CN111539153A - 一种基于预构泥沙信息库的水沙联合优化调度方法 - Google Patents
一种基于预构泥沙信息库的水沙联合优化调度方法 Download PDFInfo
- Publication number
- CN111539153A CN111539153A CN202010263002.5A CN202010263002A CN111539153A CN 111539153 A CN111539153 A CN 111539153A CN 202010263002 A CN202010263002 A CN 202010263002A CN 111539153 A CN111539153 A CN 111539153A
- Authority
- CN
- China
- Prior art keywords
- sediment
- water
- scheduling
- reservoir
- target
- 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.)
- Granted
Links
- 239000013049 sediment Substances 0.000 title claims abstract description 84
- 238000005457 optimization Methods 0.000 title claims abstract description 63
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 60
- 238000000034 method Methods 0.000 title claims abstract description 41
- 239000004576 sand Substances 0.000 title claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000013178 mathematical model Methods 0.000 claims abstract description 21
- 238000013461 design Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 230000002068 genetic effect Effects 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000013486 operation strategy Methods 0.000 claims description 35
- 238000003860 storage Methods 0.000 claims description 22
- 230000008901 benefit Effects 0.000 claims description 12
- 230000007774 longterm Effects 0.000 claims description 12
- 230000008021 deposition Effects 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 11
- 230000008878 coupling Effects 0.000 claims description 7
- 238000010168 coupling process Methods 0.000 claims description 7
- 238000005859 coupling reaction Methods 0.000 claims description 7
- 238000004062 sedimentation Methods 0.000 claims description 7
- 230000014759 maintenance of location Effects 0.000 claims description 4
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- 230000000414 obstructive effect Effects 0.000 claims description 2
- 230000000903 blocking effect Effects 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 238000004088 simulation Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供一种基于预构泥沙信息库的水沙联合优化调度方法，包括以下具体步骤，1)构建水沙联合优化调度模型；2)求解泥沙数学模型预构泥沙特征指标信息库；3)利用预构信息库对BP神经网络进行训练、拟合；4)采用遗传算法并结合BP神经网络求解水沙联合优化调度模型，得出优化调度方案。本发明能够有效解决水沙联合调度中泥沙模拟与径流调度差异巨大的难题，从而显著提高水沙联合优化调度的运算速率，可直接应用于单一水库或梯级水库的泥沙设计与多目标优化调度生产实践中。
Description
技术领域
本发明涉及水库泥沙调度技术领域，特别是涉及一种基于预构泥沙信息库的水沙联合优化调度方法。
背景技术
天然河流上修建水库后，破坏了河道与来水来沙的相对平衡状态，使河道的侵蚀基面发生较大变化，必然引起库区内泥沙的落淤。泥沙淤积程度和分布与水库使用寿命、防洪安全、发电效益、航道条件、工程安全等密切相关，仅靠表征水库蓄泄关系的径流调度显然无法度量。在水资源日趋紧缺的今天，通过将水沙动力学与运筹学相结合，进行水沙联合调度是满足水资源高效精细运用需求，平衡泥沙管理与兴利效益间矛盾的有效措施。
现有将泥沙调度与径流调度结合的方法可分为：①数学模型法。将泥沙数学模型引入优化调度模型，作为一个子模型，与径流调度模型同步求解计算，得出泥沙特征值参与寻优。②经验公式法。针对特定问题或区域，通过实测资料统计或理论分析，建立泥沙特征指标和调度参数之间的经验或半经验关系，并在优化调度模型中加以利用。
上述方法存在的问题是：①泥沙淤积计算数学模型的计算时间尺度与径流调度模型在量级上存在巨大差异，直接使用泥沙数学模型对每个个体进行计算会严重影响整个优化过程的寻优速度。尤其是当需要求解二维水沙数学模型时，计算耗时更长，在实际运用通常难以实现。②采用经验公式可以有效解决运算效率的问题，但由于其一般针对特定问题统计分析得出，对基础资料要求较高且难以在不同河流或工程中移植运用。
发明内容
针对现有技术的不足，本发明提出了一种基于预构泥沙信息库的水沙联合优化调度方法。
为了解决上述技术问题，本发明采用的技术方案是：一种基于预构泥沙信息库的水沙联合优化调度方法，包括以下具体步骤，
(1)耦合泥沙调度目标建立水沙联合优化调度模型；
(2)预先求解泥沙数学模型，构建由泥沙调度特征指标组成的泥沙信息库；
(3)利用泥沙信息库对BP神经网络进行训练、拟合；
(4)采用遗传算法并结合BP神经网络求解水沙联合优化调度模型。
所述步骤(1)耦合泥沙调度目标建立水沙联合优化调度模型的具体步骤如下：
(1)确定由长期利用子目标和航道条件子目标组成的泥沙调度目标：
长期利用子目标：
式中，DV(θ)为水库淤积平衡后的有效库容保留比，V(θ)和V(0)分别为优化策略θ和设计运行策略下变动回水区平衡淤积量，θ＝1，N为给定水库优化设计运行策略，N为优化运行策略总数。maxDV表征泥沙调度的长期利用子目标为水库有效库容剩余最大。
航道条件子目标：minVnavi(θ) (2)
式中，Vnavi(θ)为优化策略θ下典型河段目标时刻碍航淤积量，θ＝1，N为给定水库优化设计运行策略，N为优化运行策略总数。minVnavi表征泥沙调度的航道条件子目标为目标时刻典型河段碍航淤积量最小。
(2)确定水库防洪和发电目标：
水库防洪调度目标为在保证防护区安全的条件下，取同一运行策略下所需防洪库容的最大值，不同运行策略下取各种策略所需最大防洪库容的最小值，表示为：
min{max[Vflood(θ,t),t＝1,T]} (3)
式中，Vflood(θ,t)为优化策略θ下水库拦洪过程中所需防洪库容。
水库发电目标取为发电效益最大，表示为：
E(θ,t)＝KQHΔt (5)
其中，
为水库给定时间T内发电效益，E(θ,t)为给定水库在优化运行策略θ下某t时刻的发电量，K为出力系数，Q为发电流量，H为发电净水头，等于水库上、下游水位差Z上-Z下再减去水头损失ΔH，水头损失ΔH可按枢纽流量～水头损失关系计算，Δt为时段长度。
(3)采用约束法将多目标问题转化为单目标，将发电量作为优化目标，而将防洪、航道、水库长期使用目标转化为约束条件，从而建立水沙联合优化调度模型。
所述步骤(2)泥沙信息库所包含的泥沙调度特征指标，包括水库变动回水区平衡淤积量样本集V(α)，目标时刻典型碍航河段航道碍航淤积量样本集Vnavi(β)，分别由一维水沙数学模型和平面二维水沙数学模型预先求解得出。其中，其中α＝1,N1和β＝1,N2分别为水库不同运行策略样本，N1和N2分别为样本数。
所述步骤(3)利用泥沙信息库对BP神经网络进行训练、拟合，得到泥沙特征指标值与水库运行策略个体的BP神经网络关系：
V(α)＝f1(α) (6)
Vnavi(β)＝f2(β) (7)
所述步骤(4)采用遗传算法并结合BP神经网络求解水沙联合优化调度模型中，个体泥沙调度目标值或约束值由BP神经网络关系式(6)和式(7)计算得出。
本发明的技术效果：与已有方法相比，本方案通过求解泥沙数学模型预构建由泥沙调度特征指标组成的信息库，进而利用BP神经网络拟合得出泥沙特征指标与运行策略的关系，并直接应用于水沙联合优化调度模型求解，即有效解决了泥沙数学模型计算时间尺度与径流调度不一致的问题，也克服了传统经验公式法所需资料多且难以推广应用的缺点，可广泛应用于水库或梯级水库的泥沙设计与多目标优化调度生产实践中。
附图说明
图1为本发明实施例的基于预构泥沙信息库的水沙联合优化调度流程示意图。
图2为本发明实施例的泥沙信息库样本及BP神经网络训练结果对比图。
具体实施方式
下面结合附图对本发明进行进一步说明：
本发明提出了一种基于预构泥沙信息库的水沙联合优化调度方法。其基本思路是：首先耦合泥沙调度目标建立水沙联合优化调度模型，并利用求解泥沙数学模型得出的泥沙调度各特征指标预构建泥沙信息库，进而利用信息库对BP神经网络进行训练、拟合，最终采用遗传算法和BP神经网络求解水沙联合优化调度模型，得出优化调度方案。本发明技术方案提供的流程可采用计算机软件技术实现自动运行，其具体流程详见图1.
下面通过实施例，并结合附图，对本发明的技术方案做进一步具体说明。
一种基于预构泥沙信息库的水沙联合优化调度方法，包括以下步骤：
步骤1，耦合泥沙调度目标建立水沙联合优化调度模型。包括步骤1.1、步骤1.2和步骤1.3。该步骤的重点是合理拟定泥沙调度目标，在与其他目标耦合的基础上，采用约束法将多目标问题转化为单目标，从而建立水沙联合优化调度模型。
步骤1.1，确定泥沙调度目标。泥沙调度目标由长期利用子目标和航道条件子目标组成。实施例采用平衡条件下水库有效库容保留比表示长期利用子目标：
式中DV(θ)为水库淤积平衡后的有效库容保留比，V(θ)和V(0)分别为优化策略θ和设计运行策略下变动回水区平衡淤积量，θ＝1，N为给定水库优化设计运行策略，N为优化运行策略总数。水库有效库容剩余越多，使用寿命就越长，兴利效益也会越大。
实施例采用目标时刻典型河段碍航淤积量表示航道条件子目标：
minVnavi(θ) (2)
式中Vnavi(θ)为优化策略θ下典型河段目标时刻碍航淤积量，θ＝1，N为给定水库优化设计运行策略，N为优化运行策略总数。目标时刻典型河段碍航淤积量越小，优良航道条件维持时间越长，航运效益越大。
步骤1.2，确定水库防洪和发电目标。实施例中，
水库防洪调度目标为在保证防护区安全的条件下，取同一运行策略下所需防洪库容的最大值，不同运行策略下取各种策略所需最大防洪库容的最小值，表示为：
min{max[Vflood(θ,t),t＝1,T]} (3)
式中，Vflood(θ,t)为优化策略θ下水库拦洪过程中所需防洪库容，对不同洪水下蓄水状态的调洪库容取最大值表示该运行策略所需的调洪库容。
水库发电目标取为发电效益最大，表示为：
E(θ,t)＝KQHΔt (5)
其中，
为水库给定时间T内发电效益，E(θ,t)为给定水库在优化运行策略θ下某t时刻的发电量，K为出力系数，Q为发电流量，H为发电净水头，等于水库上、下游水位差Z上-Z下再减去水头损失ΔH，水头损失ΔH可按枢纽流量～水头损失关系计算，Δt为时段长度。
步骤1.3，采用约束法将多目标问题转化为单目标，将发电量作为优化目标，而将防洪、航道、水库长期使用目标转化为约束条件，从而建立水沙联合优化调度模型。优化目标函数为：
防洪目标转化水库调度中的防洪限制水位和下泄流量约束：
Z(θ,t)≤Zflood，Q下(θ,t)≤Qflood (7)
式中，Z(θ,t)和Q下(θ,t)分别为优化策略θ下t时段的坝前水位过程和下泄流量过程，Zflood为防洪限制水位，Qflood为防洪限制下泄流量。
泥沙调度航道目标转化为下游通航保证流量和设计运行策略下目标时刻典型河段碍航淤积量约束：
Q下(θ,t)≥Qnavi (8)
Vnavi(θ)<Vnavi(0)(9)
式中，Q下(θ,t)为优化策略θ下t时段的下泄流量过程，Qnavi为下游通航保证流量；Vnavi(θ)和Vnavi(0)分别为优化运行策略θ和设计运行策略下目标时刻典型河段碍航淤积量。
泥沙调度长期使用目标转化为水库淤积平衡后变动回水区淤积量约束：
V(θ)≤V(0) (10)
式中，V(θ)和V(0)分别为优化策略θ和设计运行策略下变动回水区平衡淤积量。
此外还包括其他水库一般调度水位和下泄流量约束值。
步骤2，求解泥沙数学模型得出泥沙调度各特征指标，包括变动回水区平衡淤积量V和目标时刻典型河段碍航淤积量Vnavi，从而预构建泥沙信息库。包括步骤2.1和步骤2.2。
步骤2.1，拟定N1个运行策略，分别求解以下水库一维水沙数学模型：
其中，A为河道待预测段各断面面积，g为重力加速度，R为河道各断面的水力半径，ql为河道旁侧流量，C为谢才系数，由曼宁公式计算求得
n为糙率系数根据河道实际情况进行经验取值，α为恢复饱和系数，取值范围为0.01～10，ω为泥沙沉速，B为河道断面宽度，S*为河道断面挟沙力，t为时间，x为相邻两端面之间的距离。
可以得到水库变动回水区平衡淤积量样本集V(α)，其中α＝1,N1，为水库不同运行策略，N1为样本数。
上述一维水沙数学模型的求解方法可以有多种，本发明的一个实施例中采用四点偏心隐格式法求解上述一维水沙数学模型。
步骤2.2，拟定N2个运行策略，求解以下平面二维水沙数学模型：
其中，U，V分别为ξ、η方向流速分量；Z为水位；H为水深；g为重力加速度；σξξ、σηη、σξη、σηξ为应力项，表达式如下：
Cξ、Cη为物理正交曲线坐标系中的拉梅系数：
f为柯氏力系数，f＝2ωsinΦ，ω为地球自转角速度，Φ为河段所处纬度。
其中，S、S*为分组粒径的含沙量及挟沙力；εξ、εη为坐标向的泥沙扩散系数。
可以得到目标时刻典型碍航河段航道碍航淤积量样本集Vnavi(β)，其中β＝1,N2，为水库不同运行策略，N2为样本数。
上述二维水沙数学模型的求解方法可以有多种，本发明的一个实施例中方程的数值离散采用有限体积法，离散方程的求解基于SIMPLEC算法；在求解过程中采用了以高斯-塞德尔迭代为主的迭代算法，并配合了超松弛和欠松弛技术。
步骤3，利用信息库对BP神经网络进行训练、拟合。利用步骤2中信息库中变动回水区平衡淤积量样本集V(α)和目标时刻典型碍航河段航道碍航淤积量样本集Vnavi(β)，分别对BP神经网络进行训练，以拟合泥沙特征指标值与水库运行策略个体的关系(如图2所示)：
V(α)＝f1(α) (23)
Vnavi(β)＝f2(β) (24)
步骤4，采用遗传算法求解步骤1所建立的水沙联合调度模型。采用遗传算法对设计运行策略进行优化，其中泥沙调度指标值由步骤3所建立BP神经网络拟合得到，使得优化策略后的水库在满足泥沙调度航道条件目标和使用寿命目标的同时获取最大的发电效益。主要流程如下：
①采用泥沙数学模型确定泥沙调度约束值V(0)和Vnavi(0)。
②确定需要优化运行策略指标。
③采用遗传算法进行模型求解。
④采用BP神经网络计算遗传算法中个体所对应的泥沙特征指标值。
⑤比较泥沙特征指标值与泥沙调度约束值并重复③～④。
⑥直至达到收敛准则或最大进化次数。
此时对应的调度策略，即为水沙联合优化调度方案。
应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种基于预构泥沙信息库的水沙联合优化调度方法，其特征在于包括以下步骤，
(1)耦合泥沙调度目标建立水沙联合优化调度模型；
(2)预先求解泥沙数学模型，构建由泥沙调度特征指标组成的泥沙信息库；
(3)利用泥沙信息库对BP神经网络进行训练、拟合；
(4)采用遗传算法并结合BP神经网络求解水沙联合优化调度模型。
2.如权利要求1所述的基于预构泥沙信息库的水沙联合优化调度方法，其特征在于：所述步骤(1)耦合泥沙调度目标建立水沙联合优化调度模型的具体步骤如下：
(1)确定由长期利用子目标和航道条件子目标组成的泥沙调度目标：
长期利用子目标：
式中，DV(θ)为水库淤积平衡后的有效库容保留比，V(θ)和V(0)分别为优化策略θ和设计运行策略下变动回水区平衡淤积量，θ为给定水库优化设计运行策略，maxDV表征泥沙调度的长期利用子目标为水库有效库容剩余最大；
航道条件子目标：minVnavi(θ) (2)
式中，Vnavi(θ)为优化策略θ下典型河段目标时刻碍航淤积量，minVnavi表征泥沙调度的航道条件子目标为目标时刻典型河段碍航淤积量最小；
(2)确定水库防洪和发电目标：
水库防洪调度目标为在保证防护区安全的条件下，取同一运行策略下所需防洪库容的最大值，不同运行策略下取各种策略所需最大防洪库容的最小值，表示为：
min{max[Vflood(θ,t),t＝1,T]} (3)
式中，Vflood(θ,t)为优化策略θ下水库拦洪过程中所需防洪库容；
水库发电目标取为发电效益最大，表示为：
E(θ,t)＝KQHΔt (5)
其中，
为水库给定时间T内发电效益，E(θ,t)为给定水库在优化运行策略θ下某t时刻的发电量，K为出力系数，Q为发电流量，H为发电净水头，等于水库上、下游水位差Z上-Z下再减去水头损失ΔH，水头损失ΔH可按枢纽流量～水头损失关系计算，Δt为时段长度；
(3)采用约束法将多目标问题转化为单目标，将发电量作为优化目标，而将防洪、航道、水库长期使用目标转化为约束条件，从而建立水沙联合优化调度模型。
3.如权利要求1所述的基于预构泥沙信息库的水沙联合优化调度方法，其特征在于：所述步骤(2)泥沙信息库所包含的泥沙调度特征指标，包括水库变动回水区平衡淤积量样本集V(α)，目标时刻典型碍航河段航道碍航淤积量样本集Vnavi(β)，并分别由一维水沙数学模型和平面二维水沙数学模型预先求解得出，其中，其中α和β为水库不同运行策略样本。
4.如权利要求3所述的基于预构泥沙信息库的水沙联合优化调度方法，其特征在于：所述步骤(3)利用泥沙信息库对BP神经网络进行训练、拟合，得到泥沙特征指标值与水库运行策略个体的BP神经网络关系：
V(α)＝f1(α) (6)
Vnavi(β)＝f2(β) (7)。
5.如权利要求1所述的基于预构泥沙信息库的水沙联合优化调度方法，其特征在于：所述步骤(4)采用遗传算法并结合BP神经网络求解水沙联合优化调度模型中，个体泥沙调度目标值或约束值由BP神经网络关系式(6)和(7)计算得出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010263002.5A CN111539153B (zh) | 2020-04-07 | 2020-04-07 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010263002.5A CN111539153B (zh) | 2020-04-07 | 2020-04-07 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111539153A true CN111539153A (zh) | 2020-08-14 |
| CN111539153B CN111539153B (zh) | 2023-12-08 |
Family
ID=71975098
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010263002.5A Active CN111539153B (zh) | 2020-04-07 | 2020-04-07 | 一种基于预构泥沙信息库的水沙联合优化调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111539153B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091359A (zh) * | 2022-01-21 | 2022-02-25 | 中国长江三峡集团有限公司 | 一种水库水沙预测模型训练、水库水沙预测方法及装置 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
| CN103440538A (zh) * | 2013-09-11 | 2013-12-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于航道水动力计算的梯级通航枢纽联合优化调度方法 |
| CN103473716A (zh) * | 2013-09-13 | 2013-12-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 异构模块采用标准化通信的梯级航电枢纽优化调度系统 |
| KR101497993B1 (ko) * | 2014-08-29 | 2015-03-05 | 연세대학교 산학협력단 | 준2차원 준정류 모형을 적용한 하천 퇴사 및 배사 해석 방법 및 장치 |
| US20150310366A1 (en) * | 2012-11-09 | 2015-10-29 | Tianjin University | Security region based security-constrained economic dispatching method |
| 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 |
| CN106407530A (zh) * | 2016-09-06 | 2017-02-15 | 长江水利委员会长江科学院 | 一种梯级水库泥沙冲淤同步联合计算方法 |
| WO2017188858A1 (en) * | 2016-04-28 | 2017-11-02 | Schlumberger Canada Limited | Reservoir performance system |
| US9811061B1 (en) * | 2001-05-18 | 2017-11-07 | The Energy Authority, Inc. | Method for management and optimization of hydropower generation and consumption |
| CN107480384A (zh) * | 2017-08-24 | 2017-12-15 | 北方民族大学 | 河道水流泥沙平面二维数值模拟方法和系统 |
| CN107491635A (zh) * | 2017-07-26 | 2017-12-19 | 华北电力大学 | 一种基于嵌套降维算法的梯级水库水沙联合优化调度方法 |
| CN108563837A (zh) * | 2018-03-21 | 2018-09-21 | 中国水利水电科学研究院 | 一种冲积河流水沙模型的模型参数实时校正方法和系统 |
| CN108763690A (zh) * | 2018-05-17 | 2018-11-06 | 华中科技大学 | 一种水轮机固定导叶叶型智能优化方法 |
| WO2019006733A1 (zh) * | 2017-07-06 | 2019-01-10 | 大连理工大学 | 一种跨省互联水电站群长期联合调峰调度方法 |
| CN109710959A (zh) * | 2018-08-23 | 2019-05-03 | 上海市水利工程设计研究院有限公司 | 一种水资源引清调度水体置换效果数值模拟方法 |
| CN110334383A (zh) * | 2019-05-09 | 2019-10-15 | 上海电力学院 | 基于ga和l-m组合优化的燃气轮机故障诊断专家系统方法 |
| CN110334851A (zh) * | 2019-06-03 | 2019-10-15 | 华中科技大学 | 一种考虑分蓄洪民埦运用的混联梯级水库联合防洪优化调度方法 |
| CN110400234A (zh) * | 2019-07-16 | 2019-11-01 | 重庆邮电大学 | 一种基于bp神经网络的城市供水调度方法及系统 |
-
2020
- 2020-04-07 CN CN202010263002.5A patent/CN111539153B/zh active Active
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9811061B1 (en) * | 2001-05-18 | 2017-11-07 | The Energy Authority, Inc. | Method for management and optimization of hydropower generation and consumption |
| US20150310366A1 (en) * | 2012-11-09 | 2015-10-29 | Tianjin University | Security region based security-constrained economic dispatching method |
| CN103049671A (zh) * | 2013-01-21 | 2013-04-17 | 武汉大学 | 一种自适应气候变化的水库多目标优化调度图编制方法 |
| CN103440538A (zh) * | 2013-09-11 | 2013-12-11 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于航道水动力计算的梯级通航枢纽联合优化调度方法 |
| CN103473716A (zh) * | 2013-09-13 | 2013-12-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 异构模块采用标准化通信的梯级航电枢纽优化调度系统 |
| KR101497993B1 (ko) * | 2014-08-29 | 2015-03-05 | 연세대학교 산학협력단 | 준2차원 준정류 모형을 적용한 하천 퇴사 및 배사 해석 방법 및 장치 |
| WO2017188858A1 (en) * | 2016-04-28 | 2017-11-02 | Schlumberger Canada Limited | Reservoir performance system |
| 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 |
| CN106407530A (zh) * | 2016-09-06 | 2017-02-15 | 长江水利委员会长江科学院 | 一种梯级水库泥沙冲淤同步联合计算方法 |
| WO2019006733A1 (zh) * | 2017-07-06 | 2019-01-10 | 大连理工大学 | 一种跨省互联水电站群长期联合调峰调度方法 |
| CN107491635A (zh) * | 2017-07-26 | 2017-12-19 | 华北电力大学 | 一种基于嵌套降维算法的梯级水库水沙联合优化调度方法 |
| CN107480384A (zh) * | 2017-08-24 | 2017-12-15 | 北方民族大学 | 河道水流泥沙平面二维数值模拟方法和系统 |
| CN108563837A (zh) * | 2018-03-21 | 2018-09-21 | 中国水利水电科学研究院 | 一种冲积河流水沙模型的模型参数实时校正方法和系统 |
| CN108763690A (zh) * | 2018-05-17 | 2018-11-06 | 华中科技大学 | 一种水轮机固定导叶叶型智能优化方法 |
| CN109710959A (zh) * | 2018-08-23 | 2019-05-03 | 上海市水利工程设计研究院有限公司 | 一种水资源引清调度水体置换效果数值模拟方法 |
| CN110334383A (zh) * | 2019-05-09 | 2019-10-15 | 上海电力学院 | 基于ga和l-m组合优化的燃气轮机故障诊断专家系统方法 |
| CN110334851A (zh) * | 2019-06-03 | 2019-10-15 | 华中科技大学 | 一种考虑分蓄洪民埦运用的混联梯级水库联合防洪优化调度方法 |
| CN110400234A (zh) * | 2019-07-16 | 2019-11-01 | 重庆邮电大学 | 一种基于bp神经网络的城市供水调度方法及系统 |
Non-Patent Citations (12)
| Title |
|---|
| CHEN, QW; YANG, QR AND LIN, YQ: "Development and application of a hybrid model to analyze spatial distribution of macroinvertebrates under flow regulation in the Lijiang River", 《ECOLOGICAL INFORMATICS》, vol. 6, no. 6, pages 407 - 413, XP028116964, DOI: 10.1016/j.ecoinf.2011.08.001 * |
| GANG MEI; NENGXIONG XU; JIAYU QIN; BOWEN WANG; PIAN QI: "A Survey of Internet of Things (IoT) for Geohazard Prevention: Applications, Technologies, and Challenges", vol. 7, no. 5, pages 4371, XP011788062, DOI: 10.1109/JIOT.2019.2952593 * |
| JIPING LIU, LIANG WANG, FUHAO ZHANG, LIHONG SHI: "Research on optimal allocation of water resources in the Qaidam Baidam based on GIS", 《IEEE》 * |
| RANI D,MOREIRA M M: "Simulation-Optimization Modeling:A survey and Potential A pplacation in Reservior Systems Operation", pages 1107 - 1138 * |
| ZHAO, JINQIONG: "Study on One Dimensional Mathematical Model for Unsteady Flow Sediment and Water Quality in Channel with a Sluice", 《ADVANCES IN COMPUTATIONAL MODELING AND SIMULATION》 * |
| 李继伟: "《梯级水库群多目标优化调度与决策方法研究》", 《 工程科技Ⅱ辑》 * |
| 甘富万;李义天;邓金运;陈建;: "水库排沙调度优化模型", no. 06 * |
| 练继建, 胡明罡, 刘媛媛: "《多沙河流水库水沙联调多目标规划研究》", 《水力发电学报》, no. 2 * |
| 练继建,胡明罡,刘媛媛: "多沙河流水库水沙联调多目标规划研究", no. 02 * |
| 肖杨;彭杨;王太伟;: "基于遗传算法与神经网络的水库水沙联合优化调度模型", no. 02, pages 9 - 13 * |
| 胡春宏;方春明;: "三峡工程泥沙问题解决途径与运行效果研究", 中国科学:技术科学, no. 08 * |
| 郑毅;方红卫;何国建;赵慧明;: "基于径向基函数的多闸门控制河流的洪水模拟", 清华大学学报(自然科学版), no. 12 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114091359A (zh) * | 2022-01-21 | 2022-02-25 | 中国长江三峡集团有限公司 | 一种水库水沙预测模型训练、水库水沙预测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111539153B (zh) | 2023-12-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN103440538B (zh) | 基于航道水动力计算的梯级通航枢纽联合优化调度方法 | |
| Liu et al. | Deriving optimal refill rules for multi-purpose reservoir operation | |
| CN111126847B (zh) | 耦合河道水动力过程的梯级水库短期优化调度方法和系统 | |
| CN109948235B (zh) | 水资源调度与精准化配置方法 | |
| CN103276686A (zh) | 一种梯级水库下游设计洪水的推求方法 | |
| CN114004003A (zh) | 一种适用于城区复杂下垫面的水库溃坝洪水数值模拟方法 | |
| CN103761583A (zh) | 一种水库排沙发电多目标优化调度方法 | |
| CN114861550A (zh) | 基于溢流污染负荷控制的分布式雨水调蓄池优化设计方法 | |
| CN112147901A (zh) | 一种状态饱和水务系统的事件触发滤波器设计方法 | |
| CN111985129A (zh) | 一种城市暴雨内涝精细化模拟方法 | |
| 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 | |
| CN111539153A (zh) | 一种基于预构泥沙信息库的水沙联合优化调度方法 | |
| CN107341567B (zh) | 梯级水库群的库容置换计算方法 | |
| CN115423346A (zh) | 一种明渠调水工程串联闸群汛期可调节能力实时测算方法 | |
| CN106320256A (zh) | 一种多沙河流抽水蓄能电站过机泥沙通量的确定方法 | |
| Han et al. | A coupled 1-D and 2-D channel network mathematical model used for flow calculations in the middle reaches of the Yangtze River | |
| CN111241467A (zh) | 一种多沙河流水库排沙比的计算方法 | |
| CN117172152A (zh) | 一种结合实测的风致雪漂移的cfd动网格数值模拟方法 | |
| CN111783345B (zh) | 一种基于河冰动力学的水冰沙耦合数值模拟方法 | |
| CN111461419B (zh) | 一种通航河流水库水沙联合调度方案生成方法 | |
| Zhang et al. | Influence of bridge piers shapes on the flow of the lower Yellow River | |
| CN110135033A (zh) | 一种蓄清排浑水库有效排沙期长度计算方法 | |
| CN116305452A (zh) | 一种流域尺度淤地坝拦沙量的动态计算方法 | |
| CN110442914B (zh) | 一种上下游水位敏感的水库群短期调度milp求解模型 | |
| Wei et al. | Optimization of Centrifugal Pump Impeller Based on Neural Network and NSGA-II Algorithm |
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 |