論了小波分頻預測模型的實用性、缺陷和小波拓延方式對預測精度的影響。 (4)對基本微粒群算法進行了改進，以進一步提高基本微粒群算法的優(yōu)化性能，并將其用于求解梯級水庫群優(yōu)化調(diào)度問題。該算法為了提高搜索效率引進了類似遺傳算法的交叉和變異算子，其中交叉是微粒在解空間中的位置以一定的概率隨機進行算術(shù)交叉，變異是微粒以一定的概率隨機使速度矢量的某一維分量變?yōu)?。為了加速收斂，初始微粒群生成時采用了有

7、條件的隨機自動生成方式，并利用懲罰函數(shù)法來處理邊界條件和其它非等式約束。以豐滿-白山梯級為計算實例，計算結(jié)果與常規(guī)動態(tài)規(guī)劃法和常規(guī)微粒群算法相比，表明改進算法計算速度更快，優(yōu)化調(diào)度結(jié)果比較滿意。最后還研究了改進微粒群算法參數(shù)(交叉概率、變異概率、微粒個數(shù)和微粒最大速度等)的取值范圍。 (5)首先根據(jù)歷史月徑流資料，以“支持向量機方法”估計出當年各月的來水量；然后根據(jù)歷史年徑流資料，采用加權(quán)馬爾可夫鏈預估當年總的來水情況；最后根據(jù)

8、總的來水情況來修正當年主汛期各月來水。這樣，各月預報來水獲得后，再采用“改進微粒群算法”進行水庫群的優(yōu)化調(diào)度計算。同時以白山—豐滿梯級水電站水庫群為例，提出了徑流預測與優(yōu)化調(diào)度相結(jié)合的確定水電站最優(yōu)運行方式的滾動預測決策方法。探討了實際、預報、上限、下限和插值5種不同徑流描述情況下水庫的發(fā)電效益，計算結(jié)果表明本文提出的滾動預測決策方法在白山—豐滿梯級水電站水庫群是可行的。 (6)首先以圖論分析方法，把水庫群概化成一張有向圖，運用

9、鄰接表、鄰接矩陣和關(guān)聯(lián)矩陣進行拓撲分析解決了水庫群的集成問題。并以圖論為基礎(chǔ)，利用方案關(guān)聯(lián)表進行方案的拓撲分析，降低了方案管理的復雜性，便于用戶使用與管理。然后研究了軟件工程中的多種設(shè)計模式在水庫預報調(diào)度系統(tǒng)中的應(yīng)用，并將上述預報優(yōu)化調(diào)度模型融入其中。應(yīng)用橋梁模式實現(xiàn)水庫預報調(diào)度系統(tǒng)的體系結(jié)構(gòu)設(shè)計與數(shù)據(jù)存取、應(yīng)用策略模式實現(xiàn)預報優(yōu)化調(diào)度模型管理、應(yīng)用迭代子模式和裝飾模式實現(xiàn)預報調(diào)度方案管理、應(yīng)用代理模式實現(xiàn)用戶權(quán)限管理、應(yīng)用單例模式實現(xiàn)