CN106951980B - 一种基于rcp情景的水库群适应性调度方法 - Google Patents
一种基于rcp情景的水库群适应性调度方法 Download PDFInfo
- Publication number
- CN106951980B CN106951980B CN201710092746.3A CN201710092746A CN106951980B CN 106951980 B CN106951980 B CN 106951980B CN 201710092746 A CN201710092746 A CN 201710092746A CN 106951980 B CN106951980 B CN 106951980B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- sub
- model
- rcp
- capacity
- 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.)
- Active
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 39
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 66
- 230000008859 change Effects 0.000 claims abstract description 15
- 239000002689 soil Substances 0.000 claims abstract description 12
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000010248 power generation Methods 0.000 claims abstract description 4
- 230000008901 benefit Effects 0.000 claims description 22
- 238000003860 storage Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 11
- 238000012795 verification Methods 0.000 claims description 11
- 230000000739 chaotic effect Effects 0.000 claims description 8
- 230000008020 evaporation Effects 0.000 claims description 7
- 238000001704 evaporation Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005291 chaos (dynamical) Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000012384 transportation and delivery Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 229910004438 SUB2 Inorganic materials 0.000 claims 3
- 229910004444 SUB1 Inorganic materials 0.000 claims 2
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000010485 coping Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 4
- 230000005855 radiation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000000443 aerosol Substances 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002362 mulch Substances 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于RCP情景的水库群适应性调度方法,步骤如下:首先利用典型浓度路径(Representative Concentration Pathways,RCP)情景下全球气候模式的气象资料驱动土壤及水评估(Soil and Water Assessment Tool,SWAT)水文模型,预测未来径流过程;其次获取水库基本信息,建立水库群适应性调度模型;最后将RCP情景下的预测未来径流作为适应性调度模型的输入,执行混沌蛙跳算法(Chaos Shuffled frog leaping algorithm,CSFLA)确定水库群适应性调度策略。本发明能够实现对基于RCP情景下的流域未来径流预测,构建与求解自适应于RCP情景的发电、防洪以及生态等目标的水库群优化调度模型,提出应对气候变化的水库群适应性调度策略,可广泛应用于水库群调度生产实践中。
Description
技术领域
本发明涉及一种基于RCP(典型浓度路径)情景的水库群适应性调度方法,属于水利水电领域的水库调度技术领域。
背景技术
以全球变暖为主的气候变化是全世界关注的热点,IPCC第五次评估报告指出:1880~2012年全球地表温度大约升高了0.85℃,预计到2100年,全球平均气温将上升1.1~6.4℃。气候变化将改变全球水文循环的现状,引起水资源在时空上的重新分配,并对降水、蒸发、径流、土壤湿度等造成直接影响,对于现在及未来的水资源规划和管理而言,研究径流对气候变化的响应以及水库适应性调度管理至关重要。水库群适应性调度模型构建与求解技术是气候变化条件下水资源适应性调度研究的重点。目前,适应性调度模型的构建多在传统水库群调度模型的基础上,加入适应气候变化的相关目标和约束。
排放情景是对潜在的辐射活跃排放物(如温室气体、气溶胶等)未来发展的一种可能的表述,也是对未来气候变化进行预估的基础。IPCC AR5采用了新一代排放情景“典型浓度目标”(Representative Concentration Pathways,RCP)情景。RCP情景采用辐射强迫作为区分不同路径的物理量,包括全套温室气体和气溶胶以及化学活性气体和土地利用及覆盖物的排放和浓度的时间路径,并以2100年总辐射强迫为指标,确定四个排放情景:RCP8.5、RCP6.0、RCP4.5和RCP2.6,分别对应2100年总辐射强迫相对于1750年达到2.6W/m2、4.5W/m2、6.0W/m2和8.5W/m2的情况。
然而,我国基目前于RCP情景的区域气候变化趋势研究目前还相对较少,RCP情景下气候变化对水文水资源影响的研究基本遵从“RCP情景设计-水文模型-影响评估”的模式。同时,对于水库群适应性管理的研究成果尚不丰富,对于气候变化条件下水库群调度管理的定量研究仍处于起步阶段,尤其是基于RCP情景下的水库群适应性调度尚未展开研究。
发明内容
发明目的:针对现有技术中存在的问题,本发明提供一种基于RCP情景的水库群适应性调度方法,利用RCP情景下全球气候模式的气象资料驱动土壤及水评估SWAT(气象资料驱动土壤及水评估Soil and Water Assessment Tool,SWAT)水文模型,预测未来径流过程,作为水库群适应性调度模型的输入,提出水库群适应性调度策略。
技术方案:一种基于RCP情景的水库群适应性调度方法,包括以下步骤:
步骤1:利用RCP情景下全球气候模式的气象资料驱动SWAT水文模型,预测流域未来径流过程;
1-1获取流域径流量资料以及历史气象资料包括区域平均本站气压,Pa;平均风速,m/s;平均气温,℃;日最高气温,℃;日最低气温,℃;平均相对湿度,℃;20-20时降水量,mm;小型蒸发量,mm;大型蒸发量,mm;日照时数,h。
1-2获取RCP情景下全球气候模式的气象资料,包括区域未来逐日气温,℃;降水量,mm。
1-3建立SWAT水文模型数据库,包括高程数据DEM data、土地利用数据Land usedata、土壤数据Soil data和气象数据Meteorological data。
1-4构建SWAT水文模型,模拟历史径流量,包括以下步骤:
1-4-1按要求输入数字高程模型,分析数字地形和定义流域范围,进行流域离散化,划分出子流域,确定河网结构和计算子流域参数;
1-4-2在子流域基础上,根据土地利用方式和土壤类型的组合,将各子流域进一步划分为多个水文响应单元;
1-4-3输入气象数据,水库或点源数据,逐步计算每个水文响应单元的径流量,再通过汇流计算得到流域的总径流量。
1-5 SWAT水文模型率定与验证。选择流域相对应的水文站,采用多站点校正方法,利用历史实测资料对历史模拟流量进行校正,包括以下步骤:
1-5-1使用官方提供的SWATCUP软件进行调参,选用SUFI-2算法进行迭次运算确定参数最佳值;
1-5-2将参数最佳值通过SWAT模型内部的手动调参带入模型内进行模拟验证,选取相关系数(R2)和Nash-Sutcliffe效率系数(NSE)2个指标来评价流溪河流域SWAT模型径流模拟值的适用性,认定R2>0.6、NSE>0.5时模拟取得显著效果。
1-6基于SWAT水文模型预测流域未来径流。在率定参数的基础上,输入未来气象数据,基于历史径流模拟基础,利用SWAT水文模型预测流域未来径流。
步骤2:获取水库群基本信息,获取水库群的基本信息数据,包括:水库数目M,水库安全下泄流量q,水轮机过流能力u,水库初末库容限制V,正常蓄水位Z正、防洪限制水位Z防、死水位Z死,水库库容-水位关系曲线S~Z,水库下游水位-下泄流量关系曲线Z~Q,发电机组装机容量N,水库入库水量W等;
步骤3:建立以社会效益、经济效益以及生态环境等的综合效益最大的目标函数,考虑水量平衡、机组出力、过流能力等约束条件的多目标水资源优化配置数学模型:
opt F={f1,f2,…,fn} (1)
即,s.t x∈G(x) (2)
式中,opt表示优化方向,包括最大方向和最小方向,n表示水库群系统适应性调度的目标数;F目标函数集;fn表示为社会效益、经济效益以及生态环境等的综合效益最大的目标函数;Δt—表示计算时段区间;i—表示第i个水库,i=1,2,…,M;wt,i—表示第i个水库t时段水库的入库流量,m3/s;It,i—表示第i个水库t时段的损失量,m3;Vt,i—表示第i个水库t时段末库容值,m3;Vmint,i、Vmaxt,i—表示第i个水库t时段末允许的最小、最大水库库容值,m3;ut,i表示第i个水库t时段水库的下泄流量,m3/s;umint,i、umaxt,i—表示第i个水库t时段允许的最小下泄流量、最大下泄流量,m3/s;qt,i—表示第i个水库t时段水库的发电流量,m3/s;qmint,i、qmaxt,i—表示第i个水库t时段允许的最小发电流量、最大发电流量,m3/s;Nt,i—表示第i个水库t时段内水库的出力,kW;Nmint,i、Nmaxt,i—表示第i个水库t时段末允许的最小出力值、最大出力值,kW;V0,i、V1,i—表示第i个水库初、末库容值,m3;Vi′、Vi″—表示第i个水库初、末限制库容值,m3;
步骤4:将RCP情景下的预测未来径流作为适应性调度模型的输入,执行CSFLA,确定水库群适应性调度策略。
步骤4-1:确定以水资源工程时段末蓄水量V、下泄流量u或工程过水流量q为决策变量,划分水资源调度周期时段T;
步骤4-2设定参数。确定初始种群规模G,全局迭代次数MAXGEN,子种群数P,每个子种群个体数量NUM,子种群迭代次数GEN;
步骤4-3目标函数处理。对于多目标的水电站水库适应性调度模型,通过约束法转化为单目标问题;若为单目标问题,则直接进入下一步。约束法具体包括:
max F(x)=fk(x) (3)
式中:F(x)目标函数集;fn(x)表示气候变化下以社会效益、经济效益以及生态环境等的综合效益最大(发电量最大、最大下泄流量最小、弃水量最少、生态缺水量最小等)的目标函数,G(x)表示约束条件集,包括水量平衡约束、水库水位约束、下泄流量约束、水轮机过流能力约束、机组出力约束,minn、maxn表示第n个目标的下限、上限值,n=1,2,…,N且n≠k。
步骤4-4设置gen=0,基于混沌理论生成初始种群,包括以下步骤:
4-4-1随机选取G个[0,1]区间内不同的初值(除去0,0.25,0.5,0.75和1共5个数字)构成初始序列ε0=(ε1,0,ε2,0,…,εG,0),通过Logistic映射得到G个轨迹不同的混沌序列εg+1,t=μεg,t(1-εg,t),其中,μ=4,g=1,2,…,G,t=1,2,…,T×M,εg,t—表示第g个个体第t时段的混沌初始值,T—表示水库调度周期,M—表示水库数目;
4-4-2将混沌序列按Vg,t=Vmint+(Vmaxt-Vmint)εg,t放大到各时段各水库库容量的取值范围,得到G个代表水库运行控制过程中的水库库容量序列构成初始种群Vg,其中,第g个个体的水库库容量序列表示为(Vg,1,Vg,2,…,Vg,T×M),Vmint—表示水库允许的最小库容值序列,Vmint=[Vmint,1,Vmint,2,…,Vmint,i,…,Vmint,M],m3,Vmaxt—表示水库允许的最大库容值序列,Vmaxt=[Vmaxt,1,Vmaxt,2,…,Vmaxt,i,…,Vmaxt,M],m3,i—表示第i个水库,i=1,2,…,M。
步骤4-5适应度函数值计算,对不满足约束条件的解,将其适应度函数值取相反值;
步骤4-6将G个个体分成P个子种群,每个子种群包含NUM个个体,将第一个个体放入P1、第二个个体放入P2,直到第NUM+1个个体放入PN,选择子种群中第一个个体和第NUM个个体为子种群最优解和最差解,分别记为Pb和Pw;
步骤4-7进入局部搜索,调整子种群的最差解,对各个子种群中的Pw进行更新,P'=Pw+rand×(Pb-Pw),其中,P'为更新后的解,rand是0至1之间的随机数;
步骤4-8判断P'是否优于Pw,如果P'优于Pw,则Pw=P',否则重新执行步骤4-7,再次判断P'是否优于Pw,如果P'仍然不优于Pw,则随机产生一个解代替Pw,针对各个子种群,当子种群的迭代次数达到GEN次时,完成当前子种群的更新迭代,重复步骤4-7和4-8进行下一子种群的局部搜索,直至所有子种群全部完成局部搜索;
步骤4-9在各个子种群全部完成局部搜索后,将所有个体混合,重新组合成G个个体的种群,计算全局最优解Pm;
步骤4-10判断全局的迭代次数是否达到预定的全局迭代次数MAXGEN,如果没有达到则进行步骤4-9,继续下一轮的全局搜索,设置gen=gen+1,否则算法结束输出各参数的最优解Pm;
步骤4-11输出全局最优解Pm即为梯级水库群中各水库逐时段最优调度的水库库容,在水库初库容以及将RCP情景下的预测未来径流的情况下,其中,下游水库入库流量为上游水库出库流量与区间来水流量叠加,依据最优解对应各时段的水库库容,结合水量平衡确定各时段各水库的出库流量。
有益效果:本发明提出的一种基于RCP情景的水库群适应性调度方法,首先利用RCP情景下全球气候模式的气象资料驱动土壤及水评估SWAT水文模型,预测未来径流过程;其次获取水库基本信息,建立水库群适应性调度模型;最后将RCP情景下的预测未来径流作为适应性调度模型的输入,执行CSFLA(混沌蛙跳算法Chaos Shuffled frog leapingalgorithm,CSFLA)确定水库群适应性调度策略。本发明能够实现对基于RCP情景下的流域未来径流预测,进行气候变化下水库群适应性调度研究,可广泛应用于水库群调度生产实践中。相对于现有技术,本发明具有以下优势:
(1)采用RCP情境下径流预测值作为适应性调度模型的输入,提出适应性调度策略,能够适应未来气候变化,对水库指导更有实用价值;
(2)建立发电、防洪以及生态等目标的水库群适应性调度模型,满足水库群综合效益最大的调度要求;
(3)基于混沌理论生成初始解,可以避免SFLA随机生成初始种群集中于某些局部区域以致算法陷入局部收敛的问题。
附图说明
图1是本发明的方法流程图;
图2是本发明中基于CSFLA求解水库群适应性调度模型步骤图;
图3是本发明中圆河流域水库群历史入库径流量的SWAT模型率定与验证结果图(a)为园1水库入库径流率定与验证结果图;(b)为园2水库率定与验证结果图;
图4是本发明中RCP4.5情景下园河流域水库群入库径流量预测值图(a)为园1水库入库径流量预测值;(b)为园9水库入库径流量预测值;
图5是本发明中RCP4.5情景下园河流域水库群适应性调度策略图(a)为园1水库适应性调度策略值;(b)为园9水库适应性调度策略值。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明基于RCP情景与SWAT耦合模型对未来气候变化下的水库群径流进行预测,建立发电、防洪以及生态等目标的水库群适应性调度模型,寻求水库群综合效益最大的自适应调度策略,其具体流程详见图1。
如图1所示,一种基于RCP情景的水库群适应性调度方法,包括以下步骤:
步骤1:利用RCP情景下全球气候模式的气象资料驱动SWAT水文模型,预测流域未来径流过程;
1-1获取流域径流量资料以及历史气象资料包括区域平均本站气压,Pa;平均风速,m/s;平均气温,℃;日最高气温,℃;日最低气温,℃;平均相对湿度,℃;20-20时降水量,mm;小型蒸发量,mm;大型蒸发量,mm;日照时数,h。
1-2获取RCP情景下全球气候模式的气象资料,包括区域未来逐日气温,℃;降水量,mm。
1-3建立SWAT水文模型数据库,包括高程数据DEM data、土地利用数据Land usedata、土壤数据Soil data和气象数据Meteorological data。
1-4构建SWAT水文模型,模拟历史径流量,包括以下步骤:
1-4-1按要求输入数字高程DEM模型,分析数字地形和定义流域范围,进行流域离散化,划分出子流域,确定河网结构和计算子流域参数;
1-4-2在子流域基础上,根据土地利用方式和土壤类型的组合,将各子流域进一步划分为多个水文响应单元HRU;
1-4-3输入气象数据,水库或点源数据,逐步计算每个水文响应单元的径流量,再通过汇流计算得到流域的总径流量。
1-5进行SWAT水文模型率定与验证。选择流域相对应的水文站,采用多站点校正方法,利用历史实测资料对历史模拟流量进行校正,包括以下步骤:
1-5-1使用官方提供的SWATCUP软件进行调参,选用SUFI-2算法进行迭次运算确定参数最佳值;
1-5-2将参数最佳值通过SWAT模型内部的手动调参带入模型内进行模拟验证,选取相关系数(R2)和Nash-Sutcliffe效率系数(NSE)2个指标来评价流溪河流域SWAT模型径流模拟值的适用性,认定R2>0.6、NSE>0.5时模拟取得显著效果。
1-6基于SWAT水文模型预测流域未来径流。在率定参数的基础上,输入未来气象数据,基于历史径流模拟基础,利用SWAT水文模型预测流域未来径流。
步骤2:获取水库群基本信息,获取水库群的基本信息数据,包括:水库数目M,水库安全下泄流量q,水轮机过流能力u,水库初末库容限制V,正常蓄水位Z正、防洪限制水位Z防、死水位Z死,水库库容-水位关系曲线S~Z,水库下游水位-下泄流量关系曲线Z~Q,发电机组装机容量N,水库入库水量W等;
步骤3:建立以社会效益、经济效益以及生态环境等的综合效益最大的目标函数,考虑水量平衡、机组出力、过流能力等约束条件的多目标水资源优化配置数学模型:
opt F={f1,f2,…,fn} (1)
式中,opt表示优化方向,包括最大方向和最小方向,n表示水库群系统适应性调度的目标数;F目标函数集;fn表示为社会效益、经济效益以及生态环境等的综合效益最大的目标函数;Δt—表示计算时段区间;i—表示第i个水库,i=1,2,…,M;wt,i—表示第i个水库t时段水库的入库流量,m3/s;It,i—表示第i个水库t时段的损失量,m3;Vt,i—表示第i个水库t时段末蓄水量,m3;Vmint,i、Vmaxt,i—表示第i个水库t时段末允许的最小、最大水库蓄水量,m3;ut,i表示第i个水库t时段水库的下泄流量,m3/s;umint,i、umaxt,i—表示第i个水库t时段允许的最小下泄流量、最大下泄流量,m3/s;qt,i—表示第i个水库t时段水库的发电流量,m3/s;qmint,i、qmaxt,i—表示第i个水库t时段允许的最小发电流量、最大发电流量,m3/s;Nt,i—表示第i个水库t时段内水库的出力,kW;Nmint,i、Nmaxt,i—表示第i个水库t时段末允许的最小出力值、最大出力值,kW;V0,i、V1,i—表示第i个水库初、末库容值,m3;Vi′、Vi″—表示第i个水库初、末限制库容值,m3;
步骤4:将RCP情景下的预测未来径流作为适应性调度模型的输入,执行CSFLA,确定水库群适应性调度策略,如图2所示,包括以下步骤:
步骤4-1:确定以水资源工程时段末蓄水量V、下泄流量u或工程过水流量q为决策变量,划分水资源调度周期时段T;
步骤4-2设定参数。确定初始种群规模G,全局迭代次数MAXGEN,子种群数P,每个子种群个体数量NUM,子种群迭代次数GEN;
步骤4-3目标函数处理。对于多目标的水电站水库适应性调度模型,通过约束法转化为单目标问题;若为单目标问题,则直接进入下一步。约束法具体包括:
max F(x)=fk(x) (3)
式中:minn、maxn表示第n个目标的下限、上限值,n=1,2,…,N且n≠k
步骤4-4设置gen=0,基于混沌理论生成初始种群,包括以下步骤:
4-4-1随机选取G个[0,1]区间内不同的初值(除去0,0.25,0.5,0.75和1共5个数字)构成初始序列ε0=(ε1,0,ε2,0,…,εG,0),通过Logistic映射得到G个轨迹不同的混沌序列εg+1,t=μεg,t(1-εg,t),其中,μ=4,g=1,2,…,G,t=1,2,…,T×M,εg,t—表示第g个个体第t时段的混沌初始值,T—表示水库调度周期,M—表示水库数目;
4-4-2将混沌序列按Vg,t=Vmint+(Vmaxt-Vmint)εg,t放大到各时段各水库库容量的取值范围,得到G个代表水库运行控制过程中的水库库容量序列构成初始种群Vg,其中,第g个个体的水库库容量序列表示为(Vg,1,Vg,2,…,Vg,T×M),Vmint—表示水库允许的最小库容值序列,Vmint=[Vmint,1,Vmint,2,…,Vmint,i,…,Vmint,M],m3,Vmaxt—表示水库允许的最大库容值序列,Vmaxt=[Vmaxt,1,Vmaxt,2,…,Vmaxt,i,…,Vmaxt,M],m3,i—表示第i个水库,i=1,2,…,M。
步骤4-5适应度函数值计算,对不满足约束条件的解,将其适应度函数值取相反值;
步骤4-6将G个个体分成P个子种群,每个子种群包含NUM个个体,将第一个个体放入P1、第二个个体放入P2,直到第NUM+1个个体放入PN,选择子种群中第一个个体和第NUM个个体为子种群最优解和最差解,分别记为Pb和Pw;
步骤4-7进入局部搜索,调整子种群的最差解,对各个子种群中的Pw进行更新,P'=Pw+rand×(Pb-Pw),其中,P'为更新后的解,rand是0至1之间的随机数;
步骤4-8判断P'是否优于Pw,如果P'优于Pw,则Pw=P',否则重新执行步骤4-7,再次判断P'是否优于Pw,如果P'仍然不优于Pw,则随机产生一个解代替Pw,针对各个子种群,当子种群的迭代次数达到GEN次时,完成当前子种群的更新迭代,重复步骤4-7和4-8进行下一子种群的局部搜索,直至所有子种群全部完成局部搜索;
步骤4-9在各个子种群全部完成局部搜索后,将所有个体混合,重新组合成G个个体的种群,计算全局最优解Pm;
步骤4-10判断全局的迭代次数是否达到预定的全局迭代次数MAXGEN,如果没有达到则进行步骤4-9,继续下一轮的全局搜索,否则算法结束输出各参数的最优解Pm;
步骤4-11输出全局最优解Pm即为梯级水库群中各水库逐时段最优适应性调度的水库库容,在水库初库容以及将RCP情景下的预测未来径流的情况下,其中,下游水库入库流量为上游水库出库流量与区间来水流量叠加,依据最优解对应各时段的水库库容,结合水量平衡确定各时段各水库的出库流量。
算例
现以RCP4.5情景为例,采用全球气候模式CCSM4的2008-2100年逐日气象数据,将生态需水量目标要求转为约束,建立以发电量最大为目标函数的园河流域园1-园9水库群适应性调度模型,其中水库群参数如表1所示。选取1981-2008年历史资料进行SWAT模型的率定与验证,结果如图3所示,其中1991-2000年为模型率定期,2001-2008年为模型验证期。模型率定与验证结果参数如表2所示,R2与NSE均大于0.70,说明SWAT模型率定与验证结果良好。将率定之后的参数载入模型中进行RCP4.5情景下园1以及园9所在坝址位置径流量预测,结果如图4所示。本发明将水库库容量设为决策变量,计算时段为逐月,利用CSFLA求解水库群适应性调度模型,求得园1和园2水电站发电量分别为1121.53和1019.39亿KW·h,生态缺水量分别为41.81和221.46亿m3,适应性调度策略如图5所示。
表1园1、园9电站基本参数表
项目 | 单位 | 园1 | 园9 |
控制流域面积 | km<sup>2</sup> | 18102 | 31356 |
多年平均流量 | m<sup>3</sup>/s | 133 | 302 |
正常蓄水位 | m | 675 | 217 |
有效库容 | 亿m<sup>3</sup> | 14.91 | 4.82 |
死水位 | m | 640 | 199 |
调节库容 | 亿m<sup>3</sup> | 8.22 | 2.6 |
调节特性 | 年 | 季 | |
装机容量 | 万kW | 27 | 28.8 |
出力系数 | 8.6 | 8.8 | |
保证出力 | 万kW | 8.048 | 7.86 |
最大过机流量 | m<sup>3</sup>/s | 270 | 490 |
表2模型率定与验证结果参数评价表
Claims (1)
1.一种基于RCP情景的水库群适应性调度方法,其特征在于,包括以下步骤:
步骤1:利用RCP情景下全球气候模式的气象资料驱动SWAT水文模型,预测流域未来径流过程;
步骤2:获取水库群基本信息;
步骤3:建立水库群适应性调度模型;
步骤4:将RCP情景下的预测未来径流作为适应性调度模型的输入,执行混沌蛙跳算法,确定水库群适应性调度策略;所述步骤1具体包括:
1-1获取流域径流量资料以及历史气象资料,包括区域平均气压,单位为Pa;平均风速,单位为m/s;平均气温,单位为℃;日最高气温,单位为℃;日最低气温,单位为℃;平均相对湿度,单位为%;20-20时降水量,单位为mm;小型蒸发量,单位为mm;大型蒸发量,单位为mm;日照时数,单位为h;
1-2获取RCP情景下全球气候模式的气象资料,包括区域未来逐日气温,单位为℃;降水量,单位为mm;
1-3建立SWAT水文模型数据库,包括高程数据DEM data、土地利用数据Land use data、土壤数据Soil data和气象数据Meteorological data;
1-4构建SWAT水文模型,模拟历史径流量,包括以下步骤:
1-4-1按要求输入数字高程模型,分析数字地形和定义流域范围,进行流域离散化,划分出子流域,确定河网结构和计算子流域参数;
1-4-2在子流域基础上,根据土地利用方式和土壤类型的组合,将各子流域进一步划分为多个水文响应单元;
1-4-3输入气象数据,水库或点源数据,逐步计算每个水文响应单元的径流量,再通过汇流计算得到流域的总径流量;
1-5选择流域相对应的水文站,采用多站点校正方法,利用历史实测资料对历史模拟径流量进行率定与验证;使用SWATCUP软件进行调参,选用SUFI-2算法进行迭次运算确定参数最佳值;将参数最佳值通过SWAT模型内部的手动调参带入模型内进行模拟验证,选取相关系数R2和Nash-Sutcliffe效率系数NSE-2个指标来评价流域SWAT模型径流模拟值的适用性,认定R2>0.6、NSE>0.5时模拟取得显著效果;
1-6基于SWAT水文模型预测流域未来径流;
所述步骤2具体包括:
获取水库群的基本信息数据,包括:水库数目M,水库初库容V0,水库初库容V1,正常蓄水位Z正、防洪限制水位Z防、死水位Z死,水库库容-水位关系曲线S~Z,水库下游水位-下泄流量关系曲线Z~Q;
所述步骤3建立的水库群适应性调整模型为:
opt F(x)={f1(x),f2(x),…,fk(x)…,fK(x)} (1)
式中,opt表示优化方向,包括最大方向和最小方向;F(x)目标函数集;fk(x)表示气候变化下以社会效益、经济效益以及生态环境等的综合效益最大即发电量最大、最大下泄流量最小、弃水量最少、生态缺水量最小的目标函数,k=1,2...,K,K表示水库群适应性调度的目标个数;G(x)表示约束条件集,包括水量平衡约束、水库水位约束、下泄流量约束、水轮机过流能力约束、机组出力约束;V表示水库库容,u表示水库下泄流量,q表示发电机组过水流量,N表示发电机组出力;△t表示计算时段区间;It,i表示第i个水库t时段的损失量,Vi′、Vi″表示第i个水库初、末限制库容值,单位为m3;
步骤4具体包括:
步骤4-1:确定以水资源工程时段库容V、下泄流量u或发电机组过水流量q为决策变量,划分水资源调度周期时段T;
步骤4-2设定参数;确定初始种群规模MAXPOP,全局迭代次数MAXGEN,子种群数P,每个子种群个体数量NUM,子种群迭代次数GEN;
步骤4-3目标函数处理;对于多目标的水库群适应性调度模型,通过约束法转化为单目标问题;若为单目标问题,则直接进入下一步,约束法只保留第k个目标函数,其余目标转换为约束处理,具体包括:
max F(x)=fk(x) (3)
式中:fk(x)第k个目标函数;minn、maxn表示第n个目标的下限、上限值,n=1,2,…,K且n≠k
步骤4-4基于混沌理论生成初始种群,具体包括以下步骤:
4-4-1随机选取MAXPOP个[0,1]区间内不同的初值构成初始序列ε0=(ε1,0,ε2,0,…,εMAXPOP,0),通过Logistic映射得到MAXPOP个轨迹不同的混沌序列εg+1,t=μεg,t(1-εg,t),其中,εg,t表示第g个个体第t时段的混沌初始值,g=1,2,…,MAXPOP,t=1,2,…,T×M,T表示水库调度周期,M表示水库数目,μ为控制参量;
4-4-2将混沌序列按Vg,t=Vmint+(Vmaxt-Vmint)εg,t放大到各时段各水库库容量的取值范围,得到MAXPOP个代表水库运行控制过程中的水库库容量序列构成初始种群Vg,其中,第g个个体表示为(Vg,1,Vg,2,…,Vg,T×M),Vmint表示水库允许的最小库容值序列,Vmint=[Vmint,1,Vmint,2,…,Vmint,i,…,Vmint,M],单位为m3,Vmaxt表示水库允许的最大库容值序列,Vmaxt=[Vmaxt,1,Vmaxt,2,…,Vmaxt,i,…,Vmaxt,M],单位为m3,i表示第i个水库,i=1,2,…,M;
步骤4-5适应度函数值计算,对不满足约束条件的解,将其适应度函数值取相反值;
步骤4-6将MAXPOP个个体分成P个子种群(SUB1,SUB2,…,SUBP),每个子种群包含NUM个个体,将第一个个体放入SUB1、第二个个体放入SUB2,直到第P个个体放入SUBP,完成第一轮分配;然后第P+1个个体放入SUB1、第P+2个个体放入SUB2,直到第2P个个体放入SUBP选,完成第一轮分配;按照上述模式,依次完成P个子种群的分配,选择子种群中第一个个体和第NUM个个体为子种群最优解和最差解,分别记为Pb和Pw;
步骤4-7进入局部搜索,调整子种群的最差解,对各个子群中的Pw进行更新,P'=Pw+rand×(Pb-Pw),其中,P'为更新后的解,rand是0至1之间的随机数;
步骤4-8判断P'是否优于Pw,如果P'优于Pw,则Pw=P',否则重新执行步骤4-7,再次判断P'是否优于Pw,如果P'仍然不优于Pw,则随机产生一个解代替Pw,针对各个子群,当子种群的迭代次数达到GEN次时,完成当前子种群的更新迭代,重复步骤4-7和4-8进行下一子种群的局部搜索,直至所有子种群全部完成局部搜索;
步骤4-9在各个子种群全部完成局部搜索后,将所有个体混合,重新组合成G个个体的种群,计算全局最优解Pm;
步骤4-10判断全局的迭代次数是否达到预定的全局迭代次数MAXGEN,如果没有达到则进行步骤4-9,继续下一轮的全局搜索,否则算法结束输出各参数的最优解Pm;
步骤4-11输出全局最优解Pm即为梯级水库群中各水库逐时段最优的适应性调度的水库库容,给定水库初库容,结合RCP情景下的预测未来径流,依据最优解对应各时段的水库库容,结合水量平衡确定各时段各水库的出库流量,其中,下游水库入库流量为上游水库出库流量与区间来水流量叠加。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710092746.3A CN106951980B (zh) | 2017-02-21 | 2017-02-21 | 一种基于rcp情景的水库群适应性调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710092746.3A CN106951980B (zh) | 2017-02-21 | 2017-02-21 | 一种基于rcp情景的水库群适应性调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106951980A CN106951980A (zh) | 2017-07-14 |
CN106951980B true CN106951980B (zh) | 2021-07-09 |
Family
ID=59466495
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710092746.3A Active CN106951980B (zh) | 2017-02-21 | 2017-02-21 | 一种基于rcp情景的水库群适应性调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106951980B (zh) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109800935B (zh) * | 2017-11-17 | 2023-09-01 | 北京亿阳信通科技有限公司 | 水库群流量调度方法、装置及存储介质 |
CN108229735B (zh) * | 2017-12-29 | 2021-03-09 | 国网青海省电力公司 | 基于气候因子的流域丰枯预测方法及系统 |
CN109146172B (zh) * | 2018-08-17 | 2021-10-15 | 中国科学院地理科学与资源研究所 | 一种气候变化应对策略的多主体建模方法 |
CN109146194A (zh) * | 2018-09-05 | 2019-01-04 | 重庆工商大学 | 一种基于变模态卷积自编码关联向量机的径流量预测方法 |
CN109948220B (zh) * | 2019-03-12 | 2020-06-26 | 中国科学院地理科学与资源研究所 | 闸坝多目标泄流估算方法及系统 |
CN110322123A (zh) * | 2019-06-13 | 2019-10-11 | 华中科技大学 | 一种梯级水库群联合调度的多目标优化方法和系统 |
CN110598290B (zh) * | 2019-08-30 | 2021-11-19 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
CN110956322B (zh) * | 2019-11-28 | 2023-06-20 | 河南省气象科学研究所 | 气候变暖趋势下的夏玉米花期高温灾害风险预测方法 |
CN111080152A (zh) * | 2019-12-23 | 2020-04-28 | 华中科技大学 | 一种梯级水库发电调度补偿电量分配方法 |
CN111401666B (zh) * | 2020-04-28 | 2021-07-27 | 中国水利水电科学研究院 | 一种利用预报误差开展上游水库群影响下径流预报的方法 |
CN112819377A (zh) * | 2021-02-26 | 2021-05-18 | 澜途集思生态科技集团有限公司 | 一种基于时间序列分析的水库水量调节方法 |
CN112950033B (zh) * | 2021-03-04 | 2024-03-29 | 吴统明 | 一种基于水库调度规则合成的水库调度决策方法及系统 |
CN113011685A (zh) * | 2021-04-27 | 2021-06-22 | 黄河勘测规划设计研究院有限公司 | 一种无径流资料地区内陆湖泊水位变化模拟预测方法 |
CN114997619B (zh) * | 2022-05-24 | 2023-06-20 | 中国标准化研究院 | 一种区域水资源动态调控平衡方法及系统 |
CN116722606B (zh) * | 2023-08-10 | 2023-11-03 | 长江三峡集团实业发展(北京)有限公司 | 含重力储能和小水电的混合发电系统容量规划方法及装置 |
CN116739187B (zh) * | 2023-08-10 | 2024-01-09 | 长江三峡集团实业发展(北京)有限公司 | 水库优化调度决策方法、装置、计算机设备及存储介质 |
CN116757098B (zh) * | 2023-08-17 | 2023-11-10 | 厦门大学 | 一种基于swat模型多目标优化的自动化校验方法 |
CN117172965B (zh) * | 2023-11-03 | 2024-02-09 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑气候变化的梯级水库群水能资源评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN105676814A (zh) * | 2016-01-11 | 2016-06-15 | 大唐环境产业集团股份有限公司 | 基于sfla-svm的数字化水岛在线加药控制方法 |
CN105809279A (zh) * | 2016-03-03 | 2016-07-27 | 河海大学 | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 |
-
2017
- 2017-02-21 CN CN201710092746.3A patent/CN106951980B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
CN105243458A (zh) * | 2015-11-10 | 2016-01-13 | 河海大学 | 一种基于多目标混合蛙跳差分算法的水库调度方法 |
CN105676814A (zh) * | 2016-01-11 | 2016-06-15 | 大唐环境产业集团股份有限公司 | 基于sfla-svm的数字化水岛在线加药控制方法 |
CN105809279A (zh) * | 2016-03-03 | 2016-07-27 | 河海大学 | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 |
Non-Patent Citations (1)
Title |
---|
新安江流域气候变化及径流响应研究;郑艳妮等;《水资源与水工程学报》;20150228;第26卷(第1期);第106-110页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106951980A (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106951980B (zh) | 一种基于rcp情景的水库群适应性调度方法 | |
CN109345010B (zh) | 一种梯级泵站的多目标优化调度方法 | |
CN109388847B (zh) | 一种径流变化归因技术综合选择方法 | |
CN114997480B (zh) | 基于mop-plus模型的低碳导向下省域国土空间分区优化模拟方法 | |
CN110458443A (zh) | 一种基于深度强化学习的智慧家庭能量管理方法及系统 | |
CN114202167B (zh) | 基于水循环模拟的多水源灌区灌溉用水量计量统计方法 | |
CN107909149A (zh) | 一种基于遗传bp神经网络的日光温室温度预测方法 | |
CN104484715A (zh) | 一种基于神经网络和微粒群优化算法的建筑能耗预测方法 | |
CN111027175A (zh) | 基于耦合模型集成模拟的洪水对社会经济影响的评估方法 | |
CN106682810A (zh) | 巨型水电站动态投产下跨流域梯级水电站群长期运行方法 | |
He et al. | Optimizing operation rules of cascade reservoirs for adapting climate change | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN115935667A (zh) | 一种区域地表水资源预测模拟及其优化配置方法 | |
CN109636054A (zh) | 基于分类和误差组合预测的太阳能光伏发电量预测方法 | |
CN115271304A (zh) | 基于气候变化的跨流域调水工程优化调度方法 | |
Zou et al. | Quantitative assessment of adaptive measures on optimal water resources allocation by using reliability, resilience, vulnerability indicators | |
CN107748934A (zh) | 基于改进bp神经网络算法的配网电采暖负荷预测方法 | |
CN116562583A (zh) | 一种多维度水资源供需预测方法及系统 | |
Zhang et al. | Research on the optimal allocation of agricultural water and soil resources in the Heihe River Basin based on SWAT and intelligent optimization | |
Zhang et al. | Simulation and optimization coupling model for soil salinization and waterlogging control in the Urad irrigation area, North China | |
Bai et al. | Impact of climate change on water transfer scale of inter-basin water diversion project | |
CN117196019B (zh) | 基于改进自适应遗传算法的新安江模型参数率定方法 | |
CN117332908A (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 | |
CN106355264A (zh) | 一种参考作物腾发量组合预测方法 |
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 |