基于APSO-BP算法的水庫生態優化調度研究

胡曉松

（遼寧省鞍山水文局，遼寧鞍山114000）

基于APSO-BP算法的水庫生態優化調度研究

胡曉松

（遼寧省鞍山水文局，遼寧鞍山114000）

APSO-BP算法可實現粒子群優化的自動調整，解決傳統粒子群優化算法收斂性較差，局部易出現極小值的局限，文章引入APSO-BP算法對遼寧某水庫生態調度進行優化計算。研究結果表明：APSO-BP算法的收斂精度和全局優化搜索能力都好于傳統粒子群優化算法，經APSO-BP算法優化下的水庫生態調度可以滿足流域的生態蓄水，流域最小生態需水滿足度達到75%，適宜生態需水滿足度達到66.7%，生態優化調度結果明顯好于傳統粒子群優化算法。APSO-BP算法可用于水庫生態優化調度。研究成果對于水庫生態調度方案以及區域生態蓄水規劃配置提供方法參考。

APSO-BP算法；傳統粒子群算法；水庫生態優化調度；生態滿足度

當前，但隨著流域生態保護建設進一步得到關注，水庫的生態調度也成為水庫運行調度的主要目標之一，對于水庫優化調度，國內外學者研究較多，研究的方法也較為成熟［1-6］。近年來，許多算法在水庫生態優化調度中得到應用，在這些方法中，粒子群優化算法運用較為廣泛，該算法可實現水庫的多個目標優化，但傳統粒子群優化算法在計算過程中存在收斂精度不高，局部易出現極小值的局限。近期，APSO-BP算法引入粒子自動適應函數對計算粒子進行調整計算，能解決傳統粒子群算法局部出現極小值以及收斂不高的局限，在水資源優化領域得到具體應用［7-11］，本文引入APSO-BP算法，以遼寧某水庫為研究實例，對水庫生態調度進行優化計算，并分析APSO-BP算法在水庫生態調度的適用性。

1 APSO-BP算法原理

該算法假設在N維空間里面有M個粒子，每個計算粒子賦予計算位置屬性Yj，根據每個粒子計算的位置屬性值代入目標函數求解得到不同計算粒子的目標函數適應值，對每個粒子進行目標優化搜索求解，得到每個位置的最優位置，粒子自適應算法POS的計算公式為：式中，ω表示為模型計算的速度的慣性權重系數；K表示為模型迭代計算的次數；i表示計算的粒子的個數；d表示為計算的空間維數，在本文模型計算的空間維數位2維C1和C2分布表示為模型訓練計算的學習因子的個數，本文中2個學習因子數r1和r2分別表示［0-1］之間的隨機數，其中νid∈［-νidmax，νidmax］，在模型計算中，慣性權重系數ω對模型計算影響較大，本文引入動態自動適應的權重系數調整算法對模型粒子計算速度的慣性權重系數進行計算，ω模型計算的公式為：

式中，ωmax和wmin分別表示為粒子速度最大的慣性和最小慣性權重系數；f表示為模型計算的粒子自動適應目標函數的值；favg表示為模型計算的自動適應粒子屬性值的平均值；fmax表示為模型計算粒子自動適應目標函數屬性的最大值。

在計算粒子自動適應目標函數值的基礎上，采用APSO算法對Bp網絡單元進行優化求解，優化求解目標為使得模型計算的均方程值最小，計算方程為：

式中，N表示為模型訓練計算樣本的個數；qj，i表示為第i個計算粒子在模型節點的屬性位置值；yj，i則表示為第j個訓練樣本在第i個計算節點的屬性位置值；C則表示為模型輸出的神經網絡單元的個數。

APSO算法對模型網絡計算進行優化求解，并對每個粒子的位置屬性χ和速度ν屬性進行更新計算，對每個粒子更新計算的方程為：

式中，r3表示為模型計算的隨機數。

在APSO-BP算法中對所有隱含的粒子數采用算法進行目標約束求解，約束方程為：

式中，Z表示為模型隱含單元的個數；a和c分別表示輸入計算單元層的個數；a表示為1-10之間的整數。

此外本文采用Schaffer函數對模型的收斂度以及優化搜索能力進行求解，求解的函數為：

式中，x表示為模型計算的收斂度；y表示為模型計算的優化搜素能力，一般來說x和y小于4。

2 實例應用

2.1 水庫概況

水庫1962年建成。控制面積2376km2，總庫容9.71億m3，水庫主要以防洪為目標，兼顧供水。為保護下游沙漠生態，水庫開始進行生態調度，應用APSO-BP算法對水庫生態調度進行優化，并結合水庫的防洪與供水目標進行優化調度。

2.2 區域生態需水計算

基于水庫下游水文站2000～2015年流量數據，采用最小生態徑流方法［12］和適宜生態徑流方法［13］對河道逐月最小和適宜生態徑流進行計算，計算結果見表1。

從表1中可以看出，區域最小生態需水在枯水期由于來水量較少，一般在15m3/s以下，進入豐水期，流域的最小生態需水量增加到15m3/s以上。河道最小生態需水量是保證河流生態系統基本平衡所需要的水量，但是不能對流域水生態有所改善和保護，而流域適宜生態需水量可以維持流域水生態系統的健康，并對區域水生態系統進行一定的程度的改善。從表1中可以看出，區域的適宜生態需水都大于區域最小生態需水，且存在豐水期、枯水期的差異。因此在水庫生態調度過程中，需要對豐水期和枯水期的水量進行優化分配，在滿足水庫防洪和供水目標的同時，需要滿足水庫下游河道的生態需水量的目標，對于不同算法水庫生態調度結果按照對下游適宜生態需水和最小生態需水滿足度來分析水庫生態優化優化調度的結果。

表1 逐月生態徑流計算結果

2.3 不同算法收斂度和全局搜索能力分析

采用Schaffer方法對APSO-BP算法和傳統粒子群優化算法收斂精度和全局搜索能力進行測試，結合10組隨機數據分析兩者方法的收斂精度和全局搜索能力，計算結果見表2。

表2 Schaffer方法下模型的測試結果

從表2中可以看出，經過Schaffer方法測試后，APSO-BP算法的收斂度和全局搜索能力都要明顯好于傳統粒子群優化算法，APSO-BP算法的Schaffe函數計算值為1.45，而傳統粒子群優化算法的Schaffe函數計算值為0.84，從測試結果說明APSO-BP算法因為采用粒子自動適宜調整函數對粒子的優化位置進行調整計算，收斂度和全局搜索能力好于傳統粒子群優化算法。

表3 水庫生態優化調度結果

圖1 不同優化算法下水庫生態調度流域生態需水滿足度分析

2.4 基于APSO-BP算法的水庫生態調度結果分析

結合APSO-BP算法和傳統粒子群算法分別對水庫進行逐月生態優化調度，分析經過生態優化調度后下游河道生態需水滿足度，分析結果見表3和圖1。

表3為APSO-BP算法和傳統粒子群算法的水庫生態優化調度結果，從調度結果可以看出，APSO-BP算法下水庫生態調度水量對于區域最小生態需水滿足度達到75%，而傳統粒子群優化算法下的水庫生態調度水量對于區域最小生態需水滿足度僅為33.3%，明顯低于APSO-BP算法下水庫生態調度后區域最小生態需水滿足度，從各月份最小生態需水滿足度中可以發現在枯水期水庫由于來水量的減少，區域最小生態需水滿足度較低，進入豐水期后，由于水庫來水量增加，區域的最小生態需水滿足度較高。APSO-BP算法下水庫生態調度后區域適宜生態需水滿足可以達到66.7%，而傳統粒子群優化算法下的區域適宜生態需水滿足度僅為25.0%，可見對于區域水生態保護較為重要的適宜生態需水量，APSO-BP算法優化后的水庫生態調度滿足度也明顯高于傳統粒子群優化算法，總體上看，APSO-BP算法下區域的最小生態需水滿足度要好于適宜生態需水的滿足度。

3 結語

（1）APSO-BP算法的收斂精度和全局搜索能力都要好于傳統粒子群優化算法，且可以解決傳統優化算法收斂精度不高，局部易出現極小值的局限；

（2）APSO-BP算法下水庫下游最小生態需水滿足度可以達到75.0%，適宜生態需水滿足度可達到66.7，均明顯高于傳統粒子群優化算法，APSO-BP算法在枯水期（10～12月份）由于來水量較少，河道生態需水很難得到滿足。

［1］李磊.水電站優化調度決策輔助系統的研究［J］.水利技術監督，2016（02）：33-35.

［2］劉偉，劉明麗.蓮花水庫優化調度研究［J］.水利技術監督，2004（05）：43-47.

［3］賈瑞紅.單一水庫優化調度方案在水庫調度中的應用研究［J］.水利規劃與設計，2013（11）：23-25.

［4］王慧斌.水庫生態調度的內涵與模型探析［J］.水利規劃與設計，2016（03）：34-35+107.

［5］曾祥，胡鐵松，郭旭寧，等.并聯供水水庫解析調度規則研究II：多階段模型與應用［J］.水利學報，2014，45（09）.

［6］張正浩，張強，肖名忠，等.遼河流域豐枯遭遇下水庫調度［J］.生態學報，2016（07）：1-10.

［7］吳巍，周孝德，王新宏，等.基于自適應粒子群算法優化神經網絡的多沙水庫沖淤預測模型研究及應用［J］.西北農林科技大學學報（自然科學版），2011（04）：216-226.

［8］劉華.地下工程結構巖體力學參數與損失位移的高效反分析方法研究［D］.廣西大學，2015.

［9］龍胤慧，郭中小，魏永富，等.黃河包頭段水質狀況短期預測［J］.南水北調與水利科技，2012（05）：56-58+107.

［10］李天宏，曾現進.基于粒子群算法優化支持向量機的延河流域水沙模擬［J］.應用基礎與工程科學學報，2015（S1）：79-87.

［11］張丹.三峽回水變動區船舶航行路徑優化及三維環境仿真研究［D］.武漢理工大學，2011.

TV62

A

1008-1305（2017）01-0112-03

DO I:10.3969/j.issn.1008-1305.2017.01.034

2016-05-11

胡曉松（1984年—），男，工程師。