-
题名基于DQN的梯级水电站实时负荷优化分配研究
- 1
-
-
作者
陈鹿尧
闻昕
谭乔凤
曾宇轩
田宗勇
-
机构
河海大学水利水电学院
雅砻江流域水电开发有限公司
贵州水投能源开发有限责任公司
-
出处
《水利水电技术(中英文)》
北大核心
2025年第7期26-40,共15页
-
基金
国家自然科学基金项目(52479013)。
-
文摘
【目的】流域梯级水电系统规模持续扩大与运行环境日趋复杂,传统优化调度方法难以适应流域复杂多样的调控要求,且其决策精度与求解效率均有限。【方法】以耗水量最小为主要目标,构建了兼顾电调-水调的梯级水电优化调度模型,并研发了基于深度强化学习(DQN)的高效求解方法。以大渡河中游梯级水电系统为研究实例,分别设置中等负荷,低负荷和高负荷三种工况,输入实际运行数据对模型进行训练,并结合耗水量、水位过程等角度对模型优化效果进行评估。【结果】结果显示:DQN算法可显著减少计算耗时,将计算效率提升约41.37倍;同时,DQN算法可以很好地平衡水位和流量等水调需求之间的冲突,相较于优化前,DQN可在将水位波动指数平均降低约0.058 m/min的同时将平均总耗水量减少1158万m^(3);除此之外,提出的模型适用于多种工况,具有良好的稳定性。【结论】结果表明:基于DQN的负荷分配方法可有效增强系统运行稳定性与安全性,实现调度科学性与计算效率的双重突破;智能决策框架通过实时优化电站出力分配,显著降低水位波动与发电耗水,验证了电调-水调协同优化的可行性。该方法为梯级水电系统智能化调度与新时期复杂场景下的优化调控提供了新的技术路径。
-
关键词
负荷分配
梯级水电
深度强化学习
实时调度
动态规划
影响因素
-
Keywords
load distribution
cascade hydropower
deep reinforcement learning
real-time scheduling
dynamic programming
influencing factors
-
分类号
TV213.9
[水利工程—水文学及水资源]
-
