CN110334851B - 一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法 - Google Patents
一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法 Download PDFInfo
- Publication number
- CN110334851B CN110334851B CN201910478179.4A CN201910478179A CN110334851B CN 110334851 B CN110334851 B CN 110334851B CN 201910478179 A CN201910478179 A CN 201910478179A CN 110334851 B CN110334851 B CN 110334851B
- Authority
- CN
- China
- Prior art keywords
- flood
- diversion
- reservoir
- storage
- flow
- 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 60
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 241000027355 Ferocactus setispinus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000009137 wuling Substances 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Sewage (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法,包括以下步骤:S1、获取民垸可能分洪运用时的分洪流量、分洪时间以及淹没面积/分洪量样本;S2、基于所述样本训练人工神经网络模型,构造民垸分洪流量‑淹没面积/分洪量时空预测知识库;S3、建立考虑分蓄洪民垸运用的防洪优化调度模型;S4、基于所述时空预测知识库,对所述考虑分蓄洪混联水库群联合民垸运用的混联水库群联合防洪优化调度模型进行计算与分析,得到最优调度方案。本发明通过训练人工神经网络构造分洪流量‑淹没面积/分洪量时空预测知识库,并把它作为混联梯级水库联合防洪优化调度模型的一种边界条件,从而可以实时提取分洪信息,实现实时调度。
Description
技术领域
本发明属于水文学中水库防洪调度、蓄滞洪区分洪调度领域,更具体的,涉及一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法。
背景技术
洪水灾害是严重的自然灾害之一,防洪优化调度是一项非常重要的工作,好的防洪优化调度可以使流域水库群和分蓄洪民垸保持在最佳使用状态,从而最大化流域防洪效益,充分保障水库自身防洪安全,最大程度的减小了分蓄洪民垸分洪损失,保障流域联合防洪安全,故研究防洪优化调度方法具有非常重要的意义。
现有的防洪优化调度方法在进行水库、分蓄洪民垸联合防洪调度过程中,当涉及分洪调度问题时,往往是根据分蓄洪民垸静态特性曲线或者在假定典型洪水情形下运用二维水动力学模型演算来获取分洪要素。基于分蓄洪民垸静态特性曲线的方法计算精度较低,而基于二维水动力学模型的方法实时性较差,对于庞大的流域防洪调度体系,若直接将二维水动力学模型嵌入联合调度模型中进行洪水演进过程推算,虽可保证计算的精度,但计算时间代价极大,即使运用并行计算技术,由于调度模型的迭代寻优计算次数较多,现有的一般设备的计算性难以胜任,缺乏实时性。
综上所述,提供一种实时性强、精确度高、时间代价小的防洪优化调度方法是亟需解决的问题。
发明内容
针对现有技术的缺陷,本发明的目的在于一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法,旨在解决现有实时分洪调度方法实时性较差的问题。
为实现上述目的,本发明提供了一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法,包括以下步骤:
S1、在分蓄洪民垸实测地形资料的基础上,建立分蓄洪民垸平面二维水动力模型,得到一组考虑民垸可能分洪运用时的分洪流量、分洪时间以及淹没面积/分洪量样本;
S2、基于步骤S1所得的样本训练人工神经网络模型,获取分洪流量与淹没面积/分洪量在时间上的映射关系,构造分洪流量-淹没面积/分洪量时空预测知识库;
S3、建立考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型;
S4、基于步骤S2所得的时空预测知识库,对考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型进行计算与分析,得到最优调度方案。
优选地,在步骤S1中通过假设考虑民垸分洪运用时的不同分洪流量、分洪时间的分洪情形,利用二维浅水方程、采取混合网格剖分技术建立分蓄洪民垸平面二维水动力模型,计算得到不同分洪情形下的淹没面积/分洪量。
优选地,在洪水漫堤和演进过程中,由于洪水量级、超限水位、水流缓急程度不同,漫堤后洪水的流量大小和具有的动能不同,洪水演进过程中相同水量演进的包络线和淹没面积不同,因此,这类洪水演进问题具有非线性动力特性,即从时间尺度观察来看,调度的决策变量(如分洪流量)与决策目标(如淹没面积)也应呈非线性关系。在引入时间维度后,分蓄洪民垸平面二维洪水演进模型的计算边界受洪水动能的影响是动态的,故将其定义为动力边界。
优选地,分蓄洪民垸平面二维水动力模型如下:
优选地,步骤S2中构造流量-淹没面积/分洪量时空预测知识库的方法包括以下步骤:
S21、基于步骤S1所得的分洪流量、分洪时间以及淹没面积/分洪量样本,将分洪流量和分洪时间作为人工神经网络的输入,将对应的淹没面积/分洪量作为人工神经网络的输出,率定和优化神经网络结构与参数,获取分洪流量与淹没面积/分洪量在时间上的映射关系;
S22、预测在最大允许分洪流量范围内任意分洪流量情形下分蓄洪民垸相应的淹没面积/分洪量过程,形成分洪流量-淹没面积/分洪量全动力特性曲面;
S23、对各分蓄洪民垸的全动力特性曲面进行统一编码与整合,构造完整的时空预测知识库,将其作为联合优化调度的动力边界条件。
优选地,步骤S3中考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型如下:
其中,F为所述模型的目标函数,λi表示第i个防洪控制点的权重系数,表示第j个水库的下泄流量演算至第i个防洪控制断面的流量过程,表示第i个防洪控制点前支流入汇演算至防洪控制断面的流量过程。Ak(qk,Δtk)表示分蓄洪民垸淹没面积,qk为开闸泄洪流量,Δtk为开闸持续时间,α为目标控制系数,M为水库个个数,Li为第i个防洪控制点上游的支流数量,N为所需分蓄洪民垸的个数,N为大于等于1的整数,每一组λi、α、Ak(qk,Δtk)、N的值都代表一种调度决策。优选地,当不动用分蓄洪民垸时α取值为1,否则取值为0。
优选地,步骤S4中对考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型进行计算与分析的方法包括以下步骤:
S41、运用DP算法求解各水库的水位过程作为初始解;
S42、基于所述初始解,采用POA算法求解初始调度决策;
S43、将时段t初始化为1,基于当前所得调度决策,依次对各水库水位迭代寻优,获取各水库时段最优水库水位,每迭代一次,时段t就更新为t+1,直至t=T,进而获得新的调度决策;
S44、重复步骤S43进行迭代,计算相邻两次调度决策所对应的混联水库群联合防洪优化调度模型的目标函数值之差Δ,若Δ<ε,则停止迭代,得到水库水位、出库流量各项指标因素作为水库最优调度方案的指标,转至步骤S45;
S45、基于步骤S44所得水库最优调度方案,判断下游控制站是否存在超额洪量,若存在,则计算超额洪量,根据分蓄洪民垸蓄洪能力约束,推求所需分蓄洪民垸个数N,转至步骤S46;否则,计算结束,输出步骤S44所述的水库最优调度方案;
S46、若所需分蓄洪民垸个数N等于1,则基于分洪开启顺序运用民垸进行分洪,根据所述预测知识库快速获取分洪面积并输出,同时输出步骤S44所得的水库最优调度方案,计算结束;若所需分蓄洪民垸个数大于1,则迭代寻求最优组合直至所述防洪优化调度模型的目标函数值最小,得到民垸启用个数、分洪流量、分洪时间、淹没面积各项指标因素作为最优调度方案的指标并输出,同时输出步骤S44所得的水库最优调度方案,计算结束。
通过本发明所构思的以上技术方案,与现有技术相比,能够取得下列有益效果:
1、本发明提供了一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法,通过假设分蓄洪民垸运用的不同情形通过水动力学模型得到一组分洪流量、分洪时间以及淹没面积/分洪量样本,基于该样本训练人工神经网络构造分洪流量-淹没面积/分洪量时空预测知识库,把它作为混联梯级水库联合防洪优化调度模型的一种边界条件,从而可以实时提取较为准确的分洪信息,实现实时调度。
2、本发明通过构建分蓄洪民垸洪水演进动力边界预测知识库,并将其很好地嵌入水库、分蓄洪民垸联合防洪优化调度中,能够适用于多流域的水库、防洪规划区的防洪调度决策,通用性强,易于实现,效率高。
3、本发明所提出考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法,建立了一种考虑分蓄洪民垸运用的混联水库群防洪优化调度模型,通过计算模型的最优解可以确定最优调度方案的的各项指标因素,可以有效减少了分蓄洪民垸的淹没面积,减小了分洪对人民群众的财产破坏。
附图说明
图1是本发明提供的考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法的流程图;
图2是考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度模型算法流程图;
图3是分蓄洪民垸洪水演进动力边界全特性曲面示意图,其中,图3中的(a)是分蓄洪民垸洪水演进动力边界全特性淹没面积曲面示意图,图3中的(b)是分蓄洪民垸洪水演进动力边界全特性分洪量曲面示意图;
图4是实际调度和采用本发明所提供的方法进行水库优化调度后的下游防洪控制点的流量过程对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
为了实现上述目的,本发明提供了一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法。
如图1所示为本发明提供的考虑分蓄洪民垸运用的混联梯级水库防洪优化调度方法流程图,包括以下步骤:
S1、在分蓄洪民垸实测地形资料的基础上,建立分蓄洪民垸平面二维水动力模型,得到一组民垸可能分洪运用时的分洪流量、分洪时间以及淹没面积/分洪量样本;
具体的,通过假设考虑民垸分洪运用时的不同分洪流量、分洪时间的分洪情形,利用二维浅水方程、采取混合网格剖分技术建立分蓄洪民垸平面二维水动力模型,计算得到不同分洪情形下的淹没面积/分洪量。
具体的,在洪水漫堤和演进过程中,由于洪水量级、超限水位、水流缓急程度不同,漫堤后洪水的流量大小和具有的动能不同,洪水演进过程中相同水量演进的包络线和淹没面积不同,因此,这类洪水演进问题具有非线性动力特性,即从时间尺度观察来看,调度的决策变量(如分洪流量)与决策目标(如淹没面积)也应呈非线性关系。
具体的,分蓄洪民垸平面二维水动力模型如下:
其中,公式(1)为连续方程,其中,h为水深,分别为x、y方向的流速,u、v分别为垂线平均流速在x、y方向上的分量,z为水位;公式(2)和公式(3)分别为x方向上和y方向上的动量方程,用来描述平面水流的运动状态,其中,g为重力加速度,C为谢才系数,vt为紊动粘性系数。
S2、基于步骤S1所得的样本训练人工神经网络模型,获取分洪流量与淹没面积/分洪量在时间上的映射关系,构造分洪流量-淹没面积/分洪量时空预测知识库;具体的,包括如下步骤:
S21、基于步骤S1所得的分洪流量、分洪时间以及淹没面积/分洪量样本,将分洪流量和分洪时间作为人工神经网络的输入,将对应的淹没面积/分洪量作为人工神经网络的输出,率定和优化神经网络结构与参数,获取分洪流量与淹没面积/分洪量在时间上的映射关系;
S22、预测在最大允许分洪流量范围内任意分洪流量情形下分蓄洪民垸相应的淹没面积/分洪量过程,形成分洪流量-淹没面积/分洪量全动力特性曲面;
S23、对各分蓄洪民垸的全动力特性曲面进行统一编码与整合,构造完整的时空预测知识库,将其作为联合优化调度的动力边界条件。
S3、建立考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型;
具体的,考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型如下:
其中,F为所述模型的目标函数,λi表示第i个防洪控制点的权重系数,表示第j个水库的下泄流量演算至第i个防洪控制断面的流量过程,表示第i个防洪控制点前支流入汇演算至防洪控制断面的流量过程。Ak(qk,Δtk)表示分蓄洪民垸淹没面积,qk为开闸泄洪流量,Δtk为开闸持续时间,α为目标控制系数,M为水库个个数,Li为第i个防洪控制点上游的支流数量,N为所需分蓄洪民垸的个数,N为大于等于1的整数。每一组λi、α、Ak(qk,Δtk)、N的值都代表一种调度决策。具体的,当判断不动用分蓄洪民垸时α取值为1,否则取值为0。
S4、基于步骤S2所得的时空预测知识库,对考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型进行计算与分析,得到最优调度方案。
具体的,如图2所示为考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度模型算法流程图,具体包括以下步骤:
S41、运用DP算法求解各水库的水位过程作为初始解;
S42、基于所述初始解,采用POA算法求解初始调度决策;
S43、将时段t初始化为1,基于当前所得调度决策,依次对各水库水位迭代寻优,获取各水库时段最优水库水位,每迭代一次,时段t就更新为t+1,直至t=T,进而获得新的调度决策;
S44、重复步骤S43进行迭代,计算相邻两次调度决策所对应的混联水库群联合防洪优化调度模型的目标函数值之差Δ,若Δ<ε,则停止迭代,得到水库水位、出库流量各项指标因素作为水库最优调度方案的指标,转至步骤S45;
S45、基于步骤S44所得的水库最优调度方案,判断下游控制站是否存在超额洪量,若存在,则计算超额洪量,根据分蓄洪民垸蓄洪能力约束,推求所需分蓄洪民垸个数N,转至步骤S46;否则,计算结束,输出步骤S44所得的水库最优调度方案;
S46、若所需分蓄洪民垸个数N等于1,则基于分洪开启顺序运用民垸进行分洪,根据所述预测知识库快速获取分洪面积并输出,同时输出步骤S44所得的水库最优调度方案,计算结束;若所需分蓄洪民垸个数大于1,则迭代寻求最优组合直至所述防洪优化调度模型的目标函数值最小,得到民垸启用个数、分洪流量、分洪时间、淹没面积各项指标因素作为最优调度方案的指标并输出,同时输出步骤S44所得的水库最优调度方案,计算结束。
以汉北河流域防洪调度为例,考虑石门、惠亭、吴岭和高关水库和下游五处分蓄洪民垸联合运用,将2016年实际洪水带入防洪优化调度模型中,定量表征水库调洪过程和民垸分洪情况,计算中下游天门站流量过程,根据分蓄洪民垸动力边界预测知识库快速获取分洪量大小。以东西汊湖分蓄洪民垸为例,按照步骤S1和S2计算,得到如图3所示的分蓄洪民垸洪水演进动力边界全特性曲面示意图,其中,图3中的(a)是分蓄洪民垸洪水演进动力边界全特性淹没面积曲面示意图,图3中的(b)是分蓄洪民垸洪水演进动力边界全特性分洪量曲面示意图,其他民垸依次类推,经过统一编码形成预测知识库。基于所得的预测知识库对考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型进行计算与分析,得到如图4所示的结果,图4给出了实际调度和采用本发明所提供的方法进行水库优化调度后的下游防洪控制点天门站的流量过程对比图。其中实线表示实际调度的结果,虚线表示采用本发明所提供的方法进行调度的结果,从图中可以看出,采用本发明所提供的方法进行调度以后,天门站最大削峰流量为100m3/s,剩余超额洪量动用龙骨湖分蓄洪民垸以372.54m3/s的分洪流量分洪23.86h,总淹没面积为2200万m2,相较实际民垸淹没面积18071万m2,优化分洪方案总淹没面积减小了87.83%,有效减少了分蓄洪民垸的淹没面积,减小了分洪对人民群众的财产破坏,并且优化调度仅运用了一个分蓄洪民垸,相较实际情况减少一个。在计算效率方面,运用考虑分蓄洪民垸运用的混联梯级水库群联合优化调度模型平均耗时在5min内,可以有效地保证决策的实时性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法,其特征在于,包括以下步骤:
S1、在分蓄洪民垸实测地形资料的基础上,建立分蓄洪民垸平面二维水动力模型,得到一组民垸可能分洪运用时的分洪流量、分洪时间以及淹没面积/分洪量样本;
S2、基于所述样本训练人工神经网络模型,获取分洪流量与淹没面积/分洪量在时间上的映射关系,构造分洪流量-淹没面积/分洪量时空预测知识库;具体包括以下步骤:
S21、基于所述分洪流量、分洪时间以及淹没面积/分洪量样本,将分洪流量和分洪时间作为人工神经网络的输入,将对应的淹没面积/分洪量作为人工神经网络的输出,率定和优化所述神经网络结构与参数,获取分洪流量与淹没面积/分洪量在时间上的映射关系;
S22、预测在最大允许分洪范围内任意分洪流量情形下分蓄洪民垸相应的淹没面积/分洪量过程,形成分洪流量-淹没面积/分洪量全动力特性曲面;
S23、对各分蓄洪民垸的全动力特性曲面进行统一编码与整合,构造完整的时空预测知识库,将其作为联合优化调度的动力边界条件;
S3、建立考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型;所述考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型如下:
其中,F为所述模型的目标函数,λi表示第i个防洪控制点的权重系数,表示分洪时间t下第j个水库的下泄流量演算至第i个防洪控制点的流量过程,表示分洪时间t下第i个防洪控制点前支流中的第m个支流入汇演算至第i个防洪控制点的流量过程,Ak(qk,Δtk)表示开闸泄洪流量qk和开闸持续时间Δtk下的分蓄洪民垸淹没面积,qk为第k个所需分蓄洪民垸的开闸泄洪流量,Δtk为第k个所需分蓄洪民垸的开闸持续时间,α为目标控制系数,α取值为0或1,M为水库个数,Li为第i个防洪控制点上游的支流数量,N为所需分蓄洪民垸的个数,N为大于等于1的整数,每一组λi、α、Ak(qk,Δtk)、N的值都代表一种调度决策;
S4、基于所述时空预测知识库,对所述考虑分蓄洪民垸运用的混联水库群联合防洪优化调度模型进行计算与分析,得到最优调度方案;具体包括以下步骤:
S41、运用DP算法求解各水库的水位过程作为初始解;
S42、基于所述初始解,采用POA算法求解初始调度决策;
S43、将时段t’初始化为1,基于当前所得调度决策,依次对各水库水位迭代寻优,获取各水库时段最优水库水位,每迭代一次,时段t’就更新为t’+1,直至t’=T,进而获得新的调度决策;
S44、重复步骤S43进行迭代,计算相邻两次调度决策所对应的所述混联水库群联合防洪优化调度模型的目标函数值之差Δ,若Δ<ε,则停止迭代,得到水库水位、出库流量各项指标因素作为水库最优调度方案的指标,转至步骤S45;
S45、基于所述水库最优调度方案,判断下游控制站是否存在超额洪量,若存在,则计算超额洪量,根据分蓄洪民垸蓄洪能力约束,推求所需分蓄洪民垸个数N,转至步骤S46;否则,计算结束,输出步骤S44所述的水库最优调度方案;
S46、若所需分蓄洪民垸个数N等于1,则基于分洪开启顺序运用民垸进行分洪,根据所述预测知识库快速获取分洪面积并输出,同时输出步骤S44所述的水库最优调度方案,计算结束;若所需分蓄洪民垸个数大于1,则迭代寻求最优组合直至所述防洪优化调度模型的目标函数值最小,得到民垸启用个数、分洪流量、分洪时间、淹没面积各项指标因素作为最优调度方案的指标并输出,同时输出步骤S44所述的水库最优调度方案,计算结束。
2.根据权利要求1所述的混联梯级水库联合防洪优化调度方法,其特征在于,步骤S1所述的方法通过假设民垸分洪运用时的不同分洪流量、分洪时间的分洪情形,利用二维浅水方程、采取混合网格剖分技术建立分蓄洪民垸平面二维水动力模型,计算得到不同分洪情形下的淹没面积/分洪量。
4.根据权利要求1所述的混联梯级水库联合防洪优化调度方法,其特征在于,所述混联梯级水库联合防洪优化调度方法应用于水文学中水库防洪调度、以及蓄滞洪区分洪调度领域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478179.4A CN110334851B (zh) | 2019-06-03 | 2019-06-03 | 一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910478179.4A CN110334851B (zh) | 2019-06-03 | 2019-06-03 | 一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334851A CN110334851A (zh) | 2019-10-15 |
CN110334851B true CN110334851B (zh) | 2022-03-29 |
Family
ID=68140253
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910478179.4A Active CN110334851B (zh) | 2019-06-03 | 2019-06-03 | 一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334851B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111539153B (zh) * | 2020-04-07 | 2023-12-08 | 长江水利委员会长江科学院 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
CN112365052A (zh) * | 2020-11-11 | 2021-02-12 | 安徽在水一方工程技术有限公司 | 闸站涵联合调度方法 |
CN112766562B (zh) * | 2021-01-15 | 2022-05-31 | 长江勘测规划设计研究有限责任公司 | 考虑历史轨迹知识的梯级水库群生态调度优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
CN104213534A (zh) * | 2014-07-18 | 2014-12-17 | 中国长江三峡集团公司 | 融合多源信息的梯级水库自适应综合调度系统及调度方法 |
CN105046377A (zh) * | 2015-09-06 | 2015-11-11 | 河海大学 | 基于bp神经网络筛选水库防洪调度方案优选指标的方法 |
CN106202978A (zh) * | 2016-08-18 | 2016-12-07 | 黄河勘测规划设计有限公司 | 多泥沙河流综合利用水库分期汛限水位优化方法及其系统 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
-
2019
- 2019-06-03 CN CN201910478179.4A patent/CN110334851B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886395A (zh) * | 2014-04-08 | 2014-06-25 | 河海大学 | 一种基于神经网络模型的水库优化调度方法 |
CN104213534A (zh) * | 2014-07-18 | 2014-12-17 | 中国长江三峡集团公司 | 融合多源信息的梯级水库自适应综合调度系统及调度方法 |
CN105046377A (zh) * | 2015-09-06 | 2015-11-11 | 河海大学 | 基于bp神经网络筛选水库防洪调度方案优选指标的方法 |
CN106202978A (zh) * | 2016-08-18 | 2016-12-07 | 黄河勘测规划设计有限公司 | 多泥沙河流综合利用水库分期汛限水位优化方法及其系统 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
Non-Patent Citations (1)
Title |
---|
基于MIKE FLOOD 的荆江分洪区;卢程伟等;《应用基础与工程科学学报》;20171031;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110334851A (zh) | 2019-10-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334851B (zh) | 一种考虑分蓄洪民垸运用的混联梯级水库联合防洪优化调度方法 | |
Liu et al. | Deriving optimal refill rules for multi-purpose reservoir operation | |
Afshar et al. | Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran | |
CN109815608A (zh) | 一种浅水湖泊群水质水量水生态耦合调度分析方法 | |
Li et al. | Identifying explicit formulation of operating rules for multi-reservoir systems using genetic programming | |
CN108256177A (zh) | 一种河流水沙模型的参数优化方法和系统 | |
CN110457651B (zh) | 一种利用数据同化改进的滑坡位移预测方法 | |
CN113742910A (zh) | 基于中小流域洪水预报的水库来水量预警预报方法及系统 | |
CN111353652A (zh) | 一种风电出力短期区间预测方法 | |
Qiu et al. | Seepage monitoring models study of earth-rock dams influenced by rainstorms | |
Reddy et al. | Performance evaluation of elitist-mutated multi-objective particle swarm optimization for integrated water resources management | |
CN104182634B (zh) | 一种梯级水电站联合运行水位控制断面优选方法 | |
CN107766694A (zh) | 基于fcm‑nsga‑ii的水文模型参数估计方法 | |
CN106251242A (zh) | 一种风电出力区间组合预测方法 | |
CN105005833A (zh) | 水电梯级开发对流域生态安全影响的评价方法 | |
CN106372739A (zh) | 一种基于需求响应基线的需求响应效果评估方法 | |
CN103870699B (zh) | 基于双层异步迭代策略的水动力学洪水演进模拟方法 | |
CN116562448B (zh) | 一种基于栅格分析与人工智能技术相耦合的蓄滞洪区洪水淹没快速预测方法 | |
CN107947206A (zh) | 基于改进的nsga‑ii算法的三相配电网多目标优化方法 | |
CN106650293B (zh) | 一种基于am嵌套抽样算法的地下水模型评价方法 | |
He et al. | Regional groundwater prediction model using automatic parameter calibration SCE method for a coastal plain of Seto Inland Sea | |
CN104794346B (zh) | 一种快速识别人为活动对湖泊水华影响的定量方法 | |
CN113869350A (zh) | 基于空间特征差异的海流预测方法以及系统 | |
Qian | Road pavement performance evaluation model based on hybrid genetic algorithm neural network | |
CN105976058A (zh) | 一种基于灰色系统预测的离散微分动态规划方法 |
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 |