CN105608513A - 一种耦合长、中、短期径流预报信息的水库优化调度方法 - Google Patents

Abstract

本发明提供一种耦合长、中、短期径流预报信息的水库优化调度方法,该方法包括以下步骤：1)分析径流自身随机性及其预报不确定性，并进行描述；2)构建耦合长、中、短期径流预报信息的水库优化调度模型，确定其目标函数、约束条件及递推方程；3)结合递推方程对所建立的水库优化调度模型进行求解。本发明的效果和益处是将长、中、短三种预见期径流预报信息耦合至水电调度中，对不确定性描述更为合理，对预报径流的处理方式更为有效，有利于提高水库调度对不确定信息的使用效率，保证水库发电效益和系统稳定性。

Description

一种耦合长、中、短期径流预报信息的水库优化调度方法

技术领域

本发明属于水电调度运行技术领域，涉及一种耦合长、中、短期径流预报信息的水库优化调度方法。

背景技术

近年来，随着水文预报技术的发展，预报、调度逐渐走向融合。耦合降雨和径流等综合预报信息的水库调度有利于延长预见期、提高水能资源利用率，而预报信息受预报精度、下垫面等诸多因素影响，存在着较大的不确定性，故考虑预报信息的水库调度决策受预报不确定性的影响大。如何合理地将预报信息与水库调度进行耦合以减少预报不确定性的影响，成为研究者及调度人员亟待解决的问题。

随机动态规划(SDP)能够将水库蓄水、径流等状态及不确定性考虑到算法中，与水库多阶段决策的特点具有较高的耦合性。近年来，越来越多的研究开始尝试将径流预报信息及其不确定性耦合到SDP模型中。其中单一预见期的径流预报信息耦合使用方式的研究较多，考虑不同预见期的径流预报信息的耦合使用方式的研究也相继开展起来，如徐炜等(XuW.,ZhangC.,PengY.,etal.WaterResourcesResearch[J].2014,50(12):9267-9286.)使用短期和中期径流预报信息作为水文状态变量，建立了短、中期径流预报套接的贝叶斯随机动态规划模型(TS-BSDP)；唐国磊(唐国磊.考虑径流预报及其不确定性的水电站水库调度研究.大连理工大学,2009.)构建了考虑中、长期径流预报信息的随机动态规划模型。SDP模型具有使用的水文状态变量越多越能描述入流的随机特性的特点(Tejada-GuibertJ.A.,JohnsonS.A.,StedingerJ.R.Waterresourcesresearch[J].1995,31(10):2571-2579)，当前研究中仅使用了中、长期或短、中期径流预报信息，尚未将长、中、短期径流预报信息同时作为水文状态变量耦合至随机动态规划模型中。如何有效地处理长、中、短期径流预报信息，并耦合至水库调度中，亟需做进一步的研究。

发明内容

针对现有技术的不足，本发明提供一种耦合长、中、短期径流预报信息的水库优化调度方法。

本发明的技术方案具体如下：

一种耦合长、中、短期径流预报信息的水库优化调度方法，具体包括以下步骤：

第一步，分析、描述径流及径流预报的不确定性；

所述的径流及径流预报的不确定性针对长、中、短期径流预报信息。将欧洲气象中心(ECMWF)提供的未来1-10天集合降雨预报信息平均值输入到新安江模型得到10天径流预报信息，并划分为1～5天(短期)和6～10天(中期)两段，长期径流预报信息是指利用相关系数法从74项大气环流因子选取相关性较高的因子并结合ANN模型得到的6～10天所对应时段至汛末总来水量的预报值。

1.1径流自身随机性

由于径流表现出一定的随机性，常把径流作为随机过程来处理。假定水库入库流量具有简单马尔科夫特性，采用径流状态转移概率P[Q_t|Q_t-1]描述径流随机性，反映径流本身的不确定性，其中，P[Q_t|Q_t-1]表示当时段t-1流量为Q_t-1条件下时段t发生Q_t的概率，Q表示流量。

1.2径流预报的不确定性

反映了径流预报的不确定性，可用预报流量F_t与实测值间Q_t的统计概率P[F_t|Q_t](称为似然概率)表示。

1.3后验的径流状态转移概率

由于径流状态转移概率P[Q_t|Q_t-1]是在未获得任何径流预报信息之前已经获得，常将其称为先验的径流状态转移概率。一旦获得新的预报信息，便可由统计方法或贝叶斯定理得到后验的径流状态转移概率。

当时段t-1径流量为Q_t-1和t时段预报流量为F_t时，t时段径流实际发生在Q_t的后验的径流状态转移概率可综合先验的径流状态转移概率和似然概率由贝叶斯定理求得，如下所示：

$P\[Q_t|Q_{t-1},F_t\]=\frac{P\[F_t|Q_t\]\×P\[Q_t|Q_{t-1}\]}{\underset{Q_t}{\Σ}P\[F_t|Q_t\]\×\[Q_t|Q_{t-1}\]}---\left(1\right)$

当时段t-1径流量为Q_t-1、t时段中期预报流量表示为F_t、t时段长期预报流量为FL_t，t时段径流实际发生在Q_t的后验概率表示为P[Q_t|Q_t-1,F_t,FL_t]，可通过统计方法求得。

1.4径流的可预测概率

当时段t-1径流量为Q_t-1和t时段预报流量为F_t时，径流的可预测概率为P[F_t|Q_t-1]，可结合已知的先验概率P[Q_t|Q_t-1]和似然概率P[F_t|Q_t]，通过全概率公式计算求得

$P\[F_t|Q_{t-1}\]=\underset{Q_{t+1}}{\Σ}P\[F_t|Q_t\]\×P\[Q_t|Q_{t-1}\]---\left(2\right)$

当时段t-1径流量为Q_t-1、t时段中期预报流量表示为F_t、t时段至汛末总的长期预报流量表示为FL_t，径流的可预测概率为P[F_t|Q_t-1,FL_t]·P[FL_t|Q_t-1]，可通过统计方法求得。

第二步，构建耦合长、中、短期径流预报信息的水库优化调度模型(SML-BSDP模型)，确定其目标函数、约束条件及递推方程；

2.1目标函数

水库发电优化调度模型以调度期在满足发电保证出力的条件下，总发电量最大为目标函数，计算公式如下：

$Max\[\underset{t=1}{\overset{T}{\Σ}}E\[B(Z_t,H_t,Z_{t+1})\]\]---\left(3\right)$

B(Z_t,H_t,Z_t+1)＝[b(Z_t,H_t,Z_t+1)-α{Max(e-b(Z_t,H_t,Z_t+1),0)}^β]·Δt(4)

式中，Z_t+1为时段t的最优决策末水位；Z_t为时段t的初水位；H_t为时段t的水文状态变量；B(·)是时段t的发电量效益函数，即t时段惩罚后的发电量；b(·)是t时段水电站的发电出力，由耗水率、水头等计算获得；α和β是惩罚系数，由水电站发电保证率确定；e为水库水电站发电保证出力；Δt是计算时段长度；E[B(·)]为时段t在给定Z_t和H_t下的期望发电量；T为调度期的总时段数。

2.2约束条件

在水库发电优化调度模型的优化过程中，水库的蓄水、泄流及发电出力等特征需要满足一定的约束条件，具体如下：

水量平衡约束：V_t+1＝V_t+(Q_t-Q_power,t-Q_abandon,t)·Δt(5)

水库蓄水位约束：Z_dead≤Z_t≤Z_normal(6)

下泄能力约束：

发电流量约束：

水电站出力约束：N^min≤N_t≤N^max(9)

式中，V_t、V_t+1分别为t时段的初、末库容；Q_t、Q_power,t和Q_abandon,t分别为t时段的入库流量、发电流量和弃水流量；Δt是计算时段长度；Z_t、Z_dead和Z_normal分别为水库t时段的水位、水库死水位和水库正常高水位；Q_release,t和分别为泄流量和最大泄流能力；和分别为发电机组最小发电流量和最大过流能力；N_t、N^min和N^max分别为实际出力、最小出力和最大出力。

2.3递推方程

水库发电优化调度模型的递推方程在非汛期考虑短、中期径流预报信息，在汛期考虑长、中、短期径流预报信息。

根据研究流域的径流预报信息特点，该模型在非汛期以Q_t、F_t+1为水文状态变量，其递推方程如公式(10)所示。

$\left\{\begin{array}{c}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})=Max\{B_t(Z_t,Q_t,Z_{t+1})+\underset{Q_{t+1}}{\Σ}{P}_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})=Max\{P_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{t10}(Z_t,Q_t,F_{t+1})=\frac{Q_t}{Q_t+F_{t+1}}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})+\frac{F_{t+1}}{Q_t+F_{t+1}}f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})\end{array}\right.---\left(10\right)$

在汛期则增加考虑长期预报信息FL_t+1，即以Q_t、F_t+1、FL_t+1为水文状态变量，从而基于这三种变量的信息来更新下时段流量Q_t+1的发生概率，递推方程为：

在汛期和非汛期的过渡期，递推方程有所不同。当t时刻和t+1时刻有长期预报信息，而t+2时刻无长期预报信息时，对应的递推方程为：

$\left\{\begin{array}{c}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})=Max\{B_t(Z_t,Q_t,Z_{t+1})+\underset{Q_{t+1}}{\Σ}{P}_{Q_{t+1}|Q_t,F_{t+1},{\mathrm{FL}}_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})=Max\{P_{Q_{t+1}|Q_t,F_{t+1},{\mathrm{FL}}_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}{}_{p5}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{t10}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})=\frac{Q_t}{Q_t+F_{t+1}}f_{opt}^n{}_{p5}(Z_t,Q_t,{\mathrm{FL}}_{t+1})+\frac{F_{t+1}}{Q_t+F_{t+1}}f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})\end{array}\right.---\left(12\right)$

当t时刻和t+1时刻无长期预报信息，而t+2时刻有长期预报信息时，对应的递推方程为：

$\left\{\begin{array}{c}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})=Max\left\{\begin{array}{c}{B}_t(Z_t,Q_t,Z_{t+1})+\underset{Q_{t+1}}{\Σ}{P}_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{{\mathrm{FL}}_{t+2}}{\Σ}{P}_{{\mathrm{FL}}_{t+2}|Q_{t+1}}\·\\ \underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1},{\mathrm{FL}}_{t+2}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2},{\mathrm{FL}}_{t+2})\end{array}\right\}\\ f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})=Max\{P_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{{\mathrm{FL}}_{t+2}}{\Σ}{P}_{{\mathrm{FL}}_{i+2}|Q_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1},{\mathrm{FL}}_{t+2}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2},{\mathrm{FL}}_{t+2})\}\\ f_{opt}^n{}_{t10}(Z_t,Q_t,F_{t+1})=\frac{Q_t}{Q_t+F_{t+1}}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})+\frac{F_{t+1}}{Q_t+F_{t+1}}f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})\end{array}\right.---\left(13\right)$

第三步，求解第二步建立的水库优化调度模型，得到对应的调度规则。

与现有技术相比，本发明具有以下优点和效果：本发明建立了一种耦合不同预见期径流预报信息的水库优化调度模型，该模型将长、中、短三种预见期径流预报信息耦合至水电调度中，对不确定性描述更为合理，对预报径流的处理方式更为有效，有利于提高水库调度对不确定信息的使用效率，保证水库发电效益和系统稳定性。

附图说明

附图是SML-BSDP模型径流过程描述。

具体实施方式

本发明一种耦合长、中、短期径流预报信息的水库优化调度方法。下面结合实例对本发明作进一步的描述。

桓仁水库是以发电为主兼顾防洪、灌溉、养殖等的大(一)型水利枢纽，已知该水库1968-2012年共45年的实测径流和实测降雨信息，以及2007-2012年集合降雨预报信息，本实例以其为研究对象，将该方法应用于该水库的预报发电调度中，并与使用时段t-1径流Q_t-1为水文状态变量的随机动态规划模型(SDP-Q_t-1模型)的调度结果进行对比分析。

步骤1，以水库1968年-2006年入流量(实测径流)和蓄水库容为变量构建并求解本发明提出的耦合长、中、短期径流预报信息的水库优化调度模型——SML-BSDP模型，模型将时段入流实测值、中期预报值和长期预报值均离散为6个区间等级，分别以频率15％、30％、45％、60％、75％和90％作为区间代表值，蓄水库容按步长30×10⁶m³进行离散。模型具体按以下几步予以实现：

第一步，分析、描述径流及径流预报的不确定性；

利用1968-2006年实测径流资料和实测降雨资料来进行径流及径流预报的不确定性的描述和计算。将1968-2006年实测降雨信息输入到新安江模型得到每10天的径流预报信息，获得1～5天径流预报信息(短期径流预报值)、6-10天径流预报信息(中期径流预报值)，通过构建ANN模型获得每5日更新的汛期余留来水量(长期预报值)。若时段t流量为Q_t，时段t+1流量为Q_t+1，短期预报值F_t，中期预报值为F_t+1，长期预报值为FL_t+1，则径流自身不确定性可表示为时段t+1的似然概率可表示为考虑长、中、短期径流预报信息的后验的径流状态转移概率P[Q_t+1|Q_t,F_t+1,FL_t+1]可统计得到，径流的可预测概率P[F_t+1|Q_t,FL_t+1]·P[FL_t+1|Q_t]也通过统计得到的，耦合长、中、短期径流预报信息的径流过程可用附图1进行描述。

第二步，构建耦合长、中、短期径流预报信息的水库优化调度模型，确定其目标函数、约束条件及递推方程，其中目标函数根据公式(3)-公式(4)进行构建，约束条件根据公式(5)-公式(9)进行构建，递推方程根据公式(10)-公式(13)进行构建。

第三步，求解上述第二步建立的水库优化调度模型，得到对应的调度规则。

步骤2，同样以水库1968年-2006年入流量(实测径流)和蓄水库容为变量构建对比模型——SDP-Q_t-1模型，并对其进行求解得到相应的水库调度规则。该模型同样将蓄水库容按步长30×10⁶m³进行离散，与上述方法中构建的SML-BSDP模型差别主要在于SDP-Q_t-1模型以Q_t-1为水文状态变量，不考虑预报信息，其径流描述为纯随机马尔科夫过程，其递推方程如下所示。由于该方法为已知方法，不再赘述。

$f_{opt}^n(Z_t,Q_{t-1})=Max\underset{Q_t}{\Σ}{P}_{Q_t|Q_{t-1}}\·\{B_i(Z_t,Q_t,Z_{i+1})+f_{opt}^{n-1}(Z_{i+1},Q_t)\}$

步骤3，以2007-2012年为模拟调度期，采用2007-2012年实测径和集合降雨预报信息，应用上述SML-BSDP模型、SDP-Q_t-1模型生成的调度规则分别指导调度，计算各模型下年均发电量和发电保证率，得到以下结果：SML-BSDP模型年均发电量为476.04MWH，保证率为85.19％。SDP-Q_t-1模型年均发电量为469.18MWH，发电保证率为81.94％。即SML-BSDP模型较SDP-Q_t-1模型而言，发电量和保证率均有所提高，SML-BSDP模型优于SDP-Q_t-1模型，说明考虑长、中、短期径流预报信息不确定性的水库调度有利于提高水库发电效益和系统稳定性。

Claims (2)

1.一种耦合长、中、短期径流预报信息的水库优化调度方法，其特征在于，包括以下步骤：

第一步，针对长、中、短期径流预报信息，分析、描述径流及径流预报的不确定性；

1.1)采用径流状态转移概率P[Q_t|Q_t-1]描述自身径流随机性，反映径流本身的不确定性，其中，P[Q_t|Q_t-1]表示当时段t-1流量为Q_t-1条件下时段t发生Q_t的概率，Q表示流量；所述的流状态转移概率P[Q_t|Q_t-1]为先验的径流状态转移概率；

1.2)用预报流量F_t与实测值间Q_t的似然概率P[F_t|Q_t]表示径流预报的不确定性；

1.3)将获得的新的预报信息，用统计方法或贝叶斯定理得到后验的径流状态转移概率；

当时段t-1径流量为Q_t-1和t时段预报流量为F_t时，t时段径流实际发生在Q_t的后验的径流状态转移概率通过综合先验的径流状态转移概率和似然概率由贝叶斯定理求得，如下所示：

$P\[Q_t|Q_{t-1},F_t\]=\frac{P\[F_t|Q_t\]\×P\[Q_t|Q_{t-1}\]}{\underset{Q_t}{\Σ}P\[F_t|Q_t\]\×P\[Q_t|Q_{t-1}\]}---\left(1\right)$

当时段t-1径流量为Q_t-1、t时段中期预报流量表示为F_t、t时段长期预报流量为FL_t，t时段径流实际发生在Q_t的后验概率表示为P[Q_t|Q_t-1,F_t,FL_t]，通过统计方法求得；

1.4)径流的可预测概率

当时段t-1径流量为Q_t-1和t时段预报流量为F_t时，径流的可预测概率P[F_t|Q_t-1]为：

$P\[F_t|Q_{t-1}\]=\underset{Q_{t+1}}{\Σ}P\[F_t|Q_t\]\×P\[Q_t|Q_{t-1}\]---\left(2\right)$

当时段t-1径流量为Q_t-1、t时段中期预报流量表示为F_t、t时段至汛末总的长期预报流量表示为FL_t，径流的可预测概率为P[F_t|Q_t-1,FL_t]·P[FL_t|Q_t-1]，通过统计方法求得；

第二步，构建耦合长、中、短期径流预报信息的水库优化调度模型，确定其目标函数、约束条件及递推方程；

2.1)目标函数

水库发电优化调度模型以调度期在满足发电保证出力的条件下，总发电量最大为目标函数，计算公式如下：

$Max\[\underset{i=1}{\overset{T}{\Σ}}E\[B(Z_t,H_t,Z_{t+1})\]\]---\left(3\right)$

B(Z_t,H_t,Z_t+1)＝[b(Z_t,H_t,Z_t+1)-α{Max(e-b(Z_t,H_t,Z_t+1),0)}^β]·Δt(4)

式中，Z_t+1为时段t的最优决策末水位；Z_t为时段t的初水位；H_t为时段t的水文状态变量；B(·)是时段t的发电量效益函数，即t时段惩罚后的发电量；b(·)是t时段水电站的发电出力，由耗水率、水头等计算获得；α和β是惩罚系数，由水电站发电保证率确定；e为水库水电站发电保证出力；Δt是计算时段长度；E[B(·)]为时段t在给定Z_t和H_t下的期望发电量；T为调度期的总时段数；

2.2)约束条件

在水库发电优化调度模型的优化过程中，水库的蓄水、泄流及发电出力需要满足约束条件；

2.3)递推方程

水库发电优化调度模型的递推方程在非汛期考虑短、中期径流预报信息，以Q_t、F_t+1为水文状态变量，递推方程为：

$\left\{\begin{array}{c}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})=Max\{B_t(Z_t,Q_t,Z_{t+1})+\underset{Q_{t+1}}{\Σ}{P}_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{F_{t+1}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})=Max\{P_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{t10}(Z_t,Q_t,F_{t+1})=\frac{Q_t}{Q_t+F_{t+1}}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})+\frac{F_{t+1}}{Q_t+F_{t+1}}f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})\end{array}\right.---\left(10\right)$

水库发电优化调度模型的递推方程在汛期考虑长、中、短期径流预报信息，以Q_t、F_t+1和长期预报信息FL_t+1为水文状态变量，基于这三种变量的信息更新下时段流量Q_t+1的发生概率，递推方程为：

在汛期和非汛期的过渡期，当t时刻和t+1时刻有长期预报信息，而t+2时刻无长期预报信息时，递推方程为：

$\left\{\begin{array}{c}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})=Max\{B_t(Z_t,Q_t,Z_{t+1})+\underset{Q_{t+1}}{\Σ}{P}_{Q_{t+1}|Q_t,F_{t+1},{\mathrm{FL}}_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})=Max\{P_{Q_{t+1}|Q_t,F_{t+1},{\mathrm{FL}}_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2})\}\\ f_{opt}^n{}_{t10}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})=\frac{Q_t}{Q_t+F_{t+1}}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})+\frac{F_{t+1}}{Q_t+F_{t+1}}f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1},{\mathrm{FL}}_{t+1})\end{array}\right.---\left(12\right)$

在汛期和非汛期的过渡期，当t时刻和t+1时刻无长期预报信息，而t+2时刻有长期预报信息时，递推方程为：

$\left\{\begin{array}{c}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})=Max\left\{\begin{array}{c}{B}_t(Z_t,Q_t,Z_{t+1})+\underset{Q_{t+1}}{\Σ}{P}_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{{\mathrm{FL}}_{t+2}}{\Σ}{P}_{{\mathrm{FL}}_{t+2}|Q_{t+1}}\·\\ \underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1},{\mathrm{FL}}_{t+2}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2},{\mathrm{FL}}_{t+2})\end{array}\right\}\\ f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})=Max\{P_{Q_{t+1}|Q_t,F_{t+1}}\·\underset{{\mathrm{FL}}_{t+2}}{\Σ}{P}_{{\mathrm{FL}}_{t+2}|Q_{t+1}}\·\underset{F_{t+2}}{\Σ}{P}_{F_{t+2}|Q_{t+1},{\mathrm{FL}}_{t+2}}\·f_{opt}^{n-1}(Z_{t+1},Q_{t+1},F_{t+2},{\mathrm{FL}}_{t+2})\}\\ f_{opt}^n{}_{t10}(Z_t,Q_t,F_{t+1})=\frac{Q_t}{Q_t+F_{t+1}}f_{opt}^n{}_{p5}(Z_t,Q_t,F_{t+1})+\frac{F_{t+1}}{Q_t+F_{t+1}}f_{opt}^n{}_{a5}(Z_t,Q_t,F_{t+1})\end{array}\right.---\left(13\right)$

第三步，求解第二步建立的水库优化调度模型，得到对应的调度规则。

2.根据权利要求1所述的一种耦合长、中、短期径流预报信息的水库优化调度方法，其特征在于，第二步2.2中所述的约束条件具体为：

水量平衡约束：V_t+1＝V_t+(Q_t-Q_power,t-Q_abandon,t)·Δt(5)

水库蓄水位约束：Z_dead≤Z_t≤Z_normal(6)

下泄能力约束：

发电流量约束：

水电站出力约束：N^min≤N_t≤N^max(9)

式中，V_t、V_t+1分别为t时段的初、末库容；Q_t、Q_power,t和Q_abandon,t分别为t时段的入库流量、发电流量和弃水流量；Δt是计算时段长度；Z_t、Z_dead和Z_normal分别为水库t时段的水位、水库死水位和水库正常高水位；Q_release,t和分别为泄流量和最大泄流能力；和分别为发电机组最小发电流量和最大过流能力；N_t、N^min和N^max分别为实际出力、最小出力和最大出力。