CN103559593A - 湖泊群多目标水质水量优化调度方法 - Google Patents

Abstract

本发明提供一种湖泊群多目标水质水量优化调度方法，建立湖泊群分布式水动力与污染物迁移耦合模型，模拟典型调度方案下湖泊群流场和污染物的时空分布，以此构建水质预测知识库；设计BP神经网络模型，通过知识库的训练，优化BP神经网络参数，建立湖泊污染物浓度预测BP神经网络模型；以湖泊群水质改善程度最大和经济成本最小为目标建立多目标水质水量优化调度模型，采用混合粒子群算法进行模型求解，迭代求解过程中采用湖泊污染物浓度预测BP神经网络计算调度期末湖泊污染物浓度，最终给出不同引水量和引水时间的多目标优化调度方案集供决策者优选。能够在考虑综合效益的前提下最大限度地的改善湖泊水环境，可广泛应用于湖泊群水网调度。

Description

湖泊群多目标水质水量优化调度方法

技术领域

本发明属于环境水力学与运筹学的交叉技术领域，具体涉及一种湖泊群多目标水质水量优化调度方法。

背景技术

湖泊群水网调度是指：通过引水设施引清水入湖，改善湖泊水环境质量，从而实现区域社会经济与湖泊生态环境的可持续发展。现行湖泊群水量调度多以经验方法为主，而湖泊群水量优化调度则以解析方法为主，该种方法建模较为简单，问题的描述作了不同程度的简化和近似，因此，其应用具有一定的局限性，难以得出湖泊群水量优化调度的最佳调度方案。

发明内容

针对现有技术存在的缺陷，本发明提供一种湖泊群多目标水质水量优化调度方法，模拟不同调度方案下湖泊群流场和污染物的时空分布，量化引水调度对湖泊群水质的改善效果，实现湖泊群水质改善程度最大和调水经济成本最小的多目标水网优化调度，从而提供湖泊群水量优化调度的最佳调度方案供决策者选择。

本发明采用的技术方案如下：

本发明提供一种湖泊群多目标水质水量优化调度方法，包括以下步骤：

S1，以获取到的湖泊水下地形、水质监测资料数据为基础，建立湖泊群分布式水动力与污染物迁移耦合模型；其中，该分布式水动力与污染物迁移耦合模型用于模拟各种典型调度方案下湖泊群流场和污染物的时空分布；

S2，根据泵站及连通湖泊港渠的设计流量，生成初始调度方案集，运用S1所述分布式水动力与污染物迁移耦合模型离线模拟典型调度方案下调度期末各湖泊污染物的浓度，并将结果整理形成典型调度方案下水质预测知识库；

S3，设计三层原始BP神经网络模型，初始化该原始BP神经网络模型随机生成连接权值，以S2得到的所述水质预测知识库的数据为训练样本，采用最速下降法对原始BP神经网络模型进行训练，获得原始BP神经网络模型的最优参数，从而建立湖泊污染物浓度预测BP神经网络模型；

S4，以湖泊群水质改善程度最大及调水经济成本最小为目标，建立湖泊群多目标水质水量优化调度模型；

其中，湖泊群水质改善程度最大的目标函数为

----公式1

D为水质改善程度子目标；α_i为第i个湖泊的权重，且

n为湖泊的数量；d_i为第i个湖泊的水质改善程度；

调水经济成本最小的目标函数为

--------------------公式2

其中，Y为调水经济性子目标；

为第q个泵站第t个时段的调水费用；M为泵站的数量；T为总时段数；

所述湖泊群水质改善程度最大的目标函数以及所述调水经济成本最小的目标函数需满足以下约束条件：水量平衡约束、湖泊运行水位约束和连通湖泊港渠的过流量约束；

S5，采用混合粒子群算法求解所述湖泊群多目标水质水量优化调度模型，迭代求解过程中使用S3建立的湖泊污染物浓度预测BP神经网络模型计算湖泊污染物浓度，最终得到不同引水量和引水时间的多目标优化调度方案集。

优选的，S1中，所述湖泊群分布式水动力与污染物迁移耦合模型即为湖泊群二维水流-水质耦合模型，该模型在Godunov型有限体积法的基础上使用集成输运对流项的HLLC型近似黎曼算子同时计算水量、动量及输运通量，进而模拟得到湖泊群流场和污染物的时空分布。

优选的，所述湖泊群分布式水动力与污染物迁移耦合模型在二维浅水湖泊水动力模拟的基础上耦合对流扩散方程，用于水体中可溶性物质对流扩散过程的模拟；其中，二维水流-水质控制方程的守恒型格式为：

$\frac{\∂U}{\∂t}+\frac{\∂F}{\∂x}+\frac{\∂G}{\∂y}=S$

式中：t为时间；x和y为空间坐标，U为守恒量；F和G分别为x和y方向的通量；S为源项。在忽视柯氏效应，粘性项以及表面压力的情况下有：

$U=\begin{array}{c}\left(\begin{array}{c}h\\ \mathrm{uh}\\ \mathrm{vh}\\ \mathrm{Ch}\end{array}\right)F=\left(\begin{array}{c}\mathrm{hu}\\ {\mathrm{hu}}^2+\frac{1}{2}{\mathrm{gh}}^2\\ \mathrm{huv}\\ \mathrm{huC}\end{array}\right)G=\left(\begin{array}{c}\mathrm{hu}\\ {\mathrm{hu}}^2+\frac{1}{2}{\mathrm{gh}}^2\\ \mathrm{huv}\\ \mathrm{huC}\end{array}\right)\end{array}$

$S=\left(\begin{array}{c}0\\ \mathrm{gh}(S_{0x}-S_{\mathrm{fx}})\\ \mathrm{gh}(S_{0y}-S_{\mathrm{fy}})\\ \frac{\∂}{\∂x}\left(D_{x}h\frac{\∂C}{\∂x}\right)+\frac{\∂}{\∂y}\left(D_{y}h\frac{\∂C}{\∂y}\right)+\mathrm{\βhC}+S\end{array}\right)$

式中h表示平均水深；u和v分别表示沿x和y方向的流速；S_0x和S_0y分别为x和y方向的底坡；S_fx和S_fy分别为x和y方向的摩阻坡降；C为物质浓度；β为线性反应系数；S为污染物源汇项；D_x、D_y分别为x和y方向的扩散系数；g是重力加速度。

优选的，S3中，对于湖泊群中各湖泊中的每个典型污染物分别建立污染物浓度预测BP神经网络模型，该污染物浓度预测BP神经网络模型包括输入层、隐含层和输出层；其中，输入层节点为各调度时段的泵站引水流量及引水天数，输出层节点为输入调度方案下调度期末湖泊污染物浓度，具体设计规则为：若整个调水期分为T个调水时段，引水泵站数量为n，则：输入层节点设计为2n×T个；输出层节点数设为1；隐含层节点数设为(2n×T+1)／2；共需建立n×m个污染物浓度预测BP神经网络模型，其中n为湖泊群的湖泊数量，m为典型污染物数量。

优选的，S4中，对于湖泊群水质改善程度最大的目标函数，参数

$d_i^j=\frac{c_{i,0}^j-c_{i,T}^j}{c_{i,0}^j};$

m为典型污染物的数量；β_j为湖泊内第j个污染物所占的权重，且

为第i个湖泊第j个污染物的改善程度；

为第i个湖泊第j个污染物的初始平均浓度；

为调水后第i个湖泊第j个污染物的平均浓度；β_j为湖泊中典型污染物权重；

对于调水经济成本最小的目标函数，参数

式中：E_t为电价；

为第q个泵站第t个时段的功率；S_t为t时段时长；γ为水的重度，取10⁴N／m³；

为第q个泵站第t个时段的引流量；

为扬程；η_q,1为水泵的效率，η_q,2为电机的效率。

优选的，S4中，水量平衡约束、湖泊运行水位约束和连通湖泊港渠的过流量约束具体为：

(1)水量平衡约束方程为：V_T=V₀+V_in+V_pcp+V_d-V_out-V_use

式中，V_T为调水后湖泊容积；V₀为初始湖泊容积；V_in为湖泊入流量；V_pcp为降雨量；V_d为污水排放量；V_out为湖泊出流量；V_use为生活及工业取水量；

(2)湖泊运行水位约束方程为：H_min<H_t<H_max

式中，H_t为湖泊调度期运行水位；H_min为湖泊运行最低水位；H_max为湖泊运行最高水位；

(3)连通湖泊港渠的过流量约束为：各泵站的引水流量小于设计流量，以及，连通湖泊港渠的过流量小于设计流量。

优选的，S5具体包括以下步骤：

(1)随机初始化父代种群，得到初始父代种群；其中，所述初始父代种群由若干个初始个体组成；每一个初始个体具有以下两个参数：调度方案和飞行速度，对于初始个体，调度方案根据泵站设计流量随机生成，飞行速度设为0；其中，调度方案包括泵站引水流量及调水天数；每一个个体对应湖泊群中的一个湖泊，初始父代种群中初始个体数量等于湖泊群中湖泊的数量；

(2)给定各湖泊及各污染指标的权重系数，以此作为湖泊污染物浓度预测BP神经网络模型的输入参数，运用所述湖泊污染物浓度预测BP神经网络模型，计算每个个体在当前调度方案下的调度期末湖泊污染物浓度；以该计算得到的湖泊污染物浓度为输入值，使用S4中的公式1和公式2计算个体目标值，其中，个体目标值包括湖泊群水质改善程度值和调水经济成本值；以个体目标值为判断基准，判断各个个体之间的非劣关系，筛选父代群体中非劣个体加入到精英集；

(3)将父代种群内个体按非劣关系排序并划分为若干个子代种群；

(4)采用PSO调整策略指导每个子代种群内个体进化；进行个体进化即为：使原调度方案进化为新的调度方案。

(5)混合各个子代种群内个体从而组成新的父代种群；

(6)针对新的父代种群内各个个体，使用S4中的公式1和公式2计算个体目标值；

(7)以个体目标值为判断基准，判断各个个体之间的非劣关系，筛选出该新的父代种群内的非劣个体并更新精英集；

(8)判断是否满足收敛条件，若达到则输出精英集为水质水量多目标优化调度方案集；否则循环执行步骤(3)-步骤(7)，直到达到收敛条件时，结束执行。

优选的，所述收敛条件为最大循环次数。

本发明的有益效果如下：

本发明提供的湖泊群多目标水质水量优化调度方法，是一种兼顾水质改善与调水经济成本最小的多目标水网优化调度，并且，利用典型调度方案下水质预测知识库训练BP神经网络，并以BP神经网络模型预测湖泊污染物浓度取代二维水流-水质模拟过程，从而实现智能优化算法对多目标水质水量耦合模型进行求解，从而能够得到更与实际水环境相适应的最佳水质调度方案。

附图说明

图1为本发明提供的湖泊群多目标水质水量优化调度方法的流程示意图。

具体实施方式

以下结合附图对本发明进行详细说明：

为解决上述技术问题，本发明提出一种湖泊群多目标水质水量优化调度方法，建立湖泊群分布式水动力与污染物迁移耦合模型，模拟典型调度方案下湖泊群流场和污染物的时空分布，以此构建典型调度方案下水质预测知识库；设计一种三层结构的BP神经网络模型，通过知识库的训练，优化BP神经网络参数，建立湖泊污染物浓度预测BP神经网络模型，以刻画调水决策变量与水质模拟效果的非线性映射关系；以湖泊群水质改善程度最大和经济成本最小为目标建立多目标水质水量优化调度模型，采用混合粒子群算法进行模型求解，迭代求解过程中采用湖泊污染物浓度预测BP神经网络计算调度期末湖泊污染物浓度，最终给出不同引水量和引水时间的多目标优化调度方案集供决策者优选。具体流程详见如图1所示，包括以下步骤：

S1，以获取到的湖泊水下地形、水质监测资料数据为基础，建立湖泊群分布式水动力与污染物迁移耦合模型；其中，该分布式水动力与污染物迁移耦合模型用于模拟各种典型调度方案下湖泊群流场和污染物的时空分布；

具体的，湖泊群分布式水动力与污染物迁移耦合模型即为湖泊群二维水流-水质耦合模型，该模型在Godunov型有限体积法的基础上使用集成输运对流项的HLLC型近似黎曼算子同时计算水量、动量及输运通量，进而模拟得到湖泊群流场和污染物的时空分布。

湖泊群分布式水动力与污染物迁移耦合模型在二维浅水湖泊水动力模拟的基础上耦合对流扩散方程，用于水体中可溶性物质对流扩散过程的模拟；其中，二维水流-水质控制方程的守恒型格式为：

$\frac{\&PartialD;U}{\&PartialD;t}+\frac{\&PartialD;F}{\&PartialD;x}+\frac{\&PartialD;G}{\&PartialD;y}=S$

式中：t为时间；x和y为空间坐标，U为守恒量；F和G分别为x和y方向的通量；S为源项。在忽视柯氏效应，粘性项以及表面压力的情况下有：

$U=\begin{array}{c}\left(\begin{array}{c}h\\ \mathrm{uh}\\ \mathrm{vh}\\ \mathrm{Ch}\end{array}\right)F=\left(\begin{array}{c}\mathrm{hu}\\ {\mathrm{hu}}^2+\frac{1}{2}{\mathrm{gh}}^2\\ \mathrm{huv}\\ \mathrm{huC}\end{array}\right)G=\left(\begin{array}{c}\mathrm{hu}\\ {\mathrm{hu}}^2+\frac{1}{2}{\mathrm{gh}}^2\\ \mathrm{huv}\\ \mathrm{huC}\end{array}\right)\end{array}$

$S=\left(\begin{array}{c}0\\ \mathrm{gh}(S_{0x}-S_{\mathrm{fx}})\\ \mathrm{gh}(S_{0y}-S_{\mathrm{fy}})\\ \frac{\&PartialD;}{\&PartialD;x}\left(D_{x}h\frac{\&PartialD;C}{\&PartialD;x}\right)+\frac{\&PartialD;}{\&PartialD;y}\left(D_{y}h\frac{\&PartialD;C}{\&PartialD;y}\right)+\mathrm{\&beta;hC}+S\end{array}\right)$

式中h表示平均水深；u和v分别表示沿x和y方向的流速；S_0x和S_0y分别为x和y方向的底坡；S_fx和S_fy分别为x和y方向的摩阻坡降；C为物质浓度；β为线性反应系数；S为污染物源汇项；D_x、D_y分别为x和y方向的扩散系数；g是重力加速度。

S2，根据泵站及连通湖泊港渠的设计流量，生成初始调度方案集，运用S1所述分布式水动力与污染物迁移耦合模型离线模拟典型调度方案下调度期末各湖泊污染物的浓度，并将结果整理形成典型调度方案下水质预测知识库；其中，水质预测知识库存储以下数据：泵站设计引水流量、引水天数及其典型调度方案下调度期末湖泊污染物浓度。

S3，设计三层原始BP神经网络模型，以S2得到的所述水质预测知识库的数据为训练样本，采用最速下降法对原始BP神经网络模型进行训练，获得原始BP神经网络模型的最优参数，从而建立湖泊污染物浓度预测BP神经网络模型；

BP神经网络是一种按误差逆传播算法训练的多层前馈网络。本发明采用最速下降法对所设计的BP神经网络进行训练，优化该神经网络模型中的参数。实际应用中，需要对于湖泊群中各湖泊中的每个典型污染物分别建立污染物浓度预测BP神经网络模型，该污染物浓度预测BP神经网络模型包括输入层、隐含层和输出层；其中，输入层节点为各调度时段的泵站引水流量及引水天数，输出层节点为输入调度方案下调度期末湖泊污染物浓度，具体设计规则为：若整个调水期分为T个调水时段，引水泵站数量为n，则：输入层节点设计为2n×T个；输出层节点数设为1；隐含层节点数设为(2n×T+1)／2；共需建立n×m个污染物浓度预测BP神经网络模型，其中n为湖泊群的湖泊数量，m为典型污染物数量。

S4，以湖泊群水质改善程度最大及调水经济成本最小为目标，建立湖泊群多目标水质水量优化调度模型；

(一)湖泊群水质改善程度最大的目标函数

湖泊群水质改善程度最大的目标函数为

D为水质改善程度子目标；α_i为第i个湖泊的权重，且

n为湖泊的数量；d_i为第i个湖泊的水质改善程度；

另外，参数 $d_i=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{\mathrm{\&beta;}}_j{d}_i^j,d_i^j=\frac{c_{i,0}^j-c_{i,T}^j}{c_{i,0}^j};$

m为典型污染物的数量；β_j为湖泊内第j个污染物所占的权重，且

为第i个湖泊第j个污染物的改善程度；

为第i个湖泊第j个污染物的初始平均浓度；

为调水后第i个湖泊第j个污染物的平均浓度；β_j为湖泊中典型污染物权重；

(二)调水经济成本最小的目标函数

调水经济成本最小的目标函数为

Y为调水经济性子目标；

为第q个泵站第t个时段的调水费用；M为泵站的数量；T为总时段数；

其中，参数 $y_q^t=E_t\&CenterDot;P_q^t\&CenterDot;S_t,P_q^t=\mathrm{\&gamma;}\&CenterDot;Q_q^t\&CenterDot;h_q^t/({\mathrm{\&eta;}}_{q,1}\&CenterDot;{\mathrm{\&eta;}}_{q,2});$

式中：E_t为电价；

为第q个泵站第t个时段的功率；S_t为t时段时长；γ为水的重度，取10⁴N／m³；为第q个泵站第t个时段的引流量；

为扬程；η_q,1为水泵的效率，η_q,2为电机的效率。

所述湖泊群水质改善程度最大的目标函数以及所述调水经济成本最小的目标函数需满足以下约束条件：

(1)水量平衡约束：

采用的水量平衡约束方程为：V_T=V₀+V_in+V_pcp+V_d-V_out-V_use

式中，V_T为调水后湖泊容积；V₀为初始湖泊容积；V_in为湖泊入流量；V_pcp为降雨量；V_d为污水排放量；V_out为湖泊出流量；V_use为生活及工业取水量；

(2)湖泊运行水位约束：

采用的湖泊运行水位约束方程为：H_min<H_t<H_max

式中，H_t为湖泊调度期运行水位；H_min为湖泊运行最低水位；H_max为湖泊运行最高水位；

(3)连通湖泊港渠的过流量约束：

采用的连通湖泊港渠的过流量约束为：各泵站的引水流量小于设计流量，以及，连通湖泊港渠的过流量小于设计流量。

S5，采用混合粒子群算法求解所述湖泊群多目标水质水量优化调度模型，迭代求解过程中使用S3建立的湖泊污染物浓度预测BP神经网络模型计算湖泊污染物浓度，最终得到不同引水量和引水时间的多目标优化调度方案集。

本实施例中的优化求解思路是：在可行域内随机生成初始个体，即由泵站引流量及引流天数组成的调度方案，并建立初始精英集；采用混合PSO策略指导种群进化，筛选子代群体中的非劣个体并更新精英集，之后将该子代种群作为新的父代种群进入下一代进化过程，如此循环直到终止条件满足；最终输出精英集作为优化结果，给出不同引水量和引水时间的多目标优化调度方案集。在整个优化求解过程中使用湖泊污染物浓度预测BP神经网络模型计算各方案下调度期末湖泊污染物浓度，进而求得个体目标值；

常规方法采用水质模型与水质水量模型实时动态响应来进行求解，但由于水质模拟时间过长，导致无法运用智能算法求得结果。本发明通过构造BP神经网络与典型调度方案水质预测知识库，能够取代传统水质水量调度模型中水质模拟计算，为采用智能算法进行优化求解提供精确直观的水质水量关系数据，从而实现水质水量调度的在线耦合计算。

采用混合粒子群算法求解湖泊群多目标水质水量优化调度模型的具体步骤如下：

(1)随机初始化父代种群，得到初始父代种群；其中，所述初始父代种群由若干个初始个体组成；每一个初始个体具有以下两个参数：调度方案和飞行速度，对于初始个体，调度方案根据泵站设计流量随机生成，飞行速度设为0；其中，调度方案包括泵站引水流量及调水天数；每一个个体对应湖泊群中的一个湖泊，初始父代种群中初始个体数量等于湖泊群中湖泊的数量；

(2)给定各湖泊及各污染指标的权重系数，以此作为湖泊污染物浓度预测BP神经网络模型的输入参数，运用所述湖泊污染物浓度预测BP神经网络模型，计算每个个体在当前调度方案下的调度期末湖泊污染物浓度；以该计算得到的湖泊污染物浓度为输入值，使用S4中的公式1和公式2计算个体目标值，其中，个体目标值包括湖泊群水质改善程度值和调水经济成本值；以个体目标值为判断基准，判断各个个体之间的非劣关系，筛选父代群体中非劣个体加入到精英集；

(3)将父代种群内个体按非劣关系排序并划分为若干个子代种群；

(4)采用PSO调整策略指导每个子代种群内个体进化；

(5)混合各个子代种群内个体从而组成新的父代种群；

(6)针对新的父代种群内各个个体，使用S4中的公式1和公式2计算个体目标值；

(7)以个体目标值为判断基准，判断各个个体之间的非劣关系，筛选出该新的父代种群内的非劣个体并更新精英集；

(8)判断是否满足收敛条件，若达到则输出精英集为水质水量多目标优化调度方案集；否则循环执行步骤(3)-步骤(7)，直到达到收敛条件时，结束执行。其中，收敛条件可以为最大循环次数。

与现有技术相比，本发明提供的湖泊群多目标水质水量优化调度方法，在考虑综合效益的前提下最大限度地的改善湖泊水环境，可广泛应用于湖泊群水网调度。具体具有以下优点：

(1)已有技术的研究对象多以单一湖泊为主，而本发明是针对湖泊群所提出的。

(2)现有湖泊水体调度多为经验性调度，且优化调度仅考虑单目标水质改善程度。本发明将此发展到湖泊群兼顾水质改善与调水经济成本最小的多目标水网优化调度，从而能够得到更与实际水环境相适应的最佳水质调度方案。

(3)现有技术水质模拟时间过长，与调度模型耦合后无法使用优化算法求解。本发明提出利用典型调度方案下水质预测知识库训练BP神经网络，并以BP神经网络模型预测湖泊污染物浓度取代二维水流-水质模拟过程，从而实现智能优化算法对多目标水质水量耦合模型进行求解，具有实用性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (8)

1.一种湖泊群多目标水质水量优化调度方法，其特征在于，包括以下步骤：

S1，以获取到的湖泊水下地形、水质监测资料数据为基础，建立湖泊群分布式水动力与污染物迁移耦合模型；其中，该分布式水动力与污染物迁移耦合模型用于模拟各种典型调度方案下湖泊群流场和污染物的时空分布；

S2，根据泵站及连通湖泊港渠的设计流量，生成初始调度方案集，运用S1所述分布式水动力与污染物迁移耦合模型离线模拟典型调度方案下调度期末各湖泊污染物的浓度，并将结果整理形成典型调度方案下水质预测知识库；

S3，设计三层原始BP神经网络模型，初始化该原始BP神经网络模型随机生成连接权值，以S2得到的所述水质预测知识库的数据为训练样本，采用最速下降法对原始BP神经网络模型进行训练，获得原始BP神经网络模型的最优参数，从而建立湖泊污染物浓度预测BP神经网络模型；

S4，以湖泊群水质改善程度最大及调水经济成本最小为目标，建立湖泊群多目标水质水量优化调度模型；

其中，湖泊群水质改善程度最大的目标函数为

----公式1

D为水质改善程度子目标；α_i为第i个湖泊的权重，且

n为湖泊的数量；d_i为第i个湖泊的水质改善程度；

调水经济成本最小的目标函数为

--------------------公式2

其中，Y为调水经济性子目标；

为第q个泵站第t个时段的调水费用；M为泵站的数量；T为总时段数；

所述湖泊群水质改善程度最大的目标函数以及所述调水经济成本最小的目标函数需满足以下约束条件：水量平衡约束、湖泊运行水位约束和连通湖泊港渠的过流量约束；

S5，采用混合粒子群算法求解所述湖泊群多目标水质水量优化调度模型，迭代求解过程中使用S3建立的湖泊污染物浓度预测BP神经网络模型计算湖泊污染物浓度，最终得到不同引水量和引水时间的多目标优化调度方案集。

2.根据权利要求1所述的湖泊群多目标水质水量优化调度方法，其特征在于，S1中，所述湖泊群分布式水动力与污染物迁移耦合模型即为湖泊群二维水流-水质耦合模型，该模型在Godunov型有限体积法的基础上使用集成输运对流项的HLLC型近似黎曼算子同时计算水量、动量及输运通量，进而模拟得到湖泊群流场和污染物的时空分布。

3.根据权利要求2所述的湖泊群多目标水质水量优化调度方法，其特征在于，所述湖泊群分布式水动力与污染物迁移耦合模型在二维浅水湖泊水动力模拟的基础上耦合对流扩散方程，用于水体中可溶性物质对流扩散过程的模拟；其中，二维水流-水质控制方程的守恒型格式为：

$\frac{\&PartialD;U}{\&PartialD;t}+\frac{\&PartialD;F}{\&PartialD;x}+\frac{\&PartialD;G}{\&PartialD;y}=S$

式中：t为时间；x和y为空间坐标，U为守恒量；F和G分别为x和y方向的通量；S为源项。在忽视柯氏效应，粘性项以及表面压力的情况下有：

$U=\begin{array}{c}\left(\begin{array}{c}h\\ \mathrm{uh}\\ \mathrm{vh}\\ \mathrm{Ch}\end{array}\right)F=\left(\begin{array}{c}\mathrm{hu}\\ {\mathrm{hu}}^2+\frac{1}{2}{\mathrm{gh}}^2\\ \mathrm{huv}\\ \mathrm{huC}\end{array}\right)G=\left(\begin{array}{c}\mathrm{hu}\\ {\mathrm{hu}}^2+\frac{1}{2}{\mathrm{gh}}^2\\ \mathrm{huv}\\ \mathrm{huC}\end{array}\right)\end{array}$

$S=\left(\begin{array}{c}0\\ \mathrm{gh}(S_{0x}-S_{\mathrm{fx}})\\ \mathrm{gh}(S_{0y}-S_{\mathrm{fy}})\\ \frac{\&PartialD;}{\&PartialD;x}\left(D_{x}h\frac{\&PartialD;C}{\&PartialD;x}\right)+\frac{\&PartialD;}{\&PartialD;y}\left(D_{y}h\frac{\&PartialD;C}{\&PartialD;y}\right)+\mathrm{\&beta;hC}+S\end{array}\right)$

式中h表示平均水深；u和v分别表示沿x和y方向的流速；S_0x和S_0y分别为x和y方向的底坡；S_fx和S_fy分别为x和y方向的摩阻坡降；C为物质浓度；β为线性反应系数；S为污染物源汇项；D_x、D_y分别为x和y方向的扩散系数；g是重力加速度。

4.根据权利要求1所述的湖泊群多目标水质水量优化调度方法，其特征在于，S3中，对于湖泊群中各湖泊中的每个典型污染物分别建立污染物浓度预测BP神经网络模型，该污染物浓度预测BP神经网络模型包括输入层、隐含层和输出层；其中，输入层节点为各调度时段的泵站引水流量及引水天数，输出层节点为输入调度方案下调度期末湖泊污染物浓度，具体设计规则为：若整个调水期分为T个调水时段，引水泵站数量为n，则：输入层节点设计为2n×T个；输出层节点数设为1；隐含层节点数设为(2n×T+1)／2；共需建立n×m个污染物浓度预测BP神经网络模型，其中n为湖泊群的湖泊数量，m为典型污染物数量。

5.根据权利要求1所述的湖泊群多目标水质水量优化调度方法，其特征在于，S4中，对于湖泊群水质改善程度最大的目标函数，参数

$d_i^j=\frac{c_{i,0}^j-c_{i,T}^j}{c_{i,0}^j};$

m为典型污染物的数量；β_j为湖泊内第j个污染物所占的权重，且

为第i个湖泊第j个污染物的改善程度；

为第i个湖泊第j个污染物的初始平均浓度；

为调水后第i个湖泊第j个污染物的平均浓度；β_j为湖泊中典型污染物权重；

对于调水经济成本最小的目标函数，参数

式中：E_t为电价；为第q个泵站第t个时段的功率；S_t为t时段时长；γ为水的重度，取10⁴N／m³；

为第q个泵站第t个时段的引流量；为扬程；η_q,1为水泵的效率，η_q,2电机的效率。

6.根据权利要求1所述的湖泊群多目标水质水量优化调度方法，其特征在于，S4中，水量平衡约束、湖泊运行水位约束和连通湖泊港渠的过流量约束具体为：

(1)水量平衡约束方程为：V_T=V₀+V_in+V_pcp+V_d-V_out-V_use

式中，V_T为调水后湖泊容积；V₀为初始湖泊容积；V_in为湖泊入流量；V_pcp为降雨量；V_d为污水排放量；V_out为湖泊出流量；V_use为生活及工业取水量；

(2)湖泊运行水位约束方程为：H_min<H_t<H_max

式中，H_t为湖泊调度期运行水位；H_min为湖泊运行最低水位；H_max为湖泊运行最高水位；

(3)连通湖泊港渠的过流量约束为：各泵站的引水流量小于设计流量，以及，连通湖泊港渠的过流量小于设计流量。

7.根据权利要求1所述的湖泊群多目标水质水量优化调度方法，其特征在于，S5具体包括以下步骤：

(1)随机初始化父代种群，得到初始父代种群；其中，所述初始父代种群由若干个初始个体组成；每一个初始个体具有以下两个参数：调度方案和飞行速度，对于初始个体，调度方案根据泵站设计流量随机生成，飞行速度设为0；其中，调度方案包括泵站引水流量及调水天数；每一个个体对应湖泊群中的一个湖泊，初始父代种群中初始个体数量等于湖泊群中湖泊的数量；

(2)给定各湖泊及各污染指标的权重系数，以此作为湖泊污染物浓度预测BP神经网络模型的输入参数，运用所述湖泊污染物浓度预测BP神经网络模型，计算每个个体在当前调度方案下的调度期末湖泊污染物浓度；以该计算得到的湖泊污染物浓度为输入值，使用S4中的公式1和公式2计算个体目标值，其中，个体目标值包括湖泊群水质改善程度值和调水经济成本值；以个体目标值为判断基准，判断各个个体之间的非劣关系，筛选父代群体中非劣个体加入到精英集；

(3)将父代种群内个体按非劣关系排序并划分为若干个子代种群；

(4)采用PSO调整策略指导每个子代种群内个体进化；

(5)混合各个子代种群内个体从而组成新的父代种群；

(6)针对新的父代种群内各个个体，使用S4中的公式1和公式2计算个体目标值；

(7)以个体目标值为判断基准，判断各个个体之间的非劣关系，筛选出该新的父代种群内的非劣个体并更新精英集；

(8)判断是否满足收敛条件，若达到则输出精英集为水质水量多目标优化调度方案集；否则循环执行步骤(3)-步骤(7)，直到达到收敛条件时，结束执行。

8.根据权利要求7所述的湖泊群多目标水质水量优化调度方法，其特征在于，所述收敛条件为最大循环次数。