中長(zhǎng)期水文預(yù)報(bào)與水庫(kù)群優(yōu)化調(diào)度方法及其系統(tǒng)集成研究.pdf

1、隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展和預(yù)測(cè)優(yōu)化理論的深入研究，水利科學(xué)工作者幾乎嘗試應(yīng)用了各種算法來(lái)解決水文預(yù)報(bào)和水庫(kù)群的優(yōu)化調(diào)度問(wèn)題，并且取得了豐富的研究成果和一定的實(shí)踐效果。但由于在水文中長(zhǎng)期預(yù)報(bào)方面缺乏機(jī)理上的認(rèn)知突破，在水庫(kù)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(wèn)題，所以尚有大量的基礎(chǔ)工作、理論研究、模型與方法改進(jìn)等課題需要進(jìn)一步的研究和解決。本文主要是進(jìn)行模型與方法的改進(jìn)工作，深入研究了模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、小波分頻預(yù)測(cè)和微

2、粒群算法在水文預(yù)報(bào)和水庫(kù)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(duì)傳統(tǒng)模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度慢的缺點(diǎn)，模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)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(jìn)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(xùn)練。兩個(gè)實(shí)例分析結(jié)果表明，Levenberg-Marquardt算法訓(xùn)練速度快，并且訓(xùn)練得到的模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)模型的模擬預(yù)測(cè)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(lái)進(jìn)行支持向量機(jī)的參數(shù)識(shí)別。在支持向量機(jī)建模過(guò)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(shí)支持向量機(jī)參數(shù)。在微粒群搜索參數(shù)前，對(duì)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(jī)模型的推廣能力為標(biāo)準(zhǔn)，討論了測(cè)試樣本的最小誤差和留一法對(duì)支持向量機(jī)學(xué)習(xí)方法推廣能力的兩種估計(jì)。支持向量機(jī)訓(xùn)練算法采用序列極小化訓(xùn)練算法，為了提高支持向量機(jī)模型的訓(xùn)練速度，訓(xùn)練工作集的選擇利用了目標(biāo)函數(shù)的二階導(dǎo)數(shù)信息，使工作集中的兩個(gè)乘子在當(dāng)前訓(xùn)練迭代步中具有最大的改變量。最后以長(zhǎng)江的宜昌站、寸灘站和漫灣水庫(kù)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(jī)模型進(jìn)行模擬預(yù)測(cè)，實(shí)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(yù)測(cè)模型。該模型通過(guò)小波分解方法將月徑流非平穩(wěn)時(shí)間序列分解為多個(gè)細(xì)節(jié)信號(hào)序列和一個(gè)逼近信號(hào)序列，然后運(yùn)用平穩(wěn)時(shí)間序列的ARMA模型對(duì)各信號(hào)序列分別進(jìn)行預(yù)測(cè)。以長(zhǎng)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(yù)測(cè)模型進(jìn)行模擬預(yù)測(cè)，并討論了小波分

6、解尺度數(shù)對(duì)小波分頻預(yù)測(cè)模型的影響。最后還討論了小波分頻預(yù)測(cè)模型的實(shí)用性、缺陷和小波拓延方式對(duì)預(yù)測(cè)精度的影響。 (4)對(duì)基本微粒群算法進(jìn)行了改進(jìn)，以進(jìn)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(jí)水庫(kù)群優(yōu)化調(diào)度問(wèn)題。該算法為了提高搜索效率引進(jìn)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(jī)進(jìn)行算術(shù)交叉，變異是微粒以一定的概率隨機(jī)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(shí)采用了有

7、條件的隨機(jī)自動(dòng)生成方式，并利用懲罰函數(shù)法來(lái)處理邊界條件和其它非等式約束。以豐滿-白山梯級(jí)為計(jì)算實(shí)例，計(jì)算結(jié)果與常規(guī)動(dòng)態(tài)規(guī)劃法和常規(guī)微粒群算法相比，表明改進(jìn)算法計(jì)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(jìn)微粒群算法參數(shù)(交叉概率、變異概率、微粒個(gè)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(jī)方法”估計(jì)出當(dāng)年各月的來(lái)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(yù)估當(dāng)年總的來(lái)水情況；最后根據(jù)

8、總的來(lái)水情況來(lái)修正當(dāng)年主汛期各月來(lái)水。這樣，各月預(yù)報(bào)來(lái)水獲得后，再采用“改進(jìn)微粒群算法”進(jìn)行水庫(kù)群的優(yōu)化調(diào)度計(jì)算。同時(shí)以白山—豐滿梯級(jí)水電站水庫(kù)群為例，提出了徑流預(yù)測(cè)與優(yōu)化調(diào)度相結(jié)合的確定水電站最優(yōu)運(yùn)行方式的滾動(dòng)預(yù)測(cè)決策方法。探討了實(shí)際、預(yù)報(bào)、上限、下限和插值5種不同徑流描述情況下水庫(kù)的發(fā)電效益，計(jì)算結(jié)果表明本文提出的滾動(dòng)預(yù)測(cè)決策方法在白山—豐滿梯級(jí)水電站水庫(kù)群是可行的。 (6)首先以圖論分析方法，把水庫(kù)群概化成一張有向圖，運(yùn)用

9、鄰接表、鄰接矩陣和關(guān)聯(lián)矩陣進(jìn)行拓?fù)浞治鼋鉀Q了水庫(kù)群的集成問(wèn)題。并以圖論為基礎(chǔ)，利用方案關(guān)聯(lián)表進(jìn)行方案的拓?fù)浞治?，降低了方案管理的?fù)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(jì)模式在水庫(kù)預(yù)報(bào)調(diào)度系統(tǒng)中的應(yīng)用，并將上述預(yù)報(bào)優(yōu)化調(diào)度模型融入其中。應(yīng)用橋梁模式實(shí)現(xiàn)水庫(kù)預(yù)報(bào)調(diào)度系統(tǒng)的體系結(jié)構(gòu)設(shè)計(jì)與數(shù)據(jù)存取、應(yīng)用策略模式實(shí)現(xiàn)預(yù)報(bào)優(yōu)化調(diào)度模型管理、應(yīng)用迭代子模式和裝飾模式實(shí)現(xiàn)預(yù)報(bào)調(diào)度方案管理、應(yīng)用代理模式實(shí)現(xiàn)用戶權(quán)限管理、應(yīng)用單例模式實(shí)現(xiàn)