基于可插拔模型分片的小水電群多目標調度系統設計與實現

徐新黎，鄭舒天，李 笠，王萬良(浙江工業大學 計算機科學與技術學院，浙江 杭州 310023)

基于可插拔模型分片的小水電群多目標調度系統設計與實現

徐新黎，鄭舒天，李 笠，王萬良
(浙江工業大學 計算機科學與技術學院，浙江 杭州 310023)

為了提升區域內小水電的經濟效益和生態效益，針對多元化的小水電群調度目標，設計并實現了可插拔模型分片技術的小水電群多目標調度系統.系統采用接口抽取方法與關注點分離思想，將多個調度模型以XML描述文件的格式進行切割分片，在調度決策中以可插拔的形式制定調度目標，具備了良好的可操作性和擴展性.給出了基于二次處理策略的NNBR模型徑流預測方法，考慮實際應用示范流域具有多種類型的水庫、電站，以及具有串、并聯的混聯結構特征，實現了徑流預測、多目標聯合調度和生態徑流保證等多種要求.

小水電群；優化調度；多目標；可插拔；模型分片；徑流預測

小水電是農村經濟發展、環境保護與生態建設的重要手段.由于小水電站裝機規模小，調度靈活，對電網分布和系統穩定影響較小.但小水電站受徑流來水影響大，枯水期水量不足，豐水期易棄水，調度時憑借人工經驗為主，不同的調度人員得出的調度結果往往存在很大的差異.另外，小水電站自動化程度低，大量數據只是手工記錄或根據沒有記錄，出現問題后難以追溯.如果能合理地將小水電群進行聯合優化調度，可以整體提升區域內小水電的經濟效益和生態效益，促進小水電的可持續發展.

水電群優化調度屬于大規模、多目標優化問題，其優化調度對象的復雜多樣，使得不同目標之間相互影響和制約.隨著水電調度算法、模型等研究的逐步深入，水電站調度決策系統應運而生.周惠成等設計的水庫群防洪調度系統實現了從衛星云圖、氣象預報信息、水雨情實測信息和實時洪水預報信息的收集處理到水庫防洪調度方案制定、評價與選擇和防汛會商決策[1].張光科等設計了集調度、查詢、分析和管理等功能為一體的水電站中長期優化調度決策支持系統[2].徐剛等基于面向服務架構(SOA)的工作流程管理，構建了具有業務流程自動化和重構能力強的快速適應性水電站群發電調度決策支持系統[3].但已有的這些系統主要針對大中型的水電調度，系統目標側重于通用性、簡單性和擴展性等，在實際應用中存在調度目標少、決策結果單一和難以運用于特定調度對象等不足.為了提升區域內小水電的經濟效益和生態效益，針對多元化的小水電群調度目標，在已有小水電調度研究[4-6]的基礎上，結合粒子群優化算法[7-8]和多目標調度方法[9-10]，根據區域內水電調度管理經驗，將軟件可插拔技術運用于水電調度模型管理中，設計了基于可插拔模型分片的小水電群多目標調度系統，實現了調度模型靈活升級、多目標聯合優化調度和生態徑流保證等功能.

1 基于可插拔的模型分片

傳統的、緊耦合的水電調度系統針對多目標調度功能，往往采用硬編碼的形式，將調度的目標模型固定，使得系統穩定運行后的擴展更新階段會顯得非常笨重.為了將水電調度模型以一種可復用、可選擇和可裁剪的方式提供給系統，并使各個調度模型能夠獨立開發、測試及管理，采用一種解決調度模型平滑升級的思路，即將不同的調度模型進行分片，分片后使用符合Schema規范的XML語言對水電調度模型進行描述.不同目標的模型以標簽進行劃分.type屬性區分調度模型的類型，描述該模型是屬于長期調度模型還是短期調度模型.為模型中的運算數據，運算數據分為兩種，分別由Dependency-Des描述的已知數據和由Dependency-DB描述的動態數據組成.分片后的模型均能以一種模塊化的方式進行集成，省略了升級時重新部署所需要的諸多費時操作，能夠有效保證系統在正常運作的同時，用戶可以便捷地對已有模型進行增刪改等管理操作.

為了將調度模型與系統解耦，所有的模型抽離出來后，將每一種調度模型作(如發電量最大、供水保證、生態徑流保證和電價收益最優等)為關注點.如圖1所示，各個分片后的調度模型作為該系統上的可插拔模型單元，動態插入到調度模塊中參與運行和計算.調度模型管理引擎可以提供統一的數據格式和開放接口，用于動態加載不同目標的調度模型.優化調度運行時，系統讀取XML模型描述并進行解析.解析后的模型可以透明插入調度模塊，然后結合所選擇的算法進行優化調度計算，最后進行調度結果展示.

圖1 模型分片Fig.1 Model segment

采用分片可插拔技術后，模型算法管理員可以在系統運行過程中透明切換可選模型.如果系統模型老舊需要升級或替換，可以由系統管理員實施，無需涉及開發人員.水電調度模型也可以單獨地進行開發和測試，然后通過可插拔的方式快速地集成并部署到運行的系統中，從而也為模型的移植和通用提供了支持[11].

2 基于二次處理的NNBR模型徑流預測

在小水電群多目標調度系統中，徑流預測分為長期徑流預測層和短期徑流預測層.兩層徑流預測在計算求解中各自運行，計算結果相互反饋和修正，具體預測過程如圖2所示.

圖2 徑流預測過程Fig.2 Runoff forecast process

長期徑流預測需要歷史水文數據的支持.系統首先對水庫歷史水文數據進行預處理操作，預處理工作包括數據規格化和異常數據標記等.預處理完成后，建立最近鄰抽樣回歸模型NNBR(Nearest neighbor bootstrapping regressive model).NNBR模型是基于數據驅動的非參數統計模型，可避免模型選擇和參數不確定性問題[12].這里采用改進的預測模型處理方式，即對預報結果進行二次處理.二次處理具體過程包括，根據設計報告和典型年分析，將預測年份定義為正常年份、豐水年份或枯水年份，并進行相應的標記.若預測年份被定義為豐水年份，則根據典型年報告針對6～9四個月的預測結果進行正增益處理；若預測年份被定義為枯水年份，則根據典型年報告針對11，12，1，2四個月的預測結果進行負增益處理；若預測年份被定義為正常年份，則不對預測結果進行處理，處理后的結果即為長期徑流預測的最終結果.

長期徑流預測計算完成后，會將每個月的計算結果作為計算基數，為短期徑流預測提供支持.短期徑流預測通過實時水文數據和未來短時間徑流降雨預報進行計算，并將計算結果實時發送給長期徑流預測層，起到修正作用.

3 調度系統設計

3.1 應用需求分析

小水電群多目標調度系統需要為水電站管理維護人員提供決策支持、優化調度、徑流預測和信息管理等多維功能.在決策支持方面，系統要為調度人員提供發電計劃等決策建議，使調度決策更加精準合理；在可持續發展要求下，需要在保證水電經濟效益的同時兼顧生態；在信息搜集和管理方面，要對所覆蓋區域小水電群提供完整、實時的信息收集，以及對數據的分析和處理手段.

根據功能需求和實際情況分析，本系統的適用對象為具有調節能力的小水電群，即要實現系統的核心業務，水電群內至少有一個電站是帶有水庫的并具備調節能力，其中多目標聯合調度可分為長期和短期，并具有長短期調度相結合的功能，長短期調度相結合的工作過程如圖3所示.上層調度機構根據所管轄電站水庫的水文數據和運行數據進行宏觀調度，制定長期調度計劃；下層多個電站和水庫組成的電站群將按照長期計劃進行具體實施，并根據自身水文情況制定短期目標，短期調度的具體實施結果將會反饋給上層調度機構，并以此修正原始的長期調度計劃，使整體計劃更趨向于真實合理.下層具體電站為系統的各個調度節點，調度節點間的數據通信和協同通過網絡連接，方便進行集群化管理.每個具體的電站節點不僅具有存儲、計算和制定計劃等功能，可以擴展到網絡內的其他節點電站進行協同工作.小水電群多目標調度系統使用分布式的處理方式，可以減輕主服務器的存儲和計算壓力，實現多服務器的負載平衡，提高數據查詢、傳輸和計算的效率.

圖3 優化調度過程Fig.3 Optimal scheduling procedure

3.2 總體架構設計

為了滿足不同平臺用戶通過網絡對數據共享、交互的要求[13]，小水電群多目標調度系統開發采用B/S結構，基于輕量級框架集合SSH(Spring+Struts+Hibernate)技術，以Microsoft SQL Server 2005企業版作為數據庫.系統以水庫水文數據和電站運行數據為驅動，以徑流預測、優化調度和生態徑流保證為核心進行設計和開發.

系統架構采用鮮明的層次劃分[14]，按照架構邏輯自下而上分為五層:數據層、模型層、算法層、核心業務層和人機交互層，如圖4所示.數據層位于系統架構的底層.因為系統涉及小水電站群，所以每個水電系統都維護了各自的本地數據庫，這些本地數據庫按照HTTPS協議以RESTful(GET，PUT，POST和DELETE)[15]形式與主數據庫服務器進行數據(水庫水文數據和電站運行數據)同步.同時數據庫服務器以接口調用的形式維護外部數據(氣象預報、降雨預報量和衛星云圖影像).模型層是基于數據的抽象，以不同目標為基準將數據抽象成發電量最大、生態徑流保證、供水保證和電價收益最優等多種目標模型.算法層提供多種智能算法供調度計算選擇.核心業務層提供多個模塊供水電站管理人員調用，其中徑流預測提供來水量預測的支持，是進行多目標調度決策的先決條件，日常管理和防洪預警模塊為電站中正常運作提供數據記錄.

圖4 系統總體架構Fig.4 System overall framework

3.3 功能模塊設計

小水電群多目標調度系統按照用戶權限，將功能模塊劃分為四個部分：數據管理模塊、模型算法模塊、調度運維模塊和日常管理模塊，其功能結構如圖5所示.

圖5 系統功能結構Fig.5 System function structure

數據管理模塊通過系統后臺線程直接抓取實測水文/運行數據和調用第三方接口兩種方式獲取所有數據.數據管理模塊可以對獲取的實測水文/運行等數據進行查詢、錄入、增加、刪除和修改操作，還可以通過第三方接口獲取和管理氣象預報、降雨量預測以及衛星云圖影像等數據.其中歷史水文數據主要為系統徑流預測和調度運維服務；歷史運行數據主要為優化調度和決策提供支持；氣象數據包括衛星云圖影像，可以為水電站工作人員的管理計劃制定等方面提供參考幫助.

模型算法模塊通過對大量的水文/運行等數據進行分析和歸納，最終以模型的形式進行存儲和調用.模型算法模塊中，使用應用程序與目標模型算法分離的接口通訊技術，使得系統在管理目標模型和算法時，只需通過系統內部提供的接口和公共API，就可以完成對現有模型和優化算法的修改，以及添加一個全新的模型或算法.

調度運維模塊供水電站管理人員進行徑流預測和優化調度使用.現有的多個目標為：發電量最大、生態徑流保證、灌溉用水保證等.系統提供多種優化算法可供調度選擇，最終將多個目標的調度結果組成Pareto最優解集，在制定發電計劃的時候選取其中某一組作為最終決策.該策略可以為發電調度提供更多的參考，電站管理人員根據具體情況酌情選擇調度計劃.具體執行包括長短期調度相結合，輔以長期徑流預測、短期徑流預測和多目標選擇等功能，優化過程兼顧水庫水量平衡、水電站設備資源約束以及水庫安全運行等條件，提高農村小水電群水能利用效率.

日常管理模塊提供水電站日常的人事、巡檢和防汛會商等計劃的安排，為水電站提供完整的信息化管理.系統同時提供水電站下游生態安全評估子系統，以最大程度地保持適宜生態徑流為評估的基本原則[6].該子系統針對生態環境進行多維分析，結合專家打分和實測數據對比等手段，以反饋控制的方式[7]修正調度決策結果，實現調度過程最優化、調度結果動態修正的良好機制，優化水庫蓄泄狀態和下游生態平衡.

4 調度系統實現

4.1 調度實例

小水電群多目標調度系統以江西瀘水河流域進行模擬仿真.該流域具有多種類型的水庫(年調節水庫、日調節水庫等)和電站(壩后式電站、徑流式電站、引流式電站等)，小水電群也具有串聯和并聯多種結構特征.由于該流域內電站和水庫較多，選取具有典型效應的電站和具有調節能力的水庫作為研究對象.參與調度的水庫電站為：社上電站(帶有社上水庫)、巖頭陂電站(帶有巖頭陂水庫)、安福渠電站、東谷電站(帶有東谷水庫)和安平電站，流域示意圖如圖6所示.

圖6 瀘水河流域Fig.6 Lushui river basin

該流域內有a，b，c三條支流，其中a支流直接流入社上水庫，b支流和巖頭陂的下泄水流一起匯入海華一級電站，c支流直接流入東谷水庫.安福渠電站為引流式電站，因發電需求量大，在平時工作時d點一直處于斷流狀態(即流量為0).海華一級和海華二級電站裝機容量小，電站自動化程度低且沒有歷史數據的記錄，因此不考慮海華一級和海華二級的出力.參與流域調度的各電站基本信息如表1所示.

表1 流域調度電站基本信息Table 1 Hydroelectric power stations of river basin scheduling

流域各電站來水量的計算公式分別為

Iy,t=ω·Ia,t+γ·Qs,t·Δt

(1)

(2)

(3)

Ib,t=φ·Ia,t

(4)

式中：Iy,t，If,t和Ip,t分別為t時段內巖頭陂水庫、安福渠電站和安平電站的入庫水量；Ia,t，Ib,t分別為t時段支流a、支流b的來水量；Qs,t，Qy,t，Qd,t和Qf,t分別為t時段內社上電站、巖頭陂電站、東古水庫和安福渠電站的下泄流量；ω為巖頭陂水庫和社上水庫的集雨面積比(數據來自設計報告)；γ為社上電站至巖頭陂水庫間的流量耗損(數據來自設計報告)；θ為巖頭陂電站至安福渠電站間的流量耗損(通過歷史數據計算)；η為東谷電站與安福渠電站至安平電站間的流量耗損(通過歷史數據計算)；φ為支流b與支流a的集雨面積比(數據來自設計報告).

4.2 徑流預測

徑流預測時需要選擇水文歷史年限范圍.系統自動根據歷史水文戳標注出該范圍內豐水枯水記錄，建立預報計算模型，進行求解計算.表2為使用該水庫歷史20年數據進行徑流預測所得結果.

表2 徑流預測結果Table 2 Results of runoff forecast

4.3 智能調度決策

小水電群多目標調度系統實時采集水庫水文數據以及電站運行數據，根據實際數據進行智能調度決策.調度模型采用考慮發電、生態和灌溉且滿足庫容約束和水量約束的流域小水電群多目標聯合調度問題模型，其中增大發電量是為了保證電力公司利益最大化，保證河道生態需水差和灌區的灌溉用水差最小是為了在保持整個流域環境的前提下盡可能減少放水量，從而使水庫的水位長期處于較高的位置.表3為系統根據預測來水數據以及各電站的數據，選擇離散粒子群算法(DPSO)進行長期多目標調度所得到的多目標優化調度非劣解集.

表3 多目標優化調度非劣解集

Table 3 The pareto optimal solution set of multi-objective scheduling

調度方案總發電量/(萬kW·h)總生態缺水量/(萬m3)111542.4930-34709.7760211534.3560-34673.9994311525.0759-34515.0660411541.2814-34709.7760511540.3175-34709.7760611549.9004-34709.7760711548.9409-34709.7760811539.3686-34709.7760911533.4203-34709.77601011545.8298-34700.6516

5 結 論

從農村水電站群聯合調度需求出發，采用B/S架構，完成了小水電群多目標調度系統，提供了徑流預測、長短期調度和多目標選擇等功能.鑒于水電調度目標多樣性的考慮，提出基于可插拔的模型分片設計，實現調度模型的可插拔機制，并成功將調度模型與系統解耦.后續，系統在人機交互以及穩定運行方面還需要進一步完善，隨著研究的深入，會針對系統現有的不足進行版本的升級，使系統的通用性和穩定性得到進一步的提升.

[1] 周惠成,梁國華,王本德,等.基于網絡的水庫群防洪調度系統應用研究[J].大連理工大學學報,2002,42(3):366-370.

[2] 張光科,邱楨耀.基于Web Service的水電站中長期優化調度決策支持系統[J].水力發電學報,2006,25(4):12-15.

[3] 徐剛,杜發興,翟謹.基于SOA的工作流技術構建水電站群發電調度決策支持系統[J].水力發電,2008,34(1):11-14.

[4] 羅云霞,王萬良,周慕遜.基于自適應粒子群算法的梯級小水電群優化調度研究[J].水力發電學報,2008,27(4):7-10.

[5] 徐新黎,楊丹,王萬良,等.混聯水庫群分時電價下優化調度模型研究[J].浙江工業大學學報，2015,43(4):431-437.

[6] 周李智,王萬良,徐新黎,等.基于生態懲罰的混聯梯級小水電群優化調度[J].水力發電學報,2015,34(7):45-56.

[7] 魯建廈,胡海芬,董巧英.基于博弈粒子群算法的混流混合車間調度研究[J].浙江工業大學學報,2015,43(4):398-404.

[8] 陳志楊,劉妍.改進粒子群搜索的二維皮革排樣優化算法[J].浙江工業大學學報,2015,43(5):492-496.

[9] 張靜,王萬良,徐新黎,等.混合粒子群算法求解多目標柔性作業車間調度問題[J].控制理論與應用,2012,29(6):715-722.

[10] 左益,公茂果,曾久琳,等.混合多目標算法用于柔性作業車間調度問題[J].計算機科學,2015,42(9):220-225.

[11] 伍志平.基于模塊可插拔機制的信息系統平臺的設計與實現[D].上海:復旦大學,2012.

[12] 劉曄,湯成友.最近鄰抽樣回歸模型及其在枯水期月徑流預報中的應用[J].水科學與工程技術,2011(6):14-17.

[13] 朱愛紅,余冬梅,張聚禮.基于B/S軟件體系結構的研究[J].計算機工程與設計,2005,26(5):1163-1165.

[14] 張仁貢,程夏蕾.全國水能資源區劃評價決策支持系統的設計與應用[J].水力發電學報,2013,32(5):70-76.

[15] 程春田,申建建,武新宇,等.大規模水電站群短期優化調度方法IV：應用軟件系統[J].水利學報,2012,43(2):160-167.

(責任編輯：劉 巖)

Design and implementation of multi-objective scheduling system for small hydro group based on pluggable model segmenting

XU Xinli, ZHENG Shutian, LI Li, WANG Wanliang
(College of Computer Science and Technology, Zhejiang University of Technology, Hangzhou 310023, China)

In order to improve regional ecological benefits of small hydropower and consider multi-objective scheduling characteristics of small hydro group, a multi-objective scheduling system based on segmenting of pluggable models for small hydro group was designed and implemented. The methods of interface extraction and the separation of concern are applied in the system. The hydropower scheduling models were cut into smaller XML files, So it can make scheduling target in pluggable form in the scheduling decision. The system has a good maneuverability and scalability. Moreover, the NNBR(Nearest Neighbor Bootstrapping Regressive) model with re-treating strategy was proposed to calculate runoff forecast. For the actual application drainage basin, there are various types of reservoirs and hydroelectric power stations and the hybrid connected structures. Many functions of the system, such as runoff forecast, muti-objective optimal scheduling, and ecological runoff guarantee, were implemented.

small hydro group; optimal scheduling; multi-objective; hot plug; model segment; runoff forecast

2016-03-19

國家“十二五”科技支撐計劃資助項目(2012BAD10B01)

徐新黎(1977—)，女，浙江余姚人，副教授，研究方向為調度優化、智能計算與無線傳感器網絡，E-mail：xxl@zjut.edu.cn.

TP319

A

1006-4303(2017)02-0173-06