CN108985577B - 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 - Google Patents
一种基于推理机的水库群实时防洪调度显效水库智能识别方法 Download PDFInfo
- Publication number
- CN108985577B CN108985577B CN201810668851.1A CN201810668851A CN108985577B CN 108985577 B CN108985577 B CN 108985577B CN 201810668851 A CN201810668851 A CN 201810668851A CN 108985577 B CN108985577 B CN 108985577B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- flood
- flood control
- index
- ith
- 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
- 238000000034 method Methods 0.000 title claims abstract description 106
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000009467 reduction Effects 0.000 claims abstract description 11
- 238000011002 quantification Methods 0.000 claims abstract description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 58
- 230000008569 process Effects 0.000 claims description 35
- 230000004044 response Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 9
- 102000002274 Matrix Metalloproteinases Human genes 0.000 claims description 3
- 108010000684 Matrix Metalloproteinases Proteins 0.000 claims description 3
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000012067 mathematical method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001105 regulatory effect Effects 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于推理机的水库群实时防洪调度显效水库智能识别方法,包括以下步骤:建立显效水库智能识别指标体系并确定其量化方法;建立水库群实时防洪混合优化调度模型;根据历史洪水由逐步减库法生成显效水库样本;根据显效水库样本确定指标阈值;基于推理机的工作原理,建立显效水库智能识别方法。本发明考虑了水库群实时防洪中不同水库防洪能力及防洪作用的差异性,提出了显效水库的概念及其智能识别方法,能够有效地解决联合调度中计算的“维数灾”问题及决策会商的复杂度,为提高水库群实时防洪调度的效率提供了新的途径。
Description
技术领域
本发明涉及水库防洪调度方法,尤其是一种基于推理机的水库群实时防洪调度显效水库智能识别方法。
背景技术
水库群和堤防组成的防洪系统是防洪工程主要形式之一。有效利用水库的防洪库容拦蓄洪水、削减洪峰,充分发挥水库群的水文、水力和库容补偿作用,可减轻下游控制断面防洪压力,最大限度地发挥水库群的防洪效益。
现有方法大多建立固定拓扑结构的水库群实时防洪联合调度模型,采用数学方法破解模型求解的“维数灾”问题,然后通过防洪调度群决策模型优选调度方案。注意力主要集中在了寻求高效的求解方法和合理的决策方法上,以此提高实时防洪调度求解效率并为决策会商提供技术支撑。在基于固定拓扑结构建立的流域水库群整体防洪联合调度模型中,显效水库能提升水库群的补偿效益,非显效水库不能提升水库群的防洪效果,是导致求解难度和决策复杂度增加的根本原因。但现有方法对模型自身结构的研究较少,没有从根源上降低水库群实时防洪调度问题的复杂性。
因此,如何在实时防洪调度中动态辨识水库群中的显效工程,从大规模的防洪体系中筛选出防洪作用的显著的显效水库用于动态建模是一个亟需解决的问题。
发明内容
发明目的:提供一种基于推理机的水库群实时防洪调度显效水库智能识别方法,以解决现有技术存在的上述问题。
技术方案:本发明提供了一种基于推理机的水库群实时防洪调度显效水库智能识别方法,包括以下步骤:
(1)建立显效水库智能识别指标体系并确定其量化方法;
(2)建立水库群实时防洪混合优化调度模型;
(3)根据历史洪水由逐步减库法生成显效水库样本;
(4)根据显效水库样本确定指标阈值;
(5)基于推理机的工作原理,建立显效水库智能识别方法。
进一步的,所述步骤(1)包括:
(11)建立显效水库智能识别指标体系,该指标体系包括目标层、准则层和指标层,其中:
目标层,用于确定最终评价方向,即以水库群实时防洪调度显效水库智能识别为该目标层的指标;
准则层,用于确定评价过程中需要考虑的各类因素,包括实时水情、水库状态、水库对防洪断面影响程度、水库之间水文联系;
指标层,用于反应准则层的具体内容,及评价过程中需采用的评价指标;
其中,实时水情准则层包括库区预测径流深hi和区间预测来水量比λi;水库状态准则层包括水库实时防洪能力和水库实时防洪压力μi;水库对防洪断面影响程度准则层包括断面洪峰段洪量贡献率ηi、洪峰贡献率γi和断面洪峰遭遇度βi;水库之间水文联系准则层包括水库间洪峰遭遇度σjk;其中,水库实时防洪压力μi为负向指标;
(12)确定各指标量化方法
(a)库区预测径流深
hi=Wi/Si;
其中,Wi为第i库的预报入库水量,Si为第i库控制流域面积;
(b)区间预测来水量比
其中,Di为第i水库私有区间的预报来水量;DM+1为各私有防洪断面至共有防洪断面区间的预报来水量;M为水库群系统中的水库数目;
(c)水库实时防洪能力
其中,V空i为第i库当前水位至设计洪水位之间的库容,Vi为第i库的拦洪库容;
(d)水库实时防洪压力
μi=Wi/V空i;
(e)断面洪峰段洪量贡献率
ηi=Wi'/We×100%;
其中,We为断面总洪水过程在洪峰段的水量,Wi'为第i库入库洪水演算至断面在洪峰段内的洪量;
(f)洪峰贡献率
其中,Qm为断面总洪水过程的洪峰流量,其峰现时间为tm,Q'i,tm为第i库入库洪水演算至防洪断面的洪水过程在tm时刻的流量;
(g)断面洪峰遭遇度
其中,Q'it为第i库入库流量在断面的响应过程,Q'mi为第i库入库流量在断面响应过程的洪峰流量,Qt为总天然流量,θ为小于1.0的经验系数,Tsi为第i库入库流量在防洪断面处响应过程超过θQ'mi的时段长,Ts为总天然流量超过θQm的时段长;
(h)水库间洪峰遭遇度
其中,Q'jt和Q'kt分别为第j库和第k库入库流量在断面的响应过程,Q'mj和Q'mk分别为第j库和第k库入库流量在断面响应过程的洪峰流量,Tsj和Tsk分别为第j库和第k库响应过程超过θQ'mj和θQ'mk的时段长。
进一步的,所述步骤(2)包括:
将全部水库分成两组,显效水库构建联合优化调度模型,非显效水库做单库优化调度,单库和库群混合优化调度模型为:
目标函数:
单库优化调度采用最大削峰准则,其目标函数为:
其中,T为调度期的时段数,q(t)为第t时刻出库流量;
库群优化调度以防洪控制断面最大过水流量最小为目标,其目标函数为:
其中,q'(i,t)为第i库第t时段的出库流量演算到公共防洪断面的过程;q'D(i,t)为第i库到私有防洪点之间的区间流量演算到公共防洪断面的过程;为各库至公共防洪断面之间的总区间流量演算到公共防洪断面的过程;M1为参加联合调度的水库数;
约束条件:
1)水量平衡约束:
其中,V(i,t-1)、V(i,t)为第i水库t时段初、末水库的蓄水量;Q(i,t-1)、Q(i,t)为第i水库t时段初、末入库流量;q(i,t-1)、q(i,t)为第i水库t-1时刻、t时刻的出库流量;△t为时段长;
2)泄流能力约束:
q(i,t)≤q(i,Z(i,t));
其中,q(i,t)为第i水库t时刻的出库流量;q(i,Z(i,t))为第i水库t时刻相应于水位Z(i,t)的下泄能力;
3)水库最高水位约束:
4)水库期末水位约束:
Zi,end=Zi,e;
其中,Zi,end为i水库调度期末计算的水库水位;Zi,e为第i水库调度期末的控制水位;
5)出库流量变幅约束:
进一步的,所述步骤(3)包括:
(31)选择P场典型洪水,基于防洪效果等效原则(本发明采取防洪断面洪峰流量相近),进行显效水库智能识别;
(32)初始化k=1;
(33)对第k场洪水,全部水库联合调度,得到防洪断面洪峰流量{QM}k;
(34)初始化i=1;
(37)判断洪峰流量是否相近,若成立,则认为联合调度和{M}k水库联合调度防洪效果相同,可剔除第i库,{M-1}k为显效水库集;否则,第i库不可剔除,判断i=M是否成立,若不成立,i=i+1,返回步骤(35);若成立,执行(310);其中,ε取值根据不同流域实际情况确定;
(38)在{M-1}k子集中,按步骤(34)-(37),进一步剔除水库,得到显效水库集{M-2}k;
(39)依此类推,直到各水库无可剔除为止,得到第k场洪水的显效水库子集{M-Xk}k,即对于样本k,剔除Xk个水库;
(310)判断k=P是否成立,若成立,执行步骤(311);若不成立,k=k+1,返回步骤(33)执行;
(311)得到P场洪水的显效水库样本集{M-Xk}k,k=1,2,…,P。
进一步的,所述步骤(4)包括:
(41)选取P个显效水库样本集{M-Xk}k,k=1,2,…,P,初始化变量k=1;
(43)为使显效水库智能识别方法识别的显效水库包括逐步减库法判断出的显效水库,指标值矩阵中,对于正向指标,M-Xk个指标值取最小值,对于负向指标,M-Xk个指标值取最大值,得到第k个样本的各指标阈值其中,正向指标包括库区预测径流深hi、区间预测来水量比λi、水库实时防洪能力水库实时防洪压力μi、断面洪峰段洪量贡献率ηi、洪峰贡献率γi、断面洪峰遭遇度βi和水库间洪峰遭遇度σjk,负向指标为水库实时防洪压力μi;
(44)判断k=P,是否成立,若成立,执行步骤(45);若不成立,k=k+1,返回步骤(42)执行;
(45)得到P个样本的指标阈值矩阵TP×8;
(46)为使显效水库智能识别方法识别的显效水库包括逐步减库法判断出的显效水库,指标阈值矩阵TP×8中,对于正向指标,P个指标阈值取最小值,对于负向指标,P个指标阈值取最大值,由此可得到优化后的指标阈值T1×8。
进一步的,所述步骤(5)中显效水库智能识别采用正向规则推理的方式,包括:知识的形式化表示,建立规则库,规则库中的规则表示为“P→C”,其中,P为规则的条件,C为规则的结论;从数据库读入已有事实;通过事实与规则库的规则“P→C”中条件“P”匹配,正向使用规则;启用规则的结论部分,得到新的事实;依次类推,直至问题解答为止;然后建立显效水库智能识别推理流程。
进一步的,所述步骤(5)进一步为:
(51)知识的形式化表示:
设Cj为第j个指标,j=1,2,…,N,则显效水库智能识别的知识可表示为:
据此建立规则库,从规则库读入规则;
(52)初始化T=当前时刻;
(53)从水库群防洪调度系统的数据库接受水文预报信息和水库状态信息,计算全部水库的指标层8个指标的指标值。
(54)对全部M个水库(i=1,2,…,M)按照先上游后下游、先支流后干流的原则排序,初始化i=1;
(55)设共有N个指标(j=1,2,…,N),按照指标层中指标顺序排序,初始化j=1;
(56)判断第i个水库的第j个指标是否满足阈值条件,若满足,则进行步骤(57)的判断,若不满足,则第i库加入非显效水库集;
(57)判断j=N是否成立,若成立,则第i库加入显效水库集;若不成立,则j=j+1,返回步骤(56);执行
(58)判断i=M是否成立,若成立,则用以上建立的混合调度模型计算,即显效水库集中的水库联合调度,非显效水库集中的水库单独调度;若不成立,则i=i+1,返回步骤(55)执行;
(59)得到实时调度方案;
(510)判断洪水是否结束,若洪水结束,则推理过程结束;若洪水尚未结束,则t=t+1,返回步骤(53)执行。
有益效果:与现有技术相比,本发明的方法可以获得以下有益效果:第一,通过综合分析影响水库群实时防洪调度中水库防洪作用的因素,建立了全面的指标体系,有效地保证了识别的合理性;第二,建立显效水库联合调度,非显效水库单独调度的混合调度模型,有效提高了实时防洪调度的效率;第三,通过历史洪水资料由逐步减库法生成显效水库样本以确定指标阈值,能保证显效水库智能识别的精度及准确性;第四,基于推理机的原理建立显效水库智能识别方法,能智能高效地辨识显效水库。
附图说明
图1是本发明方法的流程图;
图2是本发明的显效水库智能识别指标体系结构框图;
图3是遭遇度计算示意图,其中,(a)为断面洪峰遭遇度,(b)为水库间洪峰遭遇度;
图4是本发明的显效水库样本生成流程图;
图5是本发明的指标阈值确定流程图;
图6是本发明的显效水库智能识别流程图。
具体实施方式
水库群实时防洪联合调度模型是高维、非线性复杂大系统模型,“维数灾”是困扰模型求解的重要问题。且随着防洪工程体系规模的扩大,如何从纷繁的决策支持信息中抓住重点,迅速准确地确定调度方案,是会商过程中决策者面临的主要决策难题。而实时防洪调度中,非显效水库不能增加防洪效益,却造成了求解的“维数灾”问题和决策难度的复杂性。
研究发现现有方法大多建立固定拓扑结构的水库群实时防洪联合调度模型,采用数学方法破解模型求解的“维数灾”问题,然后通过防洪调度群决策模型优选调度方案。注意力主要集中在了寻求高效的求解方法和合理的决策方法上,以此提高实时防洪调度求解效率并为决策会商提供技术支撑。
但是,在水库群实时防洪调度中,显效水库的识别是尤为重要的环节,因为它能从根本上降低调度的复杂度,主要体现在两个方面:
1)减轻了求解的“维数灾”问题。联合调度中,水库数目的增多通常使计算复杂度呈指数增长。识别显效水库,从而降低联合调度的水库数目能大幅降低“维数灾”问题;
2)降低了决策会商的复杂度。防洪联合调度是实时的群决策过程,决策者需要综合考虑各水库的实时洪水预报、各水库防洪形势及实时工情等诸多因素以确定最终的决策方案。识别显效水库能使决策者考虑的因素大幅减少,从而降低决策复杂度。
因此,在实时防洪调度中,根据实时水、雨、工情信息辨识当前时刻的显效水库,仅对显效水库实行联合调度,对提高水库群防洪效率有重要意义。如何从庞杂的防洪系统中实时动态地识别出防洪效果显著的水库,用于联合调度的动态建模是本发明希望解决的技术问题。
为了解决上述问题,本发明提出了一种基于推理机的水库群实时防洪调度显效水库智能识别方法;通过分析影响实时防洪调度中水库防洪作用的因素,建立显效水库智能识别指标体系;建立显效水库联合调度、非显效水库单独调度的混合优化调度模型;将指标及其阈值形式化表示为知识,基于推理机的工作原理建立的显效水库智能识别推理方法,实现了显效水库的智能动态识别。
下面通过实施例,并结合图1至图6,对本发明的技术方案做进一步具体说明。
在识别之前,首先提出显效水库的概念:分析水库群实时防洪调度的特点及影响水库防洪作用大小的因素,据此提出显效水库的概念。
水库群实时防洪调度的特点及影响水库防洪作用大小的因素:实时防洪调度中,由于受降水空间分布不均匀、各水库实时蓄水状态差异、以及水库与防洪断面的相对位置不同等综合因素的影响,水库群中各水库的防洪作用不同,而且随着暴雨洪水的发展,各水库的防洪作用呈现动态变化的特点。
显效水库定义:在某一特定时刻,若水库群中的某些水库来水量较大、空闲库容较大,具有较高的防洪需求及调洪能力,且与下游区间来水或其余水库的相互补偿能力较大,此类水库通常对下游防洪断面具有显著的防洪作用,本发明中则称之为显效水库。相反,不具备补偿能力或防洪作用不显著的水库为非显效水库。
如图1所示,基于推理机的水库群实时防洪调度显效水库智能识别方法主要包括以下步骤:
(1)建立显效水库智能识别指标体系并确定其量化方法
具体包括以下子步骤:
(11)建立显效水库智能识别指标体系,其包括目标层、准则层和指标层,其中:
目标层,用于确定最终评价方向,即以水库群实时防洪调度显效水库智能识别为该目标层的指标。
准则层,用于确定评价过程中需要考虑的各类因素,包括实时水情、水库状态、水库对防洪断面影响程度、水库之间水文联系。
指标层,用于反应准则层的具体内容,及评价过程中需采用的评价指标。
其中,如图2所示,实时水情准则层包括库区预测径流深(hi)和区间预测来水量比(λi);水库状态准则层包括水库实时防洪能力和水库实时防洪压力(μi);水库对防洪断面影响程度准则层包括断面洪峰段洪量贡献率(ηi)、洪峰贡献率(γi)和断面洪峰遭遇度(βi);水库之间水文联系准则层包括水库间洪峰遭遇度(σjk)。其中,水库实时防洪压力(μi)为负向指标。
(12)确定各指标量化方法,具体为:
1)库区预测径流深
hi=Wi/Si(1);
其中,Wi为第i库的预报入库水量,Si为第i库控制流域面积。
2)区间预测来水量比
其中,Di为第i水库私有区间的预报来水量;DM+1为各私有防洪断面至共有防洪断面区间的预报来水量;M为水库群系统中的水库数目。
3)水库实时防洪能力
其中,V空i为第i库当前水位至设计洪水位之间的库容,Vi为第i库的拦洪库容。
4)水库实时防洪压力
μi=Wi/V空i(4);
5)断面洪峰段洪量贡献率
ηi=Wi'/We×100%(5);
其中,We为断面总洪水过程在洪峰段的水量,Wi'为第i库入库洪水演算至断面在洪峰段内的洪量。
6)洪峰贡献率
7)断面洪峰遭遇度(如图3(a)所示)
其中,Q'it为第i库入库流量在断面的响应过程,Q'mi为第i库入库流量在断面响应过程的洪峰流量,Qt为总天然流量,θ为小于1.0的经验系数,本实施例中取0.8,Tsi为第i库入库流量在防洪断面处响应过程超过θQ'mi的时段长,Ts为总天然流量超过θQm的时段长。
8)水库间洪峰遭遇度(如图3(b)所示)
其中,Q'jt和Q'kt分别为第j库和第k库入库流量在断面的响应过程,Q'mj和Q'mk分别为第j库和第k库入库流量在断面响应过程的洪峰流量,Tsj和Tsk分别为第j库和第k库响应过程超过θQ'mj和θQ'mk的时段长。
(2)建立水库群实时防洪混合优化调度模型
将全部水库分成两组,显效水库构建联合优化调度模型,非显效水库做单库优化调度,本发明采用的单库和库群混合联合优化调度模型分述如下。
目标函数:
单库优化调度采用最大削峰准则,其目标函数为:
其中,T为调度期的时段数,q(t)为第t时刻出库流量(m3/s)。
库群优化调度以防洪控制断面最大过水流量最小为目标,其目标函数为:
其中,q'(i,t)为第i库第t时段的出库流量演算到公共防洪断面的过程;q'D(i,t)为第i库到私有防洪点之间的区间流量演算到公共防洪断面的过程;为各库至公共防洪断面之间的总区间流量演算到公共防洪断面的过程;M1为参加联合调度的水库数。
约束条件:
1)水量平衡约束:
其中,V(i,t-1)、V(i,t)为第i水库t时段初、末水库的蓄水量;Q(i,t-1)、Q(i,t)为第i水库t时段初、末入库流量;q(i,t-1)、q(i,t)为第i水库t-1时刻、t时刻的出库流量;△t为时段长。
2)泄流能力约束:
q(i,t)≤q(i,Z(i,t)) (12);
其中,q(i,t)为第i水库t时刻的出库流量;q(i,Z(i,t))为第i水库t时刻相应于水位Z(i,t)的下泄能力。
3)水库最高水位约束:
4)水库期末水位约束:
Zi,end=Zi,e (14);
其中,Zi,end为i水库调度期末计算的库水位;Zi,e为第i水库调度期末的控制水位。
5)出库流量变幅约束:
(3)根据历史洪水由逐步减库法生成显效水库样本
如图4所示,具体包括以下子步骤:
(31)选择P场典型洪水,基于防洪效果等效原则(本发明采取防洪断面洪峰流量相近),进行显效水库智能识别;
(32)初始化k=1;
(33)对第k场洪水,全部水库联合调度,得到防洪断面洪峰流量{QM}k,QM是经水库调度后断面洪峰流量;
(34)初始化i=1;
(37)判断洪峰流量是否相近,若(ε取值根据不同流域实际情况确定)成立,则认为联合调度和{M}k水库联合调度防洪效果相同,可剔除第i库,{M-1}k为显效水库集;否则,第i库不可剔除,判断i=M是否成立,若不成立,i=i+1,返回步骤(35);若成立,执行(310);
(38)在{M-1}k子集中,按步骤(34)-(37),进一步剔除水库,得到显效水库集{M-2}k;
(39)依此类推,直到各水库无可剔除为止,得到第k场洪水的显效水库子集{M-Xk}k,即对于样本k,剔除Xk个水库;
(310)判断k=P是否成立,若成立,执行步骤(311);若不成立,k=k+1,返回步骤(33)执行;
(311)得到P场洪水的显效水库样本集{M-Xk}k,k=1,2,…,P。
(4)根据显效水库样本确定指标阈值
如图5所示,具体包括以下子步骤:
(41)选取P个显效水库样本集{M-Xk}k,k=1,2,…,P,初始化变量k=1;
(43)为使显效水库智能识别方法识别的显效水库包括逐步减库法判断出的显效水库,指标值矩阵中,对于正向指标,M-Xk个指标值取最小值,对于负向指标,M-Xk个指标值取最大值,可得到第k个样本的各指标阈值
(44)判断k=P,是否成立,若成立,执行步骤(45);若不成立,k=k+1,返回步骤(42)执行;
(45)得到P个样本的指标阈值矩阵TP×8。
(46)为使显效水库智能识别方法识别的显效水库包括逐步减库法判断出的显效水库,指标阈值矩阵TP×8中,对于正向指标,P个指标阈值取最小值,对于负向指标,P个指标阈值取最大值,由此可得到优化后的指标阈值T1×8。
(5)基于推理机的工作原理,建立显效水库智能识别方法
本发明的显效水库智能识别采用正向规则推理的方式:知识的形式化表示,建立规则库,规则库中的规则表示为“P→C”,其中,P为规则的条件,C为规则的结论;从数据库读入已有事实;通过事实与规则库的规则“P→C”中条件“P”匹配,正向使用规则;启用规则的结论部分,得到新的事实;依次类推,直至问题解答为止。
基于以上原理,建立显效水库智能识别推理流程。
如图6所示,具体包括以下子步骤:
(51)知识的形式化表示:
设Cj为第j个指标,j=1,2,…,N,则显效水库智能识别的知识可表示为:
据此建立规则库,从规则库读入规则;
(52)初始化T=当前时刻;
(53)从水库群防洪调度系统的数据库接受水文预报信息和水库状态信息,计算全部水库的指标层8个指标的指标值。
(54)对全部M个水库(i=1,2,…,M)按照先上游后下游、先支流后干流的原则排序,初始化i=1;
(55)设共有N个指标(j=1,2,…,N),按照指标层中指标顺序排序,初始化j=1;
(56)判断第i个水库的第j个指标是否满足阈值条件,若满足,则进行步骤(57)的判断,若不满足,则第i库加入非显效水库集;
(57)判断j=N是否成立,若成立,则第i库加入显效水库集;若不成立,则j=j+1,返回步骤(56);执行
(58)判断i=M是否成立,若成立,则用以上建立的混合调度模型计算,即显效水库集中的水库联合调度,非显效水库集中的水库单独调度;若不成立,则i=i+1,返回步骤(55)执行;
(59)得到实时调度方案;
(510)判断洪水是否结束,若洪水结束,则推理过程结束;若洪水尚未结束,则t=t+1,返回步骤(53)执行。
以上详细描述了本发明的优选实施方式,但是,本发明并不限于上述实施方式中的具体细节。
Claims (4)
1.一种基于推理机的水库群实时防洪调度显效水库智能识别方法,其特征在于,包括以下步骤:
(1)建立显效水库智能识别指标体系并确定其量化方法;包括以下步骤:
(11)建立显效水库智能识别指标体系,该指标体系包括目标层、准则层和指标层,其中:
目标层,用于确定最终评价方向,即以水库群实时防洪调度显效水库智能识别为该目标层的指标;
准则层,用于确定评价过程中需要考虑的各类因素,包括实时水情、水库状态、水库对防洪断面影响程度、水库之间水文联系;
指标层,用于反应准则层的具体内容,及评价过程中需采用的评价指标;
其中,实时水情准则层包括库区预测径流深hi和区间预测来水量比λi;水库状态准则层包括水库实时防洪能力和水库实时防洪压力μi;水库对防洪断面影响程度准则层包括断面洪峰段洪量贡献率ηi、洪峰贡献率γi和断面洪峰遭遇度βi;水库之间水文联系准则层包括水库间洪峰遭遇度σjk;其中,水库实时防洪压力μi为负向指标;
(12)确定各指标量化方法
(a)库区预测径流深
hi=Wi/Si;
其中,Wi为第i库的预报入库水量,Si为第i库控制流域面积;
(b)区间预测来水量比
其中,Di为第i水库私有区间的预报来水量;DM+1为各私有防洪断面至共有防洪断面区间的预报来水量;M为水库群系统中的水库数目;
(c)水库实时防洪能力
其中,V空i为第i库当前水位至设计洪水位之间的库容,Vi为第i库的拦洪库容;
(d)水库实时防洪压力
μi=Wi/V空i;
(e)断面洪峰段洪量贡献率
ηi=Wi'/We×100%;
其中,We为断面总洪水过程在洪峰段的水量,Wi'为第i库入库洪水演算至断面在洪峰段内的洪量;
(f)洪峰贡献率
(g)断面洪峰遭遇度
其中,Q'it为第i库入库流量在断面的响应过程,Q'mi为第i库入库流量在断面响应过程的洪峰流量,Qt为总天然流量,θ为小于1.0的经验系数,Tsi为第i库入库流量在防洪断面处响应过程超过θQ'mi的时段长,Ts为总天然流量超过θQm的时段长;
(h)水库间洪峰遭遇度
其中,Q'jt和Q'kt分别为第j库和第k库入库流量在断面的响应过程,Q'mj和Q'mk分别为第j库和第k库入库流量在断面响应过程的洪峰流量,Tsj和Tsk分别为第j库和第k库响应过程超过θQ'mj和θQ'mk的时段长;
(2)建立水库群实时防洪混合优化调度模型;
(3)根据历史洪水由逐步减库法生成显效水库样本;包括以下步骤:
(31)选择P场典型洪水,基于防洪效果等效原则,采用防洪断面洪峰流量相近,进行显效水库智能识别;
(32)初始化k=1;
(33)对第k场洪水,全部水库联合调度,得到防洪断面洪峰流量{QM}k;
(34)初始化i=1;
(37)判断洪峰流量是否相近,若成立,则认为联合调度和{M}k水库联合调度防洪效果相同,可剔除第i库,{M-1}k为显效水库集;否则,第i库不可剔除,判断i=M是否成立,若不成立,i=i+1,返回步骤(35);若成立,执行(310);其中,ε取值根据不同流域实际情况确定;
(38)在{M-1}k子集中,按步骤(34)-(37),进一步剔除水库,得到显效水库集{M-2}k;
(39)依此类推,直到各水库无可剔除为止,得到第k场洪水的显效水库子集{M-Xk}k,即对于样本k,剔除Xk个水库;
(310)判断k=P是否成立,若成立,执行步骤(311);若不成立,k=k+1,返回步骤(33)执行;
(311)得到P场洪水的显效水库样本集{M-Xk}k,k=1,2,…,P;
(4)根据显效水库样本确定指标阈值;
(5)基于推理机的工作原理,建立显效水库智能识别方法;
具体的,显效水库智能识别采用正向规则推理的方式,包括:知识的形式化表示,建立规则库,规则库中的规则表示为“P→C”,其中,P为规则的条件,C为规则的结论;从数据库读入已有事实;通过事实与规则库的规则“P→C”中条件“P”匹配,正向使用规则;启用规则的结论部分,得到新的事实;依次类推,直至问题解答为止;然后建立显效水库智能识别推理流程。
2.根据权利要求1所述的一种基于推理机的水库群实时防洪调度显效水库智能识别方法,其特征在于,所述步骤(2)包括:
将全部水库分成两组,显效水库构建联合优化调度模型,非显效水库做单库优化调度,单库和库群混合优化调度模型为:
目标函数:
单库优化调度采用最大削峰准则,其目标函数为:
其中,T为调度期的时段数,q(t)为第t时刻出库流量;
库群优化调度以防洪控制断面最大过水流量最小为目标,其目标函数为:
其中,q'(i,t)为第i库第t时段的出库流量演算到公共防洪断面的过程;q'D(i,t)为第i库到私有防洪点之间的区间流量演算到公共防洪断面的过程;为各库至公共防洪断面之间的总区间流量演算到公共防洪断面的过程;M1为参加联合调度的水库数;
约束条件:
1)水量平衡约束:
其中,V(i,t-1)、V(i,t)为第i水库t时段初、末水库的蓄水量;Q(i,t-1)、Q(i,t)为第i水库t时段初、末入库流量;q(i,t-1)、q(i,t)为第i水库t-1时刻、t时刻的出库流量;△t为时段长;
2)泄流能力约束:
q(i,t)≤q(i,Z(i,t));
其中,q(i,t)为第i水库t时刻的出库流量;q(i,Z(i,t))为第i水库t时刻相应于水位Z(i,t)的下泄能力;
3)水库最高水位约束:
4)水库期末水位约束:
Zi,end=Zi,e;
其中,Zi,end为i水库调度期末计算的水库水位;Zi,e为第i水库调度期末的控制水位;
5)出库流量变幅约束:
3.根据权利要求1所述的一种基于推理机的水库群实时防洪调度显效水库智能识别方法,其特征在于,所述步骤(4)包括:
(41)选取P个显效水库样本集{M-Xk}k,k=1,2,…,P,初始化变量k=1;
(43)为使显效水库智能识别方法识别的显效水库包括逐步减库法判断出的显效水库,指标值矩阵中,对于正向指标,M-Xk个指标值取最小值,对于负向指标,M-Xk个指标值取最大值,得到第k个样本的各指标阈值其中,正向指标包括库区预测径流深hi、区间预测来水量比λi、水库实时防洪能力水库实时防洪压力μi、断面洪峰段洪量贡献率ηi、洪峰贡献率γi、断面洪峰遭遇度βi和水库间洪峰遭遇度σjk,负向指标为水库实时防洪压力μi;
(44)判断k=P,是否成立,若成立,执行步骤(45);若不成立,k=k+1,返回步骤(42)执行;
(45)得到P个样本的指标阈值矩阵TP×8;
(46)为使显效水库智能识别方法识别的显效水库包括逐步减库法判断出的显效水库,指标阈值矩阵TP×8中,对于正向指标,P个指标阈值取最小值,对于负向指标,P个指标阈值取最大值,由此可得到优化后的指标阈值T1×8。
4.根据权利要求1所述的基于推理机的水库群实时防洪调度显效水库智能识别方法,其特征在于,所述步骤(5)进一步为:
(51)知识的形式化表示:
设Cj为第j个指标,j=1,2,…,N,则显效水库智能识别的知识可表示为:
据此建立规则库,从规则库读入规则;
(52)初始化T=当前时刻;
(53)从水库群防洪调度系统的数据库接受水文预报信息和水库状态信息,计算全部水库的指标层8个指标的指标值;
(54)对全部M个水库(i=1,2,…,M)按照先上游后下游、先支流后干流的原则排序,初始化i=1;
(55)设共有N个指标(j=1,2,…,N),按照指标层中指标顺序排序,初始化j=1;
(56)判断第i个水库的第j个指标是否满足阈值条件,若满足,则进行步骤(57)的判断,若不满足,则第i库加入非显效水库集;
(57)判断j=N是否成立,若成立,则第i库加入显效水库集;若不成立,则j=j+1,返回步骤(56);执行
(58)判断i=M是否成立,若成立,则用以上建立的混合调度模型计算,即显效水库集中的水库联合调度,非显效水库集中的水库单独调度;若不成立,则i=i+1,返回步骤(55)执行;
(59)得到实时调度方案;
(510)判断洪水是否结束,若洪水结束,则推理过程结束;若洪水尚未结束,则t=t+1,返回步骤(53)执行。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668851.1A CN108985577B (zh) | 2018-06-26 | 2018-06-26 | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810668851.1A CN108985577B (zh) | 2018-06-26 | 2018-06-26 | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108985577A CN108985577A (zh) | 2018-12-11 |
CN108985577B true CN108985577B (zh) | 2021-09-07 |
Family
ID=64538277
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810668851.1A Active CN108985577B (zh) | 2018-06-26 | 2018-06-26 | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108985577B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110705869B (zh) * | 2019-09-29 | 2022-06-03 | 长江勘测规划设计研究有限责任公司 | 一种基于库区及下游风险决策反馈的水库防洪调度计算方法 |
CN111401630B (zh) * | 2020-03-13 | 2022-06-03 | 河海大学 | 一种基于粗糙集理论的防洪系统水库属性实时动态评价方法 |
CN111476676B (zh) * | 2020-04-02 | 2023-11-21 | 中国水利水电科学研究院 | 一种城镇小流域分类分级智能调度方法 |
CN113723871B (zh) * | 2021-11-03 | 2022-03-08 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于多源信息的现状洪水一致性处理方法及系统 |
CN116882696B (zh) * | 2023-07-18 | 2024-03-08 | 黄河水利委员会黄河水利科学研究院 | 一种耦合模糊识别及概率推理的水库群防洪安全双层判别方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104099891A (zh) * | 2014-07-18 | 2014-10-15 | 河海大学 | 基于动态调节性能的水库群补偿调度方法及系统 |
CN106845116A (zh) * | 2017-01-23 | 2017-06-13 | 中国水利水电科学研究院 | 一种河系的洪水预报系统 |
CN107992989A (zh) * | 2017-11-03 | 2018-05-04 | 河海大学 | 一种水库群洪水资源化预蓄预泄风险决策方法 |
-
2018
- 2018-06-26 CN CN201810668851.1A patent/CN108985577B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104099891A (zh) * | 2014-07-18 | 2014-10-15 | 河海大学 | 基于动态调节性能的水库群补偿调度方法及系统 |
CN106845116A (zh) * | 2017-01-23 | 2017-06-13 | 中国水利水电科学研究院 | 一种河系的洪水预报系统 |
CN107992989A (zh) * | 2017-11-03 | 2018-05-04 | 河海大学 | 一种水库群洪水资源化预蓄预泄风险决策方法 |
Non-Patent Citations (2)
Title |
---|
Fuzzy Inference Decision Rule for Optimal Reservoir Operation;Pan Yang等;《2015 IEEE International Conference on Systems, Man, and Cybernetics》;20160114;第2239-2243页 * |
基于改进遗传算法的水库群防洪优化调度;许凌杰等;《水电能源科学》;20180331;第36卷(第3期);第59-62、153页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108985577A (zh) | 2018-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108985577B (zh) | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 | |
CN104318325B (zh) | 多流域实时智能水质预测方法及系统 | |
CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
Zhang et al. | Improved particle swarm optimization algorithm for multi-reservoir system operation | |
CN113469528B (zh) | 一种考虑时空关联多维不确定性的水库群多目标防洪调度风险分析方法 | |
CN103985000B (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN111260117B (zh) | 一种基于气象因子的ca-narx水质预测方法 | |
CN108074004A (zh) | 一种基于网格法的地理信息系统短期负荷预测方法 | |
CN111241755A (zh) | 电力负荷预测方法 | |
CN109670650A (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN104751363A (zh) | 基于贝叶斯分类器的股票中长期趋势预测方法及系统 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN114417631A (zh) | 一种基于观测数据的灌区输配水系统建模方法 | |
CN107093005A (zh) | 基于大数据挖掘算法实现办税服务厅自动分级的方法 | |
CN113656707A (zh) | 一种理财产品推荐方法、系统、存储介质及设备 | |
Xuesen et al. | Consideration of trends in evaluating inter-basin water transfer alternatives within a fuzzy decision making framework | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN117370759A (zh) | 基于人工智能的燃气用量预测方法 | |
He et al. | An Improved Coupling Model of Grey-System and Multivariate Linear Regression for Water Consumption Forecasting. | |
CN107578130A (zh) | 一种结构和参数联合学习的tsk型模糊系统的铜期货价格预测的方法 | |
CN115879361A (zh) | 一种一次设备运维检修调试费用智能确定方法 | |
Wang et al. | Multi-reservoir system operation theory and practice | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 |
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 |