基于混合編程的梯級水庫群綜合集成仿真調度平臺構建

周 婷，王振龍，朱 梅，劉曉麗

(1.安徽農業大學，合肥 230036； 2. 安徽省水利部淮河水利委員會水利科學研究院， 安徽 蚌埠 233000)

0 引 言

水電站水庫群優化調度能夠在不增加工程投入的情況下顯著提高系統效益，圍繞水電站水庫群的運行優化一直是科研界和生產單位的關注熱點。目前針對水庫水電站群優化調度的研究多側重于優化理論算法，較少對優化模型的實現進行專門深入的探討。然而，隨著優化理論研究的深入，各種智能算法被引入水庫群調度決策中，水庫群運行仿真的復雜性將大大提高，成為水庫水電站群優化調度理論方法研究面臨的現實性問題[1-3]。在隱隨機優化調度理論發展初期，調度規則形式較為簡單，大多為多項式形式，不會給仿真帶來太大難度；但當智能算法被引入調度規則提取中后，神經網絡等“黑箱模型”成為調度規則計算工具，若調度規則和仿真運行的程序語言不同，則很難將這些程序直接嵌入仿真程序中。例如MATLAB程序中有神經網絡、支持向量機(Support Vector Machine, SVM)、遺傳算法等大量算法的工具包，可以直接調用，但水電站群仿真運行可能在C語言下運行，這種實現平臺的不統一成為了制約隱隨機優化理論及其應用的重要因素。在當前越來越多的水電站和水庫投入運行的背景下，為優化調度規則投入實際運用構建統一的運行平臺是一項極具實際價值的工作。

本文針對目前調度規則制定方法和實現環境多樣化的特點，以SVM理論為例，構建了C++和MATLAB語言的集成仿真平臺，實現MATLAB下的調度規則提取和C++環境下的水庫群仿真對接，大大提高了隱隨機優化調度相關算法的可移植性和可擴展性。

1 基于調度規則的水庫群仿真運行背景

水量平衡和各水庫之間的水力聯系是梯級水庫群在仿真運行中的考慮重點。上游水庫的下泄流量會作為部分入庫徑流匯入下游水庫，同時運行仿真需遵從各水庫下泄流量約束、特征水位約束、預想出力和保證出力約束等，保證調度決策滿足各約束條件，這是水庫群仿真運行的物理背景[4,5]。

隨著近年來水庫水電站群優化調度研究日益發展，大量數學優化模型被用于解決水庫水電站群優化調度問題，這些優化理論計算復雜，運行環境差別很大，實現這些基于優化理論的仿真運行成果需要相當的工作量。另一方面，在研究和實際生產運行中，常會有將一種優化調度方法應用于不同水庫群對象、以及對同一水庫群對象基于不同方法進行優化調度的需求，這也需要一個兼容性強的仿真平臺作為支撐。上述情況是水庫群仿真運行平臺設計的現實需求。

本文基于SVM理論的調度規則提取方法為基礎，構建了基于調度規則提取和仿真的混合編程仿真平臺。在該平臺中，梯級水電站群仿真運行在C++環境中運行，并以此作為主程序，調度規則的優化和制定在MATLAB環境中實現，作為子程序被仿真程序調用。二者在結構上相對獨立，功能分區清晰，為程序移植和功能擴展提供了良好的支撐。

本文以金沙江中下游大型梯級水電站水庫群作為對象，該系統共有12級水庫，裝機容量和調節性能均屬世界前列。各電站具體參數如表1所示。

2 混合編程仿真平臺的實現方法

2.1 基于C++的梯級水庫群仿真主程序構建

梯級水電站水庫群的運行仿真涉及時間和空間諸多變量，而且模擬運行是由調度決策驅動、變量不斷滾動迭代的過程，對程序設計的要求較高。本文水電站水庫群仿真運行的物理部分在C++環境中實現。C++引入了面向對象的概念，使得開發人機交互類型的應用程序更為簡單、快捷，非常適合編寫水庫群調度等大型復雜程序。針對水庫群調度中反復調用的函數，如水位-庫容曲線、出力計算、下泄流量-下游水位關系曲線等，C++的類函數提供了封裝接口，使程序結構清晰簡潔，正確率高。

表1 金沙江中下游梯級水電站水庫群系統特征參數Tab. 1 Specifications of Middle-downstream Jinsha Rivercascaded power stationsreservoirs system

基于C++語言的水電站水庫群運行仿真技術已經比較成熟，在此不再贅述[9,10]。在本文程序中，C++程序負責物理功能部分，即水庫群在給定調度決策下的狀態計算、梯級水庫時間和空間上的數據傳輸、約束驗證等；MATLAB模塊則負責實現SVM模型控制下的調度決策生成。因此，程序在C++和MATLAB數據對接處應配置接口，以保證數據的調用傳輸順利進行。C++與MATLAB程序的接口包括：各水庫、水電站的時段狀態變量(水位、出力、流量等)以及由MATLAB計算得出的調度決策。

2.2 基于MATLAB的調度規則生成

本文采用SVM理論對各水庫調度規則進行推求，SVM是以結構風險最小化的機器學習理論，近年來在分類、識別和預測領域有著廣泛的應用。MATLAB可直接調用的提供SVM工具包，本文采用臺灣大學林智仁編寫的LIBSVM工具包實現調度規則生成。具體步驟如下：

(1) 樣本數據的整理和劃分。將各電站長系列確定性優化結果按照月度分類重組，并構建“輸出-輸入”矩陣：模型輸出為月調度決策(水庫水位或電站出力)，輸入變量為與之相關的水電站水庫運行狀態參數。截取矩陣一部分作為訓練樣本，其余作為預測樣本，一般訓練樣本容量至少應為測試樣本容量3倍，以保證訓練樣本具有足夠的代表性，排除隨機性影響。

(2) 樣本數據的歸一化預處理。由于模型的輸入輸出因子量綱和數值均差距巨大，直接進行模型計算會影響預測精度，應首先對齊進行歸一化。歸一化的方法有[0.2，0.8]、[-1，1]、[0，1]歸一化等方法。考慮在水庫調度決策中，輸入輸出變量均為正數且數值范圍較大，本文選擇[0，1]歸一化對輸入輸出變量進行預處理。決策生成后再將輸出變量進行反歸一化，還原至實際調度決策。

(3) SVM模型訓練及參數優化。針對訓練樣本矩陣在LIBSVM軟件中進行調度規則訓練，得到訓練后的模型。基于該模型對仿真程序各時段調度規則進行預測計算，得到預測結果后將其反歸一化至最終預測的調度規則結果，并將此結果傳送至C++主程序，以推動主程序繼續滾動運行。

2.3 混合編程仿真平臺實現

混合編程是指運用兩種以上的程序語言進行應用程序開發的過程。每一種計算機程序語言都有其優缺點，對于不同的工程問題來說，所適宜的編程語言也不盡相同。混合編程的目的是充分利用各種編程語言的優勢，合作完成目標，使程序設計更加簡潔、編碼效率更高[11,12]。本文C++和MATLAB混合編程平臺的技術路線如圖1所示。

圖1 基于混合編程的水庫群仿真平臺示意圖Fig.1 Hybrid programming based simulation platform for reservoirs system

本文基于金沙江中下游12級梯級水電站群長系列確定性優化調度成果，依據上文所述C++與MATLAB混合編程平臺，實現水電站水庫群系統運行仿真。圖2展示了在使用SVM模型進行參數優選時，不同參數組合下的預測誤差分布圖，誤差最小的參數組合則被選擇作為實際預測模型中的參數。

圖2 SVM在不同參數組合下的誤差分布Fig. 2 Error distribution of parameters combination in support vector machine

3 仿真結果及評價

從運行結果耗時來看，基于混合平臺的SVM模型梯級仿真模型耗時約8分鐘，而單純運用C++編程語言的仿真系統運行耗時僅需2 min。可見，基于混合編程平臺的運算速度低于單一語言的運算速度，主要原因是數據跨平臺傳輸導致耗時增加。但是混合編程仿真平臺為不同語言、不同案例和不同算法的水電站群運行提供了良好的仿真平臺，大大提高了程序的可擴展性，從而更加有利于隱隨機優化調度理論的應用和發展。從該角度來說，混合編程平臺具有更加重要的意義。

混合編程平臺具有良好的可擴展性和兼容性，體現在以下兩方面：

(1)在混合編程仿真平臺中，C++主程序僅調用了以下四要素(見圖1)：水庫入庫流量過程、已經訓練完畢的SVM預測功能動態庫、最優SVM參數組合和訓練樣本的歸一化數據信息。程序邏輯清晰，易于操作。在制定調度決策時，無須再次調用SVM參數優化模塊和訓練模型，提高了系統的保密性和穩定性，更加符合水電站群在實際調度運行中的需求。

(2)混合編程平臺具有良好的可擴展性和兼容性，能夠滿足同一模型應用于不同對象或不同模型應用于同一對象的仿真功能擴展。例如，若要將SVM模型應用于其他水庫群仿真中時，只需對C++模塊中水庫信息進行修改；若要針對本文水庫群運用其他模型進行仿真時，則僅需將SVM模型替換為其他模型，無須改變方針平臺的整體結構，顯著降低了開發成本，體現出了優越的可擴展性和可操作性。

4 結 論

本文對梯級水電站水庫群隱隨機優化中的重要環節——仿真運行的實現問題進行了研究。在分析水電站水庫群仿真運算的復雜性、調度規則和水庫群仿真計算的復雜性基礎上，闡述了構建水電站水庫群混合編程仿真平臺的背景和意義。建立了基于C++和MATLAB混合編程的仿真平臺，實現了調度規則指導下的梯級水電站水庫群仿真運行。仿真結果說明，該平臺具有優越的可擴展性和兼容性，為水電站水庫群隱隨機優化理論的發展和應用實踐提供了高效的工具和支撐。

□

[1] 紀昌明，蘇學靈，周 婷，等. 梯級水電站群調度函數的模擬與評價[J]. 電力系統自動化，2010，34(3)：33-37.

[2] 劉 攀，依俊楠，徐小偉，等. 水文資料長度對隱隨機優化調度規則的影響研究[J]. 水電能源科學，2011，29(4)：46-47,157.

[3] 紀昌明，喻 杉，周 婷，等. 蟻群算法在水電站調度函數優化中的應用[J]. 電力系統自動化，2011，35(20)：103-107.

[4] 喻 杉. 基于改進蟻群算法的梯級水庫群優化調度研究[D]. 北京：華北電力大學，2012.

[5] R U Jettmar，G. K. Young. Hydrologic Estimation and Economic Regret[J]. Water Resources Research，1975，11(5)：648-656.

[6] 王健峰. 基于改進網格搜索法SVM參數優化的說話人識別研究[D]. 哈爾濱：哈爾濱工程大學，2012.

[7] Devroye L，Wagner T J. Distribution-free performance bounds for potential function rules[J]. IEEE Transaction in Information Theory，1979，25(5)：601-604.

[8] 徐紅敏. 基于SVM理論的水環境質量預測與評價方法研究[D]. 長春：吉林大學，2007.

[9] 楊曉靜. 基于VC++和MATLAB混合編程的風電場風速預測系統的研究[D]. 北京：華北電力大學，2012.

[10] 韓順杰. 基于SVM的工程車輛自動變速方法研究[D]. 長春：吉林大學，2009.

[11] 李亞軍. 基于MATLAB與C/C++的盲處理系統混合編程模式的研究[D]. 長春：長春理工大學，2011.

[12] 周 婷. 水電站水庫群調度優化及其效益評價方法研究[D]. 北京：華北電力大學，2014.