梯级水电厂优化运行是整个电力系统经济运行的一个子问题。由于梯级系统的目标函数和约束条件较复杂，使其成为电力系统经济运行中最难解决的问题之一。实际运行中，需制订次日24h的梯级日发电计划，根据所需的梯级总负荷求出最优的电厂间负荷分配，再在各电厂中及时最优地分配至机组。针对这一问题，目前已有许多行之有效的方法［1～3］，但都存在计算时间较长的缺陷，限制了实际应用。
　　近年来，人工神经网络(ANN)方法在电力系统中已有一些应用，如负荷预测、故障诊断、安全评估和电力系统经济运行［4］等。大多数ANN采用了基于BP(反向传播)算法的多层前馈感知器模型。通过比较研究，本文也采用了BP算法，其基本步骤为：选取样本点；用样本点对网络进行训练；在线计算。BP算法的优点在于，一旦网络训练完成，在线计算就只需非常短的时间，完全可以满足梯级实时控制的要求。然而，对于一个较大的实际系统，ANN的训练时间可能很长，以致成为ANN实际应用的“瓶颈”［5］。本文针对系统的实际情况，采用分解网络技术，将一个较为复杂的ANN分解为多个较为简单的ANN，不仅加快了算法的收敛速度和精度，同时也提高了其适应性和灵活性。