CN110276700A - 水资源优化配置方法、装置、设备及存储介质 - Google Patents

水资源优化配置方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN110276700A
CN110276700A CN201910547449.2A CN201910547449A CN110276700A CN 110276700 A CN110276700 A CN 110276700A CN 201910547449 A CN201910547449 A CN 201910547449A CN 110276700 A CN110276700 A CN 110276700A
Authority
CN
China
Prior art keywords
water
sample
default
model
basin
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.)
Pending
Application number
CN201910547449.2A
Other languages
English (en)
Inventor
张毅
蔡宴朋
李聪聪
王维琛
王浩
李博文
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.)
Beijing Normal University
Original Assignee
Beijing Normal University
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 Beijing Normal University filed Critical Beijing Normal University
Priority to CN201910547449.2A priority Critical patent/CN110276700A/zh
Publication of CN110276700A publication Critical patent/CN110276700A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06Q10/06315—Needs-based resource requirements planning or 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

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例提供一种水资源优化配置方法、装置、设备及存储介质，该方法包括：获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间；根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量。本申请实施例提供的方法能够解决现有技术中无法实现用户用水的优化配置管理的合理性及适用性，进而提升水资源管理系统的可持续性的问题。

Description

水资源优化配置方法、装置、设备及存储介质
技术领域
本申请实施例涉水资源管理技术领域，尤其涉及一种水资源优化配置方法、装置、设备及存储介质。
背景技术
我国的人均水资源占有量正在持续下降，现有的水资源短缺以及人类活动导致的水质恶化造成了水资源短缺的严峻形势，不但威胁着城乡人民的基本用水安全，而且这种情况对于经济社会的稳定发展会产生负面效果，导致了巨大的经济损失。
在过去的几十年已经出现了一些用于水资源的优化配置方法，水资源合理配置研究由过去简单的单目标、确定性配置理论发展为现在多水源、多用户、多目标、考虑不确定性的复杂配置理论。方法上，由过去单纯以系统工程和运筹学为核心的数学规划方法，包括线性规划、非线性规划、动态规划和整数规划等发展到现在系统优化技术与非线性理论、模拟优化技术相结合等组合规划模型。而水资源优化配置系统，是一个极其复杂的系统，涉及水资源管理、社会经济、生态环境等多个方面，并且包括了调水、输水、配水等多个过程，在每个过程中都会存在许多不确定性，这些不确定性因素内部又存在着相互联系，使得水资源优化配置系统十分复杂，充满不确定性。这些不确定性会在不经意间影响着水资源优化配置的结果，无法真正使优化结果达到最优、最合理化。
目前，传统的确定性水资源配置无法表达水资源系统中普遍存在的不确定性，而不确定性水资源配置针对实际配置过程中无法解决在供水侧、需水侧和配置模型本身存在的不确定性，因此，现有技术中无法实现用户用水的优化配置管理的合理性及适用性，进而提升水资源管理系统的可持续性。
发明内容
本申请实施例提供一种水资源优化配置方法、装置、设备及存储介质，以克服现有的水资源优化配置方法无法实现用户用水的优化配置管理的合理性及适用性，进而提升水资源管理系统的可持续性的问题。
第一方面，本申请实施例提供一种水资源优化配置方法，包括：
获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；
基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，所述神经网络预测模型是以所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子为样本集合和需水量为样本集合采用逐步聚类法和BP神经网络模型确定的；
根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，所述水资源优化配置模型是通过耦合模糊可信度与两阶段随机规划模型建立的。
第二方面，本申请实施例提供一种水资源优化配置装置，包括：
第一获取模块，用于获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；
需水量预测区间获取模块，用于基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，所述神经网络预测模型是以所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子为样本集合和需水量为样本集合采用逐步聚类法和BP神经网络模型确定的；
水资源可配置量获取模块，用于根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，所述水资源优化配置模型是通过耦合模糊可信度与两阶段随机规划模型建立的。
第三方面，本申请实施例提供一种水资源优化配置设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面所述的水资源优化配置方法。
第四方面，本申请实施例提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面所述的水资源优化配置方法。
本实施例提供的水资源优化配置方法、装置、设备及存储介质，先获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；再根据基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，其中，神经网络预测模型是采用逐步聚类法和BP神经网络模型融合确定的，能够提高对需水量预测的准确度，然后根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于通过耦合模糊可信度与两阶段随机规划模型建立的水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，便于对预设流域水资源配置的不确定性的分析，进而节约水资源和成本。本方案在水资源优化配置方法中将逐步聚类法和BP神经网络结合得到不同规划年内不同用户(多个用户在预测时间段内对预设流域水资源的)需水量的结果进一步传递到水资源优化配置模型之中，进而处理需水量预测和水资源配置两个系统(模型)中的不确定性，最终得到水资源优化配置方法对应的水资源可配置量，因此，该水资源优化配置模型基于模糊可信度与两阶段随机规划模型的融合，能够将不同用户的预测需水量作为水资源优化配置模型的输入数据，把不确定性量化为不同的满意度和风险率，进而实现用户用水的优化配置管理的合理性及适用性，进而提升水资源管理系统的可持续性。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的水资源优化配置方法的流程示意图；
图2为本申请另一实施例提供的水资源优化配置方法的流程示意图；
图3为本申请又一实施例提供的水资源优化配置方法的流程示意图；
图4为本申请再一实施例提供的水资源优化配置方法的流程示意图；
图5为本申请另一实施例提供的水资源优化配置方法中不确定性分析的流程示意图；
图6为本申请又一实施例提供的水资源优化配置方法的流程示意图；
图7为本申请再一实施例提供的水资源优化配置方法的流程示意图；
图8为本申请实施例提供的水资源优化配置装置的结构示意图；
图9为本申请实施例提供的水资源优化配置设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
现有技术中，通过模拟模型描述水资源系统的复杂关系，解决水资源配置难题，为区域水资源合理开发利用提供决策依据。建立以经济、社会、生态环境综合效益为最优的水资源优化配置模型，并采用模拟退火遗传算法对模型进行求解，基于所建立的水资源优化配置模型对水资源进行优化配置，此技术不能很好地解决供水和用水的不确定性问题，另外模拟退火遗传算法本身仍有缺点，比如各目标在适应函数中的不同影响程度如何体现，如何得出更加合理的搜索步长等。同时，在此基础上，基于供水和用水的不确定性问题，现有技术对模型的决策机制进行改进，以反映来水和需水周期性规律及其不确定性对水资源配置的影响，提高水资源配置结果的合理性，但是现有技术中针对不同尺度的水资源受资源、社会经济和生态环境要素的时空变化，直接影响水资源配置结果。不确定性的定量角度不同，导致所涉及到的不确定性也不同。该改进的模型没有充分考虑到系统组分间的非线性互动关系，无法全面、准确的表征和处理水资源系统中的复杂性和不确定性。
为了解决上述技术问题，本申请实施例提供一种水资源优化配置方法针对供用户对流域水资源需水预测中的不确定性，利用逐步聚类-神经网络模型(逐步聚类法与BP神经网络模型结合)，选取需水量影响因素(影响因子)，预测规划年(预测时间段)年流域生活、工业、农业和生态方面的需水量区间，为建立水资源优化配置模型提供基础数据，并对水资源优化配置模型有效性进行检验以解决上述问题。
图1为本申请实施例提供的水资源优化配置方法的流程示意图，本实施例的执行主体可以为终端，也可以为服务器，本实施例此处对执行主体不做限定。
参见图1，所述水资源优化配置方法，包括：
S101、获取多个用户在预测时间段内对预设流域水资源的需水量影响因子。
本实施例的执行主体可以为水资源优化配置系统，所述水资源优化配置系统可以包括：神经网络预测模型和水资源优化配置模型，所述水资源优化配置系统用于水资源的不确定性分析过程中预测在未来时间段内需水量区间以及确定水资源可配置量，通过水资源优化配置系统中的数据采集装置，采集多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子和需水量，通过多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子结合预设规划指标，确定多个用户在预测时间段内对预设流域水资源的需水量影响因子，进而得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量。也可以是服务器通过采集装置获取多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子和需水量，进而通过数据处理，得到多个用户在预测时间段内对预设流域水资源的需水量影响因子，处理精度高。通过上述的水资源优化配置方法可以克服现有的水资源优化配置方法无法实现用户用水的优化配置管理的合理性及适用性，进而提升水资源管理系统的可持续性的问题。
其中，预测时间段可以为当前时间至未来时间段内的任意时间段，也可以为预设的规划时间。
S102、基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，所述神经网络预测模型是以所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子为样本集合和需水量为样本集合采用逐步聚类法和BP神经网络模型确定的。
本实施例中，首先获取多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子和需水量，并以多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子和需水量为样本，形成需水量影响因子样本集合和需水量样本集合，并采用逐步聚类法得到若干子集，并将各个子集中的样本输入到BP神经网络模型中进行模型训练，得到神经网络预测模型。将获取到的多个用户在预测时间段内对预设流域水资源的需水量影响因子输入到神经网络预测模型中进行预测，得到多个用户在预测时间段内对所述预设流域水资源的需水量预测区间。
步骤S103、根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，所述水资源优化配置模型是通过耦合模糊可信度与两阶段随机规划模型建立的。
本实施例中，为了确定多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，在得到需水量预测区间的基础上，还需要结合水资源的不确定性因素，考虑水资源优化配置系统中的参数不确定性，如可用水量、供水能力、经济效益等多重不确定性。具体来说，在水资源优化配置系统中不确定性因素主要来源于系统的输入输出以及系统本身。其不确定性因素可以大致分为三类：随机性、模糊性和区间性。
1)随机性：随机性是偶然性的一种形式，具有某一概率的时间集合中的各个事件所表现出来的不确定性在系统的输入输出方面，由于环境系统的变化会引起系统功能的变化，这种变化通常变现为随机性。比如区域径流量会随着区域降雨量的随机变化而变化，从而表现出随机性的特性。在系统本身方面，由于水系统的复杂性，人们对水文系统认知的参数常常带有随机性，其参数通常是通过随机布点而得到，所以也会存在随机性的特征。
2)模糊性：模糊性是由于事物类属划分的不分明而引起的判断上的不确定性。由于水资源系统的复杂性，在系统输入输出与系统本身结构方面有很多概念是不明晰的，比如“丰水年”、“枯水年”、“平水年”等概念都属二界限不明的模糊表达。
3)区间性：由于事物的复杂性和人们对事物辨识能力的局限以及人们对信息获取量的匮乏，人们只能得知部分信息或者信息量所呈现出的大致范围。因此很多时候水资源系统的数据只能以区间的形式表示出来。
在实际应用中，可以通过耦合模糊可信度与两阶段随机规划方法嵌入到水资源优化配置模型中。在两阶段随机规划方法求解的过程中引入可信度模糊约束规划方法(模糊可信度)优势在于不仅可以有效地实现来水资源的不确定性对用水目标的追索，更能高效地将表征为模糊、区间和随机的多重不确定信息直接反映到优化模型的建立及求解过程中，提高了传统两阶段规划方法的强健性和实用性。由于水资源系统(水资源优化配置系统)具有参数不确定性，如可用水量、供水能力、经济效益等多重不确定性，因此，使用逐步聚类和神经网络的方法预测需水量，以及将需水量区间、两阶段随机规划以及模糊规划加入到水资源优化配置模型中，用以处理模型表现为区间、概率分布、模糊集的不确定性。
具体地，将所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间输入到水资源优化配置模型中，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量。
本实施例中，先获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；再根据基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，其中，神经网络预测模型是采用逐步聚类法和BP神经网络模型融合确定的，能够提高对需水量预测的准确度，然后根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于通过耦合模糊可信度与两阶段随机规划模型建立的水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，便于对预设流域水资源配置的不确定性的分析，进而节约水资源和成本。本方案在水资源优化配置方法中将逐步聚类法和BP神经网络结合得到不同规划年内不同用户(多个用户在预测时间段内对预设流域水资源的)需水量的结果进一步传递到水资源优化配置模型之中，进而处理需水量预测和水资源配置两个系统(模型)中的不确定性，最终得到水资源优化配置方法对应的水资源可配置量，因此，该水资源优化配置模型基于模糊可信度与两阶段随机规划模型的融合，能够将不同用户的预测需水量作为水资源优化配置模型的输入数据，把不确定性量化为不同的满意度和风险率，进而实现用户用水的优化配置管理的合理性及适用性，进而提升水资源管理系统的可持续性以及系统效益最大化。
在所述获取多个用户在预测时间段内对预设流域水资源的需水量影响因子之前，需要确定神经网络预测模型，进而快速、准确地预测多个用户在预测时间段内对所述预设流域水资源的需水量，即确定多个用户在预测时间段内对所述预设流域水资源的需水量预测区间。因此，为了确定神经网络预测模型，参见图2所示。
图2为本申请另一实施例提供的水资源优化配置方法的流程示意图，本实施例在图1所述实施例的基础上，本实施例对如何确定神经网络预测模型进行了详细说明。即在步骤S101之前，所述方法还包括：
S201、获取所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子样本集合和需水量样本集合，需水量影响因子样本和需水量样本一一对应。
本实施例中，需水量影响因子样本集合中的需水量影响因子样本和需水量样本集合中的需水量样本一一对应，即一个需水量影响因子样本对应一个需水量样本，其中，每个需水量影响因子样本可以为一组数据，每个用户对应一组数据。
具体地，多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子样本集合和需水量样本集合的获取或采集方式可以是用户端将需水量影响因子的历史数据和需水量的历史数据(多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子样本集合和需水量样本集合)上传至预设日志文件中，进而从预设日志文件中获取该需水量影响因子和需水量的历史数据。
S202、基于逐步聚类法以及所述需水量样本集合，对所述需水量影响因子样本集合进行分级聚类，得到多个类别的子集，将所述多个类别的子集划分为多个训练集和多个测试集。
本实施例中，逐步聚类分析(SCA)是一种自动变量判别迭代算法，基本原理是根据给定的标准对样本进行一分为二的分割和合二为一的归并，直到使所有的样本进入相应的类中。分类和合并的标准由一系列根据Wilks准则进行的F检验(方差齐性检验)构成。
其中，通过逐步聚类法，可以直接对所述需水量影响因子样本集合进行分级聚类，也可以直接对通过所述需水量影响因子样本集合和所述需水量样本集合之间的关系进行分级聚类，分别得到多个类别的子集，然后分别对神经网络模型(即为BP神经网络模型)进行训练，根据训练结果反馈，确定出更为精准的逐步聚类法的实现方式。
具体地，在对所述需水量影响因子样本集合进行分级聚类，得到多个类别的子集后，为了便于对BP神经网络模型进行训练，将多个类别的子集划分为多个训练集和多个测试集，一个类别对应一个子集，比如，分为15个类别，则有15个子集，将15子集进行划分，比如，10个子集作为训练集，剩下的5个子集作为测试集。
S203、针对多个训练集中的每个训练集，根据所述训练集中的每个样本，对所述BP神经网络模型进行训练，得到所述训练集中的每个样本对应的需水量预测区间。
本实施例中，每个训练集中包括多个样本，将每个训练集中的样本进行批量式输入到BP神经网络模型中，BP神经网络模型的输出量为需水量预测区间，则所述训练集中的每个样本在BP神经网络模型中的输出量为所述训练集中的每个样本对应的需水量预测区间。
S204、根据所述训练集中的每个样本对应的需水量预测区间以及所述训练集中的每个样本对应的需水量样本，通过蚁群算法对BP神经网络模型进行优化，得到优化后的神经网络模型。
本实施例中，根据所述训练集中的每个样本对应的需水量预测区间以及所述训练集中的每个样本对应的需水量样本的误差，不断地调整神经网络模型的网络参数，通过蚁群算法对BP神经网络模型的权重进行训练通过训练筛选出需水量相关的需水量影响因子，优化BP神经网络模型，得到优化后的神经网络模型。
S205、针对多个测试集中的每个测试集，根据所述测试集中的每个样本，对优化后的神经网络模型进行测试，确定神经网络预测模型。
在实际应用中，通过逐步聚类分析方法(即为逐步聚类法)对需水量影响因子样本集合分类后，把它们转换为可用于神经网络输入的指标。根据训练输入指标，建立相应的神经网络预测模型，而神经网络预测模型直接输出需水量预测区间即为预测区间PI(prediction interval)，根据训练数据(即为多个训练集中的所有样本)的预测结果，利用蚁群算法对神经网络权重进行训练，提高预测区间精确度。通过网络训练筛选出需水量相关影响因子，最后把训练好的神经网络用测试集进行输出预测区间，评价训练好的神经网络的性能的稳定性，进而确定神经网络预测模型。
神经网络预测模型的输出是一组代表需水量趋势的预测区间(即为需水量预测区间)。预测区间就是在一定水平下对未来值的范围估计区间，这个水平就称作置信水平((1一α)％)，估计区间就是未来期望值的预测区间，这个定义期望未来预测值应以一定的概率包含于所建立的预测区间中。因此，预测区间范围概率PICP(PI coverage probability)就是衡量预测准确性方面质量的标准，其公式如下：
其中当yi∈[L(Xi)，U(Xi)]，时ci＝1，否则ci＝0。L(Xi)和U(Xi)分别是第i个PI的上限和下限。如果实际的PICP低于置信水平，表示神经网络预测模型所建立的PI就不符合期望要求。
其中，PICP的要求是预测区间包含大部分真实值，但是实际上如果为了满足置信水平要求而使预测范围过宽，所预测的结果就不能反映趋势的变化信息。因此需要另一个指标来衡量所建立的PI的宽度。所以定义预测宽度的指标MPIW如下：
其中U(Xi)和L(Xi)代表和第i个样本的PI的上下界限。假设预测目标范围R已知，为了客观比较运用不同方法建立的PI，还能够进行MPIW规范化如下：
NMPIW是一个无量纲的测量值，代表PI平均宽度和目标宽度的百分数。在实际应用中，预测区间范围概率(PICP)和区间的宽度(MPIW)会出现矛盾和冲突，导致想要提高PICP就要增加预测区间的宽度，而人们往往希望在较高的预测准确度PICP情况下仍能得到较窄的预测区间宽度NMPIW。
因此，实际应用中要量化和衡量PI的质量：在规定的PICP置信水平下尽量缩小未来预测范围，即输出较窄范围宽度的NMPIW。为了更好的评价预测区间质量，需要添加综合指标CWC，其公式如下：
CWC＝NMPIW(1+γ(PICP)e-η(PICP-μ))
其中
其中η和μ为常数，μ与置信水平一致并可设置为1一α(其中α取0.1)。η的作用就是放大PICP与μ的区别(η为50，μ为0.9)，通常它选择一个较大的值。指数项使用非对称标准(相对于PICP)的作用是：如果PICP比μ要小将导致CWC迅速增大，这样就得到较差PI质量的评价结果。而γ的作用是当PICP＞＞μ时，消除指数项，CWC就完全等于NMPIW，这样就不会因指数项的影响而方式PI的宽度。
在BP神经网络预测中，训练神经网络通常都是最小化误差平方和、权重惩罚函数等方法。但这些方法比较适合点预测，如果神经网络输出PI，那就需要运用综合评价指标CWC来对神经网络进行训练。由于目标函数CWC是非线性、复杂不连续的，选用离散的优化方法——蚁群算法。蚊群算法是一种基于模拟蚂蚁群行为的随机搜索优化算法，是一种分布式控制的多主体智能算法，具有很好的鲁棒性和自组织性，对多峰值问题具有最优的全局搜索能力。蚁群算法与神经网络的结合能更好地解决神经网络容易陷入局部最优点的问题。因此采用蚁群算法对BP神经网络进行训练。
神经网络模型为多输入双输出的神经网络结构。建立神经网络预测模型，用LM算法(即为列文伯格-马夸尔特算法)对神经网络的参数进行初始化训练，这样可以加快神经网络的收敛速度。然后再运用蚁群算法对神经网络进行训练，使目标函数CWC不断收敛到最优值。当训练完成后，用多个测试集对训练后的模型(优化后的神经网络模型)进行测试，并计算出优化后的神经网络模型模型的指标PICP、NMPIW和CWC，进而确定神经网络预测模型。
为了对所述需水量影响因子样本集合进行分级聚类，图3示出了如何对所述需水量影响因子样本集合进行分级聚类的具体过程。即图3为本申请又一实施例提供的水资源优化配置方法的流程示意图，本实施例在上述实施例的基础上，例如，在图2所述实施例的基础上，本实施例对步骤S202进行了详细说明。所述基于逐步聚类法以及所述需水量样本集合，对所述需水量影响因子样本集合进行分级聚类，得到多个类别的子集，包括：
S301、将所述需水量影响因子样本集合中的每个样本作为聚类自变量，将所述需水量样本集合中的每个样本作为聚类因变量，根据所述聚类自变量和所述聚类因变量，得到需水量影响因子和需水量之间关系的矩阵，所述矩阵中含有多组样本；
S302、根据方差齐性检验，对所述矩阵中的一组样本进行分割，得到不同类的样本；
S303、针对所述不同类的样本，将符合方差齐性检验标准的不同样本合并成一种类别，得到多个类别的子集，类别和子集一一对应。
本实施例中，首先选择需水量影响因子为自变量，需水量为因变量，即将所述需水量影响因子样本集合中的每个样本作为聚类自变量，将所述需水量样本集合中的每个样本作为聚类因变量；然后使用逐步聚类分析方法将预设流域往年需水量影响因子数据进行分级聚类，将往年需水量影响因子数据(即为所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子)作为原始数据集划分为若干子集即为多个子集；再将同一类需水量影响因子结合相应的BP神经网络模型进行预测。
在实际应用中，每个用户对应多个需水量影响因子，每个用户对预设流域水资源的需水量影响因子为一组数据，即为每个用户对应的需水量影响因子的类别相同，数据不同。其中，逐步聚类法步骤为：
1)收集数据。选择聚类自变量和聚类因变量，构建矩阵，比如：
2)分割，根据F-检验，分割一组样本进入不同类中；
3)合并，将符合F-检验标准的不同样本合并成一类；
4)分割合并循环，重复直至将所有的样本进入相应的类之中
5)输出聚类结果，输出因变量的聚类树。
为了能够在实际配置水资源过程中，最大化的为每个用户配置水资源，需要确定水资源优化配置模型，图4示出了如何确定水资源优化配置模型的具体过程。
图4为本申请再一实施例提供的水资源优化配置方法的流程示意图，本实施例在上述实施例的基础上，例如，在图1-3任一所述实施例的基础上，本实施例对水资源优化配置模型建立的具体过程进行了详细说明。在所述得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量之前，还包括：
S401、获取多个水量约束条件，所述多个水量约束条件中的每个水量约束条件是对每个用户在预测时间段内对所述预设流域水资源的水资源可配置量的约束；
S402、根据所述多个水量约束条件和所述两阶段随机规划模型，得到所述预设流域水资源的两阶段随机规划模型；
S403、根据所述模糊可信度，通过所述多个水量约束条件，确定模糊约束条件；
S404、根据所述模糊约束条件以及所述预设流域水资源的两阶段随机规划模型，得到区间两阶段模糊随机规划模型；
S405、将决策变量融合到所述区间两阶段模糊随机规划模型中，得到所述水资源优化配置模型。
本实施例中，结合图5、图6以及图7，不确定性分析的过程为：根据随机性数据结合概率分布得到两阶段随机规划，在根据模糊集数据结合次年度分析，在两阶段随机规划基础上得到两阶段模糊随机规划，然后根据不精确数据结合离散区间，在两阶段模糊随机规划得到区间两阶段模糊随机规划，因此，通过两阶段规划以及不确定性分析，能够建立所述水资源优化配置模型，其建立所述水资源优化配置模型的具体过程为：
在水资源有限的情况下，寻求系统收益最大，建立两阶段随机规划模型：
式中：E表示随机变量的期望值；D表示未满足预先配水目标的缺水量；f表示系统总收益；i表示不同水源，i＝1，2，…，I；J表示预设流域内不同用户，j＝1，2，…，J；W表示用户的预先配水目标值，106m3，当配水目标值未满足时将会受到惩罚；NB表示水源向用户配水时，单位水量的系统收益值，元/m3：C表示预先配水目标未满足时，单位缺水量的惩罚系数(C>NB)，元/m3；D表示缺水量，106m3；f表示系统总收益，元。
其中，需水量影响因子可以为包括：生产总值GDP、人均GDP、三产结构、农业产值、灌溉面积、工业总产值、人均生活用水量、人均绿地面积、常住人口，城镇化率；多个水量约束条件可以为水源可用水量约束、水源最大可用水量约束、需水量约束、渠道输水能力约束、水量平衡约束以及非负约束。
其中，水源可用水量约束：
式中：Qij为流域水源i初期蓄水量，106m3；qik为流域水源i在不同流量水平的天然来水量，106m3，qik具有显著的概率特征，则来水量qik的概率为pik；QSi为流域i水源蒸发、渗漏等损失水量，106m3；DijQ表示天然来水为qik时，灌区作物未满足预先配水目标的缺水量，106m3。
水源最大可用水量约束：
式中：Wimax为水源i最大可供水量，106m3。
需水量约束：
式中：Wimin和Wimax为流域区内不同用户j充分配水条件下的最小需水量和最大需水量，106m3。
渠道输水能力约束：
式中：cij为流域内不同水源i向用户j配水，两地间渠道可允许输送水量，地下水渠道输水能力定义为提取后再通过渠道向用户j供水。
地表水水量平衡约束为：
地下水水量平衡约束为：
式中：Qim为规划期末水源i的蓄水量，106m3：Qimin为水源i应保证的最小蓄水量，106m3。其中地下水应保证不低于正常地下水位，由于损失水量的测量及其复杂，并且对于其数据统计并不完整，因此，假设损失QSi取为0。
非负约束：
水源可用总水量通常包括规划初期蓄水量和净来水量，为随机变量。由于预测年天然来水量很难确定，因此将不同来水水平下的缺水量视为离散概率分布，假设不同水平的来水量qk的概率为pk，0≤pk≤1，且k表示预测年份不同水源的流量水平(k＝1，2…K)，k＝l表示预测年份净来水最少，为低流量水平，缺水量最大；k＝2表示预测年份来水适中，为中流量水平，缺水较少；当k＝K时表示来水最多，为高流量水平，缺水量最少，则
因此预设流域水资源的两阶段随机规划模型可表示为：
多个水量约束条件：
水源可用水量约束中，因为Qij、qik和QSi都是不确定的，则用满足一定隶属度的三角模糊数来表示，具有自对偶性的模糊可信度测度C，使模糊规划更为可行，首先将上述约束写为Ax≤B，Ax为约束左端，将约束右端B用三角模糊集(B0，B0.5，B1)表示，3个数分别代表变量最小可能值，最可能值和最大可能值。其中不同水源可用水量Qij+qik-QSi，区间上下限值分别取最大可能值B1和最小可能值B0。
根据模糊可信度理论，将模糊约束的可信度定义为(Liu B,2007):
可信度水平λ∈[0，1]，假设可信度水平在最可能值和最大可能值之间，即可信度水平λ应≥0.5，则可信度水平λ∈[0.5，1]，则模糊约束条件Ax≤B可以确定为：
Ax≤B0.5+(1-2λ)(B0.5-B0)
同时，由于用户预先配水目标值形的不确定性，用户生产产量及价格变动导致单位获水收益值NB和惩罚系数C的不确定性，这些变量无法用概率密度函数表示，因此，将离散区间数引入模型中，来解决无法得到确定性参数或不能用概率分布来表示的变量，“+”表示区间上限值，“-”表示区间下限值。由此建立区间两阶段模糊随机规划模型：
区间两阶段模糊随机规划模型对应的约束条件：
对区间两阶段模糊随机规划模型进行求解：是以区间形式来表征系统中不确定性，很难判断当为何值时，系统收益最大。因此，本实施例将决策变量zij引入到区间两阶段模糊随机规划模型中，使得其中，zij∈[0,1]，当zij＝l时，用户调配水量达到预先配水目标的上限值，系统收益最大，但当用户配水目标不能满足时，将会面临非常严重的惩罚风险；当zij＝0时，用户调配水量达到预先配水目标的下限值，系统收益最小，但惩罚风险也相对较小，zij越大则水源向用户供水越多。求解模型的目的便在于找到决策量的最优值zijopt，获得到最优配水目标，使得经济收益与惩罚风险相平衡。则区间两阶段模糊随机规划模型具体为：
对应的约束条件：
对于最终的区间两阶段模糊随机规划模型求解，根据交互式算法，将该模型分为两个子模型分别为流域水资源系统(水资源优化配置系统)收益上限模型和下限模型，由于目标函数是系统收益最大值，因此，目标函数的上限子模型为
上限子模型对应的约束条件：
0≤zij≤1
式中：zij、为决策变量，采用线性规划方法求解上限子模型，得到zijopt\ 和符合目标函数的下限模型为：
下限模型对应的约束条件：
式中，为决策变量，求解下限子模型，得到由此可求出
最优解为：
则最优配水目标Wijopt为：
最优配置水量为
本申请实施了提出了耦合逐步聚类和神经网络需水量预测方法，在实际对在预测流域水资源需求的研究中，传统的办法较难反应影响水资源需求的自然、人口与社会经济的交互和叠加影响，也较难反映系统参数的变化。本申请提出的水资源优化配置方法能够：
a)通过逐步聚类分析方法选取神经网络预测模型中需要的具有代表性的影响因子，并且找出关键的情景组合引入流域需水预测神经网络模型；
b)通过神经网络方法分析水资源系统参数动态变化的响应，并且识别对需水总量具有显著影响的因素，最终得到不同规划年内不同用户的需水量的区间值。
基于逐步聚类-神经网络方法的流域水资源配置模型耦合了不确定条件优化方法：传统的方法难以反映水资源系统参数的不确定性，也比较难体现参数不确定变化对水资源规划管理的影响，因此，需要将逐步聚类和神经网络得到不同规划年内不同用户需水量的结果进一步传递到流域水资源配置模型之中，进而处理需水预测和水资源配置两个系统中的不确定性，最终得到优化配置方法。具体来说，该模型能够将不同用户的预测需水量作为水资源优化配置模型的输入数据，基于可信度模糊约束分析的区间两阶段规划方法，把不确定性量化为不同的满意度和违约风险率水平，进而实现系统效益最大化。
为了实现所述水资源优化配置方法，本实施例提供了一种水资源优化配置装置。参见图8，图8为本申请实施例提供的水资源优化配置装置的结构示意图；所述水资源优化配置装置，包括：第一获取模块801，用于获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；需水量预测区间获取模块802，用于基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，所述神经网络预测模型是以所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子为样本集合和需水量为样本集合采用逐步聚类法和BP神经网络模型确定的；水资源可配置量获取模块803，用于根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，所述水资源优化配置模型是通过耦合模糊可信度与两阶段随机规划模型建立的。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的设计中，所述装置还包括：样本集合获取模块，用于在获取多个用户在预测时间段内对预设流域水资源的需水量影响因子之前，获取所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子样本集合和需水量样本集合，需水量影响因子样本和需水量样本一一对应；分级聚类模块，用于基于逐步聚类法以及所述需水量样本集合，对所述需水量影响因子样本集合进行分级聚类，得到多个类别的子集，将所述多个类别的子集划分为多个训练集和多个测试集；第二获取模块，用于针对多个训练集中的每个训练集，根据所述训练集中的每个样本，对所述BP神经网络模型进行训练，得到所述训练集中的每个样本对应的需水量预测区间；优化后的神经网络模型确定模块，用于根据所述训练集中的每个样本对应的需水量预测区间以及所述训练集中的每个样本对应的需水量样本，通过蚁群算法对BP神经网络模型进行优化，得到优化后的神经网络模型；神经网络预测模型确定模块，用于针对多个测试集中的每个测试集，根据所述测试集中的每个样本，对优化后的神经网络模型进行测试，确定神经网络预测模型。
在一种可能的设计中，所述分级聚类模块，具体用于：将所述需水量影响因子样本集合中的每个样本作为聚类自变量，将所述需水量样本集合中的每个样本作为聚类因变量，根据所述聚类自变量和所述聚类因变量，得到需水量影响因子和需水量之间关系的矩阵，所述矩阵中含有多组样本；根据方差齐性检验，对所述矩阵中的一组样本进行分割，得到不同类的样本；针对所述不同类的样本，将符合方差齐性检验标准的不同样本合并成一种类别，得到多个类别的子集，类别和子集一一对应。
在一种可能的设计中，所述装置还包括：第三获取模块，用于在所述得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量之前，获取多个水量约束条件，所述多个水量约束条件中的每个水量约束条件是对每个用户在预测时间段内对所述预设流域水资源的水资源可配置量的约束；第一模型确定模块，用于根据所述多个水量约束条件和所述两阶段随机规划模型，得到所述预设流域水资源的两阶段随机规划模型；模糊约束条件确定模块，用于根据所述模糊可信度，通过所述多个水量约束条件，确定模糊约束条件；第二模型确定模块，用于根据所述模糊约束条件以及所述预设流域水资源的两阶段随机规划模型，得到区间两阶段模糊随机规划模型；水资源优化配置模型确定模块，用于将决策变量融合到所述区间两阶段模糊随机规划模型中，得到所述水资源优化配置模型。
为了实现所述水资源优化配置方法，本实施例提供了一种水资源优化配置设备。图9为本申请实施例提供的水资源优化配置设备的结构示意图。如图9所示，本实施例的水资源优化配置设备90包括：处理器901以及存储器902；其中，存储器902，用于存储计算机执行指令；处理器901，用于执行存储器存储的计算机执行指令，以实现上述实施例中所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上所述的水资源优化配置方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(PeripheralComponent，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种水资源优化配置方法，其特征在于，包括：
获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；
基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，所述神经网络预测模型是以所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子为样本集合和需水量为样本集合采用逐步聚类法和BP神经网络模型确定的；
根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，所述水资源优化配置模型是通过耦合模糊可信度与两阶段随机规划模型建立的。
2.根据权利要求1所述的方法，其特征在于，在所述获取多个用户在预测时间段内对预设流域水资源的需水量影响因子之前，还包括：
获取所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子样本集合和需水量样本集合，需水量影响因子样本和需水量样本一一对应；
基于逐步聚类法以及所述需水量样本集合，对所述需水量影响因子样本集合进行分级聚类，得到多个类别的子集，将所述多个类别的子集划分为多个训练集和多个测试集；
针对多个训练集中的每个训练集，根据所述训练集中的每个样本，对所述BP神经网络模型进行训练，得到所述训练集中的每个样本对应的需水量预测区间；
根据所述训练集中的每个样本对应的需水量预测区间以及所述训练集中的每个样本对应的需水量样本，通过蚁群算法对BP神经网络模型进行优化，得到优化后的神经网络模型；
针对多个测试集中的每个测试集，根据所述测试集中的每个样本，对优化后的神经网络模型进行测试，确定神经网络预测模型。
3.根据权利要求2所述的方法，其特征在于，所述基于逐步聚类法以及所述需水量样本集合，对所述需水量影响因子样本集合进行分级聚类，得到多个类别的子集，包括：
将所述需水量影响因子样本集合中的每个样本作为聚类自变量，将所述需水量样本集合中的每个样本作为聚类因变量，根据所述聚类自变量和所述聚类因变量，得到需水量影响因子和需水量之间关系的矩阵，所述矩阵中含有多组样本；
根据方差齐性检验，对所述矩阵中的一组样本进行分割，得到不同类的样本；
针对所述不同类的样本，将符合方差齐性检验标准的不同样本合并成一种类别，得到多个类别的子集，类别和子集一一对应。
4.根据权利要求1-3任一项所述的方法，其特征在于，在所述得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量之前，还包括：
获取多个水量约束条件，所述多个水量约束条件中的每个水量约束条件是对每个用户在预测时间段内对所述预设流域水资源的水资源可配置量的约束；
根据所述多个水量约束条件和所述两阶段随机规划模型，得到所述预设流域水资源的两阶段随机规划模型；
根据所述模糊可信度，通过所述多个水量约束条件，确定模糊约束条件；
根据所述模糊约束条件以及所述预设流域水资源的两阶段随机规划模型，得到区间两阶段模糊随机规划模型；
将决策变量融合到所述区间两阶段模糊随机规划模型中，得到所述水资源优化配置模型。
5.一种水资源优化配置装置，其特征在于，包括：
第一获取模块，用于获取多个用户在预测时间段内对预设流域水资源的需水量影响因子；
需水量预测区间获取模块，用于基于神经网络预测模型，得到所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，所述神经网络预测模型是以所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子为样本集合和需水量为样本集合采用逐步聚类法和BP神经网络模型确定的；
水资源可配置量获取模块，用于根据所述多个用户在预测时间段内对所述预设流域水资源的需水量预测区间，基于水资源优化配置模型，得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量，所述水资源优化配置模型是通过耦合模糊可信度与两阶段随机规划模型建立的。
6.根据权利要求5所述的装置，其特征在于，所述装置还包括：
样本集合获取模块，用于在获取多个用户在预测时间段内对预设流域水资源的需水量影响因子之前，获取所述多个用户在预设历史时间段内对所述预设流域水资源的需水量影响因子样本集合和需水量样本集合，需水量影响因子样本和需水量样本一一对应；
分级聚类模块，用于基于逐步聚类法以及所述需水量样本集合，对所述需水量影响因子样本集合进行分级聚类，得到多个类别的子集，将所述多个类别的子集划分为多个训练集和多个测试集；
第二获取模块，用于针对多个训练集中的每个训练集，根据所述训练集中的每个样本，对所述BP神经网络模型进行训练，得到所述训练集中的每个样本对应的需水量预测区间；
优化后的神经网络模型确定模块，用于根据所述训练集中的每个样本对应的需水量预测区间以及所述训练集中的每个样本对应的需水量样本，通过蚁群算法对BP神经网络模型进行优化，得到优化后的神经网络模型；
神经网络预测模型确定模块，用于针对多个测试集中的每个测试集，根据所述测试集中的每个样本，对优化后的神经网络模型进行测试，确定神经网络预测模型。
7.根据权利要求6所述的装置，其特征在于，所述分级聚类模块，具体用于：
将所述需水量影响因子样本集合中的每个样本作为聚类自变量，将所述需水量样本集合中的每个样本作为聚类因变量，根据所述聚类自变量和所述聚类因变量，得到需水量影响因子和需水量之间关系的矩阵，所述矩阵中含有多组样本；
根据方差齐性检验，对所述矩阵中的一组样本进行分割，得到不同类的样本；
针对所述不同类的样本，将符合方差齐性检验标准的不同样本合并成一种类别，得到多个类别的子集，类别和子集一一对应。
8.根据权利要求6所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于在所述得到所述多个用户中每个用户在预测时间段内对所述预设流域水资源的水资源可配置量之前，获取多个水量约束条件，所述多个水量约束条件中的每个水量约束条件是对每个用户在预测时间段内对所述预设流域水资源的水资源可配置量的约束；
第一模型确定模块，用于根据所述多个水量约束条件和所述两阶段随机规划模型，得到所述预设流域水资源的两阶段随机规划模型；
模糊约束条件确定模块，用于根据所述模糊可信度，通过所述多个水量约束条件，确定模糊约束条件；
第二模型确定模块，用于根据所述模糊约束条件以及所述预设流域水资源的两阶段随机规划模型，得到区间两阶段模糊随机规划模型；
水资源优化配置模型确定模块，用于将决策变量融合到所述区间两阶段模糊随机规划模型中，得到所述水资源优化配置模型。
9.一种水资源优化配置设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至4任一项所述的水资源优化配置方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1至4任一项所述的水资源优化配置方法。
CN201910547449.2A 2019-06-24 2019-06-24 水资源优化配置方法、装置、设备及存储介质 Pending CN110276700A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910547449.2A CN110276700A (zh) 2019-06-24 2019-06-24 水资源优化配置方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910547449.2A CN110276700A (zh) 2019-06-24 2019-06-24 水资源优化配置方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN110276700A true CN110276700A (zh) 2019-09-24

Family

ID=67961632

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910547449.2A Pending CN110276700A (zh) 2019-06-24 2019-06-24 水资源优化配置方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN110276700A (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647630A (zh) * 2019-09-30 2020-01-03 浙江执御信息技术有限公司 检测同款商品的方法及装置
CN110837936A (zh) * 2019-11-12 2020-02-25 哈尔滨学院 基于蚁群算法的小区可调整类负荷用电优化方法
CN111325388A (zh) * 2020-02-17 2020-06-23 北京师范大学 一种不确定条件下降低能耗的水资源优化配置方法
CN112465206A (zh) * 2020-11-20 2021-03-09 广东工业大学 一种水资源优化配置及优化结果评价反馈方法
CN113688542A (zh) * 2021-10-26 2021-11-23 长江水利委员会长江科学院 智能优化水资源配置方法、装置、计算机设备及存储介质
WO2021258635A1 (zh) * 2020-06-24 2021-12-30 山东建筑大学 基于用水规律的用户画像方法与系统
CN113919659A (zh) * 2021-09-22 2022-01-11 广东工业大学 基于神经网络模型的资源管配方法、装置以及设备
WO2022012093A1 (zh) * 2020-07-13 2022-01-20 浙江大学 一种基于"分区-分级"理论的复杂水资源系统优化配置方法
CN114066061A (zh) * 2021-11-17 2022-02-18 广东工业大学 基于神经网络模型的资源优化配置方法、装置以及设备
CN114117828A (zh) * 2022-01-24 2022-03-01 中国水利水电科学研究院 一种基于配置矩阵的可调节水资源配置方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140056645A1 (en) * 2010-07-28 2014-02-27 Richard C. Hogan Flood Control Method
US20140272636A1 (en) * 2013-03-14 2014-09-18 Combined Energies LLC Hybrid Autothermal Steam Reformer for Fuel Cell Systems
CN105297827A (zh) * 2015-10-16 2016-02-03 贵州省水利水电勘测设计研究院 一种考虑多用户需水和多水源供水的水资源配置方法
CN107886160A (zh) * 2017-10-25 2018-04-06 河北工程大学 一种bp神经网络区间需水预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140056645A1 (en) * 2010-07-28 2014-02-27 Richard C. Hogan Flood Control Method
US20140272636A1 (en) * 2013-03-14 2014-09-18 Combined Energies LLC Hybrid Autothermal Steam Reformer for Fuel Cell Systems
CN105297827A (zh) * 2015-10-16 2016-02-03 贵州省水利水电勘测设计研究院 一种考虑多用户需水和多水源供水的水资源配置方法
CN107886160A (zh) * 2017-10-25 2018-04-06 河北工程大学 一种bp神经网络区间需水预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李晨洋等: ""基于区间两阶段模糊随机模型的灌区多水源优化配置"", 《农业工程学报》 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110647630A (zh) * 2019-09-30 2020-01-03 浙江执御信息技术有限公司 检测同款商品的方法及装置
CN110837936A (zh) * 2019-11-12 2020-02-25 哈尔滨学院 基于蚁群算法的小区可调整类负荷用电优化方法
CN111325388A (zh) * 2020-02-17 2020-06-23 北京师范大学 一种不确定条件下降低能耗的水资源优化配置方法
CN111325388B (zh) * 2020-02-17 2022-07-12 北京师范大学 一种不确定条件下降低能耗的水资源优化配置方法
WO2021258635A1 (zh) * 2020-06-24 2021-12-30 山东建筑大学 基于用水规律的用户画像方法与系统
WO2022012093A1 (zh) * 2020-07-13 2022-01-20 浙江大学 一种基于"分区-分级"理论的复杂水资源系统优化配置方法
CN112465206A (zh) * 2020-11-20 2021-03-09 广东工业大学 一种水资源优化配置及优化结果评价反馈方法
CN113919659A (zh) * 2021-09-22 2022-01-11 广东工业大学 基于神经网络模型的资源管配方法、装置以及设备
CN113688542A (zh) * 2021-10-26 2021-11-23 长江水利委员会长江科学院 智能优化水资源配置方法、装置、计算机设备及存储介质
CN114066061A (zh) * 2021-11-17 2022-02-18 广东工业大学 基于神经网络模型的资源优化配置方法、装置以及设备
CN114117828A (zh) * 2022-01-24 2022-03-01 中国水利水电科学研究院 一种基于配置矩阵的可调节水资源配置方法及系统

Similar Documents

Publication Publication Date Title
CN110276700A (zh) 水资源优化配置方法、装置、设备及存储介质
Yang et al. Hotel location evaluation: A combination of machine learning tools and web GIS
Darbandsari et al. An Agent-based behavioral simulation model for residential water demand management: The case-study of Tehran, Iran
Setegn et al. Spatial delineation of soil erosion vulnerability in the Lake Tana Basin, Ethiopia
Lin et al. Predictive ability of logistic regression, auto-logistic regression and neural network models in empirical land-use change modeling–a case study
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及系统
Villarin et al. Machine learning for modeling water demand
Shrestha et al. Data‐driven approaches for estimating uncertainty in rainfall‐runoff modelling
CN109214863B (zh) 一种基于快递数据预测城市房屋需求的方法
CN115049159B (zh) 人口分布预测方法和装置、存储介质及电子设备
CN107292484A (zh) 基于城市空间大数据的城市再开发土地识别方法及系统
CN107506433A (zh) 城市发展空间格局情景模拟系统
CN109271465A (zh) 一种基于云计算的水文数据分析及展示方法
Sohrabi et al. A framework for optimal water allocation considering water value, strategic management and conflict resolution
CN116437291A (zh) 一种基于手机信令的文化圈规划方法和系统
CN108921425A (zh) 一种资产项目投资分类的方法、系统及服务器
CN115668265A (zh) 为操纵和调整承保标的的风险驱动组合提供前瞻和后顾度量的风险转移配置器和模拟引擎及其方法
Hung et al. Investigating uncertainties in human adaptation and their impacts on water scarcity in the Colorado river Basin, United States
Honar et al. Selecting the right crops for cropping pattern optimization based on social choice and fallback bargaining methods considering stakeholders’ views
CN114529154A (zh) 人口规模预测指标体系的构建方法、预测方法、装置及系统
Ikram et al. The application of multi-attribute decision making methods in integrated watershed management
Swietek et al. Visual Capital: Evaluating building-level visual landscape quality at scale
CN109544410A (zh) 小区房源价值参数估计方法以及装置
Moudi et al. SWAT based Bi-objective framework for improving the degree of consumer satisfaction in urban water allocation system under streamflow uncertainty
Schwaab et al. The difficulty of steering settlement development to reduce the loss of ecosystem services: an exploration of different development scenarios in Switzerland using spatially explicit land-use models

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20190924