【正文】 gin{5}。 minmax=varargin{3}。 if isnan(mv) mv=4。 % psoparams plotf = varargin{5}。 minmax=varargin{3}。 if isnan(mv) mv=4。goplotpso39。 P = varargin{4}。 end VR=varargin{2}。elseif nargin == 6 % Functname, D, mv, Varrange, minmax, and psoparams mv=varargin{1}。 plotf=39。 minmax=varargin{3}。 if isnan(mv) mv=4。goplotpso39。 P = []。 end VR=varargin{2}。 elseif nargin == 4 % specified functname, D, mv, Varrange mv=varargin{1}。 plotf=39。 if isnan(mv) mv=4。 minmax = 0。 VRmax=ones(D,1)*100。goplotpso39。 mv = 4。 minmax = 0。 VRmax=ones(D,1)*100。)。if nargin 2 error(39。state39。goplotpso39。s own max velocity), % default = 4, set if not input or input as NaN%% VarRange matrix of ranges for each input variable, % default 100 to 100, of form:% [ min1 max1 % min2 max2% ...% minD maxD ]%% minmax = 0, funct minimized (default)% = 1, funct maximized% = 2, funct is targeted to P(12) (minimizes distance to errgoal)%% PSOparams PSO parameters% P(1) Epochs between updating display, default = 100. if 0, % no display% P(2) Maximum number of iterations (epochs) to train, default = 2000.% P(3) population size, default = 24%% P(4) acceleration const 1 (local best influence), default = 2% P(5) acceleration const 2 (global best influence), default = 2% P(6) Initial inertia weight, default = % P(7) Final inertia weight, default = % P(8) Epoch when inertial weight at final value, default = 1500% P(9) minimum global error gradient, % if abs(Gbest(i+1)Gbest(i)) gradient over % certain length of epochs, terminate run, default = 1e25% P(10) epochs before error gradient criterion terminates run, % default = 150, if the SSE does not change over 250 epochs% then exit% P(11) error goal, if NaN then unconstrained min or max, default=NaN% P(12) type flag (which kind of PSO to use)% 0 = Common PSO w/intertia (default)% 1,2 = Trelea types 1,2% 3 = Clerc39。Max_N39。PSOparams=[50 600 2000 2 2 2000 1e50 250 NaN 0 0]。Max_V=。y3_range。y1_range。x3_range。y1_range=230()*((x1_range).^^2)+(16390/)*()y2_range=123()*((x2_range).^2206^2)y3_range=y1_range+y2_range+()*((x3_range.^3)203^3)+(24216/)*(x3_range203)y4_range=y3_range(98/)*((x4_range).^^2)(33754/)*()range=[x1_range。y3_range=[0,15000]。y1_range=[0,7000]。x3_range=[202,203]。x1_range=[,]。 z(i,:)=temp。 N4=125) N4=inf。endif(N4= amp。amp。 N2=) N2=inf。endif(N2= amp。amp。 N4=*min(*10^5,**min(500*6,y4(i))*)。 N2=***min(200*2,y2(i))*(x2(i)x3(i))。 nx=nn(1)。 y3=in(:,7)。 y1=in(:,5)。 x3=in(:,3)。%輸入的是矩陣,即算法中隨機(jī)產(chǎn)生一組x和y,按[x(nn,1),y(nn,1)]排列 x1=in(:,1)。七、參考文獻(xiàn)[1] 傅鸝，龔劬，劉瓊蓀，何中市編著，數(shù)學(xué)實(shí)驗(yàn)，北京：科學(xué)出版社，2000[2]施光燕，董加禮，最優(yōu)化方法，北京：高等教育出版社 ，[3] 趙喜等，粒子群算法工具箱在函數(shù)尋優(yōu)中的應(yīng)用，TECHNOLOGY AND MARKET,2012[4] 吳建生等，基于MATLAB的粒子群優(yōu)化算法程序設(shè)計(jì)，柳州師專(zhuān)學(xué)報(bào)，第20卷第4期 2005年12月[5] 芮　鈞等，MATLAB粒子群算法工具箱求解水電站優(yōu)化調(diào)度問(wèn)題，中國(guó)農(nóng)村水利水電（2）通過(guò)大量搜集數(shù)據(jù)，進(jìn)行分析處理，考慮到上下級(jí)水電站的實(shí)際條件，毛水頭與凈水頭之間的量化關(guān)系，那么就能更加準(zhǔn)確的對(duì)目標(biāo)函數(shù)進(jìn)行求解，以得出更加合乎的實(shí)際的最優(yōu)解。3在算法中，我們只考慮的本階梯電站的最大優(yōu)化，特別是對(duì)井口水電站的優(yōu)化中，考慮其工作在最大水頭處，加上對(duì)凈水頭用毛水頭來(lái)代替，雖然有一定的理論依據(jù)，但是得到的不免是在理想條件下的最優(yōu)解，與實(shí)際結(jié)果有一定的出入。（2） 模型的適用范圍較廣，增加變量個(gè)數(shù)和相應(yīng)的約束條件就可以解決更多的梯級(jí)問(wèn)題。五、模型的評(píng)價(jià)（1） 本文采用粒子群算法，采用粒子群Matlab工具箱完成，算法簡(jiǎn)單，容易實(shí)現(xiàn)。 改變參數(shù)后的井口水電站優(yōu)化調(diào)度模型月份入庫(kù)流量出庫(kù)流量末水位出力電量178123440510161397137813891381024711381113812合計(jì)圖47 井口水電站參數(shù)改變前后的出力情況對(duì)比圖對(duì)于井口水電站來(lái)說(shuō)，它是嘉陵江干流梯級(jí)梯級(jí)開(kāi)發(fā)中的最后一個(gè)梯級(jí)，與草街的情況較為近似，水位的約束不是很強(qiáng)，由題中已知條件可以知道，它含有6個(gè)水輪機(jī)，有很強(qiáng)的工作能力（對(duì)比草街水電站只有4個(gè)水輪機(jī)），所以提高水輪機(jī)功率對(duì)于井口水電站來(lái)說(shuō)，它的意義也并不是很大。 改變參數(shù)后的渭沱水電站優(yōu)化調(diào)度模型月份入庫(kù)流量出庫(kù)流量末水位出力電量112321033109419953876544714218133391177105671129820612172合計(jì)圖45 渭沱水電站參數(shù)改變前后的出力情況對(duì)比圖由渭沱水電站的上兩張圖表可以知道，對(duì)于汛水期的月份，提高正常蓄水位和水輪機(jī)功率有明顯的效果，情況與利澤水電站的情況有所相似，但對(duì)于一、四、七月份來(lái)說(shuō)，改變后的出力沒(méi)有提高，分析可知，這是因?yàn)橛捎谒啓C(jī)的具體參數(shù)影響的，如它的額定流量，額定水頭，以及水輪機(jī)個(gè)數(shù)等因素都會(huì)可能影響最后的出力情況。改變參數(shù)后的各水電站優(yōu)化調(diào)度模型如下所示： 改變參數(shù)后的利澤水電站優(yōu)化調(diào)度模型月份入庫(kù)流量出庫(kù)流量末水位出力電量123021983230441632573669717186014281580121918401351010701153412303合計(jì)將改變參數(shù)前后的利澤水電站的出力情況做對(duì)比，如圖44所示：圖44 利澤水電站參數(shù)改變前后的出力情況對(duì)比圖由圖可知，改變前后對(duì)于利澤水電站的出力情況非常明顯，特別是汛水期（七八九月）來(lái)說(shuō)，對(duì)于水電站的發(fā)電效益相當(dāng)?shù)赜幸?，明顯提高了水電站的出力狀況。問(wèn)題三是要求運(yùn)用模型定量分析出提高正常蓄水位和水輪機(jī)功率對(duì)于聯(lián)合調(diào)度的影響，改變參數(shù)的設(shè)置之后，本文將參數(shù)代入原來(lái)的模型當(dāng)中，經(jīng)過(guò)matlab的運(yùn)算，得到了水位提高之后和水輪機(jī)功率提高之后的每個(gè)月的出力情況，并且與原來(lái)總出力最優(yōu)時(shí)的情況加以對(duì)比，分析其中的數(shù)據(jù)變化，得出與蓄水位和水輪機(jī)對(duì)于總出力的貢獻(xiàn)情況。h）1 利澤5342渭沱2982063草街2032004井口合計(jì)在枯水時(shí)期，當(dāng)利澤水電站和渭沱水電站的入庫(kù)流量變?yōu)槲覀冊(cè)O(shè)定的值的時(shí)候，枯水期的總發(fā)電量有非常明顯的提升，對(duì)于水電站的效益而言，非常有好處，而特別是對(duì)于它們?cè)诳菟诘脑路?，上游的調(diào)節(jié)對(duì)于整個(gè)的樞紐工程而言，有至關(guān)重要的作用，就拿其中的一月份為例，改善后的樞紐工程的總出力是之前的將近2倍?？梢缘玫饺缦聦?duì)比的結(jié)果： 未調(diào)節(jié)前的各水庫(kù)聯(lián)合調(diào)度優(yōu)化模型水庫(kù)編號(hào)水庫(kù)名稱(chēng) 入庫(kù)流量（m3/s)初始水位(m)出庫(kù)流量(m3/s)末水位(m)出力（Mw)發(fā)電量（億kw在這里本文采取枯水期的補(bǔ)償策略，即適當(dāng)擴(kuò)大枯水期第一梯級(jí)兩個(gè)水庫(kù)的入庫(kù)流量。根據(jù)資料，在豐水期，電站的水利用率一般能達(dá)到100%，那么在枯水期的影響就更為明顯。水庫(kù)的建立是為了防洪，保障航運(yùn)，發(fā)電等，那么上游水電站的建立，將能使下游在枯水期得到更多的水，在洪水期減輕下游的防洪壓力。在地理位置上，富金壩在涪江上，其下游為渭沱水電站，那么渭沱水電站的入庫(kù)流量將直接受到其影響；利澤上游樞紐工程位于嘉陵江，對(duì)利澤的入庫(kù)水量產(chǎn)生直接的影響。圖42 最優(yōu)個(gè)體適應(yīng)度值： 一月份各水庫(kù)的優(yōu)化調(diào)度模型水庫(kù)編號(hào)水庫(kù)名稱(chēng)入庫(kù)流量（m3/s)初始水位(m)出庫(kù)流量(m3/s)末水位(m)出力（Mw)發(fā)電量（億kw根據(jù)變量個(gè)數(shù)以及求解需要，本文設(shè)定維數(shù)為n=8，粒子群規(guī)模為600，最大迭代次數(shù)為500次，學(xué)習(xí)因子C1=C2=2，由于粒子數(shù)目較大。 粒子群算法在水庫(kù)群聯(lián)合優(yōu)化調(diào)度中的應(yīng)用根據(jù)式（412）和（413），可以列寫(xiě)目標(biāo)函數(shù)（也稱(chēng)為適應(yīng)度函數(shù)）的M文件，其中xxxx4分別代表利澤、渭沱、草街、井口的水位，y1,y2,y3,y4分別代表它們的出庫(kù)流量，具體程序代碼見(jiàn)附件（1）。