(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111382149.7 (22)申请日 2021.11.22 (71)申请人 大连理工大 学 地址 116024 辽宁省大连市甘井 子区凌工 路2号 (72)发明人 程春田　李亚鹏　王祥祯　李刚　 申建建　刘本希　 (74)专利代理 机构 大连理工大 学专利中心 21200 代理人 梅洪玉 (51)Int.Cl. G06F 30/27(2020.01) G06N 5/04(2006.01) G06Q 50/06(2012.01) G06F 16/21(2019.01)G06F 111/04(2020.01) (54)发明名称 一种利用观测数据推断相邻水电站运行状 态及参数的方法 (57)摘要 本发明公开一种利用观测数据推断相邻水 电站运行状态及参数的方法， 首先， 依据自身水 电站测量的和公开的历史数据对相邻水电站建 立逆向推断的双层优化模型； 其次， 使用正则化 方法对双层优化模型进行重构以避免出现多重 推断结果； 最后， 面对下层模型具有大范围不可 行域的事实， 利用具有不可行域回避功能的保留 精英的改进并行遗传算法对重构后的模型进行 求解。 本发 明能够较好地对目标电站的运行状态 及运行参数进行推断， 求解方法在寻找最优解、 避免不可行域和加快求解速度方面比传统方法 具有优势。 本发 明为水电站逆向推断相邻电站运 行状态及运行参数提供了新的技术途径， 也为梯 级水电适应 “双碳目标 ”下的新的电力系统运行 模式提供了技 术借鉴。 权利要求书2页 说明书9页 附图7页 CN 114154404 A 2022.03.08 CN 114154404 A 1.一种利用观测数据推断相邻水电站运行状态及参数的方法， 其特征在于， 包括如下 步骤： 步骤(1)： 依据自身测量的和公开的历史数据对相邻水电站建立逆向推断的双层优化 模型 建立双层规划模型用于逆向推断； 其中， 上层模型负责对水电运行参数的寻优， 并把参 数传递给下层 模型， 然后依据下层 模型的返回， 评判下层 模型所给参数的准确性； 上层 模型 以发电量序列误差最小为 目标； 下层模型以被研究的水电站的实际调度过程为背景， 以发 电量最大为 目标； 水电站运行状态是下层的决策变量， 水电运行参数是上层模型 的决策变 量； 上层模型的目标函数为式(1)， 约束为式(2)及下层模型； s.t.ke,kz,kl,bz,bl,bh≥0      (2) 下层模型的目标函数为式(3)， 约束条件为式(4)～式(10)； 式中， D为所有时段的集合， t为某一个时段； 为电站实际发电量序列所组成的向量， Et为模拟的电站发电量序列所组成的向量； ke为电站的发电能力系数， gt为电站在t时段的 发电流量， ht为电站在t时段的发电水头， Δt为一个时段的秒数； Vt为电站在t时段的库容， it为电站在t时段的入库流量， qt为电站在t时段的出库流量， st为电站在t时段的弃水流量； zt为电站在t时段的上游水位， kz、 bz分别为水位—库容曲线的斜率和截距， lt为电站在t时 段的尾水位， kl、 bl分别为尾水位—下泄流量曲线的斜率和截距， bh为水头损失； V分别为 库容的上 下限， C为电站的装机容 量； 对于下层模型而言， ke,kz,kl,bz,bl,bh共6个运行参数是上层模型的决策变量， 由上层 模型进行 赋值； 步骤(2)： 基于正则化方法避免双 层模型的多重推断结果并重构模型 将下层模型中的式(5)、 (7)、 (8)、 (9)四式带入式(4)中， 得到：权　利　要　求　书 1/2 页 2 CN 114154404 A 2在式(11)中， 将bz、 bl、 bh进行合并， 用kh来代替， 得到下式： (ke、 kz、 kl、 kh)是线性相关的， 其中一个参数若放大n倍， 另外三个参数缩小为原来的1/ n， 即可保证整个式子仍然成立； 什么下层模型有 多重推断结果； 使用正则化方法对式(12)进行改造， 令： Kz＝ke·kz,Kl＝ke·kl,Kh＝ke·kh      (13) 将式(13)代入式(12)， 得到： 从而将有多重推断结果的模型转化成为唯一解的模型， 逆向推断的双层优化模型重构 为： 上层模型的目标函数为式(15)， 约束为式(16)及下层模型： s.t.Kz， Kl， Kh≥0      (16) 下层模型的目标函数为式(17)， 约束为式(6)、 式(10)、 式(13)： s.t.式(6)， 式(10)， 式(13) 步骤(3)： 利用具有不可 行域回避功能的保留精英的改进并行遗传算法进行求 解 由于水电站的运行参数具有实际的物理含义， 所以， 并非任意的(Kz， Kl， Kh)在由上层模 型传递给下层 模型时， 都为可行解； 因此在遗传算法中应注 意非可行解的避免， 定义遗传算 法的个体总数为 N， 共计循环R代， 具体步骤如下： 步骤3.1： 创建初始种群； 循环创建n0个可行解， 然后随机创建N ‑n0个解； 步骤3.2： 计算种群适应度； 对N个解进行并行计算， 并假定其中有Fr个可行解， Fr≥n0； 步骤3.3： 保留精 英个体； 对N个解按照好坏程度进行排序， 选 取最好的n*个个体， 不做任 何改变， 直接放进下一代的种群中； 再把 这n*个个体复制一份； 步骤3.4： 对种群进行交叉操作； 在步骤3.2中的Fr个可行解中， 任 意选取两个个体以θ 的 概率进行交叉操作， 得到两个新的个体， 循环此过程， 直至交叉操作得到的个体个数达到N ‑ 2n*为止； 步骤3.5： 对种群进行变异操作； 将步骤3.3中复制的n*个个体， 与步骤3.4中交叉得到的 N‑2n*个个体加以组合， 以γ的概率进行变异操作； 将变异操作后的个体放进下一代的种群 中； 这样， 达 到了每一代的种群 个体中均至少有n*个可行解的目的； 步骤3.6： 重复步骤3.2到步骤3.5， 直至迭代次数达 到R为止。权　利　要　求　书 2/2 页 3 CN 114154404 A 3