CN110288209A - 水资源配置方法、装置、电子设备及存储介质 - Google Patents
水资源配置方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN110288209A CN110288209A CN201910500639.9A CN201910500639A CN110288209A CN 110288209 A CN110288209 A CN 110288209A CN 201910500639 A CN201910500639 A CN 201910500639A CN 110288209 A CN110288209 A CN 110288209A
- Authority
- CN
- China
- Prior art keywords
- water
- utilized
- user
- goal programming
- volume
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 515
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000003860 storage Methods 0.000 title claims abstract description 15
- 238000013468 resource allocation Methods 0.000 claims abstract description 53
- 230000008901 benefit Effects 0.000 claims description 37
- 238000001556 precipitation Methods 0.000 claims description 17
- 238000001704 evaporation Methods 0.000 claims description 12
- 230000008020 evaporation Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 10
- 239000008235 industrial water Substances 0.000 claims description 10
- 241000209094 Oryza Species 0.000 claims description 8
- 235000007164 Oryza sativa Nutrition 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 235000009566 rice Nutrition 0.000 claims description 8
- 230000007704 transition Effects 0.000 claims description 8
- 244000025254 Cannabis sativa Species 0.000 claims description 4
- 239000003673 groundwater Substances 0.000 claims description 3
- 238000010168 coupling process Methods 0.000 abstract description 6
- 238000005859 coupling reaction Methods 0.000 abstract description 6
- 230000008878 coupling Effects 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 14
- 230000006870 function Effects 0.000 description 12
- 238000011161 development Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000009434 installation Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001394 metastastic effect Effects 0.000 description 2
- 206010061289 metastatic neoplasm Diseases 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 244000131316 Panax pseudoginseng Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000452 restraining effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
- G06Q10/0631—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)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种水资源配置方法、装置、电子设备及存储介质，通过采用无偏灰色‑马尔可夫模型及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量；获取一个或多个目标规划时期分别对应的预期植被生态需水量及其他需水用户分别对应的预期需水量；根据水资源配置模型、预期可用水量、预期植被生态需水量及预期需水量，获取水资源配置结果。通过将无偏灰色模型与马尔可夫预测模型进行耦合，提高可用水量的预测精度；通过社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件及非负约束条件，在满足植被生态需水的基础上，实现社会经济效益最大化，使水资源配置更加合理、高效。
Description
技术领域
本发明涉及生态资源管理技术领域，尤其涉及一种水资源配置方法、装置、电子设备及存储介质。
背景技术
在全球气候变化、大规模经济开发以及人口快速增长的三重作用下，水资源短缺状况、水资源供需矛盾问题日益严重，因此，对水资源进行规划和管理，以实现在保护生态环境和节约水资源的前提下，进行经济社会可持续发展，具有重大意义。然而，由于水资源系统的输入、输出特性以及其内部结构特性，导致水资源系统是一个十分复杂的不确定性系统，其不确定性主要体现在随机性、模糊性、灰色性等。
因此，如何在充分考虑水资源系统及社会经济发展过程中的不确定性因素的基础上，实现水资源的合理高效配置，是目前亟待解决的技术问题。
发明内容
本发明提供一种水资源配置方法、装置、电子设备及存储介质，以实现水资源的合理高效配置。
第一方面，本发明提供一种水资源配置方法，所述方法包括：
采用无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量；
获取所述一个或多个目标规划时期分别对应的预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，其中，所述其他需水用户包括工业需水用户、农业需水用户以及生活需水用户；
根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果，其中，所述水资源配置模型至少满足以下约束条件：社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件以及非负约束条件。
可选地，所述采用无偏灰色-马尔可夫模型以及多个历史统计周期内所述预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量，包括：
采用无偏灰色GM(1,1)模型，根据所述多个历史统计周期内所述预设区域的可用水量，获得在所述多个历史统计周期分别对应的预期可用水量；
根据每个历史统计周期内所述预设区域的可用水量以及预期可用水量，获取误差序列；
采用黄金分割率法对所述误差序列进行状态划分，确定可用水量状态集合；
采用马尔可夫模型，并根据所述可用水量状态集合，确定可用水量状态转移概率矩阵；
根据所述可用水量状态转移概率矩阵，获取一个或多个目标规划时期分别对应的预期可用水量。
可选地，所述采用黄金分割率法对所述误差序列进行划分，确定可用水量状态集合之前，还包括：
对所述误差序列进行归一化处理；
相应地，所述采用黄金分割率法对所述误差序列进行划分，确定可用水量状态集合，包括：
采用黄金分割率法对进行归一化处理后的误差序列进行划分，获取所述可用水量状态集合。
可选地，
所述获取一个或多个目标规划时期分别对应的预期植被生态需水量，包括：
根据公式分别获取所述一个或多个目标规划时期对应的预期植被生态需水量；
其中，E表示蒸发强度，
t表示第t个目标规划时期，t为大于或等于1的正整数；
K表示植被系数，K＝1+2.0317e-0.5072H；
WVt表示第t个目标规划时期的预期植被生态需水量；
H表示地下水埋深，单位为米(m)；
Hmax表示地下水蒸发极限埋深，单位为米(m)；
EΦ20为常规气象蒸发皿蒸发值；
a为第一经验系数；b为第二经验系数；
Stj表示第t个目标规划时期，第j类型植被面积。
所述根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置规划结果，包括：
采用三角模糊数，根据所述其他需水用户分别对应的预期需水量以及物价标准，获取所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间，其中，所述预期社会经济效益包括净效益以及惩罚效益；
根据所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间以及所述水资源配置模型，获取水资源配置结果，所述水资源配置结果包括所述多个预设隶属度分别对应的水资源配置策略。
所述水资源配置模型为多阶段水资源配置模型，所述水资源配置模型通过公式表示为：
所述水资源配置模型满足的可用水量约束条件表示为：
所述水资源配置模型满足的最小目标水量约束条件表示为：
所述水资源配置模型满足的非负约束条件表示为：
Wit≥0 Ditk≥0；
其中，f表示规划周期内的社会经济效益；
I表示预设区域内需水用户总数，i表示第i个需水用户；
Kt表示根据T个目标规划时期的降水丰平枯等级以及I种不同类型需水用户生成的情境总数，T为大于1的整数，t表示第t个目标规划时期；
Bit表示第t个目标规划时期第i个需水用户配水的净效益；
Wit表示第t个目标规划时期第i个需水用户的目标水量；
Cit表示第t个目标规划时期第i个需水用户的目标水量没有被满足时产生的惩罚效益；
Dit表示第t个目标规划时期，第k情境下，第i个需水用户的目标水量没有被满足时缺少的水量；
ptk表示第t个目标规划时期，第k情境出现的概率。
可选地，所述采用三角模糊数，根据所述其他需水用户分别对应的预期需水量以及物价标准，获取所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间之前，还包括：
获取所述其他需水用户在所述一个或多个目标规划时期内分别对应的目标水量。
第二方面，本发明提供一种水资源配置装置，该装置包括：
第一获取模块，用于采用无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量；
第二获取模块，用于获取所述一个或多个目标规划时期分别对应的预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，其中，所述其他需水用户包括工业需水用户、农业需水用户以及生活需水用户；
配置模块，用于根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果，其中，所述水资源配置模型至少满足以下约束条件：社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件以及非负约束条件。
第三方面，本发明提供一种电子设备，包括：存储器、处理器以及计算机程序指令；
所述存储器存储所述计算机程序指令；
所述处理器执行所述计算机程序指令，以执行第一方面所述的方法。
第四方面，本发明提供一种存储介质，包括：程序；
所述程序在被处理器执行时，以执行第一方面所述的方法。
本发明提供一种水资源配置方法、装置、电子设备及存储介质，通过采用无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量；获取所述一个或多个目标规划时期分别对应的预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量；进一步，根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果。本发明通过耦合无偏灰色模型和马尔可夫模型，利用无偏灰色模型获取数据序列的发展变化趋势，利用马尔可夫模型预测状态的转移规律，从而提高可用水量的预测精度；进一步，在进行水资源配置时，充分考虑水资源系统的不确定性以及随机性，通过设置社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件、非负约束条件等，使得水资源配置结果在满足植被生态需水的基础上，实现社会经济效益最大化，使水资源配置更加合理、高效。
附图说明
为了更清楚地说明本发明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做一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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1A为本发明提供的水资源配置方法实施例一的流程示意图；
图1B为本发明提供的三时期四阶段情境树的结构示意图；
图2为本发明提供的水资源配置方法实施例二的流程示意图；
图3为三角隶属度函数示意图；
图4为本发明提供的水资源配置装置实施例一的结构示意图；
图5为本发明提供的水资源配置装置实施例二的结构示意图；
图6为本发明提供的电子设备实施例一的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
由于水资源需求的增加和水资源的缺乏，对水资源进行科学、合理、高效的管理配置十分重要。随着社会经济不断发展，目前，在进行水资源配置时，不仅需考虑生态环境保护，还需考虑经济社会的可持续发展，但是，由于水资源系统的输入、输出特性及其内部结构特性，导致水资源系统是一个十分复杂的不确定性系统，其不确定性主要体现在随机性(研究对象发生与否的不确定性，如天然来水量和流域)、模糊性(研究对象所呈现的类属和性态的界限的不确定性，例如社会经济数据的不确定性)、灰色性(研究对象信息量不充足而出现的不确定性，例如数据资料收集的不确定性)等。
由于水资源系统存在上述不确定性，因此，如何在充分考虑水资源系统及社会经济发展过程中的不确定性因素的基础上，实现水资源的合理高效配置，是目前亟待解决的技术问题。
针对上述问题，本发明实施例提供一种水资源配置方法，以实现水资源的合理高效配置。
图1A为本发明提供的水资源配置方法实施例一的流程图。本实施例提供的水资源配置方法的执行主体为本发明提供的水资源配置装置，该装置可以通过任意的软件和/或硬件的方式实现。
示例性地：该装置可以为终端设备、计算机系统、服务器等电子设备，其可与众多其它通用或专用计算系统环境或配置一起操作。适于与终端设备、计算机系统、服务器等电子设备一起使用的众所周知的终端设备、计算系统、环境和/或配置的例子包括但不限于：个人计算机系统，服务器计算机系统，手持或膝上设备，基于微处理器、CPU、GPU的系统，可编程消费电子产品，网络个人电脑，小型计算机系统，大型计算机系统和包括上述任何系统的分布式云计算技术环境，等等。
终端设备、计算机系统、服务器等电子设备可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常，程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等，它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施，分布式云计算环境中，任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中，程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
如图1A所示，本实施例的方法包括：
S101、采用无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量。
在介绍本实施例之前，为了使本发明实施例更加清楚，这里先对无偏灰色模型和马尔可夫模型进行简单介绍：
无偏灰色预测模型(也称为：无偏灰色GM(1,1)模型)：
无偏灰色GM(1,1)模型是在灰色预测模型的基础上进行改进，得到的一种预测模型。具体地，灰色预测模型(灰色GM(1,1)模型)的原理是：当预测数据列是一个变量时，灰色GM(1,1)模型将原始数据序列按照时间累积相加后得到新的时间序列数据，通过求解一阶线性微分方程可以无限逼近该新时间序列数据，在应用过程中所需信息量较少，计算方便快捷，精确度高。然而，灰色GM(1,1)模型是基于指数型曲线，不满足协调条件，因此，需要对灰色GM(1,1)模型进行改进，因此，一种无偏灰色预测模型(无偏灰色GM(1,1)模型)被提出，其在保留了灰色预测模型的核心理论前提下，通过优化灰导数白化值，建立的具有白指数律重合性的模型，在一定程度上提高了模型的预测精度，也间接扩大了模型的使用范围。
马尔可夫模型：
马尔可夫模型的基本原理是：基于马尔可夫链和事件的现状，预测将来各时期的变化情况。在随机过程中，具有“无效后性”的性质，即在随机过程中t时刻所处的状态仅与t0时刻的状态有关，而与t0时刻前的状态无关，这个性质称为无效后性，也称为马尔可夫性，具有此性质的过程称为马尔可夫过程。时间和状态都离散的马尔可夫过程称为马尔可夫链。
虽然，无偏灰色GM(1,1)模型操作简单，对指数增长型序列的预测精度较高，但当数据波动性较大时，它的拟合精度会大大降低，而马尔可夫模型的研究对象通常具有随机变化的特征，它的主要依据是状态间的转移概率，反映的是各随机因素的影响程度，对随机波动性较大的数据兼容性更高，能够较好地客服无偏灰色GM(1,1)模型的缺点。因此，本发明将无偏灰色GM(1,1)模型和马尔可夫模型进行融合，以实现准确地预测未来一个或多个目标规划时期的预期可用水量。
本步骤中，由于多个历史统计周期以及在该多个历史统计周期内预设区域的可用水量均为离散数据，且一个或多个目标规划时期内预设区域的可用水量之间满足无后效性的性质，为了能够准确预测一个或多个目标规划时期内预设区域的预期可用水量，因此，将无偏灰色模型与马尔可夫模型进行融合，采用融合后的无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，预测一个或多个目标规划时期内预设区域的预期可用水量。
一种可能的实现方式，通过无偏灰色GM(1,1)模型确定初始预测值，进一步，采用马尔可夫模型对无偏灰色模型得到的初始预测值进行修正，以得到一个或多个目标规划周期内预设区域的预期可用水量。
具体包括以下步骤：
步骤一：采用无偏灰色GM(1,1)模型，根据多个历史统计周期内预设区域的可用水量，获得该多个历史统计周期分别对应的预期可用水量。具体地，获取多个历史统计周期内预设区域的可用水量数据，上述可用水量数据称为初始时间序列数据，接着对初始时间序列数据进行一次累加，得到一组新的时间序列数据，接着，对新的时间序列数据建立一阶线性微分方程，根据一阶线性微分方程求得上述初始时间序列数据的拟合曲线，根据该拟合曲线可获得多个历史统计周期分别对应的预期可用水量。
步骤二：根据多个历史统计周期内预设区域的可用水量以及预期可用水量，获取误差序列。
步骤三：对误差序列进行划分，得到可用水量状态集合。
步骤四：采用马尔可夫模型，并根据上述可用水量状态集合，确定可用水量状态转移概率矩阵，需要说明的是，可根据目标规划时期与多个历史统计周期之间的时间长度，确定进行状态转移时所需的步数。
步骤五：根据可用水量状态转移概率矩阵以及进行状态转移时所需的步数，获取一个或多个目标规划时期分别对应的预期可用水量。
另一种可能的实现方式，在第一种实现方式的基础上，在步骤三：对误差序列进行划分，得到降水状态集合之前，对误差序列进行归一化处理，相应地，则根据归一化处理后的误差徐磊进行划分，得到可用水量状态集合。由于分级指标均为正值，为了能够简化数据，因此，对误差序列进行归一化处理使得误差序列中各个元素的取值均在0到1之间。
可选地，采用黄金分割率法对误差序列或归一化处理后的误差序列进行划分，获得可用水量状态集合。采用黄金分割率法对误差序列进行划分，能够得到比例性、和谐性更加理想的可用水量状态集合。
S102、获取一个或多个目标规划时期分别对应的预期植被生态需水量以及预设区域内其他需水用户分别对应的预期需水量。
其中，所述其他需水用户包括工业需水用户、农业需水用户以及生活需水用户。这里需要说明的是，植被生态可以看作是需水用户中的其中一种，且植被在生长过程中，需要进行灌溉，这是影响水资源配置的一大重要因素，因此，需要预估预设区域内在一个或多个目标规划时期分别对应的预期植被生态需水量。
一种可能的实现方式：通过具有代表性的潜水蒸发量的经验与半经验的阿维里扬诺夫公式，获取一个或多个目标规划时期分别对应的预期植被生态需水量。
具体地，针对所述预设区域，根据公式分别获取一个或多个目标规划时期对应的预期植被生态需水量。其中，E表示蒸发强度，t表示第t个目标规划时期，t为大于或等于1的正整数；K表示植被系数，K＝1+2.0317e-0.5072H；WVt表示第t个目标规划时期的预期植被生态需水量；H表示地下水埋深，单位为米(m)；Hmax表示地下水蒸发极限埋深，单位为米(m)；EΦ20为常规气象蒸发皿蒸发值；a为第一经验系数；b为第二经验系数；Stj表示第t个目标规划时期，第j类型植被面积。将每个目标规划时期，上述各个参数对应的数值代入公式中，即可获得该目标规划时期对应的预期植被生态需水量。其中，上述公式中Stj可根据所述预设区域的发展规划中针对植被生态的发展规划确定，也可采用类似确定预期可用水量的方式，确定植被的面积，本发明实施例对确定Stj的具体实现方式不作限定。
S103、根据水资源配置模型、一个或多个目标规划时期分别对应的预期可用水量、预期植被生态需水量以及预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果。
本步骤中，水资源配置模型为多阶段水资源配置模型，该水资源配置模型至少满足以下约束条件：社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件、以及非负约束条件。
其中，社会经济效益最大化约束条件表示：针对一个或多个目标规划时期，在满足植被生态需水的基本条件下，保证社会经济效益最大化。可用水量约束条件表示：针对一个或多个目标规划时期，可配置的水资源的总量小于或等于预期可用水量。最小目标水量约束条件表示：针对各个类型需水用户在一个或多个目标规划时期，目标水量大于或等于需水用户最低应配水量，且目标供水量小于或等于需水用户最大应配水量。非负约束条件表示：针对一个或多个目标规划时期，需水用户的目标水量大于或等于0；以及，针对一个或多个目标规划时期，需水用户的目标水量没有被满足时缺少的水量大于或等于0。这里的目标水量可通过历史数据确定。
通过采用满足上述约束条件的水资源配置模型，以及根据一个或多个目标规划时期对应的预期可用水量、预期植被生态需水量以及其他需水用户分别对应的预期需水量，获取在满足植被生态需水的基础下，且能够实现社会经济效益最大化的水资源配置结果。
具体地，本实施例中，水资源配置模型可通过公式(1)表示为：
水资源配置模型满足的可用水量约束条件通过公式(2)表示为：
水资源配置模型满足的最小目标水量约束条件通过公式(3)表示为：
水资源配置模型满足的非负约束条件通过公式(4)表示为：
Wit≥0 Ditk≥0 公式(4)
其中，f表示规划周期内的社会经济效益；I表示预设区域内需水用户总数，i表示第i个需水用户；Kt表示根据T个目标规划时期的降水丰平枯等级以及I种不同类型需水用户生成的情境总数，T为大于1的整数，t表示第t个目标规划时期；Bit表示第t个目标规划时期第i个需水用户配水的净效益；Wit表示第t个目标规划时期第i个需水用户的目标水量；Cit表示第t个目标规划时期第i个需水用户的目标水量没有被满足时产生的惩罚效益；Dit表示第t个目标规划时期，第k情境下，第i个需水用户的目标水量没有被满足时缺少的水量；ptk表示第t个目标规划时期，第k情境出现的概率。
接下来，对多阶段水资源配置模型对应的多阶段情景树进行详细介绍，以使上述公式中描述的关于第k情境的相关概念更加清楚：
以三个目标规划时期以及每个目标规划时期均有3个需水用户为例，其所对应的情境树为三时期四阶段情境树，如图1B所示。需要说明的是，在图1B中，“L”表示降水丰平枯等级为低，“M”表示降水丰平枯等级为中，“H”表示降水丰平枯等级为高。
在图1B所示的情境树中，第一阶段包括1个节点，该节点表示预期可用水量，该预期可用水量为第一目标规划时期的预期可用水量。第二阶段包括九个节点，由于第一阶段的预期可用水量可能为“L”，也可能为“M”，或者，还可能为“H”，因此，在预期可用水量为三种不同的降水丰平枯等级下分别对应3个需水用用户，因此，第二阶段包括9个节点。第三阶段包括27个节点，由于在第二目标规划时期的预期降水量同样可能为“L”、“M”、“H”三种不同的降水丰平枯等级，在第二阶段的9个节点的基础上，针对每个节点第二目标规划时期的预期可用水量为三种不同的降水丰平枯等级，且每个降水丰平枯等级下对应3个需水用用户，因此，第三阶段包括27个节点。第四阶段包括81个节点，由于在第三目标规划时期的预期降水量同样可能为“L”、“M”、“H”三种不同的降水丰平枯等级，在第三阶段的27个节点的基础上，针对每个节点，第三目标规划时期的预期可用水量为三种不同的降水丰平枯等级，且每个降水丰平枯等级下对应3个需水用用户，因此，第四阶段包括81个节点。从而形成1-9-27-81的三时期四阶段情境树，在上述情境树中，第一目标规划时期包含三种情境，即L、M、H；第二目标规划时期包含9种情境，即LL、LM、LH、ML、MM、MH、HL、HM、HH；第三目标规划时期包括27种情境，即LLL、LLM、LLH、LML、LMM、LMH、LHL、LHM、LHH、MLL、MLM、MLH、MML、MMM、MMH、MHL、MHM、MHH、HLL、HLM、HLH、HML、HMM、HMH、HHL、HHM、HHH。上述每一种情境均对应一个出现概率。
在实际应用中，还可针对上述水资源配置模型设置其他约束条件，例如：水库容量约束条件、灌溉水量约束条件等，以实现进行更加精准的水资源配置。
本施例中，通过采用无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量；获取一个或多个目标规划时期分别对应的预期植被生态需水量以及预设区域内其他需水用户分别对应的预期需水量；进一步，根据水资源配置模型、一个或多个目标规划时期分别对应的预期可用水量、预期植被生态需水量以及预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果。本实施例通过耦合无偏灰色模型和马尔可夫模型，利用无偏灰色模型获取数据序列的发展变化趋势，利用马尔可夫模型预测状态的转移规律，从而提高可用水量的预测精度；进一步，在进行水资源配置时，充分考虑水资源系统的不确定性以及随机性，通过设置社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件、非负约束条件等，使得水资源配置结果在满足植被生态需水的基础上，实现社会经济效益最大化，使水资源配置更加合理、高效。
图2为本发明提供的水资源配置方法实施例二的流程示意图。在图1所示实施例的基础上，步骤S103、根据水资源配置模型、一个或多个目标规划时期分别对应的预期可用水量、预期植被生态需水量以及预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果，可通过本实施例中的方式实现：
如图2所示，本实施例的方法包括：
S201、采用三角模糊数，根据其他需水用户分别对应的预期需水量以及物价标准，获取其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间。
由于在每个目标规划时期的可用水量存在不确定性，如果满足需水用户对应的目标水量，则会给当地经济带来收益，该收益即表示净效益；如果不满足需水用户对应的目标水量，则需要外调水源来补充可用水量或者通过减少生产用水的方式维持供需平衡，若外调水源，则需要支付额外的附加费用，若减少生产用水则意味着要缩减生产，也会给当地社会经济效益带来不利影响，该附加费用或者由于缩减生产所减少的经济效益即为惩罚效益。
采用图1所示实施例中公式(1)表示的水资源配置模型，由于在实际应用中，可能很难为需水用户对应的净效益Bit、以及惩罚效益Cit提供准确的数据，因此，需水用户对应的净效益Bit、以及惩罚效益Cit可用三角模糊数表示，其中，三角模糊数包含三个元素，分别为：最小可能值、最可信值以及最大可能值。且每个预设隶属度下需水用户对应的经济效益Bit、以及惩罚效益Cit均可以表示为一个模糊集区间。
其中，图3为三角模糊隶属函数示意图，参照图3B所示，横轴C表示模糊数，纵轴α表示隶属度，在横轴中，CL为最小可能值，CM为最可信值，CH为最大可能值，根据模糊数与隶属度的对应关系，可确定在不同预设隶属度下的模糊集区间。
S202、根据所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间以及所述水资源配置模型，获取水资源配置结果。
具体地，将上述每个需水用户对应的经济效益Bit、以及惩罚效益Cit在多个不同预设隶属度下分别对应的模糊集区间分别引入水资源配置模型中，得到改进后的水资源配置模型，改进后的水资源配置模型可表示为：
进一步，根据改进后的水资源配置模型，求解每个预设隶属度分别对应的水资源配置策略，从而得到水资源配置结果。由于水资源配置结果中包含了多种不同情境、以及多个不同预设隶属度下的水资源配置策略，为决策者进行实时纠正提供科学依据，从而在保证生态环境的基础上，能够获取社会经济效益最大化。
本实施例中，首先，采用三角模糊数，根据所述其他需水用户分别对应的预期需水量以及物价标准，获取所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间，接着，根据每个需水用户对应的经济效益、惩罚效益在多个预设隶属度下分别对应的模糊集区间以及水资源配置模型，获取多个不同预设隶属度分别对应的水资源配置结果。本实施例通过采用模糊数学规划方法，将水资源配置过程中的不确定因素在水资源配置模型中体现出来，从而得到多种优化解，为决策者进行实时纠正提供科学依据，从而在保证生态环境的基础上，能够获取社会经济效益最大化。
可选地，在图2所示实施例的基础上，步骤S201、采用三角模糊数，根据其他需水用户分别对应的预期需水量以及物价标准，获取其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间之前，还包括步骤S203(图3中未示出)：
步骤S203、获取所述其他需水用户在所述一个或多个目标规划时期内分别对应的目标水量。
需要说明的是，目标水量满足机会规划约束条件，该机会约束规划条件即图1所示实施例中的最小目标水量约束条件。
在实际规划中，可根据水文特征预先确定各个需水用户对应的目标水量，该目标水量即一个或多个目标规划时期中，每个目标规划时期需水用户对应的目标配水量。由于在每个目标规划时期的预期可用水量存在不确定性，如果满足需水用户对应的目标水量，则会给当地经济带来收益，如果不满足需水用户对应的目标水量，则需要外调水源来补充可用水量或者通过减少生产用水的方式维持供需平衡，若外调水源，则需要支付额外的附加费用，若减少生产用水则意味着要缩减生产，也会给当地经济效益带来不利影响。由于上述影响因素的不确定性，因此，通过机会规划约束条件来解决。在机会规划约束条件下，针对每个目标规划时期，允许需水用户对应的目标水量在一定程度上不被满足，该需水用户对应的目标水量不被满足的概率小于预设置信水平。
进一步，在该机会规划约束条件下采用三角模糊数，获取每个需水用户对应的经济效益、惩罚效益在多个预设隶属度下分别对应的模糊集区间。通过采用机会规划约束条件，能够使得水资源配置结果更加精准。
图4为本发明提供的水资源配置装置实施例一的结构示意图。如图4所示，本实施例的装置40包括：第一获取模块41、第二获取模块42以及配置模块43。
其中，第一获取模块41，用于采用无偏灰色-马尔可夫模型以及多个历史统计周期内所述预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量。
第二获取模块42，用于获取所述一个或多个目标规划时期分别对应的预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，其中，所述其他需水用户包括工业需水用户、农业需水用户以及生活需水用户。
配置模块43，用于根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果，其中，所述水资源配置模型至少满足以下约束条件：社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件以及非负约束条件。
本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
在图4所示实施例的基础上，可选地，第一获取模块41，具体用于通过以下方式获取一个或多个目标规划时期分别对应的预期可用水量：
采用无偏灰色GM(1,1)模型，根据所述多个历史统计周期内所述预设区域的可用水量，获得所述多个历史统计周期分别对应的预期可用水量；根据每个历史统计周期内所述预设区域的可用水量以及预期可用水量，获取误差序列；采用黄金分割率法对所述误差序列进行状态划分，确定可用水量状态集合；采用马尔可夫模型，并根据所述可用水量状态集合，确定可用水量状态转移概率矩阵；根据所述可用水量状态转移概率矩阵，获取一个或多个目标规划时期分别对应的预期可用水量。
在图4所示实施例的基础上，可选地，还包括：数据处理模块44，用于在采用黄金分割率法对误差序列进行划分，确定可用水量状态集合之前，对误差序列进行归一化处理。
相应地，第一获取模块41，采用黄金分割率法对归一化处理后的误差序列进行划分，获取可用水量状态集合。
在一些实施例中，第二获取模块42，根据公式分别获取所述一个或多个目标规划时期对应的预期植被生态需水量；其中，E表示蒸发强度，t表示第t个目标规划时期，t为大于或等于1的正整数；K表示植被系数，K＝1+2.0317e-0.5072H；WVt表示第t个目标规划时期的预期植被生态需水量；H表示地下水埋深，单位为米(m)；Hmax表示地下水蒸发极限埋深，单位为米(m)；EΦ20为常规气象蒸发皿蒸发值；a为第一经验系数；b为第二经验系数；Stj表示第t个目标规划时期，第j类型植被面积。
可选地，在图4所示实施例的基础上，所述水资源配置模型为多阶段水资源配置模型，所述水资源配置模型通过公式表示为：
所述水资源配置模型满足的可用水量约束条件表示为：
所述水资源配置模型满足的最小目标水量约束条件表示为：
所述水资源配置模型满足的非负约束条件表示为：
Wit≥0 Ditk≥0；
其中，f表示规划周期内的社会经济效益；I表示预设区域内需水用户总数，i表示第i个需水用户；Kt表示根据T个目标规划时期的降水丰平枯等级以及I种不同类型需水用户生成的情境总数，T为大于1的整数，t表示第t个目标规划时期；Bit表示第t个目标规划时期第i个需水用户配水的净效益；Wit表示第t个目标规划时期第i个需水用户的目标水量；Cit表示第t个目标规划时期第i个需水用户的目标水量没有被满足时产生的惩罚效益；Dit表示第t个目标规划时期，第k情境下，第i个需水用户的目标水量没有被满足时缺少的水量；ptk表示第t个目标规划时期，第k情境出现的概率。
图5为本发明提供的水资源配置装置实施例二的结构示意图。如图5所示，本实施例的装置50在图4所示装置结构的基础上，配置模块43包括：模糊处理子模块431和配置子模块432。
其中，模糊处理子模块431，用于采用三角模糊数，根据所述其他需水用户分别对应的预期需水量以及物价标准，获取所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间，其中，所述预期社会经济效益包括净效益以及惩罚效益。
配置子模块432，用于根据所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间以及所述水资源配置模型，获取水资源配置结果，所述水资源配置结果包括所述多个预设隶属度分别对应的水资源配置策略。
本实施例的装置，可以用于执行图2所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
在图5所示实施例的基础上，可选地，还包括：第三获取模块45，用于获取所述其他需水用户在所述一个或多个目标规划时期内分别对应的目标水量。
图6为本发明提供的电子设备实施例一的结构示意图。如图6所示，本实施例提供的电子设备60包括：存储器61、处理器62以及计算机程序。
其中，计算机程序存储在存储器61中，并被配置为由处理器62执行以实现图1A或图2实施例所示的水资源配置方法。相关说明可以对应参见图1A、图2的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。
其中，本实施例中，存储器61和处理器62通过总线63连接。
本发明实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本发明图1A或图2实施例所示的水资源配置方法。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，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，例如多个模块或组件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。
作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理模块中，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模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
用于实施本发明的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。
尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。
Claims (10)
1.一种水资源配置方法，其特征在于，所述方法包括：
采用无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量；
获取所述一个或多个目标规划周期分别对应的预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，其中，所述其他需水用户包括工业需水用户、农业需水用户以及生活需水用户；
根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果，其中，所述水资源配置模型至少满足以下约束条件：社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件以及非负约束条件。
2.根据权利要求1所述的方法，其特征在于，所述采用无偏灰色-马尔可夫模型以及多个历史统计周期内所述预设区域的可用水量，获取一个或多个目标规划周期分别对应的预期可用水量，包括：
采用无偏灰色GM(1,1)模型，根据所述多个历史统计周期内所述预设区域的可用水量，获得在所述多个历史统计周期分别对应的预期可用水量；
根据每个历史统计周期内所述预设区域的可用水量以及预期可用水量，获取误差序列；
采用黄金分割率法对所述误差序列进行状态划分，确定可用水量状态集合；
采用马尔可夫模型，并根据所述可用水量状态集合，确定可用水量状态转移概率矩阵；
根据所述可用水量状态转移概率矩阵，获取一个或多个目标规划时期分别对应的预期可用水量。
3.根据权利要求2所述的方法，其特征在于，所述采用黄金分割率法对所述误差序列进行划分，确定可用水量状态集合之前，还包括：
对所述误差序列进行归一化处理；
相应地，所述采用黄金分割率法对所述误差序列进行划分，确定可用水量状态集合，包括：
采用黄金分割率法对进行归一化处理后的误差序列进行划分，获取所述可用水量状态集合。
4.根据权利要求1所述的方法，其特征在于，所述获取一个或多个目标规划时期分别对应的预期植被生态需水量，包括：
根据公式分别获取所述一个或多个目标规划时期对应的预期植被生态需水量；
其中，E表示蒸发强度，
t表示第t个目标规划时期，t为大于或等于1的正整数；
K表示植被系数，K＝1+2.0317e-0.5072H；
WVt表示第t个目标规划时期的预期植被生态需水量；
H表示地下水埋深，单位为米(m)；
Hmax表示地下水蒸发极限埋深，单位为米(m)；
EΦ20为常规气象蒸发皿蒸发值；
a为第一经验系数；b为第二经验系数；
Stj表示第t个目标规划时期，第j类型植被面积。
5.根据权利要求1所述的方法，其特征在于，所述根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置规划结果，包括：
采用三角模糊数，根据所述其他需水用户分别对应的预期需水量以及物价标准，获取所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间，其中，所述预期社会经济效益包括净效益以及惩罚效益；
根据所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间以及所述水资源配置模型，获取水资源配置结果，所述水资源配置结果包括所述多个预设隶属度分别对应的水资源配置策略。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述水资源配置模型为多阶段水资源配置模型，所述水资源配置模型通过公式表示为：
所述水资源配置模型满足的可用水量约束条件表示为：
所述水资源配置模型满足的最小目标水量约束条件表示为：
所述水资源配置模型满足的非负约束条件表示为：
Wit≥0 Ditk≥0；
其中，f表示规划周期内的社会经济效益；
I表示预设区域内需水用户总数，i表示第i个需水用户；
Kt表示根据T个目标规划时期的降水丰平枯等级以及I个需水用户生成的情境总数，T为大于1的整数，t表示第t个目标规划时期；
Bit表示第t个目标规划时期第i个需水用户配水的净效益；
Wit表示第t个目标规划时期第i个需水用户的目标水量；
Cit表示第t个目标规划时期第i个需水用户的目标水量没有被满足时产生的惩罚效益；
Dit表示第t个目标规划时期，第k情境下，第i个需水用户的目标水量没有被满足时缺少的水量；
ptk表示第t个目标规划时期，第k情境出现的概率。
7.根据权利要求5所述的方法，其特征在于，所述采用三角模糊数，根据所述其他需水用户分别对应的预期需水量以及物价标准，获取所述其他需水用户分别对应的预期社会经济效益在多个预设隶属度下分别对应的模糊集区间之前，还包括：
获取所述其他需水用户在所述一个或多个目标规划周期内分别对应的目标水量。
8.一种水资源配置装置，其特征在于，包括：
第一获取模块，用于采用无偏灰色-马尔可夫模型以及多个历史统计周期内预设区域的可用水量，获取一个或多个目标规划时期分别对应的预期可用水量；
第二获取模块，用于获取所述一个或多个目标规划时期分别对应的预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，其中，所述其他需水用户包括工业需水用户、农业需水用户以及生活需水用户；
配置模块，用于根据水资源配置模型、所述一个或多个目标规划时期分别对应的预期可用水量、所述预期植被生态需水量以及所述预设区域内其他需水用户分别对应的预期需水量，获取水资源配置结果，其中，所述水资源配置模型至少满足以下约束条件：社会经济效益最大化约束条件、可用水量约束条件、最小目标水量约束条件以及非负约束条件。
9.一种电子设备，其特征在于，所述电子设备包括：存储器、处理器以及计算机程序指令；
所述存储器存储所述计算机程序指令；
所述处理器执行所述计算机程序指令，以执行如权利要求1至7任一项所述的方法。
10.一种存储介质，其特征在于，包括：程序；
所述程序在被处理器执行时，以执行如权利要求1至7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910500639.9A CN110288209A (zh) | 2019-06-11 | 2019-06-11 | 水资源配置方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910500639.9A CN110288209A (zh) | 2019-06-11 | 2019-06-11 | 水资源配置方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110288209A true CN110288209A (zh) | 2019-09-27 |
Family
ID=68003706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910500639.9A Pending CN110288209A (zh) | 2019-06-11 | 2019-06-11 | 水资源配置方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110288209A (zh) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111241469A (zh) * | 2020-01-19 | 2020-06-05 | 华北电力大学 | 一种构造河流生态流量隶属度函数的方法 |
| 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 |
| CN111415192A (zh) * | 2020-02-27 | 2020-07-14 | 重庆森鑫炬科技有限公司 | 基于大数据的用户用水性质预测方法 |
| CN111466307A (zh) * | 2020-04-03 | 2020-07-31 | 上海明略人工智能(集团)有限公司 | 配置方法及装置、存储介质和电子装置 |
| CN111915065A (zh) * | 2020-07-15 | 2020-11-10 | 天津大学 | 一种河流枯水期多目标动态水资源优化配置系统及方法 |
| CN114117323A (zh) * | 2021-11-17 | 2022-03-01 | 广东工业大学 | 水资源系统优化配置方法、装置以及设备 |
| CN115640956A (zh) * | 2022-09-27 | 2023-01-24 | 中国长江三峡集团有限公司 | 一种未来水资源供需平衡分析方法 |
| CN116882780A (zh) * | 2023-07-05 | 2023-10-13 | 北京大学 | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657591A (zh) * | 2015-01-19 | 2015-05-27 | 华北电力大学 | 水资源配置方法和装置 |
| CN107808211A (zh) * | 2017-09-15 | 2018-03-16 | 周亚岐 | 一种区域水资源需求预测方法 |
| CN109472505A (zh) * | 2018-11-19 | 2019-03-15 | 四川大学 | 基于条件风险价值约束的多目标水资源均衡配置方法 |
-
2019
- 2019-06-11 CN CN201910500639.9A patent/CN110288209A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657591A (zh) * | 2015-01-19 | 2015-05-27 | 华北电力大学 | 水资源配置方法和装置 |
| CN107808211A (zh) * | 2017-09-15 | 2018-03-16 | 周亚岐 | 一种区域水资源需求预测方法 |
| CN109472505A (zh) * | 2018-11-19 | 2019-03-15 | 四川大学 | 基于条件风险价值约束的多目标水资源均衡配置方法 |
Non-Patent Citations (3)
| Title |
|---|
| CONGCONG LI等: "A multi-stage fuzzy stochastic programming method for water resources management with the consideration of ecological water demand", 《ELSEVIER》 * |
| 张成凤: "考虑不确定性的榆林市榆阳区水资源优化配置及配置系统和谐性研究", 《中国博士学位论文全文数据库·工程科技Ⅱ辑》 * |
| 王冰: "基于供需预测的区域水资源优化配置与产业结构调整研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111241469A (zh) * | 2020-01-19 | 2020-06-05 | 华北电力大学 | 一种构造河流生态流量隶属度函数的方法 |
| 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 |
| CN111415192A (zh) * | 2020-02-27 | 2020-07-14 | 重庆森鑫炬科技有限公司 | 基于大数据的用户用水性质预测方法 |
| CN111466307A (zh) * | 2020-04-03 | 2020-07-31 | 上海明略人工智能(集团)有限公司 | 配置方法及装置、存储介质和电子装置 |
| CN111915065A (zh) * | 2020-07-15 | 2020-11-10 | 天津大学 | 一种河流枯水期多目标动态水资源优化配置系统及方法 |
| CN114117323A (zh) * | 2021-11-17 | 2022-03-01 | 广东工业大学 | 水资源系统优化配置方法、装置以及设备 |
| CN114117323B (zh) * | 2021-11-17 | 2024-08-06 | 广东工业大学 | 水资源系统优化配置方法、装置以及设备 |
| CN115640956A (zh) * | 2022-09-27 | 2023-01-24 | 中国长江三峡集团有限公司 | 一种未来水资源供需平衡分析方法 |
| CN116882780A (zh) * | 2023-07-05 | 2023-10-13 | 北京大学 | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 |
| CN116882780B (zh) * | 2023-07-05 | 2024-04-05 | 北京大学 | 一种基于景观图片的乡村空间要素提取与地方性分类规划方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110288209A (zh) | 水资源配置方法、装置、电子设备及存储介质 | |
| Mala-Jetmarova et al. | Lost in optimisation of water distribution systems? A literature review of system design | |
| Rozos et al. | Source to tap urban water cycle modelling | |
| Giacomello et al. | Fast hybrid optimization method for effective pump scheduling | |
| Castelletti et al. | Tree‐based reinforcement learning for optimal water reservoir operation | |
| Koutsoyiannis et al. | A decision support system for the management of the water resource system of Athens | |
| Sengupta | A fuzzy systems approach in data envelopment analysis | |
| Salomons et al. | Practical real-time optimization for energy efficient water distribution systems operation | |
| CN101556464A (zh) | 基于关联规则的城市电力负荷预测模型自动推荐方法 | |
| CN103676645A (zh) | 一种时间序列数据流中的关联规则的挖掘方法 | |
| Nouiri | Multi-objective tool to optimize the water resources management using genetic algorithm and the Pareto optimality concept | |
| Sreekanth et al. | Optimal short-term reservoir operation with integrated long-term goals | |
| CN101763600A (zh) | 基于模型簇的土地利用供需预测方法 | |
| CN105631228A (zh) | 一种超级多模集成应用的水文预警预报系统和方法 | |
| Gunawan et al. | An extensible framework for short-term holiday load forecasting combining dynamic time warping and LSTM network | |
| WO2018225032A1 (en) | Predictive modelling and control for water resource infrastructure | |
| CN104636834B (zh) | 一种改进的联合概率规划模型系统优化方法 | |
| CN115271453B (zh) | 一种城市原水供水调配路径识别方法、系统及可存储介质 | |
| Sardar Shahraki et al. | An integrated Fuzzy multi-criteria decision-making method combined with the WEAP model for prioritizing agricultural development, case study: Hirmand Catchment | |
| CN109816142A (zh) | 一种水资源精确分配系统及分配方法 | |
| Mozafari et al. | Robust water supply chain network design under uncertainty in capacity | |
| Amirian et al. | A hybrid integer grey programming for an integrated problem of project selection and scheduling with interval data | |
| Watkins et al. | Robust optimization for incorporating risk and uncertainty in sustainable water resources planning | |
| Sengupta | Robust solutions in stochastic linear programming | |
| Neame et al. | Offer stack optimization in electricity pool markets |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190927 |