长江科学院院报

长江科学院院报 >

2025 , Vol. 42 >Issue 6: 203 - 209

DOI: https://doi.org/10.11988/ckyyb.20240313

水库群多目标优化调度研究专栏

基于多目标飞蛾扑火算法的水光互补系统优化调度

  • 李泽宏 , 1 ,
  • 袁肖峰 2 ,
  • 肖鹏 1 ,
  • 张太衡 3 ,
  • 覃晖 , 2
展开
  • 1 贵州黔源电力股份有限公司,贵阳 550000
  • 2 华中科技大学 土木与水利工程学院,武汉 430074
  • 3 华电电力科学研究院有限公司,杭州 310030
覃 晖(1983-),男,湖北宜城人,教授,博士,博士生导师,研究方向为水电能源及电力系统优化运行。E-mail:

李泽宏(1972-),男,贵州习水人,正高级工程师,硕士,研究方向为水电调度控制技术。E-mail:

Copy editor: 刘运飞

收稿日期: 2024-03-28

  修回日期: 2024-07-15

  网络出版日期: 2024-12-27

基金资助

国家自然科学基金项目(51979113)

收起

Optimal Scheduling of Hydro-photovoltaic Complementary Systems Based on Multi-objective Moth-flame Algorithm

  • LI Ze-hong , 1 ,
  • YUAN Xiao-feng 2 ,
  • XIAO Peng 1 ,
  • ZHANG Tai-heng 3 ,
  • QIN Hui , 2
Expand
  • 1 Guizhou Qianyuan Power Co.,Ltd.,Guiyang 550000,China
  • 2 School of Civil and Hydraulic Engineering,Huazhong University of Science and Technology,Wuhan 430074,China
  • 3 Huadian Power Research InstituteCo., Ltd., Hangzhou 310030, China

Received date: 2024-03-28

  Revised date: 2024-07-15

  Online published: 2024-12-27

Fold

摘要

水电作为灵活的可调节性能源,与流域周边的光伏电站打捆运行,形成水光互补系统,可有效发挥多能源互补优势。然而,随着电源种类的增加,调度主体的目标与约束条件也随之改变,水光互补系统优化调度问题的求解变得愈发复杂。现有水库调度研究以纯水电调度为主,较少考虑新能源消纳,传统水光互补系统优化调度,一般多以发电效益目标为主,无法满足多目标综合运用的需求。为了 避免飞蛾扑火优化算法(MFO)陷入局部最优,改进后的多目标飞蛾扑火算法从更新公式、飞蛾直线飞行路径的启发和火焰种群更新策略3个方面对MFO算法进行改进,为了区分这些在Pareto支配下不受彼此支配的个体,结合参考点提出了R支配,两者结合形成了一种新的性能良好的多目标进化算法R-IMOMFO。综合考虑水光互补系统发电效益和容量效益指标,构建了水光互补系统多目标优化调度模型,并采用R-IMOMFO算法对模型进行求解,针对丰、平、枯3种典型年提出了优化调度方案,结果表明建立的多目标优化模型可以较好协调水光互补系统发电效益、容量效益间的关系,可为水光互补系统多目标优化调度方案编制提供参考。

关键词： 发电调度; 水光互补; 飞蛾扑火算法; 发电效益; 容量效益; 多目标优化调度

本文引用格式

李泽宏 , 袁肖峰 , 肖鹏 , 张太衡 , 覃晖 . 基于多目标飞蛾扑火算法的水光互补系统优化调度[J]. 长江科学院院报, 2025 , 42(6) : 203 -209 . DOI: 10.11988/ckyyb.20240313

Abstract

[Objectives] Existing reservoir scheduling studies mainly focus on pure hydropower scheduling, with limited consideration of renewable energy integration. Traditional optimal scheduling of hydro-photovoltaic complementary systems typically prioritizes power generation benefits, which fails to meet the requirements of multi-objective comprehensive utilization. Moreover, compared with pure hydropower scheduling, the optimal scheduling of hydro-photovoltaic complementary systems is more complex to solve. This study aims to establish a multi-objective optimal scheduling model for hydro-photovoltaic complementary systems with the objectives of maximizing annual power generation benefits and maximizing the minimum output during specific periods. [Methods] To overcome the local optimum issue in the Moth-Flame Optimization (MFO) algorithm, improvements were made to the multi-objective MFO from three aspects: update formula, inspiration from moths’ linear flight paths, and flame population update strategy. To distinguish individuals that are mutually non-dominated under Pareto dominance, R-domination incorporating reference points was introduced. The combination of these two led to the development of a new high-performance multi-objective evolutionary algorithm: R-IMOMFO. A multi-objective optimization scheduling model for hydro-photovoltaic complementary systems was established, considering both power generation benefits and capacity benefits, and the model was solved using the R-IMOMFO algorithm. [Results] The R-IMOMFO algorithm demonstrated fast convergence, strong resistance to premature convergence, and high accuracy, proving to be an effective method for solving complex multi-objective optimization problems. Using the R-IMOMFO algorithm, non-dominated scheduling solution sets were obtained under three runoff scenarios—wet year, normal year, and dry year—for both power generation and capacity benefits. For each typical year, two extreme schemes and one intermediate scheme were selected for comparative analysis. This enabled scheduling operators to select more appropriate solutions based on their prioritization of different objectives. [Conclusions] The proposed multi-objective optimization model effectively coordinates the relationship between power generation benefits and capacity benefits in hydro-photovoltaic complementary systems, providing data support for decision-making in multi-objective optimal scheduling.

Key words： hydropower scheduling; hydro-photovoltaic complementarity system; moth-flame optimization algorithm; power generation benefits; storage capacity benefits; multi-objective optimized scheduling

开放科学(资源服务)标识码(OSID):

0 引言

在“碳达峰、碳中和”以及“构建以新能源为主体的新型电力系统”等国家重大战略背景下,利用丰富的水、光资源,构建绿色、低碳的新型电力系统,提升清洁能源利用水平和电力系统运行效率,是实现“双碳”目标的必由之路。将光电与水电整合打捆,利用水轮机组的快速调节能力平益风、光出力的波动,形成优质、稳定的互补发电系统,能够有效促进新能源并网消纳,提高水光多能互补运行中发电与调峰能力。
现有的水库调度研究以纯水电调度为主,水光一体化优化调度研究较少。苑如玮等[1]在洞庭湖四水流域构建了多流域协调条件下合成洪水洪峰流量最小目标的水库群联合防洪调度模型,并采用逐步优化-逐次渐进算法(Progressive Optimality Algorithm and Successive Approximation,POA-SA)优化求解。程毅[2]针对嘉陵江水库群的联合供水调度过程建立了多目标优化模型,基于水库群供水调度规则评价指标体系和多属性决策,最终得到最优的供水调度方案。汪涛等[3]建立以发电量最大为目标的金沙江下游—三峡梯级水库群优化调度模型,并提出多种群引力粒子群算法进行求解。张启凡等[4]以不同生态流量保障方式设置共同保障和单独保障2种情景,建立了发电服从防洪调度原则下的梯级水库主从博弈优化调度模型,并在拉萨河流域旁多-直孔梯级水库开展实例研究。林凡奇等[5]以金沙江中下游6座水库与三峡水库为研究对象,综合运用多种数理统计方法划分流域枯水期,采用逐月滑动计算法推求梯级水库分期消落水位,以生态和发电效益最大为目标函数,利用非支配排序遗传算法(Non-dominated Sorting Genetic Algorithm II,NSGA-Ⅱ)算法求解调度模型,得到不同来水情景下梯级水库枯水期消落调度方案。
传统水光互补系统优化调度一般多以发电效益目标为主,无法满足多目标综合运用的需求,如何协调水光互补系统运行的多目标效益是调度管理人员面临的关键问题之一。随着光伏接入水电站形成水光互补系统,调度问题求解变得更加复杂和困难,高效求解算法可为该问题的求解提供重要技术支撑。围绕水光互补系统多目标优化问题,本文综合考虑水光互补系统的发电效益和容量效益指标,建立了以发电效益最大和最小出力最大化为目标的水光互补系统多目标优化调度模型,并采用基于R支配和改进飞蛾扑火算法的新多目标进化(Improved Multi-objective Moth-flame Optimization Algorithm based on R-domination,R-IMOMFO)算法进行求解,以期为水光互补系统多目标优化调度方案编制提供参考。

1 多目标优化调度模型构建

1.1 目标函数

本文以调度期内水光互补系统总发电效益、最小出力最大化为目标,建立了水光互补多目标优化调度模型。
(1)发电效益最大化目标。该目标的效果为尽可能增加调度期内水光互补系统的发电效益。目标函数为
m a x E = ∑ t = 1 T ∑ i = 1 I N H , t , i r H , i + N P V , t , i r P V , i Δ t 　 。
式中: E为水光互补系统在整个调度期内的总发电效益; N P V , t , i为t时段第i个外送通道的光伏出力(万kW); N H , t , i为t时段第i个外送通道的水电出力(万kW); r P V , i为第i个外送通道的光伏电价(元); r H , i为第i个外送通道的水电电价(元); T为总时段数;I为外送通道的数量;Δt为t时段的时段长度(s)。
(2)时段最小出力最大化目标。该目标的效果是为电网提供尽可能大且均匀的可靠出力,体现互补系统的容量效益。目标函数为
m a x N f = m a x ∀ t = 1,2 , … , T m i n N H P V , t 　 。
式中: N f为水光互补系统在整个调度期内的时段最小出力; N H P V , t为互补系统在t时段的出力(万kW)。

1.2 约束条件

(1)水量平衡约束条件为
V ( t + 1 ) = V t + I t - Q D t Δ t 　 。
式中:V(t+1)为水库在t时段的末库容(亿m3);V t为水库在t时段的初库容(亿m3);I t为水库在t时段的平均入库流量;QD t为水库在t时段的平均出库流量(m3/s)。
(2)水位约束条件为
Z u , i , t m i n ≤ Z u , i , t ≤ Z u , i , t m a x 　 。
式中: Z u , i , t表示第 i个电站在第 t个时段的上游水位(m); Z u , i , t m a x和 Z u , i , t m i n分别表示对应电站在对应时段上游水位的上下限(m)。
(3)泄流量约束条件为
Q i , t m i n ≤ Q i , t ≤ Q i , t m a x 　 。
式中: Q i , t表示第 i个电站在第 t个时段的总下泄流量,由发电流量 Q g , i , t和弃水流量 Q a , i , t组成; Q i , t m a x和 Q i , t m i n分别表示对应电站在对应时段总下泄流量的上下限(m3/s)。
(4)出力约束条件为
N H , i , t m i n ≤ N H , i , t ≤ N H , i , t m a x 　 。
式中: N H , i , t表示第 i个电站在第 t个时段的发电出力; N H , i , t m a x和 N H , i , t m i n分别表示对应电站在对应时段发电出力的上下限(万kW)。
(5)光伏输出功率约束条件为
N P V m i n ≤ N P V , t ≤ N P V m a x 　 。
式中:NPV,t为系统中光伏发电场在第t个时段的输出功率(万kW); N P V m i n 、 N P V m a x分别为系统中光伏发电场所能输出的最小、最大功率(万kW)。
(6)送出通道约束条件为
N H , t , i + N P V , t , i ≤ T C C t , i 　 。
式中 T C C t , i为t时刻第i个水电送出通道的容量限制(万kW)。

2 基于R支配和改进飞蛾扑火算法的多目标进化算法

2.1 改进策略

MFO算法是由Mirjalili在2015年提出的,该算法受飞蛾水平定位机制启发构建了数学模型,具体步骤见文献[6]。针对MFO算法收敛性差的问题,Zhang等[7]提出了改进飞蛾扑火优化算法(Improved Moth-flame Optimization Algorithm,IMFO)。IMFO从更新公式、线性飞行路径启发和火焰种群更新策略3个方面对MFO算法进行改进,增强了MFO算法克服局部最优的能力并且加快了收敛速度。

2.1.1 更新公式改进

IMFO螺旋线更新公式进行了以下3处改进:①螺旋线中心由火焰个体 F i j变为火焰个体与飞蛾个体Mij的均值 0.5 ( F i j + M i j ),有利于算法跳出局部最优解。②对距离影响参数 c的公式进行了改进。③飞蛾个体与火焰个体之间距离 D i j的绝对值符号被删除了,增加了搜索可能性。
改进后的螺旋线更新公式如下:
M ' i j = 0.5 ( F i j + M i j ) + 0.5 D i j c 　 ; D i j = F i j - M i j 　 。
c = t a n h ( 1 + b t ) + 1 - t a n h ( 1 + b ) , 　 t = r a n d ∈ [ 0,1 ] ; 1 + t a n h ( 3 - b ) - t a n h ( 3 - b t ) , 　 t = r a n d ∈ ( 1,2 ] 。
式中:参数 t是0~2之间的随机数;参数 b是常量参数; c是距离影响参数。

2.1.2 线性飞行路径启发

本研究进一步启发创建月球种群Mo,在单目标优化算法中,月球种群Mo可以是由整个搜索过程中当前全局最优构成的种群,其种群个体个数为1;在多目标优化算法中,月球种群Mo是由特定多目标机制维护的外部档案集,其种群个体个数与飞蛾种群一样。飞蛾线性更新公式为
M i j = M i j + M o r j 2 　 。
式中Morj是第r个月球个体(随机从月球种群中选择一个个体参与更新)的第j个决策变量。该策略可以加快算法的收敛速度。

2.1.3 火焰种群更新策略

在单目标优化算法中,新生成的飞蛾个体 M ' i j可以与火焰个体 F i j直接通过目标值比较来决定是否采用新生成的飞蛾个体 M ' i j替换火焰个体 F i j。在多目标优化算法中,如果新生成飞蛾个体 M ' i j支配火焰个体 F i j,则采用 M ' i j替换 F i j;如果 F i j支配 M ' i j,则 F i j不变;如果 F i j与 M ' i j互不支配,随机从月球种群中选择一个个体Mor替换 F i j。这一改进有利于提高收敛速度,避免算法陷入局部最优。
本研究以IMFO算法作为进化算法,采用张振东提出的一种新的支配关系即R支配关系作为多目标机制,具体内容见参考文献[7],提出了R-IMOMFO算法。

2.2 算法流程

R-IMOMFO算法的流程如图1所示
图1 R-IMOMFO算法流程

Fig.1 Flowchart of the R-IMOMFO algorithm

相比于纯水电调度问题,水光互补系统调度问题的目标与约束条件发生了改变,调度问题的求解变得愈发复杂和困难,因此本文采用该高效求解算法对水光互补系统调度问题进行求解。

3 多目标优化调度模型求解

3.1 参数设置及使用数据

北盘江流域水量丰沛、水能资源丰富、干流水位落差集中、地形地质条件良好,流域已投产梯级水电站4座,从上游至下游分别为善泥坡、光照、马马崖和董箐,总装机2 664 MW,光伏电站岗坪、永新、镇良共装机750 MW,具体信息见表1。本模型采用Java编程实现,选取2020年(丰水年)、2022年(平水年)和2016年(枯水年)北盘江梯级水库实测月径流过程、光伏数据和电价进行水光互补系统调度计算,调度周期为年,调度步长为月,以水库水位为决策变量,光伏电站采用2022年实测数据,见图2。其中岗坪、永新和镇良3个光伏电站分别接入了光照、马马崖、董箐水电,光伏与水电共用输送通道,形成了光照-岗坪、马马崖-永新和董箐-镇良水光电源组,输送通道容量默认为水电装机容量,水光互补系统发电优化调度优先消纳光伏。多目标飞蛾扑火算法相关参数设置如下:种群大小为30,算法最大迭代次数为10 000,交叉概率为0.9,变异概率为1/D,D是决策变量的维度。
表1 北盘江流域水电、光伏特性参数

Table 1 Hydropower and photovoltaic characteristic parameters of Beipan River Basin

电站 种类 装机容量/
MW		 正常蓄
水位/m		 死水位/m 调节性能
善泥坡 水电 185.5 885 865 日
光照 水电 1 040.0 745 691 不完全多年
马马崖 水电 558.0 585 580 日
董箐 水电 880.0 490 483 日
岗坪 光伏 300.0 — — —
永新 光伏 300.0 — — —
镇良 光伏 150.0 — — —
图2 光伏电站2022年出力

Fig.2 Output of photovoltaic power stations in 2022

3.2 调度结果与分析

本文模型以发电效益和出力稳定性为目标对北盘江水光互补系统进行优化调度,北盘江水光互补多目标优化调度结果见表2,非劣解集见图3,北盘江水光互补系统不同运行方案发电效益对比见图4。一方面,优化调度结果表论证了多目标飞蛾扑火算法在求解复杂多目标优化问题时的有效性;另一方面,从表2可以看出,随着系统发电效益的增加,系统最小出力整体上呈减少趋势,可见该模型中系统发电效益和最小出力两目标间呈负相关关系,水光互补系统中光伏优先消纳,水电调节配合光伏发电。
表2 北盘江丰水年、平水年和枯水年的水光互补系统多目标优化调度结果

Table 2 Multi-objective optimal scheduling results of hydro-photovoltaic complementary system in wet year, normal year, and dry year in Beipan River

丰水年
方
案		 系统发电效益/
(亿元)		 水电发电效益/
(亿元)		 系统最小出力/
(万kW)		 水电最小出力/
(万kW)		 方
案		 系统发电效益/
(亿元)		 水电发电效益/
(亿元)		 系统最小出力/
(万kW)		 水电最小出力/
(万kW)
1 31.27 28.59 78.35 67.90 16 31.51 28.84 72.95 63.00
2 31.29 28.62 78.23 67.56 17 31.52 28.84 72.78 62.97
3 31.29 28.62 77.91 67.75 18 31.54 28.87 71.92 61.47
4 31.32 28.65 77.91 67.50 19 31.55 28.87 71.64 61.76
5 31.35 28.67 77.38 67.68 20 31.55 28.87 71.62 61.89
6 31.36 28.68 77.13 68.63 21 31.56 28.88 71.16 61.99
7 31.40 28.72 75.73 65.73 22 31.59 28.91 69.77 59.22
8 31.40 28.73 75.62 65.68 23 31.59 28.91 69.58 59.12
9 31.40 28.73 75.43 65.48 24 31.61 28.93 69.14 58.46
10 31.43 28.75 75.22 65.06 25 31.61 28.94 68.39 57.72
11 31.43 28.76 74.54 64.43 26 31.62 28.95 68.24 58.08
12 31.45 28.77 74.54 64.68 27 31.63 28.95 68.03 58.31
13 31.45 28.77 74.37 65.64 28 31.63 28.95 67.92 57.78
14 31.49 28.81 73.63 63.01 29 31.64 28.95 67.01 57.29
15 31.50 28.83 73.25 62.58 30 31.68 29.00 61.58 51.42
平水年
方
案		 系统发电效益/
(亿元)		 水电发电效益/
(亿元)		 系统最小出力/
(万kW)		 水电最小出力/
(万kW)		 方
案		 系统发电效益/
(亿元)		 水电发电效益/
(亿元)		 系统最小出力/
(万kW)		 水电最小出力/
(万kW)
1 26.33 23.66 81.93 71.85 16 26.47 23.79 75.14 66.69
2 26.35 23.68 81.92 71.94 17 26.47 23.80 74.44 65.56
3 26.36 23.69 81.76 72.23 18 26.48 23.81 72.36 64.13
4 26.37 23.70 81.71 71.95 19 26.50 23.82 72.00 62.71
5 26.38 23.71 81.38 71.22 20 26.50 23.83 71.92 63.52
6 26.39 23.72 80.90 71.51 21 26.51 23.83 70.73 62.62
7 26.39 23.72 80.17 72.43 22 26.51 23.84 70.40 61.89
8 26.40 23.73 79.73 71.23 23 26.51 23.84 69.18 60.67
9 26.43 23.75 79.32 70.17 24 26.52 23.85 68.89 61.69
10 26.43 23.76 78.61 69.06 25 26.53 23.86 67.11 58.60
11 26.43 23.76 78.30 69.15 26 26.54 23.87 66.46 58.34
12 26.44 23.77 78.08 69.93 27 26.55 23.88 64.25 57.37
13 26.44 23.77 77.51 69.06 28 26.56 23.88 63.11 56.64
14 26.45 23.78 76.97 68.48 29 26.56 23.88 63.06 55.80
15 26.46 23.79 75.79 67.28 30 26.56 23.89 62.80 55.80
枯水年
方
案		 系统发电效益/
(亿元)		 水电发电效益/
(亿元)		 系统最小出力/
(万kW)		 水电最小出力/
(万kW)		 方
案		 系统发电效益/
(亿元)		 水电发电效益/
(亿元)		 系统最小出力/
(万kW)		 水电最小出力/
(万kW)
1 25.21 22.53 76.08 66.51 16 25.50 22.82 70.36 60.66
2 25.24 22.57 76.03 66.66 17 25.52 22.84 69.17 59.01
3 25.26 22.59 75.99 66.34 18 25.52 22.84 68.79 58.47
4 25.30 22.63 75.99 65.88 19 25.53 22.85 68.78 58.74
5 25.31 22.63 75.89 65.74 20 25.54 22.87 68.61 58.96
6 25.32 22.64 75.63 66.07 21 25.60 22.92 66.55 56.70
7 25.35 22.67 75.40 65.24 22 25.60 22.93 66.19 56.72
8 25.35 22.68 75.23 64.74 23 25.61 22.93 65.31 56.80
9 25.38 22.70 74.84 64.17 24 25.61 22.94 64.92 55.99
10 25.41 22.74 73.14 63.14 25 25.63 22.96 62.77 52.62
11 25.43 22.76 73.13 63.16 26 25.66 22.98 61.80 53.61
12 25.44 22.76 72.31 61.74 27 25.67 22.99 61.45 52.16
13 25.45 22.78 71.63 60.96 28 25.67 22.99 60.63 55.56
14 25.49 22.81 71.46 61.30 29 25.67 22.99 60.24 54.17
15 25.49 22.81 70.72 60.63 30 25.68 23.00 60.17 53.12
图3 非劣解集

Fig.3 Non-dominated solution set

图4 北盘江水光互补系统不同运行方案发电效益对比

Fig.4 Comparison of power generation benefits under different operation schemes for hydro-photovoltaic complementary system in Beipan River

为了进一步分析各种调度方案之间的差异,本文分别选择丰平枯3种典型年的2种极端方案和中间方案进行对比,其中方案1是最小出力最大方案,方案30是最大发电效益方案,方案15介于2个方案之间,没有明显侧重目标。当以发电效益作为主要目标时,可选择方案30作为调度方案,当以出力稳定性作为主要目标时,可选择方案1作为调度方案,若希望兼顾2个目标,可选择方案15作为调度方案。其中丰水年方案30发电效益较方案1增加了0.41亿元,增长了1.31%,较方案15增加了0.18亿元,增长了0.57%;方案1的最小出力值较方案30增加了16.77万kW,增长了27.23%,较方案15增加了5.10万 kW,增长了6.96%;平水年方案30发电效益较方案1增加了0.23亿元,增长了0.87%,较方案15增加了0.10亿元,增长了0.38%;方案1的最小出力值较方案30增加了19.13万kW,增长了30.46%,较方案15增加了6.14万 kW,增长了8.10%;枯水年方案30发电效益较方案1增加了0.47亿元,增长了1.86%,较方案15增加了0.19亿元,增长了0.75%;方案1的最小出力值较方案30增加了15.91万 kW,增长了26.44%,较方案15增加了5.36万kW,增长了7.58%。
图5展示了丰平枯3种典型年2种极端方案和中间方案的北盘江水光互补系统多目标优化调度结果。从图5可知,善泥坡、马马崖和董箐电站在3种典型年中的水位过程均发生了较为频繁的波动,这是因为善泥坡、马马崖和董箐电站均为日调节电站,调节能力较差,水位波动较为明显。整体来看,3座日调节电站在方案30中的水位过程均高于方案1中的水位过程。这是因为方案30更侧重于发电量最大目标,以较高水头运行可获得更高的发电量效益。与之相对的,光照水电为不完全多年调节水库,水位变化规律更为明显,从图4可以看到,方案30的水位过程几乎持续保持在方案1之上,这一调度方式使方案30获得了更高的发电水头,从而产生更多的发电效益,这也是方案30较方案1发电效益大的原因。此外,方案1在消落期消落深度比方案30更大,这是因为方案1以容量效益最大为目标,为了向电网提供更多的调峰、备用空间,梯级水电增加了在枯期运行时的出力,从而导致了运行水位的降低,符合水库调度的实际调度需要。方案15调节能力最强的光照电站的水位过程线在方案1和方案30的水位过程线之间,因此发电效益和出力介于2个方案之间。
图5 北盘江水光互补系统多目标优化调度结果

Fig.5 Multi-objective optimal scheduling results of hydro-photovoltaic complementary system in Beipan River

4 结论

本文建立了以年发电效益最大、时段最小出力最大为目标的水光互补系统多目标发电优化调度模型。R-IMOMFO收敛速度快,且不易早熟,收敛精度高,是求解复杂多目标优化问题的一种有效方法。运用R-IMOMFO算法对丰水年、平水年和枯水年3种径流情景下北盘江水光互补系统多目标发电优化调度模型进行求解,获得关于年发电量和时段最小出力的非劣调度方案集,可为水光互补系统发电调度决策提供数据支撑。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
苑如玮, 王浩, 刘攀, 等. 洞庭湖四水流域水库群联合防洪优化调度[J]. 人民长江, 2024, 55(4):58-63,80.

(YUAN Ru-wei, WANG Hao, LIU Pan, et al. Optimal Joint Flood Control Operation of Reservoir Group in the Four Rivers, Dongting Lake Basin[J]. Yangtze River, 2024, 55(4): 58-63, 80. (in Chinese))

[2]
程毅. 基于差分进化—自适应Metropolis算法的嘉陵江水库群联合供水调度研究[J]. 武汉大学学报(工学版), 2024, 57(9):1-13.

(CHENG Yi. Study on Joint Water Supply Dispatching of Jialing River Reservoirs Based on Differential Evolution-adaptive Metropolis Algorithm[J]. Engineering Journal of Wuhan University, 2024, 57(9):1-13. (in Chinese))

[3]
汪涛, 徐杨, 刘亚新, 等. 基于多种群引力粒子群算法的金沙江下游—三峡梯级水库群优化调度[J]. 长江科学院院报, 2023, 40(12):30-36.

DOI

(WANG Tao, XU Yang, LIU Ya-xin, et al. Optimal Operation of Cascade Reservoirs in the Lower Reaches of Jinsha River to the Three Gorges Based on Multi-group Gravitational Particle Swarm Algorithm[J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(12): 30-36. (in Chinese))

[4]
张启凡, 胡铁松, 戴凌全, 等. 考虑生态流量的梯级水库主从博弈优化调度研究[J]. 水资源保护, 2024, 40(5):69-77,121.

(ZHANG Qi-fan, HU Tie-song, DAI Ling-quan, et al. Leader-follower Game Optimal Operation of Cascade Reservoirs Considering Ecological Flow[J]. Water Resources Protection, 2024, 40(5):69-77,121. (in Chinese))

[5]
林凡奇, 周研来, 薛凯元. 考虑生态流量约束的梯级水库分期消落水位多目标优化调度[J]. 水生态学杂志, 2024, 45(1):10-17.

(LIN Fan-qi, ZHOU Yan-lai, XUE Kai-yuan. Optimizing the Multi-objective Operation of Seasonally Drawdown-limited Water Levels for Cascaded Reservoirs Constrained by Ecological Flow[J]. Journal of Hydroecology, 2024, 45(1):10-17. (in Chinese))

[6]
MIRJALILI S. Moth-flame Optimization Algorithm:A Novel Nature-inspired Heuristic Paradigm[J]. Knowledge-Based Systems, 2015, 89: 228-249.

[7]
ZHANG Z D, QIN H, YAO L Q, et al. Improved Multi-objective Moth-flame Optimization Algorithm Based on R-domination for Cascade Reservoirs Operation[J]. Journal of Hydrology, 2020, 581: 124431.

Options
文章导航

/

〈 〉

*严禁使用本系统存储、处理、传输涉密信息*
版权所有 © 《长江科学院院报》编辑部
技术支持：北京玛格泰克科技发展有限公司