-
公开(公告)号:CN109858173B
公开(公告)日:2020-11-13
申请号:CN201910120306.3
申请日:2019-02-18
申请人: 华中科技大学 , 长江勘测规划设计研究有限责任公司
IPC分类号: G06F30/20 , G06Q50/06 , G06F111/04 , G06F111/06
摘要: 本发明属于风光水多能互补联合调度领域,公开了一种风光水互补发电系统联合调度的多目标正切方法,获取当地风速、太阳辐射强度、水电站来水数据;根据风、光、水互补的特性,以水库水位值作为决策编码;同时分析发电效益和生态效益,建立风光水互补发电系统中长期多目标调度模型;提出并采用一种新的多目标方法对建立的模型进行求解,得到兼顾发电、生态的风光水互补发电系统中长期优化调度最优解集;并对求解的多目标方案进行分析。本发明能够充分利用于风光水互补发电系统的中长期规划和调度方案编制,权衡风光水互补发电系统的发电目标和生态目标,最大限度地提高中长期调度的综合效益,具有一定的参考借鉴意义。
-
公开(公告)号:CN109858173A
公开(公告)日:2019-06-07
申请号:CN201910120306.3
申请日:2019-02-18
申请人: 华中科技大学 , 长江勘测规划设计研究有限责任公司
摘要: 本发明属于风光水多能互补联合调度领域,公开了一种风光水互补发电系统联合调度的多目标正切方法,获取当地风速、太阳辐射强度、水电站来水数据;根据风、光、水互补的特性,以水库水位值作为决策编码;同时分析发电效益和生态效益,建立风光水互补发电系统中长期多目标调度模型;提出并采用一种新的多目标方法对建立的模型进行求解,得到兼顾发电、生态的风光水互补发电系统中长期优化调度最优解集;并对求解的多目标方案进行分析。本发明能够充分利用于风光水互补发电系统的中长期规划和调度方案编制,权衡风光水互补发电系统的发电目标和生态目标,最大限度地提高中长期调度的综合效益,具有一定的参考借鉴意义。
-
公开(公告)号:CN110288239A
公开(公告)日:2019-09-27
申请号:CN201910567461.X
申请日:2019-06-27
申请人: 华中科技大学 , 长江水利委员会水文局
摘要: 本发明属于水库调度技术领域,公开了一种基于自适应分级预泄法的汛限水位动态控制方法及系统,根据有效预见期和下游防洪安全组合流量中允许的水库最大下泄流量,确定水库汛期水位动态控制域;当预报有面临时刻时,根据不同面临时刻水库水位及来水情况自适应推求不同面临时刻的风险库容;对有效预见期进行分级,将风险库容按递增形式分配至每一级水库,根据每一级水库所分配的风险库容分别计算分级预泻流量。本发明克服了传统预泄能力约束法在预泄时一直按下游允许安全流量下泄导致的水库水位消落过快、洪水过后水库回蓄困难等问题;克服了传统预泄能力约束法预泄开始时泄流量增幅过快,容易导致人造洪峰,可操作性差等问题。
-
公开(公告)号:CN110288239B
公开(公告)日:2022-04-08
申请号:CN201910567461.X
申请日:2019-06-27
申请人: 华中科技大学 , 长江水利委员会水文局
摘要: 本发明属于水库调度技术领域,公开了一种基于自适应分级预泄法的汛限水位动态控制方法及系统,根据有效预见期和下游防洪安全组合流量中允许的水库最大下泄流量,确定水库汛期水位动态控制域;当预报有面临时刻时,根据不同面临时刻水库水位及来水情况自适应推求不同面临时刻的风险库容;对有效预见期进行分级,将风险库容按递增形式分配至每一级水库,根据每一级水库所分配的风险库容分别计算分级预泻流量。本发明克服了传统预泄能力约束法在预泄时一直按下游允许安全流量下泄导致的水库水位消落过快、洪水过后水库回蓄困难等问题;克服了传统预泄能力约束法预泄开始时泄流量增幅过快,容易导致人造洪峰,可操作性差等问题。
-
公开(公告)号:CN109902801B
公开(公告)日:2020-11-17
申请号:CN201910058334.7
申请日:2019-01-22
申请人: 华中科技大学 , 长江水利委员会长江科学院
摘要: 本发明公开了一种基于变分推理贝叶斯神经网络的洪水集合预报方法,包括:设置贝叶斯神经网络各层维度;选定贝叶斯神经网络的权重参数的先验概率分布,通过变分参数对贝叶斯神经网络的权重参数进行参数化,来近似贝叶斯神经网络的权重参数的后验概率分布;计算先验概率分布与变分后验概率分布的相对熵,并根据训练数据集计算期望对数似然函数;根据相对熵和期望对数似然函数,构建目标函数;最大化目标函数,训练变分推理参数;使用训练好的变分推理贝叶斯神经网络,对未知洪水进行集合预报。本发明将变分推理与BNN模型结合,通过变分分布近似贝叶斯网络模型权重参数的后验概率,简化了计算过程,定量描述洪水预报的不确定性,提高准确度。
-
公开(公告)号:CN109670650B
公开(公告)日:2020-08-04
申请号:CN201811611895.7
申请日:2018-12-27
申请人: 华中科技大学 , 长江水利委员会长江科学院
摘要: 本发明属于梯级水库群多目标优化调度模型求解技术领域,公开了一种基于多目标优化算法的梯级水库群调度模型的求解方法,首先收集梯级水库群的电站基本资料和水文资料;其次根据具体需求建立调度目标并添加调度约束条件;然后以调度期内各时刻的水位为决策变量,采用基于R支配的改进飞蛾扑火多目标优化算法(R‑NSIMFO)对建立的梯级水库群调度模型进行求解;最后根据求解结果得到相应的调度方案集。本发明的求解方法从进化算法和多目标机制两个方面进行改进,有能力获得收敛性和分布性均较优的非劣调度方案集,对实现整个梯级水库群综合效益最大化具有至关重要的作用。
-
公开(公告)号:CN109670650A
公开(公告)日:2019-04-23
申请号:CN201811611895.7
申请日:2018-12-27
申请人: 华中科技大学 , 长江水利委员会长江科学院
摘要: 本发明属于梯级水库群多目标优化调度模型求解技术领域,公开了一种基于多目标优化算法的梯级水库群调度模型的求解方法,首先收集梯级水库群的电站基本资料和水文资料;其次根据具体需求建立调度目标并添加调度约束条件;然后以调度期内各时刻的水位为决策变量,采用基于R支配的改进飞蛾扑火多目标优化算法(R-NSIMFO)对建立的梯级水库群调度模型进行求解;最后根据求解结果得到相应的调度方案集。本发明的求解方法从进化算法和多目标机制两个方面进行改进,有能力获得收敛性和分布性均较优的非劣调度方案集,对实现整个梯级水库群综合效益最大化具有至关重要的作用。
-
公开(公告)号:CN110059867B
公开(公告)日:2021-01-19
申请号:CN201910238384.3
申请日:2019-03-27
申请人: 华中科技大学 , 中国水利水电科学研究院
摘要: 本发明公开一种共享权重长短期记忆网络(SWLSTM)结合高斯过程回归(GPR)的风速预测方法,该方法主要包括:采用共享权重来简化标准长短期记忆网络(LSTM)的结构;利用结合了mini‑batch机制的Adam优化算法来训练SWLSTM,得到具有高准确率的风速点预测结果;将SWLSTM得到的点预测结果作为GPR的输入,二次预测得到风速概率预测结果;选定置信度,通过高斯分布得到相应置信度下的风速区间预测结果。本发明的预测方法通过共享权重缩减了LSTM的训练时间,结合GPR使得SWLSTM有能力进行概率预测和区间预测。SWLSTM‑GPR可得到高精度的风速点预测结果,合适的风速区间预测结果和可靠的风速概率预测分布,对风电的规划和应用具有重要意义。
-
公开(公告)号:CN110059867A
公开(公告)日:2019-07-26
申请号:CN201910238384.3
申请日:2019-03-27
申请人: 华中科技大学 , 中国水利水电科学研究院
摘要: 本发明公开一种共享权重长短期记忆网络(SWLSTM)结合高斯过程回归(GPR)的风速预测方法,该方法主要包括:采用共享权重来简化标准长短期记忆网络(LSTM)的结构;利用结合了mini-batch机制的Adam优化算法来训练SWLSTM,得到具有高准确率的风速点预测结果;将SWLSTM得到的点预测结果作为GPR的输入,二次预测得到风速概率预测结果;选定置信度,通过高斯分布得到相应置信度下的风速区间预测结果。本发明的预测方法通过共享权重缩减了LSTM的训练时间,结合GPR使得SWLSTM有能力进行概率预测和区间预测。SWLSTM-GPR可得到高精度的风速点预测结果,合适的风速区间预测结果和可靠的风速概率预测分布,对风电的规划和应用具有重要意义。
-
公开(公告)号:CN109902801A
公开(公告)日:2019-06-18
申请号:CN201910058334.7
申请日:2019-01-22
申请人: 华中科技大学 , 长江水利委员会长江科学院
摘要: 本发明公开了一种基于变分推理贝叶斯神经网络的洪水集合预报方法,包括:设置贝叶斯神经网络各层维度;选定贝叶斯神经网络的权重参数的先验概率分布,通过变分参数对贝叶斯神经网络的权重参数进行参数化,来近似贝叶斯神经网络的权重参数的后验概率分布;计算先验概率分布与变分后验概率分布的相对熵,并根据训练数据集计算期望对数似然函数;根据相对熵和期望对数似然函数,构建目标函数;最大化目标函数,训练变分推理参数;使用训练好的变分推理贝叶斯神经网络,对未知洪水进行集合预报。本发明将变分推理与BNN模型结合,通过变分分布近似贝叶斯网络模型权重参数的后验概率,简化了计算过程,定量描述洪水预报的不确定性,提高准确度。
-
-
-
-
-
-
-
-
-