选择特殊符号
选择搜索类型
请输入搜索
总序
第 1章摇引摇言
1 研究背景及意义
2 国内外研究现状
3 研究内容
第 2章 巨型水库寻优空间的 IDP-HA耦合方法
1 巨型水库大范围随机寻优问题
2 建立巨型水库高效搜索空间的 IDP-HA法
3 IDP-GA耦合方法应用实例
4 结 论
第 3章 梯级水库群优化调度的 HASM降维方法
1 梯级水库群运行的高维性
2 梯级水库群空间层级耦合模型
3 梯级水库群优化调度的 HASM降维方法
4 HASM方法的检验
5 结论
第 4章 不同来流条件下优化结果的响应曲面
1 常用优化算法最优解信息
2 响应曲面法
3 不同来流序列的产生
4 水库优化调度的响应曲面
5 水库响应曲面实例
6 结论
第 5章 三峡 —葛洲坝梯级水电站长期优化调度
1 三峡 —葛洲坝梯级水利枢纽概况
2 三峡 —葛洲坝梯级水电站水库特征参数
3 三峡 —葛洲坝水利枢纽水位运行规程
4 模型模拟结果
5 长期优化模型
6 优化方法
7 优化结果
8 结论
第 6章 结论与展望
1 结论及创新点
2 研究展望
参考文献
索引2100433B
大型梯级水利枢纽建成后 ,运行调度水平的高低直接影响其综合效益的发挥。目前 ,在大型梯级水利枢纽的优化调度研究中 ,主要的难点来源于其高维性和非线性的特点所带来的求解困难。梯级水利枢纽中的水力和电力联系存在多种非线性 ,而其在时间和空间上的决策维度远远超出现有的非线性优化算法的求解能力。除此之外 ,大型水库由于大库容高水头 ,优化时还存在连续大范围寻优而导致计算效率低下的问题。对于不同来流条件下水库优化结果的分析 ,目前也鲜有专门的方法研究。针对大型水库大范围连续寻优的优化问题 ,本书提出了借助增量动态规划方法 (Incremental Dynamic Programming, IDP)建立合理的寻优空间以提高优化效率的方法。充分利用 IDP算法的收敛特性和启发式算法 (Heuristic Algorithm, HA)在连续空间里强大的全局寻优能力 ,提出了 IDP -HA耦合模型。以 IDP优化后的调度线为参照 ,建立覆盖全局最优解的小尺度寻优空间 ,在该空间内利用 HA对高维变量进行寻优 ,有效解决了大型水库在高维时间尺度上大范围寻优导致的计算效率低下甚至无可行解的问题。
针对大型水库大范围连续寻优的优化问题 ,本书提出了借助增量动态规划方法 (Incremental Dynamic Programming, IDP)建立合理的寻优空间以提高优化效率的方法。充分利用 IDP算法的收敛特性和启发式算法 (Heuristic Algorithm, HA)在连续空间里强大的全局寻优能力 ,提出了 IDP -HA耦合模型。以 IDP优化后的调度线为参照 ,建立覆盖全局最优解的小尺度寻优空间 ,在该空间内利用 HA对高维变量进行寻优 ,有效解决了大型水库在高维时间尺度上大范围寻优导致的计算效率低下甚至无可行解的问题。
夹岩水利枢纽工程是贵州省在“十二五”期间开工建设的重点工程,位于六冲河干流、毕节市七星关区与纳雍县的界河上,坝址位于毕节市七星关区田坝镇潘家岩脚,集雨面积为4306平方公里,总库容13.25亿立方米,...
夹岩水利枢纽工程,是一座以城乡供水和灌溉为主、兼顾发电并为区域扶贫开发及改善 生态环境创造条件的综合性大型水利枢纽工程,主要由水源工程、毕大供水工程和灌区骨干输水工程等组成,坝址位于长江流域乌江一级支...
1三门峡水利枢纽:位于山西平陆、河南三门峡市交界处,1960年投入使用 2三盛公水利枢纽:内蒙古磴口,1966年投入使用 3天桥水利枢纽:山西保德、陕西府谷交界处,1977年投入使用 4青...
基于聚类遗传算法的梯级水利枢纽短期电力调度优化
针对标准遗传算法容易"早熟"的缺陷,提出聚类遗传算法;改进了选择算子和交叉算子,并利用Shubert多峰测试函数验证了聚类遗传算法的优势.引入水轮机组运行效率梯度变化因素提出改进变异算子,弥补了变异搜索过随机的缺陷.最后,将改进方式应用于三峡-葛洲坝梯级水利枢纽短期电力调度优化研究中,提出和构建了相应的优化模型以及机组组合启停和运行效率同步实现策略.实例优化结果表明:聚类遗传算法和改进变异算子能有效弥补"早熟"的缺陷,并能显著提高优化搜索效率,适用于梯级电站电力调度优化问题.优化得出的梯级电力调度方案可以满足设定目标和约束,并提高了梯级的发电效率.
三峡水利枢纽围堰发电期梯级调度运行方式
根据三峡水利枢纽工程进度及相关部门的要求 ,就三峡 (围堰发电期 )~葛洲坝水利枢纽联合调度运行中有关泄洪设施的运用调度方式 ,三期围堰安全度汛方案 ,梯级发电调度方式及梯级航运调度方式和船闸运行方式等进行了较全面的分析
计算机系统是由许多程序或进程需要使用的资源(例如处理机周期、存储单元和输入/输出设备)的 有限集合所组成的。调度算法的目标是把这些资源分配给要求它们的程序。 在每一判定时刻,调度算法 必须决定下一次应是若干相竞争的进程中的哪一个进程接收一给定资源。因而调度算法是指:根据系统的资源分配策略所规定的资源分配算法。对于不同的系统和系统目标,通常采用不同的调度算法,例如,在批处理系统中,为了照顾为数众多的短作业,应采用短作业优先的调度算法;又如在分时系统中,为了保证系统具有合理的响应时间,应采用轮转法进行调度。目前存在的多种调度算法中,有的算法适用于作业调度,有的算法适用于进程调度;但也有些调度算法既可用于作业调度,也可用于进程调度。2100433B
表调度算法的基本思想是通过对节点的优先级别进行排序来构造一个调度列表。
然后重复以下两个步骤直到任务图中所有节点被调度完毕:①从调度列表中顺序取出一个节点;②将节点分配到使它的启动时间最早的处理机器上。
这是传统的静态表调度算法,一些新的表调度算法是基于动态列表的调度算法,与静态方法调度列表一经构造就不会改变不同,动态列表算法在每次分配节点之后都重新计算所有未被调度节点的优先级别,并根据新的优先级别来重新安排列表中节点的顺序。
这样,动态表调度算法实际分为三步:①确定所有未被调度节点的新优先级别;②选择具有最高优先级别的节点进行调度;③将节点分配到使它的启动时间最早的处理机上。
决定节点优先级别的方法很多,有HLF(Highest LevelFirst)、LP(Longest Path)、LPT(Longest Processing Time)、CP(Critical Path)等。
2100433B
1、粒子群优化算法来源
粒子群优化算法是20世纪90年代南Kennedv提出的一种以群体智能为基础的新型水库优化调度方法它的来源是鸟群的群体效应。鸟群在飞行时经常改变方向,虽然存在偶然性。可是研究人员发现鸟儿一直都保持一个统一的队形。相邻个体之间都保持一定距离。当有鸟发现食物时。它们会通过一种特殊的方式进行消息传递正是这种群体中的信息共享积极推动了整个群体的良性演化。
2、粒子群优化算法的原理
受到鸟群集体效应的启发。研究者将此种方法引入到水电站水库优化调度中来。在对水库进行优化时,把每一个影响点都看做N维空间中的“粒子”。每~个“粒子”都有特定的轨迹以及目标函数,将所有的“粒子”都拟合完毕后。输入算法,在所有的轨迹中寻找最佳轨道。也就是“食物”。
3、粒子群优化算法的基本步骤
第一步、明确整个群体的总数目N.第二步、设计每一个“粒子”的目标函数以及运动方向。设置速度位置。第步、依据目标函数计算每个“粒子”的运动轨迹第四步、将所有的运动轨迹进行比对。选择最佳的运动轨迹。