一種基于svm與dpy的預(yù)報-決策耦合水庫調(diào)度方法
【專利摘要】本發(fā)明公開了一種基于SVM與DPY的預(yù)報?決策耦合水庫調(diào)度方法，采用SVM徑流預(yù)測方法，預(yù)測入庫徑流過程，并采用DPY算法進行水庫優(yōu)化調(diào)度，得到相應(yīng)的柔性決策空間。采用NSGA?II算法以效益和穩(wěn)定性為目標(biāo)，對水庫調(diào)度柔性決策模型中的參數(shù)n和M進行優(yōu)化，檢驗其效益及穩(wěn)定性。本發(fā)明能有效利用預(yù)報信息，保證了水庫運行效益和決策穩(wěn)定性，為徑流預(yù)報不確定性情形下未來水庫的科學(xué)決策提供重要且可操作性強的參考依據(jù)。
【專利說明】
一種基于SVM與DPY的預(yù)報-決策耦合水庫調(diào)度方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及水庫調(diào)度技術(shù)領(lǐng)域，具體地說是一種基于SVM與DPY的預(yù)報-決策耦合 水庫調(diào)度方法。
【背景技術(shù)】
[0002] 水庫作為一項調(diào)節(jié)徑流的工程，在使水資源更適合人類社會發(fā)展以及維護生態(tài)環(huán) 境方面發(fā)揮著重要作用。同時，水文預(yù)報和調(diào)度模型的不確定性導(dǎo)致水庫調(diào)度決策存在不 確定性。隨著人類進步和社會發(fā)展，如何在徑流預(yù)報存在不確定性的情形下科學(xué)決策，發(fā)揮 水庫的綜合效益對未來水庫運行管理有著重要意義。
[0003] 近年來，隨著徑流預(yù)報在水庫調(diào)度領(lǐng)域方面的深入發(fā)展，國內(nèi)外學(xué)者提出了基于 支持向量機(Support Vector Machine，SVM)的徑流預(yù)報方法。例如：周秀平等（周秀平，王 文圣，黃偉軍.支持向量機回歸模型在徑流預(yù)測中的應(yīng)用[J].水電能源科學(xué)，2006,24(4): 4-7)利用多年的月徑流序列建立了基于SVM的徑流預(yù)測模型，將年徑流的預(yù)測問題就轉(zhuǎn)化 為由3個輸入和1個輸出的SVM的函數(shù)回歸問題。張楠等(張楠，夏自強，江紅.基于多因子量 化指標(biāo)的支持向量機徑流預(yù)測[J].水利學(xué)報，2010，41(11 ):1318-1323.)利用最小二乘SVM 方法，構(gòu)建了基于多因子量化指標(biāo)的徑流預(yù)測模型，實現(xiàn)了徑流預(yù)測精度和實用性的統(tǒng)一。 然而，他們并沒有將徑流預(yù)測方法整合到現(xiàn)有的水庫調(diào)度決策技術(shù)中。SVM作為一種統(tǒng)計方 法在預(yù)測徑流時會存在不確定性，與其相結(jié)合的水庫調(diào)度也應(yīng)是基于不確定性的決策。為 了建立基于不確定性的水庫調(diào)度柔性決策，楊光等(楊光，郭生練，李立平.考慮生態(tài)流量的 梯級水庫柔性決策研究[J].華中科技大學(xué)學(xué)報：自然科學(xué)版，2015，43(9): 114-116.)為考 慮生態(tài)流量的梯級水庫調(diào)度提出了一種基于"異軌同效"的改進動態(tài)規(guī)劃法(the Dynamic Programming modified by Yang Guang，DPY)，實際應(yīng)用表明：該方法對決策中的不確定性 影響具有良好的適應(yīng)性，在決策空間發(fā)生改變的情況下仍能產(chǎn)生穩(wěn)定合理的計算結(jié)果。
[0004] 基于SVM的徑流預(yù)報雖然具有較好的精度，但缺乏機理性描述的先天不足也導(dǎo)致 模型產(chǎn)生了不確定性;現(xiàn)有的水庫調(diào)度技術(shù)僅單獨考慮徑流預(yù)測或調(diào)度決策的不確定性， 將兩種不確定性同時考慮、為決策者提供有效決策范圍的調(diào)度技術(shù)研究甚少。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是克服現(xiàn)有技術(shù)存在的不足，提供一種同時考慮徑流預(yù)測與調(diào)度決 策不確定性，保證決策穩(wěn)定性的基于SVM與DPY的預(yù)報-決策耦合水庫調(diào)度方法。
[0006] 本發(fā)明一種基于SVM與DPY的預(yù)報-決策耦合水庫調(diào)度方法，包括如下步驟：
[0007] 步驟1，采集水庫上游各站點觀測的氣溫和降雨的數(shù)據(jù)資料；
[0008] 步驟2,采用SVM徑流預(yù)測方法，根據(jù)水庫上游各站點觀測的各月最大降雨量、最小 降雨量和平均降雨量，各月最高氣溫、最低氣溫和平均氣溫，建立月徑流預(yù)測模型，并采用 遺傳算法優(yōu)化模型參數(shù)，預(yù)測入庫徑流過程；
[0009] 步驟3,根據(jù)步驟2中預(yù)測得到的入庫徑流過程，采用DPY算法對水庫進行優(yōu)化調(diào) 度，得到相應(yīng)的柔性決策空間；
[0010] 步驟4,將實測入庫徑流作為輸入，在柔性決策空間內(nèi)隨機進行預(yù)設(shè)次數(shù)的調(diào)度， 并統(tǒng)計所有次數(shù)效益的平均值，作為該決策空間的效益P;
[0011] 步驟5,將實測入庫徑流作為輸入，采用動態(tài)規(guī)劃法得到水庫調(diào)度最優(yōu)軌跡，并統(tǒng) 計最優(yōu)軌跡落在柔性決策空間的時段個數(shù)Ls;
[0012] 步驟6，以步驟4中效益P最大和步驟5中最優(yōu)軌跡落在柔性決策空間的時段個數(shù)Ls 最多為目標(biāo)，采用NSGA-II算法對水庫調(diào)度柔性決策模型中的參數(shù)η和Μ進行優(yōu)化，并將優(yōu)化 的參數(shù)回代入DPY算法中，計算得到同時考慮徑流預(yù)測與調(diào)度決策不確定性的柔性決策空 間集。
[0013] 所述步驟2包括以下子步驟：
[0014] (2.1)設(shè)定 1 組訓(xùn)練樣本數(shù)據(jù)(Xi，yi)(i = l，2, . . . JhxiGR'yiel^xi為樣本輸 入，包括η個觀測項目，包含但不限于水庫上游各站點觀測的各月最大降雨量、最小降雨量 和平均降雨量，各月最高氣溫、最低氣溫和平均氣溫; yi為樣本輸出，代表預(yù)測的入庫徑流；
[0015] (2.2)衡量步驟(2.1)中回歸產(chǎn)生的f(x)與相應(yīng)的y之間的差異程度，確保當(dāng)回歸 產(chǎn)生的f(x)與y相差小于ε時，誤差忽略不計，否則將它們差的絕對值作為誤差；
[0016] (2.3)將預(yù)測關(guān)系變?yōu)轭A(yù)測誤差最小的優(yōu)化問題；
[0017] (2.4)采用遺傳算法優(yōu)化SVM回歸方法中參數(shù)，并根據(jù)確定的參數(shù)預(yù)測入庫徑流過 程。
[0018] 步驟3包括以下子步驟：
[0019] (3.1)以預(yù)測得到的入庫徑流過程為輸入，采用DPY算法進行預(yù)選次數(shù)的水庫優(yōu)化 調(diào)度；
[0020] (3.2)將預(yù)設(shè)次數(shù)運行調(diào)度后得到的水庫水位變化過程進行統(tǒng)計，選出每個時段 中運行水位的最大值和最小值，分別作為該時段水庫水位變化的上限和下限，從而構(gòu)成柔 性決策空間。
[0021] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于:合理利用降雨和氣溫的預(yù)報信息，提供 了同時考慮徑流預(yù)測與調(diào)度決策不確定性、提高水庫效益且穩(wěn)健性較好的水庫調(diào)度新方 法;在提高水庫運行效益的同時，為水庫運行提供了穩(wěn)定可靠的決策空間，大大方便了水庫 的運行管理。
【附圖說明】
[0022]圖1為SVM參數(shù)確定及預(yù)測流程圖；
[0023]圖2為DPY算法流程圖；
[0024]圖3a為水庫調(diào)度軌跡示意圖；
[0025]圖3b為柔性決策空間示意圖；
[0026]圖4為柔性決策空間集優(yōu)化流程圖。
【具體實施方式】
[0027]本發(fā)明將SVM徑流預(yù)測模型與基于DPY的水庫調(diào)度柔性決策模型相結(jié)合，建立了預(yù) 報-決策相親合的水庫調(diào)度模型，并采用非支配遺傳算法（non-dominated sorting genetic algorithm II，NSGA_II)優(yōu)化模型中的相關(guān)參數(shù)。
[0028] 下面通過實施例，并結(jié)合附圖，對發(fā)明的技術(shù)方案做進一步具體說明：
[0029] 步驟1，采集水庫上游各站點觀測的氣溫和降雨等數(shù)據(jù)資料；
[0030] 步驟2,采用SVM徑流預(yù)測方法，根據(jù)水庫上游各站點觀測的各月最大降雨量、最小 降雨量和平均降雨量，各月最高氣溫、最低氣溫和平均氣溫等信息，建立月徑流預(yù)測模型， 并采用遺傳算法優(yōu)化模型參數(shù)，最后得到預(yù)測的入庫徑流過程，SVM參數(shù)確定及預(yù)測流程見 圖1。
[0031] 步驟2進一步包括以下子步驟：
[0032] (1)設(shè)定1組訓(xùn)練樣本數(shù)據(jù)(Xi，yi)(i = l，2, . . .，1) 入，包括η個觀測項目：水庫上游各站點觀測的各月最大降雨量、最小降雨量和平均降雨量， 各月最高氣溫、最低氣溫和平均氣溫等;yi為樣本輸出，在本發(fā)明中代表預(yù)測的入庫徑流。 為建立水庫上游觀測的降雨和氣溫數(shù)據(jù)與被預(yù)測入庫徑流之間的聯(lián)系，利用非線性映射 舛v)將數(shù)據(jù)映射為高維特征空間，并在高維空間內(nèi)對樣本輸入和樣本輸出進行回歸，其函 數(shù)為：
[0033]
(1)
[0034] 式中：權(quán)向量ω τ e Rn，於(4為非線性函數(shù)，b e R為偏置值。這樣構(gòu)造的函數(shù)f (X)對 于樣本集之外的X，可以精確地估計出相應(yīng)的y。
[0035] (2)為了衡量（1)中回歸產(chǎn)生的f(x)與相應(yīng)的y之間的差異程度，引用不靈敏度參 數(shù)ε構(gòu)建損失函數(shù)：
[0036]
⑵
[0037] 式中：|y-f(x)U代表當(dāng)回歸產(chǎn)生的f(x)與y相差小于ε時，它們的差別可以忽略， 否則應(yīng)將其差異進行統(tǒng)計。
[0038] (3)根據(jù)結(jié)構(gòu)風(fēng)險最小化原理，定義以下優(yōu)化問題：
[0039]
(3)
[0040] 式中：γ為懲罰因子，用來衡量誤差的重要程度；ei為不敏感損失函數(shù)的松弛因 子，用來衡量預(yù)測誤差。
[0041] (4)采用Lagrange函數(shù)法對式(3)進行優(yōu)化，具體過程如下所示：
[0042]
⑷
[0043]
(5)
[0044] 式中：α為Lagrange乘子，消去上式中的原始變量ω和ei，得到徑向基函數(shù)：
[0045] K(x,y)=exp(-| | χ-y | |2/2〇2) (6)
[0046] 徑向基函數(shù)中的〇為核寬度，反映了邊界封閉包含的半徑。根據(jù)徑向基函數(shù)可以推 導(dǎo)出支持向量機回歸方程的估計式為：
[0047]
(7) ?-1
[0048] (5)選定核函數(shù)后，采用徑向基函數(shù)的SVM回歸方法中的支持向量僅需確定參數(shù)懲 罰因子γ和核寬度σ。采用遺傳算法確定這些參數(shù)，并根據(jù)確定的參數(shù)預(yù)測入庫徑流過程。
[0049] 步驟3,根據(jù)步驟2中預(yù)測得到的入庫徑流過程，采用DPY算法對水庫進行優(yōu)化調(diào) 度，得到相應(yīng)的柔性決策空間。
[0050] 步驟3進一步包括以下子步驟：
[0051] (1)以預(yù)測得到的入庫徑流過程為輸入，采用DPY算法進行預(yù)設(shè)次數(shù)的水庫優(yōu)化調(diào) 度。
[0052] 在動態(tài)規(guī)劃法中，用第t階段的發(fā)電量表示指標(biāo)函數(shù)，如下式所示：
[0053] Et[V⑴（t)，V(j)(t+l)]=Pt · Mt(i，j = l...M) (8)
[0054] 式中：Et[V⑴（0，￥(」如+1)]表示七時段初、末狀態(tài)分別為￥(4〇、￥(」如+1)時冰 電站的發(fā)電量，Μ為每個狀態(tài)被離散的個數(shù)。
[0055] 動態(tài)規(guī)劃法將每一個階段效益最大的決策作為優(yōu)化決策，遞推方程如下式所示：
[0056]
(9)
[0057] 式中：^表示t階段初狀態(tài)為V(i)(t) (i = 1~Μ)時，通過尋找最優(yōu)子策略使 水電站可以取得T~t階段最大總發(fā)電量。
[0058]而在DPY算法中，則隨機選擇一個效益較優(yōu)的決策作為優(yōu)化決策，遞推方程如下式 所示：。
[0059]
[0060] 式中：丨/(/)}表示對f (j)(j = 1~M)進行從大到小排序后，從前n(n<M)個f (j)中隨機選擇一個。
[0061 ] DPY算法流程如圖2所示。
[0062] (2)將預(yù)設(shè)次數(shù)運行調(diào)度后得到的水庫水位變化過程進行統(tǒng)計，選出每個時段中 運行水位的最大值和最小值，分別作為該時段水庫水位變化的上限和下限。將每個時段的 上限和下限連接起來分別構(gòu)成整個調(diào)度域的上限和下限，由調(diào)度域上限和下限包含的范圍 就是所得到的柔性決策空間，柔性決策空間推求方法(示意圖）如圖3所示。
[0063] 步驟4,將實測入庫徑流作為輸入，在步驟3中得到的柔性決策空間內(nèi)隨機選擇調(diào) 度軌跡進行預(yù)設(shè)次數(shù)的調(diào)度，計算水庫運行效益，并統(tǒng)計取平均值，作為該決策空間代表的 效益P。
[0064] 步驟5,以實測入庫徑流作為輸入，采用動態(tài)規(guī)劃法得到水庫調(diào)度最優(yōu)軌跡，并統(tǒng) 計最優(yōu)軌跡落在步驟3中柔性決策空間的時段個數(shù)Ls。
[0065] 步驟6，以步驟4中效益P最大和步驟5中最優(yōu)軌跡落在柔性決策空間的時段個數(shù)Ls 最多為目標(biāo)，米用NSGA-II算法(注:本發(fā)明米用的NSGA-II算法為本領(lǐng)域處理多目標(biāo)優(yōu)化問 題的常用技術(shù)，具有良好的運行速度和魯棒性)對水庫調(diào)度柔性決策模型中的參數(shù)η和Μ進 行優(yōu)化，在利用預(yù)報信息進行決策的前提下，得到同時保證水庫運行效益和決策穩(wěn)定性的 非劣解集，每一個非劣解對應(yīng)一組確定柔性決策空間的優(yōu)化參數(shù)。將優(yōu)化的參數(shù)回代入DPY 算法中，計算得到同時考慮徑流預(yù)測與調(diào)度決策不確定性的柔性決策空間集，為考慮徑流 預(yù)測的水庫調(diào)度提供穩(wěn)定有效的決策，柔性決策空間集優(yōu)化流程如圖4所示。
【主權(quán)項】
1. 一種基于SVM與DPY的預(yù)報-決策耦合水庫調(diào)度方法，其特征在于包括如下步驟： 步驟1，采集水庫上游各站點觀測的氣溫和降雨的數(shù)據(jù)資料； 步驟2,采用SVM徑流預(yù)測方法，根據(jù)水庫上游各站點觀測的各月最大降雨量、最小降雨 量和平均降雨量，各月最高氣溫、最低氣溫和平均氣溫，建立月徑流預(yù)測模型，并采用遺傳 算法優(yōu)化模型參數(shù)，預(yù)測入庫徑流過程； 步驟3,根據(jù)步驟2中預(yù)測得到的入庫徑流過程，采用DPY算法對水庫進行優(yōu)化調(diào)度，得 到相應(yīng)的柔性決策空間； 步驟4,將實測入庫徑流作為輸入，在柔性決策空間內(nèi)隨機進行預(yù)設(shè)次數(shù)的調(diào)度，并統(tǒng) 計所有次數(shù)效益的平均值，作為該決策空間的效益P; 步驟5,將實測入庫徑流作為輸入，采用動態(tài)規(guī)劃法得到水庫調(diào)度最優(yōu)軌跡，并統(tǒng)計最 優(yōu)軌跡落在柔性決策空間的時段個數(shù)Ls; 步驟6,以步驟4中效益P最大和步驟5中最優(yōu)軌跡落在柔性決策空間的時段個數(shù)Ls最多 為目標(biāo)，采用NSGA-II算法對水庫調(diào)度柔性決策模型中的參數(shù)η和Μ進行優(yōu)化，并將優(yōu)化的參 數(shù)回代入DPY算法中，計算得到同時考慮徑流預(yù)測與調(diào)度決策不確定性的柔性決策空間集。2. 如權(quán)利要求1所述的方法，其特征在于，所述步驟2包括以下子步驟： (2.1) 設(shè)定1組訓(xùn)練樣本數(shù)據(jù)(xi，yi)(i = l，2,. . . JhxiGR'yiei^xi為樣本輸入，包 括η個觀測項目，包含但不限于水庫上游各站點觀測的各月最大降雨量、最小降雨量和平均 降雨量，各月最高氣溫、最低氣溫和平均氣溫 ;yi為樣本輸出，代表預(yù)測的入庫徑流； (2.2) 衡量步驟(2.1)中回歸產(chǎn)生的f(x)與相應(yīng)的y之間的差異程度，確保當(dāng)回歸產(chǎn)生 的f(x)與y相差小于ε時，誤差忽略不計，否則將它們差的絕對值作為誤差； (2.3) 將預(yù)測關(guān)系變?yōu)轭A(yù)測誤差最小的優(yōu)化問題； (2.4) 采用遺傳算法優(yōu)化SVM回歸方法中參數(shù)，并根據(jù)確定的參數(shù)預(yù)測入庫徑流過程。3. 如權(quán)利要求1所述的方法，其特征在于，步驟3包括以下子步驟： (3.1) 以預(yù)測得到的入庫徑流過程為輸入，采用DPY算法進行預(yù)選次數(shù)的水庫優(yōu)化調(diào) 度； (3.2) 將預(yù)設(shè)次數(shù)運行調(diào)度后得到的水庫水位變化過程進行統(tǒng)計，選出每個時段中運 行水位的最大值和最小值，分別作為該時段水庫水位變化的上限和下限，從而構(gòu)成柔性決 策空間。
【文檔編號】G06Q10/06GK105976101SQ201610283259
【公開日】2016年9月28日
【申請日】2016年4月29日
【發(fā)明人】郭生練, 楊光, 李立平, 尹家波, 劉章君
【申請人】武漢大學(xué)