Accelerating Multi-Objective Evolutionary Algorithms for Cascade Hydropower Scheduling via a Physics-Embedded TCN

Yaxin Liu

doi:10.3390/w18101220

Accelerating Multi-Objective Evolutionary Algorithms for Cascade Hydropower Scheduling via a Physics-Embedded TCN

2026-05-19

0

OA

AI

DOI：10.3390/w18101220

原文链接

原文求助

摘要

En 中文

梯级水电站调度是一个高维、强约束的多目标优化问题，其中经典遗传和进化算法难以找到可行解。在随机初始化下，非支配排序遗传算法II（NSGA-II）、非支配排序遗传算法III（NSGA-III）和约束双档案进化算法（C-TAEA）等算法在可行区域仅占搜索空间极小部分时，几乎无法产生可行解。本文提出一个三阶段框架，结合物理引导深度学习与进化计算来加速NSGA-II和NSGA-III。该方法训练一个物理嵌入的时序卷积网络（PeTCN）作为可微分代理模型，显式融入物理约束，应用基于梯度的逆向优化获取高质量可行或近可行解，并用该解为NSGA-II或NSGA-III进行热启动，以高效探索帕累托前沿。在真实六站梯级系统的实验表明，在20次独立运行中固定1500秒时间预算下，增强型NSGA-II和增强型NSGA-III均在所有运行中找到可行解。增强型NSGA-II和增强型NSGA-III在第三阶段搜索约50～60代内均达到首个可行解，而标准NSGA-II在相同预算下无可行运行，标准NSGA-III在其成功运行中需数千代。增强型NSGA-II的最终超体积均值为4.384×10^7，增强型NSGA-III为4.652×10^7，且两种增强算法在10次目标超体积运行中均达到3.500×10^7目标。结果表明，耦合物理嵌入代理与基于梯度的初始化是解决可行解极为稀疏的约束多目标问题的有效策略。

Keyword:

cascade hydropower scheduling

multi-objective optimization

NSGA-II

NSGA-III

physics-embedded TCN

Accelerating Multi-Objective Evolutionary Algorithms for Cascade Hydropower Scheduling via a Physics-Embedded TCN

摘要

期刊

机构

引用论文