一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法
【專利摘要】本發(fā)明公開(kāi)了一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，采用多目標(biāo)優(yōu)化算法得到水庫(kù)多目標(biāo)調(diào)度非劣解集，并利用隨機(jī)森林模型建立所有水庫(kù)調(diào)度規(guī)則參數(shù)與非劣解集的關(guān)系，通過(guò)評(píng)價(jià)各參數(shù)對(duì)非劣解集的預(yù)測(cè)效果，優(yōu)選出信息量最大的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)。本發(fā)明能有效利用水庫(kù)優(yōu)化調(diào)度信息，大大減少水庫(kù)調(diào)度規(guī)則中的參數(shù)個(gè)數(shù)，提高了水庫(kù)多目標(biāo)優(yōu)化調(diào)度模型的求解效率，為水庫(kù)的科學(xué)決策提供更簡(jiǎn)單且可操作性強(qiáng)的參考依據(jù)。
【專利說(shuō)明】
一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法
技術(shù)領(lǐng)域
[0001]本發(fā)明屬于水庫(kù)調(diào)度技術(shù)領(lǐng)域，涉及一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法。
【背景技術(shù)】
[0002]水庫(kù)作為一種徑流調(diào)節(jié)的工具，在使水資源更適合人類社會(huì)發(fā)展以及維護(hù)生態(tài)環(huán)境方面發(fā)揮著重要作用，水庫(kù)調(diào)度規(guī)則是一種指導(dǎo)水庫(kù)運(yùn)行的方式。隨著社會(huì)進(jìn)步和經(jīng)濟(jì)發(fā)展，人們對(duì)水資源利用有了更多需求，一般通過(guò)智能多目標(biāo)優(yōu)化算法得到滿足多種用水需求的水庫(kù)調(diào)度規(guī)則。但水庫(kù)多目標(biāo)優(yōu)化問(wèn)題往往存在著非線性、高維度的特點(diǎn)，增加了智能算法的尋優(yōu)成本，如何在多個(gè)水庫(kù)調(diào)度規(guī)則中優(yōu)選出最有價(jià)值的參數(shù)，從而降低優(yōu)化維度，提高尋優(yōu)效率對(duì)水庫(kù)的運(yùn)行管理有著重要意義。
[0003]數(shù)據(jù)挖掘是指從大量的數(shù)據(jù)中通過(guò)算法搜索隱藏于其中信息的過(guò)程，近年來(lái)，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關(guān)注，其主要原因是存在大量數(shù)據(jù)，可以廣泛使用，并且迫切需要將這些數(shù)據(jù)轉(zhuǎn)換成有用的信息和知識(shí)。隨機(jī)森林作為數(shù)據(jù)挖掘技術(shù)中的一種，并以其運(yùn)算量小、預(yù)測(cè)精度高等特點(diǎn)而被用于分類和回歸分析([文獻(xiàn)I])。易堯華等([文獻(xiàn)2])提出了一種基于隨機(jī)森林的衛(wèi)星遙感影像云量計(jì)算方法，通過(guò)樣本獲取、影像回歸分類等步驟計(jì)算了遙感影像中的云量。隨著數(shù)據(jù)挖掘技術(shù)在水庫(kù)調(diào)度領(lǐng)域方面的深入發(fā)展，國(guó)內(nèi)學(xué)者提出了基于數(shù)據(jù)挖掘的水庫(kù)調(diào)度方法。例如:張弛([文獻(xiàn)3])等利用數(shù)據(jù)挖掘中的決策樹(shù)技術(shù)對(duì)多年水庫(kù)實(shí)際水文數(shù)據(jù)和調(diào)度數(shù)據(jù)進(jìn)行分析和挖掘，結(jié)合預(yù)報(bào)入流從中挖掘出以調(diào)度樹(shù)形式的水庫(kù)調(diào)度規(guī)則。習(xí)樹(shù)峰等([文獻(xiàn)4])利用決策樹(shù)方法利用預(yù)報(bào)降雨數(shù)據(jù)、前期土壤含水量、當(dāng)前庫(kù)水位等水庫(kù)調(diào)度數(shù)據(jù)，提取了跨流域弓I水水庫(kù)的實(shí)時(shí)調(diào)度規(guī)則。在水庫(kù)多目標(biāo)優(yōu)化調(diào)度方面，周研來(lái)等([文獻(xiàn)5])采用自適應(yīng)遺傳算法編制多目標(biāo)優(yōu)化調(diào)度圖，在保證水庫(kù)防洪安全的前提下最大限度地提高水庫(kù)調(diào)度的綜合效益。楊光等([文獻(xiàn)6])考慮未來(lái)徑流變化對(duì)水庫(kù)調(diào)度的影響，采用非支配排序遺傳算法(NSGA-1I)算法推求了兼顧丹江口水庫(kù)供水和發(fā)電的多目標(biāo)調(diào)度規(guī)則。然而，他們并沒(méi)有將數(shù)據(jù)挖掘技術(shù)整合到水庫(kù)多目標(biāo)優(yōu)化調(diào)度規(guī)則參數(shù)的提取中。決策樹(shù)作為一種數(shù)據(jù)挖掘技術(shù)在提取水庫(kù)調(diào)度規(guī)則時(shí)可能存在過(guò)擬合現(xiàn)象，而隨機(jī)森林能夠通過(guò)整合多個(gè)決策樹(shù)而降低過(guò)擬合概率。
[0004]隨機(jī)森林方法能夠從一組無(wú)規(guī)律的事例中利用信息論原理對(duì)大量樣本的屬性進(jìn)行分析和歸納，提取隱藏信息，挖掘出數(shù)據(jù)間的相互關(guān)系，尋找出有價(jià)值的信息。所以該方法能夠從復(fù)雜的水庫(kù)調(diào)度規(guī)則中尋找出最有利于多目標(biāo)優(yōu)化調(diào)度的參數(shù)?，F(xiàn)有的水庫(kù)多目標(biāo)優(yōu)化模型往往直接對(duì)水庫(kù)調(diào)度規(guī)則進(jìn)行優(yōu)化，沒(méi)有避開(kāi)原有規(guī)則中的冗余信息，且目前尚未有研究采用隨機(jī)森林方法優(yōu)選水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)。
[0005][文獻(xiàn)I]李欣海.隨機(jī)森林模型在分類與回歸分析中的應(yīng)用[J].應(yīng)用昆蟲(chóng)學(xué)報(bào)，2013,50(4):1190-1197.
[0006][文獻(xiàn)2]易堯華，袁媛，張宇，等.一種基于隨機(jī)森林的衛(wèi)星遙感影像云量計(jì)算方法.專利號(hào):CN105260729A.
[0007][文獻(xiàn)3]張弛，周惠成，王本德.決策樹(shù)技術(shù)在水庫(kù)興利調(diào)度中的應(yīng)用研究[J].哈爾濱工業(yè)大學(xué)學(xué)報(bào)，2007,39(8): 1314-1318.
[0008][文獻(xiàn)4]習(xí)樹(shù)峰，彭勇，梁國(guó)華，等.基于決策樹(shù)方法的水庫(kù)跨流域引水調(diào)度規(guī)則研究[J].大連理工大學(xué)學(xué)報(bào),2012,52(1): 74-78.
[0009][文獻(xiàn)5]周研來(lái)，郭生練，陳華，等.一種自適應(yīng)氣候變化的水庫(kù)多目標(biāo)優(yōu)化調(diào)度圖編制方法.專利號(hào):CNl 0304967IA
[0010][文獻(xiàn)6]楊光，郭生練，李立平，等.考慮未來(lái)徑流變化的丹江口水庫(kù)多目標(biāo)調(diào)度規(guī)則研究[J].水力發(fā)電學(xué)報(bào)，2015，34(12):54-63.

【發(fā)明內(nèi)容】

[0011]針對(duì)現(xiàn)有技術(shù)存在的不足，本發(fā)明提供了一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法。
[0012]本發(fā)明所采用的技術(shù)方案是:一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，其特征在于，包括以下步驟:
[0013]步驟1:收集水庫(kù)上游站點(diǎn)觀測(cè)的數(shù)據(jù)資料，將水庫(kù)調(diào)度規(guī)則用數(shù)學(xué)公式的方式進(jìn)行描述；
[0014]步驟2:采用多目標(biāo)優(yōu)化算法，以水庫(kù)歷史入庫(kù)流量作為輸入，對(duì)水庫(kù)調(diào)度規(guī)則中的參數(shù)進(jìn)行優(yōu)化，得到一系列能夠滿足水庫(kù)多目標(biāo)利用需求的非劣解集；
[0015]步驟3:根據(jù)步驟2中得到的非劣解集及其對(duì)應(yīng)的水庫(kù)調(diào)度規(guī)則參數(shù)，采用隨機(jī)森林對(duì)它們的屬性進(jìn)行分析和歸納，挖掘其間的相互聯(lián)系，并通過(guò)參數(shù)預(yù)測(cè)非劣解集；
[0016]步驟4:統(tǒng)計(jì)各水庫(kù)調(diào)度規(guī)則參數(shù)對(duì)非劣解集的預(yù)測(cè)效果，將預(yù)測(cè)精度最高的前M個(gè)參數(shù)作為描述水庫(kù)調(diào)度規(guī)則信息量最大的參數(shù)；
[0017]步驟5:采用多目標(biāo)算法優(yōu)化步驟4中優(yōu)選的參數(shù)，得到新的水庫(kù)調(diào)度規(guī)則。
[0018]作為優(yōu)選，步驟I中所述上游站點(diǎn)觀測(cè)的數(shù)據(jù)包括入庫(kù)流量和各水庫(kù)之間的區(qū)間流量過(guò)程。
[0019]作為優(yōu)選，步驟2中所述多目標(biāo)優(yōu)化算法，其具體實(shí)現(xiàn)包括以下子步驟:
[0020]步驟2.1:對(duì)水庫(kù)調(diào)度規(guī)則中的參數(shù)進(jìn)行編碼，對(duì)編碼的參數(shù)進(jìn)行隨機(jī)賦值，生成初始種群，對(duì)初始種群中每一組編碼值進(jìn)行解碼，得到水庫(kù)調(diào)度規(guī)則參數(shù)，并將歷史入庫(kù)數(shù)據(jù)作為輸入，按規(guī)則調(diào)度得到最后的調(diào)度結(jié)果；
[0021]步驟2.2:將步驟2.1中產(chǎn)生的調(diào)度結(jié)果進(jìn)行篩選排序，并挑選出不被任何其余結(jié)果支配的解，作為本次調(diào)度產(chǎn)生的非劣解集；
[0022]步驟2.3:在步驟2.2中生成的非劣解集中隨機(jī)抽取預(yù)設(shè)個(gè)數(shù)的解，并將這些解對(duì)應(yīng)的參數(shù)集作為子代進(jìn)行編碼；
[0023]步驟2.4:對(duì)步驟2.3生成的子代進(jìn)行雜交、變異操作，生成新的種群，并解碼得到水庫(kù)調(diào)度規(guī)則參數(shù)，將歷史入庫(kù)數(shù)據(jù)作為輸入，按規(guī)則調(diào)度得到最后的調(diào)度結(jié)果；
[0024]步驟2.5:重復(fù)步驟2.2—步驟2.4，直到本次得到的調(diào)度結(jié)果與上一次得到的結(jié)果之間的差異在預(yù)設(shè)范圍內(nèi)，將最后生成的一組參數(shù)，作為水庫(kù)多目標(biāo)優(yōu)化調(diào)度規(guī)則，并將對(duì)應(yīng)的調(diào)度結(jié)果作為能夠滿足水庫(kù)多目標(biāo)利用需求的非劣解集。
[0025]作為優(yōu)選，步驟3中所述采用隨機(jī)森林對(duì)它們的屬性進(jìn)行分析和歸納，其具體實(shí)現(xiàn)包括以下子步驟:
[0026]步驟3.1:將歷史資料分為率定期和檢驗(yàn)期部分，并將一類水庫(kù)調(diào)度規(guī)則參數(shù)和對(duì)應(yīng)的非劣解集作為數(shù)據(jù)集，其中率定期的為訓(xùn)練集，檢驗(yàn)期的為測(cè)試集；
[0027]步驟3.2:在率定期的訓(xùn)練集中進(jìn)行η次重復(fù)隨機(jī)抽樣，形成多個(gè)訓(xùn)練子集;按照一類規(guī)則參數(shù)對(duì)應(yīng)一組非劣解集的原則，針對(duì)各訓(xùn)練子集分別建立決策樹(shù)，構(gòu)成隨機(jī)森林，以描述調(diào)度規(guī)則參數(shù)與非劣解集的回歸關(guān)系；
[0028]步驟3.3:采用檢驗(yàn)期測(cè)試集數(shù)據(jù)，利用步驟3.2中建立的調(diào)度規(guī)則參數(shù)與非劣解集的回歸關(guān)系，推求測(cè)試集中水庫(kù)調(diào)度規(guī)則參數(shù)對(duì)應(yīng)的非劣解集；
[0029]步驟3.4:對(duì)步驟3.3中的預(yù)測(cè)結(jié)果進(jìn)行綜合，得到最終的預(yù)測(cè)結(jié)果；
[0030]步驟3.5:重復(fù)步驟3.1一步驟3.4，直到遍歷完所有水庫(kù)調(diào)度規(guī)則參數(shù)，采用隨機(jī)森林建立其與非劣解集的關(guān)系，并得到每一組水庫(kù)調(diào)度參數(shù)對(duì)非劣解集的預(yù)測(cè)結(jié)果。
[0031]作為優(yōu)選，步驟4中，將所有水庫(kù)調(diào)度規(guī)則參數(shù)預(yù)測(cè)的非劣解集與實(shí)際結(jié)果進(jìn)行對(duì)比，并采用均方根誤差評(píng)價(jià)所有水庫(kù)調(diào)度規(guī)則參數(shù)的預(yù)測(cè)效果，將預(yù)測(cè)精度最高的前M個(gè)參數(shù)作為描述水庫(kù)調(diào)度規(guī)則信息量最大的參數(shù)。
[0032]與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果:
[0033]該模型合理利用水庫(kù)初始調(diào)度規(guī)則參數(shù)和非劣解集的信息，通過(guò)采用隨機(jī)森林模型優(yōu)選出最能反應(yīng)水庫(kù)多目標(biāo)調(diào)度規(guī)則的參數(shù)，大大減少了被優(yōu)化參數(shù)的數(shù)量，降低了多目標(biāo)算法的優(yōu)化成本，提高了水庫(kù)多目標(biāo)優(yōu)化調(diào)度規(guī)則的推求效率，提供了更加簡(jiǎn)單的調(diào)度規(guī)則，從而大大方便了水庫(kù)的運(yùn)行管理。
【附圖說(shuō)明】
[0034]圖1為本發(fā)明實(shí)施例的隨機(jī)森林建立及預(yù)測(cè)流程圖；
[0035]圖2為本發(fā)明實(shí)施例的多目標(biāo)優(yōu)化算法流程圖；
[0036]圖3為本發(fā)明實(shí)施例的多目標(biāo)非劣解集分布示意圖，其中(a)表示三個(gè)目標(biāo)函數(shù)情形，(b)表示三個(gè)目標(biāo)函數(shù)情形；
[0037]圖4為本發(fā)明實(shí)施例的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選流程圖。
【具體實(shí)施方式】
[0038]為了便于本領(lǐng)域普通技術(shù)人員理解和實(shí)施本發(fā)明，下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明作進(jìn)一步的詳細(xì)描述，應(yīng)當(dāng)理解，此處所描述的實(shí)施示例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定本發(fā)明。
[0039]本發(fā)明將水庫(kù)多目標(biāo)優(yōu)化調(diào)度模型與隨機(jī)森林模型相結(jié)合，提出了一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選流程圖如圖1所不O
[0040]本發(fā)明的具體實(shí)現(xiàn)包括以下步驟:
[0041]步驟I，收集水庫(kù)上游站點(diǎn)觀測(cè)的入庫(kù)流量等數(shù)據(jù)資料，將水庫(kù)調(diào)度規(guī)則用數(shù)學(xué)公式的方式進(jìn)行描述;具體公式如下:
[0042]Ot = at.(Vt+w.It)+bt；
[0043]式中:Ot為水庫(kù)第t時(shí)段出庫(kù)流量(m3/s);w為單位轉(zhuǎn)換系數(shù);at和bt為調(diào)度函數(shù)中以年為周期變化的規(guī)則參數(shù)，即每個(gè)月對(duì)應(yīng)不同的值，但每年的同一個(gè)月份里at(bt)取同樣的值。Vt為安康水庫(kù)第t時(shí)段初水庫(kù)可用蓄水量(m3/s); It為安康水庫(kù)第t時(shí)段入庫(kù)流量(m3/
S) O
[0044]步驟2，采用多目標(biāo)優(yōu)化算法，以水庫(kù)歷史入庫(kù)流量作為輸入，對(duì)水庫(kù)調(diào)度規(guī)則中的參數(shù)進(jìn)行優(yōu)化，得到一系列能夠滿足水庫(kù)多目標(biāo)利用需求的非劣解集，多目標(biāo)優(yōu)化算法流程圖及非劣解分布(示意圖)分別如圖2和圖3所示。
[0045]步驟2為本領(lǐng)域常規(guī)技術(shù)，進(jìn)一步包括以下子步驟:
[0046](I)對(duì)水庫(kù)調(diào)度規(guī)則中的參數(shù)at和bt進(jìn)行編碼，對(duì)編碼的參數(shù)進(jìn)行隨機(jī)賦值，生成初始種群，對(duì)初始種群中每一組編碼值進(jìn)行解碼，得到水庫(kù)調(diào)度規(guī)則參數(shù)at和bt，并將歷史入庫(kù)數(shù)據(jù)作為輸入，按規(guī)則調(diào)度得到最后的調(diào)度結(jié)果。
[0047](2)將(I)中產(chǎn)生的調(diào)度結(jié)果進(jìn)行篩選排序，并挑選出不被任何其余結(jié)果支配的解，作為本次調(diào)度產(chǎn)生的非劣解集。
[0048](3)在(2)中生成的非劣解集中挑選結(jié)果較優(yōu)的解，并將這些解對(duì)應(yīng)的參數(shù)集作為子代進(jìn)行編碼。
[0049](4)對(duì)(3)生成的子代進(jìn)行雜交、變異等操作，生成新的種群，并解碼得到水庫(kù)調(diào)度規(guī)則參數(shù)at和bt，將歷史入庫(kù)數(shù)據(jù)作為輸入，按規(guī)則調(diào)度得到最后的調(diào)度結(jié)果。
[0050](5)重復(fù)(2) — (4)，直到滿足結(jié)束條件(本次得到的調(diào)度結(jié)果與上一次得到的結(jié)果之間的差異在預(yù)設(shè)范圍內(nèi))，將最后生成的一組參數(shù)at和bt，作為水庫(kù)多目標(biāo)優(yōu)化調(diào)度規(guī)則，并將對(duì)應(yīng)的調(diào)度結(jié)果作為能夠滿足水庫(kù)多目標(biāo)利用需求的非劣解集。
[0051]步驟3，根據(jù)步驟2中得到的非劣解集及其對(duì)應(yīng)的水庫(kù)調(diào)度規(guī)則參數(shù)at和bt，按照一類參數(shù)對(duì)應(yīng)一組非劣解集的原則，分別采用隨機(jī)森林建立每一類水庫(kù)調(diào)度規(guī)則參數(shù)與所得非劣解集的關(guān)系，將它們的屬性進(jìn)行分析和歸納，并通過(guò)選定的參數(shù)預(yù)測(cè)非劣解集，隨機(jī)森林建立及預(yù)測(cè)流程圖如圖4所示。
[0052]步驟3進(jìn)一步包括以下子步驟:
[0053](I)將歷史資料分為率定期和檢驗(yàn)期部分，并將一類水庫(kù)調(diào)度規(guī)則參數(shù)和對(duì)應(yīng)的非劣解集作為數(shù)據(jù)集，其中率定期的為訓(xùn)練集，檢驗(yàn)期的為測(cè)試集。
[0054](2)在率定期的訓(xùn)練集中進(jìn)行η次重復(fù)隨機(jī)抽樣，形成多個(gè)訓(xùn)練子集。按照一類規(guī)則參數(shù)對(duì)應(yīng)一組非劣解集的原則，針對(duì)各訓(xùn)練子集分別建立決策樹(shù)，構(gòu)成隨機(jī)森林，以描述調(diào)度規(guī)則參數(shù)與非劣解集的回歸關(guān)系。
[0055](3)采用檢驗(yàn)期測(cè)試集數(shù)據(jù)，利用(2)中建立的調(diào)度規(guī)則參數(shù)與非劣解集的回歸關(guān)系，推求測(cè)試集中水庫(kù)調(diào)度規(guī)則參數(shù)對(duì)應(yīng)的非劣解集。
[0056](4)對(duì)(3)中的預(yù)測(cè)結(jié)果進(jìn)行綜合，得到最終的預(yù)測(cè)結(jié)果。
[0057](5)重復(fù)(I) 一 (4)，直到遍歷完所有水庫(kù)調(diào)度規(guī)則參數(shù)，采用隨機(jī)森林建立其與非劣解集的關(guān)系，并得到每一組水庫(kù)調(diào)度參數(shù)對(duì)非劣解集的預(yù)測(cè)結(jié)果。
[0058]步驟4，將所有水庫(kù)調(diào)度規(guī)則參數(shù)預(yù)測(cè)的非劣解集與實(shí)際結(jié)果進(jìn)行對(duì)比，并采用均方根誤差評(píng)價(jià)所有水庫(kù)調(diào)度規(guī)則參數(shù)的預(yù)測(cè)效果，將預(yù)測(cè)精度最高的前M個(gè)參數(shù)作為描述水庫(kù)調(diào)度規(guī)則信息量最大的參數(shù)。
[0059]步驟5，采用多目標(biāo)算法優(yōu)化步驟4中優(yōu)選的參數(shù)，得到新的水庫(kù)調(diào)度規(guī)則。
[0060]本發(fā)明能有效利用水庫(kù)優(yōu)化調(diào)度信息，大大減少水庫(kù)調(diào)度規(guī)則中的參數(shù)個(gè)數(shù)，提高了水庫(kù)多目標(biāo)優(yōu)化調(diào)度模型的求解效率，為水庫(kù)的科學(xué)決策提供更簡(jiǎn)單且可操作性強(qiáng)的參考依據(jù)。
[0061]應(yīng)當(dāng)理解的是，本說(shuō)明書(shū)未詳細(xì)闡述的部分均屬于現(xiàn)有技術(shù)。
[0062]應(yīng)當(dāng)理解的是，上述針對(duì)較佳實(shí)施例的描述較為詳細(xì)，并不能因此而認(rèn)為是對(duì)本發(fā)明專利保護(hù)范圍的限制，本領(lǐng)域的普通技術(shù)人員在本發(fā)明的啟示下，在不脫離本發(fā)明權(quán)利要求所保護(hù)的范圍情況下，還可以做出替換或變形，均落入本發(fā)明的保護(hù)范圍之內(nèi)，本發(fā)明的請(qǐng)求保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。
【主權(quán)項(xiàng)】
1.一種基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，其特征在于，包括以下步驟: 步驟1:收集水庫(kù)上游站點(diǎn)觀測(cè)的數(shù)據(jù)資料，將水庫(kù)調(diào)度規(guī)則用數(shù)學(xué)公式的方式進(jìn)行描述； 步驟2:采用多目標(biāo)優(yōu)化算法，以水庫(kù)歷史入庫(kù)流量作為輸入，對(duì)水庫(kù)調(diào)度規(guī)則中的參數(shù)進(jìn)行優(yōu)化，得到一系列能夠滿足水庫(kù)多目標(biāo)利用需求的非劣解集； 步驟3:根據(jù)步驟2中得到的非劣解集及其對(duì)應(yīng)的水庫(kù)調(diào)度規(guī)則參數(shù)，采用隨機(jī)森林對(duì)它們的屬性進(jìn)行分析和歸納，挖掘其間的相互聯(lián)系，并通過(guò)參數(shù)預(yù)測(cè)非劣解集； 步驟4:統(tǒng)計(jì)各水庫(kù)調(diào)度規(guī)則參數(shù)對(duì)非劣解集的預(yù)測(cè)效果，將預(yù)測(cè)精度最高的前M個(gè)參數(shù)作為描述水庫(kù)調(diào)度規(guī)則信息量最大的參數(shù)； 步驟5:采用多目標(biāo)算法優(yōu)化步驟4中優(yōu)選的參數(shù)，得到新的水庫(kù)調(diào)度規(guī)則。2.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，其特征在于:步驟I中所述上游站點(diǎn)觀測(cè)的數(shù)據(jù)包括入庫(kù)流量和各水庫(kù)之間的區(qū)間流量過(guò)程。3.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，其特征在于，步驟2中所述多目標(biāo)優(yōu)化算法，其具體實(shí)現(xiàn)包括以下子步驟: 步驟2.1:對(duì)水庫(kù)調(diào)度規(guī)則中的參數(shù)進(jìn)行編碼，對(duì)編碼的參數(shù)進(jìn)行隨機(jī)賦值，生成初始種群，對(duì)初始種群中每一組編碼值進(jìn)行解碼，得到水庫(kù)調(diào)度規(guī)則參數(shù)，并將歷史入庫(kù)數(shù)據(jù)作為輸入，按規(guī)則調(diào)度得到最后的調(diào)度結(jié)果； 步驟2.2:將步驟2.1中產(chǎn)生的調(diào)度結(jié)果進(jìn)行篩選排序，并挑選出不被任何其余結(jié)果支配的解，作為本次調(diào)度產(chǎn)生的非劣解集； 步驟2.3:在步驟2.2中生成的非劣解集中隨機(jī)抽取預(yù)設(shè)個(gè)數(shù)的解，并將這些解對(duì)應(yīng)的參數(shù)集作為子代進(jìn)行編碼； 步驟2.4:對(duì)步驟2.3生成的子代進(jìn)行雜交、變異操作，生成新的種群，并解碼得到水庫(kù)調(diào)度規(guī)則參數(shù)，將歷史入庫(kù)數(shù)據(jù)作為輸入，按規(guī)則調(diào)度得到最后的調(diào)度結(jié)果； 步驟2.5:重復(fù)步驟2.2—步驟2.4，直到本次得到的調(diào)度結(jié)果與上一次得到的結(jié)果之間的差異在預(yù)設(shè)范圍內(nèi)，將最后生成的一組參數(shù)，作為水庫(kù)多目標(biāo)優(yōu)化調(diào)度規(guī)則，并將對(duì)應(yīng)的調(diào)度結(jié)果作為能夠滿足水庫(kù)多目標(biāo)利用需求的非劣解集。4.根據(jù)權(quán)利要求1所述的基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，其特征在于，步驟3中所述采用隨機(jī)森林對(duì)它們的屬性進(jìn)行分析和歸納，其具體實(shí)現(xiàn)包括以下子步驟: 步驟3.1:將歷史資料分為率定期和檢驗(yàn)期部分，并將一類水庫(kù)調(diào)度規(guī)則參數(shù)和對(duì)應(yīng)的非劣解集作為數(shù)據(jù)集，其中率定期的為訓(xùn)練集，檢驗(yàn)期的為測(cè)試集； 步驟3.2:在率定期的訓(xùn)練集中進(jìn)行η次重復(fù)隨機(jī)抽樣，形成多個(gè)訓(xùn)練子集;按照一類規(guī)則參數(shù)對(duì)應(yīng)一組非劣解集的原則，針對(duì)各訓(xùn)練子集分別建立決策樹(shù)，構(gòu)成隨機(jī)森林，以描述調(diào)度規(guī)則參數(shù)與非劣解集的回歸關(guān)系； 步驟3.3:采用檢驗(yàn)期測(cè)試集數(shù)據(jù)，利用步驟3.2中建立的調(diào)度規(guī)則參數(shù)與非劣解集的回歸關(guān)系，推求測(cè)試集中水庫(kù)調(diào)度規(guī)則參數(shù)對(duì)應(yīng)的非劣解集； 步驟3.4:對(duì)步驟3.3中的預(yù)測(cè)結(jié)果進(jìn)行綜合，得到最終的預(yù)測(cè)結(jié)果； 步驟3.5:重復(fù)步驟3.1一步驟3.4，直到遍歷完所有水庫(kù)調(diào)度規(guī)則參數(shù)，采用隨機(jī)森林建立其與非劣解集的關(guān)系，并得到每一組水庫(kù)調(diào)度參數(shù)對(duì)非劣解集的預(yù)測(cè)結(jié)果。5.根據(jù)權(quán)利要求1-4任意一項(xiàng)所述的基于數(shù)據(jù)挖掘的水庫(kù)多目標(biāo)調(diào)度規(guī)則參數(shù)優(yōu)選方法，其特征在于:步驟4中，將所有水庫(kù)調(diào)度規(guī)則參數(shù)預(yù)測(cè)的非劣解集與實(shí)際結(jié)果進(jìn)行對(duì)比，并采用均方根誤差評(píng)價(jià)所有水庫(kù)調(diào)度規(guī)則參數(shù)的預(yù)測(cè)效果，將預(yù)測(cè)精度最高的前M個(gè)參數(shù)作為描述水庫(kù)調(diào)度規(guī)則信息量最大的參數(shù)。
【文檔編號(hào)】G06F19/00GK106022960SQ201610338489
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月19日
【發(fā)明人】郭生練, 楊光, 李立平, 尹家波, 劉章君
【申請(qǐng)人】武漢大學(xué)