CN106682270B - 山塘复蓄系数确定方法 - Google Patents

山塘复蓄系数确定方法 Download PDF

Info

Publication number
CN106682270B
CN106682270B CN201611089227.3A CN201611089227A CN106682270B CN 106682270 B CN106682270 B CN 106682270B CN 201611089227 A CN201611089227 A CN 201611089227A CN 106682270 B CN106682270 B CN 106682270B
Authority
CN
China
Prior art keywords
model
hilly pond
output
water
hilly
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201611089227.3A
Other languages
English (en)
Other versions
CN106682270A (zh
Inventor
王奕童
郭宗楼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201611089227.3A priority Critical patent/CN106682270B/zh
Publication of CN106682270A publication Critical patent/CN106682270A/zh
Application granted granted Critical
Publication of CN106682270B publication Critical patent/CN106682270B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种山塘复蓄系数确定方法，山塘复蓄系数是确定山塘年供水量的一项重要指标，本发明基于模拟技术建立山塘供用水过程长系列模拟模型。在对模型参数进行率定的基础上，根据长系列模拟模型的模拟结果提取山塘历年复蓄系数与其主要影响因素的定量数值，组成统计模型基础数据输入序列，采用BP神经网络模型建立山塘复蓄系数统计模型，本发明首次系统解决了南方丰水地区山塘复蓄系数取值问题。

Description

山塘复蓄系数确定方法
技术领域
本发明涉及水资源管理领域，具体地说是一种山塘复蓄系数确定方法。
背景技术
实行最严格水资源管理制度是从我国当前水资源管理的核心工作，开展用水总量和用水效率统计评估是其中的重要工作内容。在我国南方丰水地区山塘一般是主要灌溉水源，它具有面广量大、管理形式多元、计量监测设施建设滞后、管理工作基础薄弱等特点，如何有序开展其供水量统计工作满足不同层次管理工作的需要是当前水资源管理上面临的一项紧迫任务。本发明以南方丰水地区山塘运行和管理现状为基础，遵循可操作、能落实的原则，研究提出一种山塘复蓄系数确定方法，指导南方丰水地区供水量统计工作。
发明内容
本发明的目的是致力于填补山塘复蓄系数确定方法之空白，提出一种山塘复蓄系数确定方法，该方法是基于模拟技术的山塘供用水过程长系列模拟模型，在对模型参数进行率定的基础上，根据长系列模拟模型的成果提取山塘历年复蓄系数与其主要影响因素的定量数值，组成统计模型基础数据输入序列建立山塘供水量统计模型，该方法有效解决了南方丰水地区山塘供水量的统计问题。
本发明的工作原理为建立基于模拟技术的山塘供用水过程长系列模拟模型，并根据该模型模拟结果建立BP神经网络模型。
一种山塘复蓄系数确定方法，具体包括以下步骤：
(1)建立基于模拟技术的山塘供用水过程长系列模拟模型，建立目标函数如下式：
目标函数：F＝{f1,f2,...,fi,...,fNi}，
决策变量：为水库第i年第t时段供水量Di(t)。当山塘蓄水量满足面临时段其供水户用水要求时，当山塘蓄水量不足，不能满足面临时段其供水户用水要求时，Di(t)＝DPi(t)。
约束条件：
①山塘容积约束：V(t)≤Vmax
②水量平衡约束：V(t+1)＝V(t)+Q(t)-D(t)-EF(t)-QE(t)
③工程能力约束：gs(t)≤QSmax
④非负约束：上述各式中的各变量大于等于零。
式中：F为目标函数，为山塘历年复蓄系数组成的时间序列；fi为第i年山塘复蓄系数，Ni为系列总年数，Vmax为山塘容积。Ei(t,j)为山塘第i年第t时段第j用水户需水量，Nj为用水户数量，DPi(t)为山塘第i年第t时段可以供给的水量，Nt为年内时段总数，η水为水利用系数。V(t)、V(t+1)分别为山塘第t时段初和时段末蓄水容积，Q(t)为山塘第t时段来水量，EF(t)为山塘第t时段蒸发渗漏量，QE(t)为山塘第t时段弃水量。gs(t)为第t时段各类工程实际通过水量，QSmax为各类工程最大供水能力，tmax为一年的时段总数，imax为时间序列的长度。
(2)基于长系列模拟模型结果建立山塘复蓄系数统计模型：
方法原理：基于历年山塘复蓄系数系列F＝{f1,f2,……,fi……,fNi}和其主要影响因素X分别采用BP神经网络方法建立山塘复蓄系数统计模型。X为山塘复蓄系数影响参数矩阵，k＝1,...,Nk，Nk为主要影响因素个数。
BP神经网络模型：包括输入输出模型、激活函数模型、误差计算模型和自学习模型。
①节点输出模型：
隐藏层节点输出模型：Oj＝f(∑Wij×X-qj)，输出节点输出模型：Yk＝f(∑Tjk×Oj-qk)。
式中Wij(i＝1，2……Nk；j＝1，2……n)为输入层单元i到隐藏层单元j的权重；qj(j＝1，2……n)为隐藏层单元j的激活阈值；Tjk(j＝1，2……n；k＝1)为隐藏层单元j到输出层单元k的权重；qk(k＝1)为输出层单元k的激活阈值。f为非线形作用函数。
②激活函数模型
激活函数为Sigmoid函数：f(x)＝1/(1+e-x)
③误差计算模型
Tpi为i节点的期望输出值；Opi为i节点计算输出值。-
④自学习模型
ΔWij(n+1)＝β×φi×Oj+α×ΔWij(n)
β为学习因子；φi为输出节点i的计算误差；Oj输出节点j的计算输出；α动量因子。
(3)BP神经网络模型求解：采用matlab软件建立BP神经网络模型，将模型输入矩阵和输出矩阵代入模型，用试算法确定隐藏层节点个数，直至模型的验证误差小于之前设定的阈值γ，最终确定BP网络各点的权值。
具体步骤如下：
①将sigmoid函数f(x)＝1/(1+e-x)作为激活函数，将历年山塘复蓄系数系列F和历年山塘复蓄系数主要影响因素矩阵X转化为F’和X’。
②将系列F’、X’以3:1的比例分为F1’、F2’和X1’、X2’。
③根据粗定隐藏层节点数n，确定BP网络允许误差γ。
④以X1’为输入，F1’为输出，隐藏层节点数为n建立BP神经网络，随机产生初始权重和阈值。
⑤隐藏层节点输出为：Oj＝f(∑Wij×X-qj)，输出节点输出为：Yk＝f(∑Tjk×Oj-qk)。式中Wij(i＝1，2……Nk；j＝1，2……n)为输入层单元i到隐藏层单元j的权重；qj(j＝1，2……n)为隐藏层单元j的激活阈值；Tjk(j＝1，2……n；k＝1)为隐藏层单元j到输出层单元k的权重；qk(k＝1)为输出层单元k的激活阈值。
⑥根据误差计算模型(式中Tpi为i节点的期望输出值；Opi为i节点计算输出值)和自学习模型ΔWij(n+1)＝β×φi×Oj+α×ΔWij(n)(式中β为学习因子；φi为输出节点i的计算误差；Oj输出节点j的计算输出；α动量因子)以误差最小为目标对BP网络中的各权重、阈值进行计算，得到率定完成的BP网络模型。
⑦将X2’输入率定完成的BP网络模型，得到输出F3’。
⑧将F3’作为模型计算输出值，F2’作为模型期望输出值，均方根误差(式中f′2i、f′3i分别为F2’和F3’中的第i个元素，y为矩阵F2’和F3’中含有的元素数量)，用均方根误差对模型的精度进行检验。若得到的误差值小于先前设定的BP网络允许误差γ，则判定模型精度足够，输出该模型；若得到的误差值大于先前设定的BP网络允许误差γ，则判定模型精度不够，调整隐藏层节点数量n，回到步骤④，重新进行网络参数的率定与验证，直至模型精度达到要求为止。
本发明的有益效果是：
本发明提出一种山塘复蓄系数确定方法，基于模拟技术建立山塘供用水过程长系列模拟模型，在对模型参数进行率定的基础上，根据长系列模拟模型的模拟结果提取山塘历年复蓄系数与其主要影响因素的定量数值，组成统计模型基础数据输入序列，采用BP神经网络模型建立山塘复蓄系数统计模型，本发明填补山塘复蓄系数确定方法之空白，首次系统解决了南方丰水地区山塘复蓄系数取值问题。
附图说明
图1为山塘长系列模拟模型建立流程图；
图2是BP神经网络建立流程图。
具体实施方式
下面结合附图对本发明做进一步说明，本发明的山塘复蓄系数确定方法，具体包括以下步骤：
(1)建立基于模拟技术的山塘供用水过程长系列模拟模型，山塘长系列模拟模型建立流程如图1所示，建立目标函数如下式：
目标函数：F＝{f1,f2,...,fi,...,fNi}，
决策变量：为水库第i年第t时段供水量Di(t)。当山塘蓄水量满足面临时段其供水户用水要求时，当山塘蓄水量不足，不能满足面临时段其供水户用水要求时，Di(t)＝DPi(t)。
约束条件：
①山塘容积约束：V(t)≤Vmax
②水量平衡约束：V(t+1)＝V(t)+Q(t)-D(t)-EF(t)-QE(t)
③工程能力约束：gs(t)≤QSmax
④非负约束：上述各式中的各变量大于等于零。
式中：F为目标函数，为山塘历年复蓄系数组成的时间序列；fi为第i年山塘复蓄系数，Ni为系列总年数，Vmax为山塘容积。Ei(t,j)为山塘第i年第t时段第j用水户需水量，Nj为用水户数量，DPi(t)为山塘第i年第t时段可以供给的水量，Nt为年内时段总数，η水为水利用系数。V(t)、V(t+1)分别为山塘第t时段初和时段末蓄水容积，Q(t)为山塘第t时段来水量，EF(t)为山塘第t时段蒸发渗漏量，QE(t)为山塘第t时段弃水量。gs(t)为第t时段各类工程实际通过水量，QSmax为各类工程最大供水能力，tmax为一年的时段总数，imax为时间序列的长度。
(2)基于长系列模拟模型结果建立山塘复蓄系数统计模型：
方法原理：基于历年山塘复蓄系数系列F＝{f1,f2,……,fi……,fNi}和其主要影响因素X分别采用BP神经网络方法建立山塘复蓄系数统计模型。X为山塘复蓄系数影响参数矩阵，k＝1,...,Nk，Nk为主要影响因素个数。
BP神经网络模型：包括输入输出模型、激活函数模型、误差计算模型和自学习模型。
①节点输出模型：
隐藏层节点输出模型：Oj＝f(∑Wij×X-qj)，输出节点输出模型：Yk＝f(∑Tjk×Oj-qk)。
式中Wij(i＝1，2……Nk；j＝1，2……n)为输入层单元i到隐藏层单元j的权重；qj(j＝1，2……n)为隐藏层单元j的激活阈值；Tjk(j＝1，2……n；k＝1)为隐藏层单元j到输出层单元k的权重；qk(k＝1)为输出层单元k的激活阈值。f为非线形作用函数。
②激活函数模型
激活函数为Sigmoid函数：f(x)＝1/(1+e-x)
③误差计算模型
Tpi为i节点的期望输出值；Opi为i节点计算输出值。
④自学习模型
ΔWij(n+1)＝β×φi×Oj+α×ΔWij(n)
β为学习因子；φi为输出节点i的计算误差；Oj输出节点j的计算输出；α动量因子。
(3)BP神经网络模型求解：采用matlab软件建立BP神经网络模型，将模型输入矩阵和输出矩阵代入模型，用试算法确定隐藏层节点个数，直至模型的验证误差小于之前设定的阈值γ，最终确定BP网络各点的权值。
如图2所示，具体步骤如下：
①将sigmoid函数f(x)＝1/(1+e-x)作为激活函数，将历年山塘复蓄系数系列F和历年山塘复蓄系数主要影响因素矩阵X转化为F’和X’。
②将系列F’、X’以3:1的比例分为F1’、F2’和X1’、X2’。
③根据粗定隐藏层节点数n，确定BP网络允许误差γ。
④以X1’为输入，F1’为输出，隐藏层节点数为n建立BP神经网络，随机产生初始权重和阈值。
⑤隐藏层节点输出为：Oj＝f(∑Wij×X-qj)，输出节点输出为：Yk＝f(∑Tjk×Oj-qk)。式中Wij(i＝1，2……Nk；j＝1，2……n)为输入层单元i到隐藏层单元j的权重；qj(j＝1，2……n)为隐藏层单元j的激活阈值；Tjk(j＝1，2……n；k＝1)为隐藏层单元j到输出层单元k的权重；qk(k＝1)为输出层单元k的激活阈值。
⑥根据误差计算模型(式中Tpi为i节点的期望输出值；Opi为i节点计算输出值)和自学习模型ΔWij(n+1)＝β×φi×Oj+α×ΔWij(n)(式中β为学习因子；φi为输出节点i的计算误差；Oj输出节点j的计算输出；α动量因子)以误差最小为目标对BP网络中的各权重、阈值进行计算，得到率定完成的BP网络模型。
⑦将X2’输入率定完成的BP网络模型，得到输出F3’。
⑧将F3’作为模型计算输出值，F2’作为模型期望输出值，均方根误差(式中f′2i、f′3i分别为F2’和F3’中的第i个元素，y为矩阵F2’和F3’中含有的元素数量)，用均方根误差对模型的精度进行检验。若得到的误差值小于先前设定的BP网络允许误差γ，则判定模型精度足够，输出该模型；若得到的误差值大于先前设定的BP网络允许误差γ，则判定模型精度不够，调整隐藏层节点数量n，回到步骤④，重新进行网络参数的率定与验证，直至模型精度达到要求为止。

Claims (3)

1.山塘复蓄系数确定方法，其特征在于包括如下步骤：
建立基于模拟技术的山塘供用水过程长系列模拟模型；
基于长系列模拟模型结果采用BP神经网络模型建立山塘复蓄系数统计模型，从而确定山塘复蓄系数；
所述的建立基于模拟技术的山塘供用水过程长系列模拟模型，具体方法如下：
建立目标函数如下式：
目标函数：F＝{f1，f2，...，fi，...，fNi}，
决策变量：为山塘第i年第t时段供水量Di(t)；当山塘蓄水量满足面临时段其供水户用水要求时，当山塘蓄水量不足，不能面临时段其供水户用水要求时，Di(t)＝DPi(t)；
约束条件：
(1)山塘容积约束：V(t)≤Vmax
(2)水量平衡约束：V(t+1)＝V(t)+Q(t)-D(t)-EF(t)-QE(t)
(3)工程能力约束：gs(t)≤QSmax
(4)非负约束：上述各式中的各变量大于等于零；
式中：F为目标函数，为山塘历年复蓄系数组成的时间序列；fi为第i年山塘复蓄系数，Ni为系列总年数，Vmax为山塘容积；Ei(t，j)为山塘第i年第t时段第j用水户需水量，Nj为用水户数量，DPi(t)为山塘第i年第t时段可以供给的水量，Nt为年内时段总数，η水为水利用系数；V(t)、V(t+1)分别为山塘第t时段初和时段末蓄水容积，Q(t)为山塘第t时段来水量，EF(t)为山塘第t 时段蒸发渗漏量，QE(t)为山塘第t时段弃水量；gs(t)为第t时段各类工程实际通过水量，QSmax为工程最大供水能力。
2.如权利要求1所述的山塘复蓄系数确定方法，其特征在于：基于长系列模拟模型结果采用BP神经网络模型建立山塘供水量统计模型，具体为：基于长系列模拟模型的结果，即历年山塘复蓄系数系列F＝{f1，f2，...，fi，...，fNi}，结合主要影响因素X，采用BP神经网络方法建立山塘复蓄系数统计模型；X为山塘复蓄系数影响参数矩阵，k＝1，...，Nk，Nk为主要影响因素个数；
所述的BP神经网络模型：包括节点输出模型、激活函数模型、误差计算模型和自学习模型；
①节点输出模型：
隐藏层节点输出模型：Oj＝f(∑Wij×X-qj)；输出节点输出模型：Yk＝f(∑Tjk×Oj-qk)；
式中Wij(i＝1，2……Nk；j＝1，2……n)为输入层单元i到隐藏层单元j的权重；qj(j＝1，2……n)为隐藏层单元j的激活阈值；Tjk(j＝1，2……n；k＝1)为隐藏层单元j到输出层单元k的权重；qk(k＝1)为输出层单元k的激活阈值; f为非线形作用函数；
②激活函数模型
激活函数为Sigmoid函数：f(x)＝1/(1+e-x)
③误差计算模型
Tpi为i节点的期望输出值；Opi为i节点计算输出值；
④自学习模型
ΔWij(n+1)＝β×φi×Oj+α×ΔWij(n)
β为学习因子；φi为输出节点i的计算误差；Oj输出节点j的计算输出；α动量因子；
采用matlab软件建立BP神经网络模型，将模型输入矩阵和输出矩阵代入模型，用试算法确定隐藏层节点个数，直至模型的验证误差小于之前设定的阈值γ，最终确定BP网络各点的权值，进行求解计算。
3.如权利要求2所述的山塘复蓄系数确定方法，其特征在于，具体方法如下：
①将sigmoid函数作为激活函数，将历年山塘复蓄系数系列F和历年山塘复蓄系数主要影响因素矩阵X转化为F’和X’；
②将系列F’、X’以3∶1的比例分为F1’、F2’和X1’、X2’；
③根据粗定隐藏层节点数n，确定BP网络允许误差γ；
④以X1’为输入，F1’为输出，隐藏层节点数为n建立BP神经网络，随机产生初始权重和阈值；
⑤隐藏层节点输出为：Oj＝f(∑Wij×X-qj)，输出节点输出为：Yk＝f(∑Tjk×Oj-qk); 式中Wij(i＝1，2……Nk；j＝1，2……n)为输入层单元i到隐藏层单元j的权重；qj(j＝1，2……n)为隐藏层单元j的激活阈值；Tjk(j＝1，2……n；k＝1)为隐藏层单元j到输出层单元k的权重；qk(k＝1)为输出层单元k的激活阈值；
⑥根据误差计算模型(式中Tpi为i节点的期望输出值；Opi为i节点计算输出值)和自学习模型ΔWij(n+1)＝β×φi×Oj+α×ΔWij(n)，式中β为学习因子；φi为输出节点i的计算误差；Oj输出节点j的计算输出；α动量因子；以误差最小为目标对BP网络中的各权重、阈值进行计算，得到率定完成的BP网络模型；
⑦将X2’输入率定完成的BP网络模型，得到输出F3’；
⑧将F3’作为模型计算输出值，F2’作为模型期望输出值，均方根误差式中f′2i、f′3i分别为F2’和F3’中的第i个元素，y为矩阵F2’和F3’中含有的元素数量；用均方根误差对模型的精度进行检验；若得到的误差值小于先前设定的BP网络允许误差γ，则判定模型精度足够，输出该模型；若得到的误差值大于先前设定的BP网络允许误差γ，则判定模型精度不够，调整隐藏层节点数量n，回到步骤④，重新进行网络参数的率定与验证，直至模型精度达到要求为止。
CN201611089227.3A 2016-12-01 2016-12-01 山塘复蓄系数确定方法 Expired - Fee Related CN106682270B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201611089227.3A CN106682270B (zh) 2016-12-01 2016-12-01 山塘复蓄系数确定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201611089227.3A CN106682270B (zh) 2016-12-01 2016-12-01 山塘复蓄系数确定方法

Publications (2)

Publication Number Publication Date
CN106682270A CN106682270A (zh) 2017-05-17
CN106682270B true CN106682270B (zh) 2019-10-29

Family

ID=58866361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611089227.3A Expired - Fee Related CN106682270B (zh) 2016-12-01 2016-12-01 山塘复蓄系数确定方法

Country Status (1)

Country Link
CN (1) CN106682270B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115103127B (zh) * 2022-08-22 2022-11-08 环球数科集团有限公司 一种嵌入式智能摄像机设计方法与系统
CN116029166B (zh) * 2023-03-30 2023-06-20 浙江省水利河口研究院(浙江省海洋规划设计研究院) 基于模式识别的塘坝复蓄次数确定方法及装置、电子设备

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7254564B2 (en) * 2001-10-22 2007-08-07 Coppola Jr Emery J Neural network based predication and optimization for groundwater/surface water system
CN103942612A (zh) * 2014-04-08 2014-07-23 河海大学 基于自适应粒子群优化算法的梯级水库优化调度方法
CN103886395A (zh) * 2014-04-08 2014-06-25 河海大学 一种基于神经网络模型的水库优化调度方法
CN105512832A (zh) * 2015-12-29 2016-04-20 杭州电子科技大学 基于时变权最小方差的城市需水量组合预测方法

Also Published As

Publication number Publication date
CN106682270A (zh) 2017-05-17

Similar Documents

Publication Publication Date Title
CN108875161A (zh) 基于卷积神经网络深度学习的流量等级预测方法
CN107392446B (zh) 一种基于敏感性分析的梯级水电站调度方案评价方法
CN106682355B (zh) 一种基于pso-ga混合算法的水文模型参数率定方法
Busa-Fekete et al. Multi-objective bandits: Optimizing the generalized gini index
CN112163703B (zh) 考虑气象因子不确定性的农田参考作物蒸散量预测方法
CN107274038A (zh) 一种基于蚁狮优化的lssvm年用电量预测方法
CN106682270B (zh) 山塘复蓄系数确定方法
CN101968629A (zh) 基于rbf辨识的弹性积分bp神经网络的pid控制方法
CN106777775A (zh) 一种基于多断面水位预测河流流量的神经网络方法
CN105760703B (zh) 一种基于聚合水库蓄放水模拟的洪水预报方法
CN108898250A (zh) 一种基于D藤copula函数的月径流模拟方法
CN107862457B (zh) 一种水库分期调度规则提取方法
CN112715322B (zh) 一种农业灌溉用水获取方法和装置
Anari et al. Application of ANN and ANFIS models for estimating total infiltration rate in an arid rangeland ecosystem
CN110578317B (zh) 一种水文模型水库泄水量模拟方法
CN107886163A (zh) 基于agn及cnn的单目标优化问题寻优方法及装置
CN109615151A (zh) 一种负荷储能双优化的预测方法、装置和介质
CN106897824A (zh) 小型蓄水工程供水量计算方法
Jahromi et al. Application of the HBMO approach to predict the total sediment discharge
Rostovsky et al. The model of decision-making of high-tech company on the formation of the optimal portfolio. The results of numerical modeling
CN109934620A (zh) 供电企业成本性预算分配方法
Zacharopoulou et al. Impact of sample uncertainty of inflows to stochastic simulation of reservoirs
Ghorbani et al. Development of Water, Energy and Food Nexus Model in Irrigation Networks Based on Water Adequacy and Stability Indicators (Qazvin Irrigation Network Case Study)
CN108492185A (zh) 一种面向不确定规划问题的求解方法及系统
CN110069617A (zh) 论坛帖的管理方法、装置、服务器和计算机可读存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20191029

Termination date: 20201201

CF01 Termination of patent right due to non-payment of annual fee