CN111539153B - 一种基于预构泥沙信息库的水沙联合优化调度方法 - Google Patents

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

一种基于预构泥沙信息库的水沙联合优化调度方法

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)分别为水库优化运行策略θ和设计运行策略下变动回水区平衡淤积量，θ为水库优化运行策略，θ＝1，2，…N，为给定水库优化运行策略，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：minV_navi(θ) (2)

式中，V_navi(θ)为优化运行策略θ下典型河段目标时刻碍航淤积量，θ＝1，2，…N，为给定水库优化运行策略，N为优化运行策略总数。minV_navi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[V_flood(θ，t)，t＝1，T]} (3)

式中，V_flood(θ，t)为优化运行策略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)＝KQH△t (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，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V_navi(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＝1，2，…N₁和β＝１，２，…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)

V_navi(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)分别为优化运行策略θ和设计运行策略下变动回水区平衡淤积量，θ＝1，2，…N，为给定水库优化运行策略，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：

minV_navi(θ) (2)

式中V_navi(θ)为优化运行策略θ下典型河段目标时刻碍航淤积量，θ＝1，2，…N为给定水库优化运行策略，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[V_flood(θ，t)，t＝1，T]} (3)，

式中，V_flood(θ，t)为优化运行策略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，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)≤Z_flood，Q_下(θ，t)≤Q_flood (7)

式中，Z(θ，t)和Q_下(θ，t)分别为优化运行策略θ下t时段的坝前水位过程和下泄流量过程，Z_flood为防洪限制水位，Q_flood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)≥Q_navi (8)

V_navi(θ)＜V_navi(0) (9)

式中，Q_下(θ，t)为优化运行策略θ下t时段的下泄流量过程，Q_navi为下游通航保证流量；V_navi(θ)和V_navi(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)分别为优化运行策略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V_navi，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，q_l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＝1，2，…，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；σ_ξξ、σ_ηη、σ_ξη、σ_ηξ为应力项，表达式如下：

C_ξ、C_η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；ε_ξ、ε_η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V_navi(β)，其中β＝1，2，…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V_navi(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)

V_navi(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，使得优化运行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V_navi(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 (1)

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；

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)分别为水库优化运行策略θ和设计运行策略下变动回水区平衡淤积量，θ为水库优化运行策略，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：minV_navi(θ) (2)

式中，V_navi(θ)为优化运行策略θ下典型河段目标时刻碍航淤积量，minV_navi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[V_flood(θ，t)，t＝1，T]} (3)

式中，V_flood(θ，t)为优化运行策略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，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V_navi(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；

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)

V_navi(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(7)计算得出；

步骤(4)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V_navi(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讲化次数。