原创「水库调度方向 必读」19年见过最好的一篇论文+NC水库调度论文

https://www.nature.com/articles/s41467-019-09677-x
Nature Communications
了解气候变化的不确定性可以实现灵活的水基础设

https://www.sciencedirect.com/science/article/pii/S0309170818307759?dgcid=rss_sd_all#bib0002

读后感,4月20日、21日完善。

1 。介绍

水库运行优化是一个成熟且非常活跃的研究领域(见图2),并且随着时间的推移已经对可用的优化方法进行了大量评论(Yeh,1985,Labadie,2004,Castelletti et al。,2008,Rani和Moreira,2009,Ahmad等,2014)。虽然这些评论可能在给予特定方法组或其他方法的重点上有所不同,但它们都共享相同的基本方法来分类和呈现方法,这是基于优化算法的数学属性。但是,我们认为,通过关注优化问题的论点,对方法进行分类的替代方法是可行且有用的,特别是对于新的和非专业的用户。为了更好地理解这一点,我们注意到优化问题有四个要素:(1)目标,即要最小化/最大化的变量,例如平均供水或水电生产,防洪等级; (2)优化问题的论证,即其最优选择将提供最小/最大目标值的决策变量; (3)约束,即将决策变量与目标联系起来的方程组; (4)优化方法,即用于确定在尊重所有约束的同时优化目标的决策变量的值的算法。我们按照实践中定义的顺序介绍了这些元素。实际上,在制定优化问题时,优化方法应该是要选择的最后一个元素,然而该领域的先前评论关注于该元素作为呈现和比较文献贡献的关键。我们建议最高级别的分类应该是参数,它决定优化任务的“输出”(正在优化哪种类型的变量,即一系列的释放/转移决策或操作策略,如进一步解释以下部分)。它们提供什么类型的解决方案以及它们何时有用),而不是解决方案算法的数学属性(方法如何实现这些解决方案)。
————关键:优化的对象是什么, which type of variable is being optimized, i.e. a sequence of release/transfer decisions or an operating policy 。
————赞成,这个问题,我确实也考虑过。

因此,本文对储层运行优化的科学文献进行了新的综述,其中根据优化问题的论证类型而不是使用的基础数学,提出了优化方法和应用。实际上,我们将证明相同类型的算法(例如,遗传算法)可用于解决具有非常不同的论证的储层优化问题(例如,得出短期决策的最佳序列与确定长期最优运营政策); 虽然可以通过使用非常不同的算法(例如遗传算法与非线性编程算法)来解决具有相同类型的参数(以及因此解决方案)的优化问题。

2 。基于论证的水库运行优化评述与分类
2.1 。目标和约束

目标的选择和定义可以根据所研究的特定油藏系统,数据的可用性等而有很大不同,并且作为一般规则应尽可能地反映油藏操作者的目标和偏好。
——目标函数的选择。
目标公式中的两个因素影响了操作优化​​方法的适用性。第一个是目标数学定义中存在非线性分量,第3.4节。第二个是所谓的“时间可分性”,即目标是由“阶梯成本”(或“阶梯效益”)的时间聚合(例如,平均)定义的事实,它只依赖于系统变量-step(Barro and King,1982)。时间不可分的目标的一个例子是在水市场中销售水的利润,其中每个时间步的价格取决于先前时间步的水销售。
——目标函数的形式,影响优化算法的选择,明白。
可能强烈影响储层优化方法的适用性的另一个关键方面是操作旨在最小化的目标的数量。在帕累托最优解决方案中选择“最佳”解决方案不被视为优化过程的一部分,因为它涉及对目标之间可接受的权衡取舍的主观评价。然而,为了帮助决策者进行这种评估和选择,可以在客观空间中显示一组帕累托最优解(这种表示称为’帕累托前沿’)以揭示和量化这些权衡。可视化帕累托前沿的好处在于使决策者能够在所有目标的背景下看待他们的决策的影响,而不是单一的,事先加权的目标。
——帕累托最优解。

优化问题的“约束”是从决策变量计算目标所需的所有方程。
——约束,连接了决策变量和目标
该数学描述通常通过对各个变量的若干硬约束和软约束来补充。硬约束是在任何情况下都不能违反的约束,通常表示物理限制,例如存储和流量变量的非负性。不太常用的硬约束包括强加能量守恒和波传播时间的方程。相反,软约束是那些不应该被违反但在物理上不可能破坏的约束(Mayne et al。,2000)),例如,水库下游的最小环境流量要求。软约束可以作为附加目标或硬约束包括在优化问题中。将软约束视为目标允许在打破软约束和防止其他地方的更高成本之间进行权衡。
——硬约束和软约束。

2.2 Classification of methods by argument
2.2 。通过参数分类方法


——明白他分类的意思,重点GA的用法,两个地方。我确实也思考过这个问题。
——该论文,证明了我的思考是正确的。

2.2.2 。操作策略(OP)优化的方法

基于释放序列(RSB)
RSB方法的局限性在于它提供的OP仅对回归的准确性“最佳”,即,即使在RS优化步骤中使用的确定性场景下,它实际上也是次优的。此外,可能更重要的是,RSB优化问题在某种程度上是不适合的。事实上,油藏优化的最终目标是找到最小化管理目标的OP,而不是与“最佳轨迹”的距离(X)*)最有可能永远不会发生(因为它基于不确定输入强制的确定性场景)。直接最小化目标函数正是下一节中描述的DPS方法的关键思想。因此,RSB方法似乎是一种不必要的间接方式(以次优方式)实现DPS可以更直接地实现的目的。
——隐随机的拟合目标是回归的准确,确实需要再完善,刘攀教授有这样思想的文章。

直接政策检索(DPS)
之前描述的所有启发式优化算法(第2.2.1节)原则上都适用于求解DPS。
As for the choice of the OP form:
variable policy structures within the same reservoir system, for example to operate some reservoirs based on their inflows and some others based on their storage levels
——变化的调度规则,有道理

预期价值函数估计
——SDP,及其变种,明白

2.2.3 。实时优化(RTO)
超出预测范围的长期成本通过包括将“不利的”最终状态惩罚为目标函数的术语来解释。例如,对于供应储存库,惩罚功能将有助于在预测期内最大化供应可靠性与在期间结束时不使储存耗尽之间找到平衡。
——多了一个尾巴,明白

RTO应用中的一个关键问题是对惩罚功能的充分定义。通过使用与季节性“目标存储”的偏差(例如,通过水库的填充曲线,例如Ficchì等人(2015)),将惩罚函数与优化问题的解决方案联系起来,已经证明了不同的方法。使用“离线”预测(例如季节性分布)代替“后验”(实时)预测(例如Galelli等人(2014))。原则上,第2.2.2节中介绍的任何OP优化算法都可用于推导惩罚函数。预期值函数已被证明适用于Pianosi和Soncini-Sessa(2009)。然而,如所讨论的,期望值函数优化不适用于包含许多储层的系统或者需要在每个时间步骤做出许多决策。
——小尾巴的计算问题,明白。
在存在不准确预测的情况下提高RTO性能的成熟方法是明确考虑优化问题中的预测不确定性。这主要是使用两种方法实现的。第一种是通过概率分布明确表征预测的不确定性,并通过期望值函数估计求解所得的随机优化问题,这意味着RTO问题在数学上被重新表述为OP优化问题,而不是如公式(6)中的RS优化问题。。该想法的初步说明(尽管采用极其简化的流量预测方法)可以追溯到Bras等人。(1983)和最近的应用包括Pianosi和Soncini-Sessa(2009)赵等人。(2011年)。第二种是针对流入预测的集合来优化RS,例如通过(Zhao等人,2011Raso等人,2014Ficchì等人,2015所做的。有趣的是,所有这些作者都发现,包括预测不确定性在内,总是优于任何单一的确定性“最坏情况”或“最有可能预测”的RTO方法。
——明白,不过这里是难点。

Seasonal forecasts (between a month and a year) with some skill are becoming widely available for water resources operators, although the value of seasonal forecasts to improve operation by RTO has proved limited thus far (Celeste et al., 2008, Anghileri et al., 2016). We would expect this to become an increasingly active area of research as the skill of these forecasts improves (or perhaps as characterization of their uncertainties becomes more accurate).
——季节性预报直接搞RTO,效果不好,可以理解,同意。

3 。储层优化方法的比较与选择
在本节中,我们将讨论与方法相关的一些概念和属性,这些概念和属性可用于比较和选择最适合手头问题的方法。
——水库调度,面临的问题,为导向,同意。

3.1 。强制输入变异的隐式与显式处理
By this distinction, Release Sequence Based (RSB) optimization and Direct Policy Search (DPS) both belong to the “implicit stochastic optimization‟ class (although at the time of Labadie (2004) review, DPS was not a common approach and so implicit stochastic optimization was used almost as a synonym of RSB optimization), while the expected value function approach is an example of ‟ explicit stochastic optimisation‟.
——这里不能同意的更多,我在16年就思考过这个问题。

3.4 。选择水库运行优化方法的实用指南
对于运营政策(OP)优化,我们建议直接政策搜索(DPS)是最广泛适用的方法,事实上,近年来它一直是最常用的方法,即使它不能提供任何最优性或准确性的评估解决方案。尽管如此,我们认为这不是实际目的的主要问题,因为难以评估其他方法所需的简化假设是否满足当前问题以及在何种程度上得到满足。类似地,在计算可行的情况下(即,相对较小的储层网络)并且当可以合理地推测其基本假设(特别是目标的时间可分性)是可接受的那些情况下,期望值函数估计仍然是优选的。
——同意


发表评论

电子邮件地址不会被公开。