CN111160430A - 一种基于人工智能算法的水资源优化配置方法 - Google Patents
一种基于人工智能算法的水资源优化配置方法 Download PDFInfo
- Publication number
- CN111160430A CN111160430A CN201911316791.8A CN201911316791A CN111160430A CN 111160430 A CN111160430 A CN 111160430A CN 201911316791 A CN201911316791 A CN 201911316791A CN 111160430 A CN111160430 A CN 111160430A
- Authority
- CN
- China
- Prior art keywords
- water
- department
- constraint
- demand
- data
- 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 234
- 238000005457 optimization Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 22
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 11
- 239000002352 surface water Substances 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000013439 planning Methods 0.000 claims abstract description 22
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 230000008878 coupling Effects 0.000 claims abstract description 13
- 238000010168 coupling process Methods 0.000 claims abstract description 13
- 238000005859 coupling reaction Methods 0.000 claims abstract description 13
- 238000013528 artificial neural network Methods 0.000 claims description 33
- 239000002245 particle Substances 0.000 claims description 27
- 230000008901 benefit Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 17
- 238000000513 principal component analysis Methods 0.000 claims description 12
- 238000012384 transportation and delivery Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000007726 management method Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000006735 deficit Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 4
- 238000004836 empirical method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 4
- 238000007619 statistical method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于人工智能算法的水资源优化配置方法，包括下述步骤：利用收集到的水文气象、土地利用类型、DEM、水文地质作为地表水、地下水模拟模型的输入数据，并利用实测数据对相关参数进行率定和验证，确定相关模型参数，构建地表水‑地下水耦合模拟模型；本发明结合未来气候情景数据，预测未来区域水资源供给和需求量，以此作为多目标规划模型的输入值，利用NSGA‑II对构建的多目标优化模型求解，最终得到未来气候变化情景下合理的水资源优化配置方案，具有十分重要的现实意义和实用性。
Description
技术领域
本发明涉及水资源优化配置技术领域，具体涉及一种基于人工智能算法的水资源优化配置方法。
背景技术
进入21世纪以后，日益增长的水资源需求和可利用水资源短缺之间的矛盾尤为突出，可利用水资源的匮乏，已经阻碍了城市化进程和社会的经济发展，在全球气候变化等多重影响下，水资源可持续利用与管理已成为当今社会的一大难题；同时，由于未来气候变化对区域水资源影响的不确定性，基于多水源联合利用解决未来气候变化影响下的区域性水资源短缺问题面临巨大挑战。
—般而言，进行水资源优化调度的方法有数学规划方法、模拟技术等，此外由于实际的需水预测和水源可供给量预测，涉及到各方面因素，单一地采用一些数学手段只能反映出一般的变化规律，所以预测结果会与实际用水量有差别。传统的水资源优化配置技术主要是建立在对历史数据的分析，采用统计分析或经验法来预测可供水资源量和各部门需水量，既缺少精确程度又很少考虑未来气候变化对水资源配置的影响。
此外，水资源系统是一个复杂的、不确定性的动态系统；降雨以及径流等自然过程导致水资源量存在随机不确定性，而传统的水资源系统很少研究不确定性条件下的气候变化对水资源配置影响；同时，现有的多目标规划模型更多的是采用权重法，将其转化为单目标模型进行求解，而权重的确定具有较强的主观性。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种基于人工智能算法的水资源优化配置方法，该方法为结合多种智能算法进行多水源联合调度，同时响应未来气候变化的水资源随机规划方法，以流域总缺水量最小和最大化的社会经济效益为优化目标，为流域水资源调配提供决策，达到全面并有效管理水资源的目的。
本发明的目的通过下述技术方案实现：
一种基于人工智能算法的水资源优化配置方法，包括下述步骤：
步骤一，利用收集到的水文气象、土地利用类型、DEM、水文地质作为地表水、地下水模拟模型的输入数据，并利用实测数据对相关参数进行率定和验证，确定相关模型参数，构建地表水-地下水耦合模拟模型；
步骤二，利用所述地表水-地下水耦合模拟模型，分别预估未来不同气候变化情景下的地表水和地下水的可供水量；
步骤三，收集影响各大需水部门的影响因素的数据，逐次分别采用主成分分析法对各类需水部门的影响因素数据进行预处理，通过主成分分析(PCA)来降低数据计算量，提高效率；对处理后的数据再进行归一化处理，进一步输入BP神经网络算法来预测各部门的需水量，同时采用粒子群算法(PSO)优化BP神经网络，得到状态最优的连接权值和阈值，进而预测出各部门的需水量；
步骤四，在预测未来流域需水量和未来不同气候变化情景下水资源量的基础上，以流域总缺水量最小和最大化社会经济效益为优化目标，以各水源可供水量、各部门需水量以及供水工程输水能力等作为约束条件，构建多水源联合利用的多部门多目标优化模型；
步骤五，利用非支配遗传算法II(NSGA-II)对所述的多目标优化模型进行求解，得到所需的水资源优化配置结果，为流域水资源综合管理提供科学依据和决策指导；
其中，未来气候变化数据主要包括：日最高、最低温度和日降雨量；以所获得的未来情景数据作为输入数据，输入到地表水、地下水耦合模拟水文模型中，得到未来不同气候变化情景下的流域可供水量；
其中，区域的需水部门可概化为生活、农业、工业和生态四大用水部门，影响各个部门的需水量的因素诸多，比如人口数量、经济水平、社会政策条件、作物种植面积、经济生产总值；进行主成分分析，分别对各部门的影响因素进行数据处理即进行降维处理，将时间序列数据和对各部门需水影响最大的主要因素数据作为BP神经网络的输入值，同时采用粒子群算法对BP神经网络的连接权值和阈值进行优化，其具体实现步骤为：
Step1，初始化BP神经网络；
Step2，对影响各部门需水的因素数据进行主成分分析，然后对分析结果进行归一化处理；
Step3，以BP神经网络计算结果的均方误差作为粒子群算法的粒子适应度：
其中yn表示神经网络的预测值，y* n表示神经网络的实际值，(yn-y* n)表示BP神经网络输出的误差；
Step4，如果粒子当前的适应度比其历史最优适应度好，将历史最优适应度变更为当前适应度；
Step5，如果粒子历史最优适应度比全局适应度好，将全局适应度变更为粒子历史最优适应度；
Step6，不断重复以上Step3～Step5，直至满足迭代结束条件；
Step7，输出最优权值和最优阈值，再输入BP神经网络；
Step8，输出某一用水部门预测结果；
Step9，再重复以上步骤三次，输出生活、农业、工业和生态四大用水部门的需水预测值；
其中，所述步骤四是以粒子群算法优化后的神经网络的输出结果和地表水-地下水耦合模拟模型的输出值作为多目标规划模型的输入值；
(1)以最大化经济效益和最大化社会效益为优化目标，其中最大化社会效益表现为最小化区域的缺水量；按照流量水平划分成h个水平，单段概率为ph，h表示水资源量随机水平且
经济效益目标：Max Profit＝Total Ben-Total Cost；
社会效益目标：最小化区域的缺水量；
(2)以各水源可供水量、各部门需水量以及供水工程输水能力作为约束条件，其中当一些参数是随机的并且可以表示为概率分布时，可使用机会约束规划(CCP)方法；地表水的可供量是一个随机参数，将CCP应用于地表水可用性约束将有助于了解不同概率违逆下的变化趋势；具体的各约束表达式表述如下：
(1)、(2)中，Dmin ijth、Dmax ijth分别表示第h水平第t时段第j个计算分区内第i类用水部门最小和最大需水量(m3)；Asur ijth、Agro ijth分别表示第h水平第t时段第j个计算分区内地表水、地下水分配给第i类用水部门水量(m3)；TSsur ijh、TSgro ijh分别表示第h水平第j个计算分区内地表水、地下水可供给第i类用水部门总的水量(m3)；Bensur ijth、Bengro ijth分别表示第h水平第t时段第j个计算分区内第i类用水部门分别取单位地表水、地下水所产生的效益(元/m3)；Costsur ijth、Costgro ijth分别表示第h水平第t时段第j个计算分区内第i类用水户分别从取单位地表水、地下水所需的费用(元/m3)；Qmin j、Qmax j分别表示第j个计算分区内供水工程的最小和最大输水能力(m3)；
约束表达式①、②、③、④、⑤分别表示地表水的可供水量约束、地下水的可供水量约束、各用水部门的需水约束、供水工程的输水能力约束和非负约束；其中约束①采用了机会约束规划，CCP要求在给定的概率水平下，所有约束条件都要按一定比例满足，Pr{}表示机会约束规划，qv机会约束规划的违背概率，在每个流量水平下，利用给定的概率qv，用CCP方法将随机约束转化为确定性形式。
本发明与现有技术相比具有以下的有益效果：
本发明结合多种人工智能算法对区域内各大用水部门的需水量进行预测和利用水文模拟技术来预测区域内的水源可供给量，克服传统的采用统计分析或经验法对历史数据进行处理，来预测水资源需求量和供给量在精确度上的不足和很少考虑未来气候变化对水资源配置的影响的局限性；结合未来气候情景数据，预测未来区域水资源供给和需求量，以此作为多目标规划模型的输入值，利用NSGA-II对构建的多目标优化模型求解，最终得到未来气候变化情景下合理的水资源优化配置方案，具有十分重要的现实意义和实用性。
附图说明
图1为本发明的具体流程图；
图2为本发明非支配遗传算法II(NSGA-II)求解多目标优化模型的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
本发明公开了一种结合多种人工智能算法对区域内各大用水部门的需水量进行预测和利用水文模拟技术来预测区域内的水源可供给量的方法，克服传统的采用统计分析或经验法对历史数据进行处理，来预测水资源需求量和供给量在精确度上的不足和很少考虑未来气候变化对水资源配置的影响的局限性；预测未来区域内水资源供给和需求量，以此作为多目标规划模型的输入值，同时考虑了社会和经济效益，使模型的结果更具有现实意义和实用性；此外，通过NSGA-II求解多目标规划模型，克服了传统求解方法等的主观性影响，求解结果可为流域水资源综合管理提供理论支持。
具体来说，如图1～2所示，一种基于人工智能算法的水资源优化配置方法，包括下述步骤：
步骤一，利用收集到的水文气象、土地利用类型、DEM、水文地质作为地表水、地下水模拟模型的输入数据，并利用实测数据对相关参数进行率定和验证，确定相关模型参数，构建地表水-地下水耦合模拟模型；
步骤二，利用所述地表水-地下水耦合模拟模型，分别预估未来不同气候变化情景下的地表水和地下水的可供水量；
步骤三，收集影响各大需水部门的影响因素的数据，逐次分别采用主成分分析法对各类需水部门的影响因素数据进行预处理，通过主成分分析(PCA)来降低数据计算量，提高效率；对处理后的数据再进行归一化处理，进一步输入BP神经网络算法来预测各部门的需水量，同时采用粒子群算法(PSO)优化BP神经网络，得到状态最优的连接权值和阈值，进而预测出各部门的需水量；
步骤四，在预测未来流域需水量和未来不同气候变化情景下水资源量的基础上，以流域总缺水量最小和最大化社会经济效益为优化目标，以各水源可供水量、各部门需水量以及供水工程输水能力等作为约束条件，构建多水源联合利用的多部门多目标优化模型；
步骤五，利用非支配遗传算法II(NSGA-II)对所述的多目标优化模型进行求解，得到所需的水资源优化配置结果，为流域水资源综合管理提供科学依据和决策指导；
如图2所示，步骤五所述的非支配遗传算法算法II(NSGA-II)求解多目标优化模型的流程图。
其中，未来气候变化数据主要包括：日最高、最低温度和日降雨量；以所获得的未来情景数据作为输入数据，输入到地表水、地下水耦合模拟水文模型中，得到未来不同气候变化情景下的流域可供水量；
其中，区域的需水部门可概化为生活、农业、工业和生态四大用水部门，影响各个部门的需水量的因素诸多，比如人口数量、经济水平、社会政策条件、作物种植面积、经济生产总值；进行主成分分析，分别对各部门的影响因素进行数据处理即进行降维处理，将时间序列数据和对各部门需水影响最大的主要因素数据作为BP神经网络的输入值，同时采用粒子群算法对BP神经网络的连接权值和阈值进行优化，其具体实现步骤为：
Step1，初始化BP神经网络；
Step2，对影响各部门需水的因素数据进行主成分分析，然后对分析结果进行归一化处理；
Step3，以BP神经网络计算结果的均方误差作为粒子群算法的粒子适应度：
其中yn表示神经网络的预测值，y* n表示神经网络的实际值，(yn-y* n)表示BP神经网络输出的误差；
Step4，如果粒子当前的适应度比其历史最优适应度好，将历史最优适应度变更为当前适应度；
Step5，如果粒子历史最优适应度比全局适应度好，将全局适应度变更为粒子历史最优适应度；
Step6，不断重复以上Step3～Step5，直至满足迭代结束条件；
Step7，输出最优权值和最优阈值，再输入BP神经网络；
Step8，输出某一用水部门预测结果；
Step9，再重复以上步骤三次，输出生活、农业、工业和生态四大用水部门的需水预测值；
其中，所述步骤四是以粒子群算法优化后的神经网络的输出结果和地表水-地下水耦合模拟模型的输出值作为多目标规划模型的输入值；
(1)以最大化经济效益和最大化社会效益为优化目标，其中最大化社会效益表现为最小化区域的缺水量；按照流量水平划分成h个水平，单段概率为ph，h表示水资源量随机水平且
经济效益目标：Max Profit＝Total Ben-Total Cost；
社会效益目标：最小化区域的缺水量；
(2)以各水源可供水量、各部门需水量以及供水工程输水能力作为约束条件，其中当一些参数是随机的并且可以表示为概率分布时，可使用机会约束规划(CCP)方法；地表水的可供量是一个随机参数，将CCP应用于地表水可用性约束将有助于了解不同概率违逆下的变化趋势；具体的各约束表达式表述如下：
(1)、(2)中，Dmin ijth、Dmax ijth分别表示第h水平第t时段第j个计算分区内第i类用水部门最小和最大需水量(m3)；Asur ijth、Agro ijth分别表示第h水平第t时段第j个计算分区内地表水、地下水分配给第i类用水部门水量(m3)；TSsur ijh、TSgro ijh分别表示第h水平第j个计算分区内地表水、地下水可供给第i类用水部门总的水量(m3)；Bensur ijth、Bengro ijth分别表示第h水平第t时段第j个计算分区内第i类用水部门分别取单位地表水、地下水所产生的效益(元/m3)；Costsur ijth、Costgro ijth分别表示第h水平第t时段第j个计算分区内第i类用水户分别从取单位地表水、地下水所需的费用(元/m3)；Qmin j、Qmax j分别表示第j个计算分区内供水工程的最小和最大输水能力(m3)；
约束表达式①、②、③、④、⑤分别表示地表水的可供水量约束、地下水的可供水量约束、各用水部门的需水约束、供水工程的输水能力约束和非负约束；其中约束①采用了机会约束规划，CCP要求在给定的概率水平下，所有约束条件都要按一定比例满足，Pr{}表示机会约束规划，qv机会约束规划的违背概率，在每个流量水平下，利用给定的概率qv，用CCP方法将随机约束转化为确定性形式。
本发明结合多种人工智能算法对区域内各大用水部门的需水量进行预测和利用水文模拟技术来预测区域内的水源可供给量，克服传统的采用统计分析或经验法对历史数据进行处理，来预测水资源需求量和供给量在精确度上的不足和很少考虑未来气候变化对水资源配置的影响的局限性；结合未来气候情景数据，预测未来区域水资源供给和需求量，以此作为多目标规划模型的输入值，利用NSGA-II对构建的多目标优化模型求解，最终得到未来气候变化情景下合理的水资源优化配置方案，具有十分重要的现实意义和实用性。
上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。
Claims (1)
1.一种基于人工智能算法的水资源优化配置方法，其特征在于，包括下述步骤：
步骤一，利用收集到的水文气象、土地利用类型、DEM、水文地质作为地表水、地下水模拟模型的输入数据，并利用实测数据对相关参数进行率定和验证，确定相关模型参数，构建地表水-地下水耦合模拟模型；
步骤二，利用所述地表水-地下水耦合模拟模型，分别预估未来不同气候变化情景下的地表水和地下水的可供水量；
步骤三，收集影响各大需水部门的影响因素的数据，逐次分别采用主成分分析法对各类需水部门的影响因素数据进行预处理，通过主成分分析(PCA)来降低数据计算量，提高效率；对处理后的数据再进行归一化处理，进一步输入BP神经网络算法来预测各部门的需水量，同时采用粒子群算法(PSO)优化BP神经网络，得到状态最优的连接权值和阈值，进而预测出各部门的需水量；
步骤四，在预测未来流域需水量和未来不同气候变化情景下水资源量的基础上，以流域总缺水量最小和最大化社会经济效益为优化目标，以各水源可供水量、各部门需水量以及供水工程输水能力等作为约束条件，构建多水源联合利用的多部门多目标优化模型；
步骤五，利用非支配遗传算法II(NSGA-II)对所述的多目标优化模型进行求解，得到所需的水资源优化配置结果，为流域水资源综合管理提供科学依据和决策指导；
其中，未来气候变化数据主要包括：日最高、最低温度和日降雨量；以所获得的未来情景数据作为输入数据，输入到地表水、地下水耦合模拟水文模型中，得到未来不同气候变化情景下的流域可供水量；
其中，区域的需水部门可概化为生活、农业、工业和生态四大用水部门，影响各个部门的需水量的因素诸多，比如人口数量、经济水平、社会政策条件、作物种植面积、经济生产总值；进行主成分分析，分别对各部门的影响因素进行数据处理即进行降维处理，将时间序列数据和对各部门需水影响最大的主要因素数据作为BP神经网络的输入值，同时采用粒子群算法对BP神经网络的连接权值和阈值进行优化，其具体实现步骤为：
Step1，初始化BP神经网络；
Step2，对影响各部门需水的因素数据进行主成分分析，然后对分析结果进行归一化处理；
Step3，以BP神经网络计算结果的均方误差作为粒子群算法的粒子适应度：
其中yn表示神经网络的预测值，y* n表示神经网络的实际值，(yn-y* n)表示BP神经网络输出的误差；
Step4，如果粒子当前的适应度比其历史最优适应度好，将历史最优适应度变更为当前适应度；
Step5，如果粒子历史最优适应度比全局适应度好，将全局适应度变更为粒子历史最优适应度；
Step6，不断重复以上Step3～Step5，直至满足迭代结束条件；
Step7，输出最优权值和最优阈值，再输入BP神经网络；
Step8，输出某一用水部门预测结果；
Step9，再重复以上步骤三次，输出生活、农业、工业和生态四大用水部门的需水预测值；
其中，所述步骤四是以粒子群算法优化后的神经网络的输出结果和地表水-地下水耦合模拟模型的输出值作为多目标规划模型的输入值；
(1)以最大化经济效益和最大化社会效益为优化目标，其中最大化社会效益表现为最小化区域的缺水量；按照流量水平划分成h个水平，单段概率为ph，h表示水资源量随机水平且
经济效益目标：Max Profit＝Total Ben-Total Cost；
社会效益目标：最小化区域的缺水量；
(2)以各水源可供水量、各部门需水量以及供水工程输水能力作为约束条件，其中当一些参数是随机的并且可以表示为概率分布时，可使用机会约束规划(CCP)方法；地表水的可供量是一个随机参数，将CCP应用于地表水可用性约束将有助于了解不同概率违逆下的变化趋势；具体的各约束表达式表述如下：
(1)、(2)中，Dmin ijth、Dmax ijth分别表示第h水平第t时段第j个计算分区内第i类用水部门最小和最大需水量(m3)；Asur ijth、Agro ijth分别表示第h水平第t时段第j个计算分区内地表水、地下水分配给第i类用水部门水量(m3)；TSsur ijh、TSgro ijh分别表示第h水平第j个计算分区内地表水、地下水可供给第i类用水部门总的水量(m3)；Bensur ijth、Bengro ijth分别表示第h水平第t时段第j个计算分区内第i类用水部门分别取单位地表水、地下水所产生的效益(元/m3)；Costsur ijth、Costgro ijth分别表示第h水平第t时段第j个计算分区内第i类用水户分别从取单位地表水、地下水所需的费用(元/m3)；Qmin j、Qmax j分别表示第j个计算分区内供水工程的最小和最大输水能力(m3)；
约束表达式①、②、③、④、⑤分别表示地表水的可供水量约束、地下水的可供水量约束、各用水部门的需水约束、供水工程的输水能力约束和非负约束；其中约束①采用了机会约束规划，CCP要求在给定的概率水平下，所有约束条件都要按一定比例满足，Pr{}表示机会约束规划，qv机会约束规划的违背概率，在每个流量水平下，利用给定的概率qv，用CCP方法将随机约束转化为确定性形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911316791.8A CN111160430A (zh) | 2019-12-19 | 2019-12-19 | 一种基于人工智能算法的水资源优化配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911316791.8A CN111160430A (zh) | 2019-12-19 | 2019-12-19 | 一种基于人工智能算法的水资源优化配置方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111160430A true CN111160430A (zh) | 2020-05-15 |
Family
ID=70557396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911316791.8A Pending CN111160430A (zh) | 2019-12-19 | 2019-12-19 | 一种基于人工智能算法的水资源优化配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111160430A (zh) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111681131A (zh) * | 2020-06-16 | 2020-09-18 | 浙江和达科技股份有限公司 | 一种基于人工智能的水资源管理方法和管理系统 |
| CN111737853A (zh) * | 2020-05-21 | 2020-10-02 | 广东工业大学 | 一种基于swmm模型的低影响开发多目标区间优化配置方法 |
| CN112561127A (zh) * | 2020-11-27 | 2021-03-26 | 中国水利水电科学研究院 | 基于地下水压采目标的替代水源贡献率平衡分析系统 |
| CN112668909A (zh) * | 2020-12-31 | 2021-04-16 | 齐鲁工业大学 | 基于遗传算法的水资源优化配置方法及系统 |
| CN112966919A (zh) * | 2021-03-01 | 2021-06-15 | 武汉大学 | 一种基于条件价值风险的用水与排污冲突协调方法 |
| CN113343553A (zh) * | 2021-04-14 | 2021-09-03 | 中国农业大学 | 一种供需双边预测的旱涝保收水资源配置方法 |
| CN113341711A (zh) * | 2021-05-24 | 2021-09-03 | 天津大学 | 一种地表与地下多水源智能循环分配控制系统 |
| 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 |
| WO2022032874A1 (zh) * | 2020-08-14 | 2022-02-17 | 贵州东方世纪科技股份有限公司 | 一种基于对抗神经网络的有资料地区水文参数率定方法 |
| CN115375199A (zh) * | 2022-10-24 | 2022-11-22 | 青岛研博电子有限公司 | 一种长距离智能供水调度方法及其系统 |
| 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 |
| CN116227753A (zh) * | 2023-05-09 | 2023-06-06 | 深圳大学 | 一种变化环境下水资源优化配置方法 |
| CN116307191A (zh) * | 2023-03-22 | 2023-06-23 | 中国地质大学（北京） | 一种基于人工智能算法的水资源配置方法、装置和设备 |
| CN116341825A (zh) * | 2023-02-08 | 2023-06-27 | 西安理工大学 | 基于供需平衡和生态效益优化的水资源配置方法 |
| CN116822877A (zh) * | 2023-06-29 | 2023-09-29 | 浪潮智慧科技有限公司 | 一种基于知识图谱的水资源分配方法、设备及介质 |
| CN117077870A (zh) * | 2023-10-12 | 2023-11-17 | 北京德润誉达科技有限公司 | 一种基于人工智能的水资源数字化管理方法 |
| CN117094441A (zh) * | 2023-08-24 | 2023-11-21 | 中水珠江规划勘测设计有限公司 | 供水预测模型建立方法、供水预测方法、装置和电子设备 |
| CN117236668A (zh) * | 2023-11-15 | 2023-12-15 | 山东锋士信息技术有限公司 | 基于供给与消耗的区域水资源配置分析决策方法及系统 |
| CN117455041A (zh) * | 2023-10-19 | 2024-01-26 | 上海应用技术大学 | 一种针对预测所得未来水资源的多目标管控利用方法 |
| CN118037002A (zh) * | 2024-04-09 | 2024-05-14 | 水利部水利水电规划设计总院 | 水网系统中调水工程年度水资源调度计划编制方法及系统 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063905A (zh) * | 2018-07-20 | 2018-12-21 | 北京师范大学 | 一种适应气候变化的水资源随机规划方法 |
-
2019
- 2019-12-19 CN CN201911316791.8A patent/CN111160430A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063905A (zh) * | 2018-07-20 | 2018-12-21 | 北京师范大学 | 一种适应气候变化的水资源随机规划方法 |
Non-Patent Citations (6)
| Title |
|---|
| 崔萌: "水资源配置效果评价指标体系和模型研究", 《中国优秀硕士论文全文数据库工程科技II辑》 * |
| 张雪花等: "《生态城市建设规划与评估方法》", 31 May 2014 * |
| 苏国成: "《火力发电厂与节能减排技术研究》", 31 January 2019 * |
| 裴浩: "西宁市水资源优化配置研究", 《中国优秀硕士论文全文数据库工程科技II辑》 * |
| 高尚: "《分布估计算法及其应用》", 31 January 2016 * |
| 齐鹏: "基于地下水-地表水联合调控的挠力河流域水资源优化配置", 《中国优秀博士学位论文全文数据库基础科学辑》 * |
Cited By (35)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111737853A (zh) * | 2020-05-21 | 2020-10-02 | 广东工业大学 | 一种基于swmm模型的低影响开发多目标区间优化配置方法 |
| CN111737853B (zh) * | 2020-05-21 | 2023-07-28 | 广东工业大学 | 一种基于swmm模型的低影响开发多目标区间优化配置方法 |
| CN111681131B (zh) * | 2020-06-16 | 2021-03-09 | 浙江和达科技股份有限公司 | 一种基于人工智能的水资源管理方法和管理系统 |
| CN111681131A (zh) * | 2020-06-16 | 2020-09-18 | 浙江和达科技股份有限公司 | 一种基于人工智能的水资源管理方法和管理系统 |
| WO2022032874A1 (zh) * | 2020-08-14 | 2022-02-17 | 贵州东方世纪科技股份有限公司 | 一种基于对抗神经网络的有资料地区水文参数率定方法 |
| CN112561127A (zh) * | 2020-11-27 | 2021-03-26 | 中国水利水电科学研究院 | 基于地下水压采目标的替代水源贡献率平衡分析系统 |
| CN112561127B (zh) * | 2020-11-27 | 2022-10-25 | 中国水利水电科学研究院 | 基于地下水压采目标的替代水源贡献率平衡分析系统 |
| CN112668909B (zh) * | 2020-12-31 | 2022-04-01 | 齐鲁工业大学 | 基于遗传算法的水资源优化配置方法及系统 |
| CN112668909A (zh) * | 2020-12-31 | 2021-04-16 | 齐鲁工业大学 | 基于遗传算法的水资源优化配置方法及系统 |
| CN112966919A (zh) * | 2021-03-01 | 2021-06-15 | 武汉大学 | 一种基于条件价值风险的用水与排污冲突协调方法 |
| CN112966919B (zh) * | 2021-03-01 | 2023-11-14 | 武汉大学 | 一种基于条件价值风险的用水与排污冲突协调方法 |
| CN113343553A (zh) * | 2021-04-14 | 2021-09-03 | 中国农业大学 | 一种供需双边预测的旱涝保收水资源配置方法 |
| CN113343553B (zh) * | 2021-04-14 | 2024-03-12 | 中国农业大学 | 一种供需双边预测的旱涝保收水资源配置方法 |
| CN113341711A (zh) * | 2021-05-24 | 2021-09-03 | 天津大学 | 一种地表与地下多水源智能循环分配控制系统 |
| CN113341711B (zh) * | 2021-05-24 | 2023-09-12 | 天津大学 | 一种地表与地下多水源智能循环分配控制系统 |
| 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 |
| 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 |
| CN115375199A (zh) * | 2022-10-24 | 2022-11-22 | 青岛研博电子有限公司 | 一种长距离智能供水调度方法及其系统 |
| CN116341825A (zh) * | 2023-02-08 | 2023-06-27 | 西安理工大学 | 基于供需平衡和生态效益优化的水资源配置方法 |
| CN116307191B (zh) * | 2023-03-22 | 2023-11-07 | 中国地质大学（北京） | 一种基于人工智能算法的水资源配置方法、装置和设备 |
| CN116307191A (zh) * | 2023-03-22 | 2023-06-23 | 中国地质大学（北京） | 一种基于人工智能算法的水资源配置方法、装置和设备 |
| CN116227753A (zh) * | 2023-05-09 | 2023-06-06 | 深圳大学 | 一种变化环境下水资源优化配置方法 |
| CN116227753B (zh) * | 2023-05-09 | 2023-08-04 | 深圳大学 | 一种变化环境下水资源优化配置方法 |
| CN116822877A (zh) * | 2023-06-29 | 2023-09-29 | 浪潮智慧科技有限公司 | 一种基于知识图谱的水资源分配方法、设备及介质 |
| CN116822877B (zh) * | 2023-06-29 | 2024-03-22 | 浪潮智慧科技有限公司 | 一种基于知识图谱的水资源分配方法、设备及介质 |
| CN117094441A (zh) * | 2023-08-24 | 2023-11-21 | 中水珠江规划勘测设计有限公司 | 供水预测模型建立方法、供水预测方法、装置和电子设备 |
| CN117094441B (zh) * | 2023-08-24 | 2024-04-26 | 中水珠江规划勘测设计有限公司 | 供水预测模型建立方法、供水预测方法、装置和电子设备 |
| CN117077870A (zh) * | 2023-10-12 | 2023-11-17 | 北京德润誉达科技有限公司 | 一种基于人工智能的水资源数字化管理方法 |
| CN117077870B (zh) * | 2023-10-12 | 2023-12-22 | 北京德润誉达科技有限公司 | 一种基于人工智能的水资源数字化管理方法 |
| CN117455041A (zh) * | 2023-10-19 | 2024-01-26 | 上海应用技术大学 | 一种针对预测所得未来水资源的多目标管控利用方法 |
| CN117455041B (zh) * | 2023-10-19 | 2024-05-28 | 上海应用技术大学 | 一种针对预测所得未来水资源的多目标管控利用方法 |
| CN117236668B (zh) * | 2023-11-15 | 2024-03-08 | 山东锋士信息技术有限公司 | 基于供给与消耗的区域水资源配置分析决策方法及系统 |
| CN117236668A (zh) * | 2023-11-15 | 2023-12-15 | 山东锋士信息技术有限公司 | 基于供给与消耗的区域水资源配置分析决策方法及系统 |
| CN118037002A (zh) * | 2024-04-09 | 2024-05-14 | 水利部水利水电规划设计总院 | 水网系统中调水工程年度水资源调度计划编制方法及系统 |
| CN118037002B (zh) * | 2024-04-09 | 2024-06-04 | 水利部水利水电规划设计总院 | 水网系统中调水工程年度水资源调度计划编制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111160430A (zh) | 一种基于人工智能算法的水资源优化配置方法 | |
| WO2021196552A1 (zh) | 一种基于互馈关系解析的梯级水库风险评估方法及系统 | |
| CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
| CN110991687B (zh) | 一种基于经验模型的水资源调度优化方法 | |
| CN110782366B (zh) | 一种基于情景不确定性的供水管网多目标优化调控方法 | |
| CN112241607B (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
| CN109740808B (zh) | 一种风光水互补发电计划计算方法及系统 | |
| CN106355285B (zh) | 一种基于参数修正的用电负荷预测方法 | |
| CN109190902B (zh) | 基于报童模型的考虑供需不确定的水资源优化配置方法 | |
| CN104636834B (zh) | 一种改进的联合概率规划模型系统优化方法 | |
| CN113222351B (zh) | 一种基于水体演进变化的城市应急供水精细化调度方法 | |
| CN109598408A (zh) | 一种兼顾用水公平性和重要性的年水量调度计划编制方法 | |
| CN115496301B (zh) | 一种面向国土空间规划的土地利用与交通协同评价方法 | |
| Yu et al. | Optimal scheduling strategy of cascade hydropower plants under the joint market of day-ahead energy and frequency regulation | |
| 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 | |
| CN111724004B (zh) | 一种基于改进量子灰狼算法的水库可供水量预报方法 | |
| CN112508241A (zh) | 一种智能电网能量优化调度方法 | |
| CN114492617B (zh) | 一种基于聚类的管网分区及跨区水量调配的方法 | |
| CN115513945A (zh) | 一种基于物联网的分布式电源管理方法 | |
| CN113315173B (zh) | 基于大数据分析和供需双侧协同优化的配电网规划方法、设备、系统及存储介质 | |
| CN113946792A (zh) | 一种基于弃水概率的水库群水位控制方法 | |
| Zhang et al. | Coordinated Optimal Scheduling of WPHTNS Power System Based on Adaptive Improved Genetic Algorithm (July 2023) | |
| CN111030192A (zh) | 促进新能源消纳的四鱼断面限额优化方法 | |
| Guo | Analysis of agricultural economic development and optimisation measures under the strategy of rural revitalisation | |
| CN118211755B (zh) | 一种基于遗传算法优化的bp神经网络的二次供水流量预测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |