大渡河中下游梯級水電站模擬優化運行研究

梁楚盛,鄒祖建,黃煒斌,馬光文

(1.四川大學水利水電學院,四川成都610065；2.國電大渡河流域水電開發有限公司,四川成都610041)

大渡河中下游梯級水電站模擬優化運行研究

梁楚盛1,鄒祖建2,黃煒斌1,馬光文1

(1.四川大學水利水電學院,四川成都610065；2.國電大渡河流域水電開發有限公司,四川成都610041)

針對梯級水電站中長期來水不確定性的問題,依據長系列確定來水情況下的優化調度結果,建立門限回歸、最近鄰抽樣回歸和BP人工神經網絡優化調度函數模型,模擬大渡河中下游梯級水電站的聯合優化運行,將各模型的模擬優化調度結果與來水確定下的最優運行水位進行對比。結果表明,BP人工神經網絡優化調度函數模型能夠更好的模擬梯級水電站運行,對梯級水電站的實際優化運行具有參考意義。

梯級水電站；優化運行；門限回歸；最近鄰抽樣回歸；BP人工神經網絡

0 引 言

為了提高大渡河干流河段的水資源利用效率,增加大渡河梯級水電站的發電收益,研究梯級水電站的聯合優化運行非常重要。本文選取了大渡河中下游的大崗山(260萬kW)、瀑布溝(360萬kW)、深溪溝(66萬kW)、枕頭壩一級(72萬kW)、龔嘴(77萬kW)和銅街子(62.5萬kW)等6座梯級水電站,研究梯級水電站的聯合優化運行。其中,具有中長期調節能力的瀑布溝水電站水庫正常蓄水位為850 m,死水位790 m,其他水電站均為周調節或者日調節水電站。

目前,梯級水電站聯合優化運行面臨的最大問題是天然來水不確定,中長期預報準確度不高。受入庫流量不確定性的影響,傳統的中長期優化調度模型在實際優化運行中受到制約[1]。為減少中長期來水不確定性的影響,本研究采用1956年～2015年的大渡河中下游歷史徑流資料進行優化調度計算,計算周期和計算時段分別為年和旬,得到歷年瀑布溝水電站水庫的最優運行方式[2]。根據每個時段的歷年最優運行方式建立優化調度函數模型,單獨分析各個時段的優化運行,將年優化運行問題分解為每個時段的優化運行問題。本研究分別建立了門限回歸、最近鄰抽樣回歸和人工神經網絡3種優化調度函數模型,模擬大渡河中下游梯級水電站的優化運行。

1 優化調度函數模型

1.1 樣本獲取

大渡河中下游梯級水電站群主要利用目標是發電。為提高水電枯水期發電積極性,四川電網實行水電豐枯上網電價政策。本研究結合豐枯電價政策,選擇梯級年發電效益最大作為優化目標[3- 5]。

(1)目標函數。表達式為

(1)

式中,E為整個梯級水電站的年發電收入；Qi,t為第i座電站在第t時段發電流量；ui,t為第i座水電站在第t時段耗水率；T為年內計算總時段數(以旬為計算時段,T=36)；N為梯級水電站總數(N=6)；Mt為第t時段的小時數；Pt第t時段的電價。

(2)水量平衡約束。公式為

Vi,t+1=Vi,t+(qi,t-Qi,t-Si,t)Δt?t∈T

(2)

式中,Vi,t、Vi,t+1分別為第i個水電站第t時段初末水庫蓄水量；qi,t、Si,t分別為第i個水電站第t時段入庫流量和棄水流量；Δt為計算時段長度。

(3)水庫蓄水量約束。公式為

Vit,min≤Vit≤Vit,max?t∈T

(3)

式中,Vit,min、Vit,max分別為第i個水電站第t時段水庫最小和最大蓄水量。

(4)水庫下泄流量約束。表達式為

Qit,min≤Qi,t≤Qit,max?t∈T

(4)

式中,Qit,min、Qit,max分別為第i個水電站第t時段最小和最大允許下泄流量。

(5)電站出力約束。公式為

Ni,min≤Qi,t/ui,t≤Ni,max

(5)

式中,Ni,min為第i個水電站的允許的最小出力；Ni,max為第i個水電站的裝機容量。

(6)梯級聯合運行最小出力約束。表達式為

(6)

式中,Nmin為梯級水電站群聯合運行的最小保證出力。

非負條件約束：上述所有變量均為非負變量(≥0)。

邊界條件：①初末水位。考慮到梯級聯合運行最小出力約束,瀑布溝水電站的初末水位如果定為正常蓄水位,在來水不充裕的年份將不能滿足梯級聯合運行最小出力約束。本研究將瀑布溝水電站的初末水位定為845 m。②負荷率水平。考慮當前四川省電力市場供大于求、汛期水電站存在棄水問題,梯級水電站無法長時間滿發,對汛期的負荷率采用80%進行計算。③分時電價。大渡河中下游梯級水電站各時期上網電價見表1。

表1 大渡河中下游梯級水電站上網電價 元/(kW·h)

在VS2010平臺上,采用C#語言實現動態規劃算法對模型的求解。對1956年～2015年的長系列徑流資料進行優化計算,得到1956年～2015年瀑布溝水電站水庫各時段的水位,記為最優運行水位。從歷史最優運行水位中選擇每個時段瀑布溝水電站水庫的最高水位作為上包線,最低水位作為下包線,包線內的區域為瀑布溝水電站的最優水位運行區(見圖1)。

圖1 瀑布溝水電站水庫最優水位運行區

從圖1可知,瀑布溝水電站庫水位從每年年初開始逐漸消落,進入汛期之前(即5月底)消落到最低水位,然后開始慢慢蓄水,到9月底蓄到正常蓄水位。進入10月以后,每年的最優運行水位基本保持在正常蓄水位。因此,10月上旬至12月下旬,瀑布溝水電站以正常蓄水位作為最優運行水位；而1月上旬至9月下旬,每個時段的歷史水位變幅很大,每個時段的末水位主要受時段初水位和時段入庫流量的影響。以時段初末水位和入庫流量作為變量構建優化調度函數模型,對以瀑布溝水電站為控制性水庫的梯級水電站群聯合優化運行意義重大。

1.2 建立調度函數模型

以瀑布溝水電站水庫時段初水位和入庫流量作為自變量,時段末水位作為因變量建立優化調度函數。即

(7)

式中,Zt,Zt+1分別為瀑布溝水電站水庫第t時段的初水位和末水位；Qt為第t時段的入庫流量。

(1)門限回歸模型。以瀑布溝水電站的時段入庫流量Qt為門限變量,時段初水位Zt為自變量,時段末水位Zt+1為決策變量,建立門限回歸調度函數模型。即

(8)

(2)最近鄰抽樣回歸模型。以1956年～2005年的樣本數據作為抽樣樣本,定義為特征向量Di=(Zi,t,Qi,t)(i=1,2,…,50),Zi,t+1為Di對應的后續值。以2006年～2015年的樣本數據為檢驗樣本,定義當前特征向量Dj=(Zj,t,Qj,t)(j=51,52,…,60),Zj,t+1為Dj對應的后續值。其中

(9)

式中,K為最近鄰數；Zn(i,t+1)表示與當前特征向量最鄰近的第n個樣本對應的后續值；Wn表示第n個樣本的權重。

(3)人工神經網絡模型。采用1956年～2005年的樣本數據作為訓練樣本,以Zt+1作為樣本輸出,Zt、Qt作為樣本輸入,構建梯級蓄水BP人工神經網絡模型。模型包括輸入層、中間隱層和輸出層,根據試算結果,當隱層神經元數為3時，收斂程度比較好。

2 模型求解

2.1 門限回歸模型

(10)

兩段的組內方差和為

(11)

組間方差為

B2=V2-S2

(12)

2.2 最近鄰抽樣回歸模型

(13)

計算抽樣樣本后續值的權重Wn,并計算當前特征向量對應的后續值。即

(14)

2.3 BP人工神經網絡

BP人工神經網絡通過不斷的訓練,對網絡模型的權值和閾值進行調整[6]。訓練過程見圖2。

圖2 BP人工神經網絡調度函數計算流程

隱含層的傳遞函數為tansig函數。即

(15)

輸出層的傳遞函數為pureline函數。即

Y=f(Net(2),θ(2))=Net(2)+θ(2)

(16)

式中,Y為網絡輸出；Net(2)為輸出層的輸入；θ(2)為輸出層閾值。

3 模擬計算結果與分析

本文針對優化調度函數模型進行求解,得到模擬調度水位過程線。表1為檢驗期(2006年～2015年)瀑布溝水電站4月中旬優化調度函數模型得到的時段末水位與最優運行水位。

表2 模擬時段末水位與最優運行水位對比 m

通過與最優運行水位進行對比,得到優化調度函數模型每個時段的相對誤差et。即

(17)

用相對誤差et表示各優化調度函數的模擬優化調度結果與最優運行水位的擬合程度[7]。誤差統計結果見表3。從表3可知,在枯水期和平水期,優化調度函數的模擬優化調度結果很接近最優運行水位,豐水期模擬優化調度結果相對較差。3種優化調度函數模型中,BP人工神經網絡模型誤差相對較小,模擬優化調度結果更加接近最優運行水位,能夠更好的模擬梯級水電站優化運行。

表3 優化調度函數模擬誤差 %

4 結 語

通過與來水確定情況下的最優水位過程線綜合對比可知,本文建立的優化調度函數模型模擬梯級水電站聯合運行具有可行性,尤其是在枯期和平水期,模擬優化調度誤差很小。3種優化調度函數中,BP人工神經網絡模型能夠更好的模擬梯級水電站優化調度運行,建立BP人工神經網絡優化調度函數模擬優化調度,對梯級水電站的中長期優化運行具有參考意義。

[1]紀昌明, 周婷, 王麗萍, 等. 水庫水電站中長期隱隨機優化調度綜述[J]. 電力系統自動化, 2013, 37(16)： 129- 135．

[2]盧立宇, 趙飛, 陶春華, 等. 瀑布溝水電站及下游梯級經濟運行方式研究[J]. 水力發電, 2015, 41(4)： 63- 65．

[3]李基棟, 黃煒斌, 馬光文. 雅礱江下游梯級水庫隱隨機聯合優化調度函數研究[J]. 水電能源科學, 2014, 32(12)： 49- 53．

[4]周佳, 馬光文, 張志剛. 基于改進POA算法的雅礱江梯級水電站群中長期優化調度研究[J]. 水力發電學報, 2009, 28(1)： 1- 4．

[5]紀昌明, 李克飛, 張驗科, 等. 梯級水電站群聯合調度多目標風險決策模型[J]. 水力發電, 2013, 39(4)： 61- 64．

[6]王金龍, 馬光文, 黃煒斌, 等. BP人工神經網絡模型在溪洛渡、向家壩兩庫聯合優化調度規則中的應用[J]. 水電能源科學, 2012, 30(12)： 48- 51．

[7]繆益平, 紀昌明. 運用改進神經網絡算法建立水庫調度函數[J]. 武漢大學學報： 工學版, 2003, 36(1)： 42- 44, 58．

(責任編輯 楊 健)

內蒙古芝瑞抽水蓄能電站可行性研究報告通過審查會

2017年1月12日至14日，內蒙古芝瑞抽水蓄能電站可行性研究報告通過水電水利規劃設計總院審查。會議審查認為，報告達到了可行性研究階段勘測設計工作內容和深度的要求，基本同意該報告。

內蒙古芝瑞抽水蓄能電站位于內蒙古自治區赤峰市克什克騰旗芝瑞鎮境內，距赤峰市約110 km。電站裝機容量1 200 MW。工程建成后將承擔蒙東電網調峰、填谷、調頻、調相及緊急事故備用等任務。樞紐工程主要由上水庫、下水庫、輸水系統、地下廠房和地面開關站等建筑物組成。上水庫采用瀝青混凝土面板全庫盆防滲，堆石壩最大壩高73 m；下水庫主要有攔沙壩、攔河壩兩座瀝青混凝土心墻壩、泄洪排沙洞和放空洞，最大壩高分別為27、34 m。

2014年9月，內蒙古芝瑞抽水蓄能電站預可行性研究報告通過審查。可行性研究階段北京勘測設計研究院繼續深入開展勘察、試驗和設計研究工作，先后完成了大量專題設計研究報告等設計成果，并通過有關主管部門的審查和批復。在上述勘測設計研究成果的基礎上，2017年1月，北京院編制完成了《內蒙古芝瑞抽水蓄能電站可行性研究報告(送審稿)》。

(劉超)

Research on Optimal Operation of Cascade Hydropower Stations in Middle and Lower Reaches of Dadu River

LIANG Chusheng1, ZOU Zujian2, HUANG Weibin1, MA Guangwen1

(1. College of Water Resource and Hydropower, Sichuan University, Chengdu 610065, Sichuan, China;2. Dadu River Hydropower Development Co., Ltd., Chengdu 610041, Sichuan, China)

In view of the uncertainty of long-term inflow condition for cascade hydropower stations, the Threshold Regression model, Nearest Neighbor Bootstrapping Regressive (NNBR) model and BP Artificial Neural Network (BP-ANN) model are established respectively based on long series optimal operation results of stations to simulate the optimization operation of cascade hydropower stations in middle and lower reaches of Dadu River. The optimization operation simulation results of each model are compared with long-term optimal operation under certain inflow condition. The result proves that the BP Artificial Neural Network model is closer to optimal operation and can provide reference for the practical operation of cascade hydropower stations．

cascade hydropower station; optimal operation; Threshold Regression; Nearest Neighbor Bootstrapping Regressive(NNBR); BP-Artificial Neural Network

2016- 09- 20

國家重點基礎研究發展計劃(“973”計劃)資助項目(2013CB036406- 4)；中國清潔發展機制基金贈款項目(2013114)

梁楚盛(1993—),男,湖南岳陽人,碩士研究生,研究方向為水利電力經濟管理．

TV737

A

0559- 9342(2017)03- 0098- 04