CN112241607B - 一种基于仿真并考虑气候变化的水资源规划方法 - Google Patents
一种基于仿真并考虑气候变化的水资源规划方法 Download PDFInfo
- Publication number
- CN112241607B CN112241607B CN202010894191.6A CN202010894191A CN112241607B CN 112241607 B CN112241607 B CN 112241607B CN 202010894191 A CN202010894191 A CN 202010894191A CN 112241607 B CN112241607 B CN 112241607B
- Authority
- CN
- China
- Prior art keywords
- model
- prediction
- water
- water resource
- models
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000008859 change Effects 0.000 title claims abstract description 54
- 238000013439 planning Methods 0.000 title claims abstract description 31
- 238000004088 simulation Methods 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 21
- 230000008878 coupling Effects 0.000 claims abstract description 21
- 238000010168 coupling process Methods 0.000 claims abstract description 21
- 238000005859 coupling reaction Methods 0.000 claims abstract description 21
- 238000007726 management method Methods 0.000 claims abstract description 17
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 239000010410 layer Substances 0.000 claims description 64
- 230000008569 process Effects 0.000 claims description 20
- 230000008901 benefit Effects 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 7
- 239000008235 industrial water Substances 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 239000002245 particle Substances 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
- 238000012549 training Methods 0.000 claims description 3
- 238000013468 resource allocation Methods 0.000 abstract description 5
- 239000002352 surface water Substances 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000001970 hydrokinetic effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- NUHSROFQTUXZQQ-UHFFFAOYSA-N isopentenyl diphosphate Chemical compound CC(=C)CCO[P@](O)(=O)OP(O)(O)=O NUHSROFQTUXZQQ-UHFFFAOYSA-N 0.000 description 1
- 238000011430 maximum method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
-
- 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
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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)
- Life Sciences & Earth Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Physiology (AREA)
- Pure & Applied Mathematics (AREA)
- Genetics & Genomics (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
Abstract
本发明公开了一种基于仿真并考虑气候变化的水资源规划方法，用于支持复杂和不确定性条件下不同水部门间的区域水资源管理；所述方法耦合了多种预测模型来对研究区域内的地表水资源量以及区域内部各大用水部门的需水量进行了合理的预测，此耦合预测模型相对于单一预测模型能够在一定程度上使预测精度得到提高，同时，构造不同的气候变化情景来驱动耦合预测模型，有效解决未来气候变化对水资源配置的影响的局限性。在此基础上，建立了考虑多重不确定性的双层多目标规划模型，通过混合算法对构建的优化模型进行有效求解，最终得到考虑气候变化和情景分析下供选择的合理水资源优化配置方案。
Description
技术领域
本发明涉及智能算法与不确定性水资源优化配置技术领域，具体涉及将人工智能算法与不确定性优化技术相结合进行水资源调度管理，同时构建未来气候变化进行情景分析的水资源规划方法。
背景技术
随着社会的发展和城市的扩张，区域水资源不可持续的规划和管理加剧了水资源供需的不平衡，导致地表水的严重浪费和地下水的严重开采。此外，极端天气条件会影响现有供水的不确定性，导致水管理系统面临经济风险，从而对水资源配置造成障碍。因此，基于合理有效水资源预测的水资源配置是一个全球性的热点问题。
同样地，流域水资源系统是一个复杂的、不确定性的系统。传统的规划方法在考虑复杂性和不确定性方面往往不够全面。例如，系统的不确定性主要有三类因素导致的，1)水资源的供水量和需水量的不确定性：可供用水受到气候变化而带来的不确定性，使得可供用水量在一定范围内变化，此外不同部门对于水资源的需求也不尽相同。2)模型中参数的不确定性：用水收益、成本等经济学参数或者漏损系数等技术性参数，这些参数往往会因为市场经济的波动、技术的好坏等因素的影响。3)数据参数收集过程的不确定性：一些数据缺失，数据资料不足必定会带来一些不确定性。可用水性以及与水有关的事件可能都可能受到气候变化因素，以及主观或者客观因素而带来的不确定性，这只能通过有效的模拟预测技术以及不确定性优化技术相结合来体现。此外，水资源利用的多目标可能不仅对单个决策者而言，而且对多层决策者而言都与此相关。另一方面，以往的多目标模型求解方法更多的是通过降维方法将多目标问题转化为单目标问题进而获得最优解，使得在最终的结果存在有一定的主观影响。由于不同决策者对不同目标的偏好存在差异，多个目标不能同时达到最优，这种条件下得到的最优方案仍然忽略了层次关系，同时对解决以上问题存在一定的难度。
因此，许多水资源管理的实际问题变得极为复杂，需要更加综合、先进的方法来应对这些问题，建立先进的工具来支持水资源管理。
发明内容
本发明的目的是提供一种基于仿真并考虑气候变化的水资源规划方法，该方法用于为流域水资源调配提供决策，达到全面并且有效管理水资源的目的。
为了实现上述任务，本发明采用以下技术方案：
一种基于仿真并考虑气候变化的水资源规划方法，包括以下步骤：
利用收集到的影响地表径流量的气象因子数据，采用主成分分析法对所述气象因子数据进行预处理和归一化处理，分别输入到经遗传算法GA优化的BP神经网络模型以及多元非线性回归模型进行年地表径流量的预测，然后基于实测的水文气象历史数据对两种模型进行验证，通过验证确定两种预测模型；用两种预测模型输出的预测值和残差来分别驱动马尔科夫链模型以对预测模型进行优化，再通过最小二乘法来耦合两个预测模型，得到耦合预测模型；构建未来气候变化情景数据来驱动耦合预测模型，得到来来年地表径流量的组合预测结果；
基于历史数据的分析和预处理，采用多元非线性回归模型来拟合农业用水量、生态用水量与气象因子之间的复杂非线性关系，将模型的预测值和残差输入到马尔科夫链模型进行校正预测；利用所述未来气候变化情景数据来驱动模型，得到未来不同情景下的农业用水量和生态用水量的预测结果；对于生活用水量和工业用量，构建灰色模型并基于马尔科夫链进行优化；利用优化后的灰色模型实现对生活用水量和工业用水量的预测；
基于预测的各气候变化情景下年地表径流量的预测结果、各部门用水量的预测结果，在分析水资源管理系统中的复杂决策过程以及存在不确定性参数的情况下构建优化模型，求解优化模型得到最终的水资源优化配置结果。
进一步地，所述基于实测的水文气象历史数据对两种模型进行验证，通过验证确定两种预测模型，包括：
基于相对误差REi和相关系数CC，利用实测的水文气象历史数据对模型的可靠性进行验证；
CC的范围为0～1，CC越大，模型仿真能力越好，效率越高；通过多次构建、训练并验证两种模型，分别选择仿真能力最好的两个模型作为预测模型。
进一步地，所述用两种预测模型输出的预测值和残差来分别驱动马尔科夫链模型以对预测模型进行优化，再通过最小二乘法来耦合两个预测模型，得到耦合预测模型，包括：
分别使用两种预测模型在验证时计算得出的残差和相对误差序列的绝对值来驱动马尔科夫链，根据相对误差REi序列绝对值的具体分布情况来划分状态区间，确定序列状态，随后分别求得GA-BP神经网络模型和多元非线性回归模型的状态转移概率矩阵；根据上述过程可以得到基于马尔科夫链优化后的预测模型，即GA-BP神经网络和多元非线性回归模型的预测结果；最后采用最小二乘法来耦合两个优化后的预测模型，得到耦合预测模型的优化结果并作为耦合预测模型。
进一步地，所述构建未来气候变化情景数据，包括：
基于历史观测到的气象数据进行数据分析，划分各气象因子数据的变化区间范围后，再对气象因子数据进行排列组合，得到未来气候变化情景数据；其中，组合后的一组气象因子数据即为一种气候变化情景。
进一步地，所述在分析水资源管理系统中的复杂决策过程以及存在不确定性参数的情况下构建优化模型，包括：
构建基于随机模糊变量的双层多目标规划模型作为所述优化模型，具体如下：
上层决策过程：
(1-1)最大化系统经济效益：
(1-2)最大化系统社会效益：
(1-3)最大化系统生态效益：
下层决策过程：
(2-1)最大化各个子区域经济净效益：
(2-2)最大化各个子区域配水满意度：
约束条件：
(3-1)可利用水资源量约束：
(3-2)需水约束
(3-3)输水工程输水能力约束：
(3-4)非负约束：
模型的具体参数定义如下：
i 子区域，(1…，I)；
j 用水部门，(1…，J)；
max/min 上标最大/最小；
± 具有上界和下界的区间参数的上标；
上层目标函数1/2/3；
下层目标函数1i/2i；
Gini± 基尼系数；
Ben± 经济效益；
ECO± 生态环境效益；
子区域i的经济效益；
分配给子区域i部门j的水资源量；
衡量每个用水部门配水公平的指标；
子区域i部门j的水利用单位收益/成本；
COD± 污染物中COD的含量，％；
子区域i部门j污水排放中污染物的含量，％；
Pr{·} 随机机会约束；
pm 随机机会约束规划违背概率，pm∈[0，1]；
λRFV 在运输过程中的水损率，％，随机模糊变量
η± 水资源开发速率系数，％
Q 总的可用水量；
Dij.min/Dij.max 子区域i部门j的最小/最大需水量
Qi.max 子区域i的最大可用水量。
进一步地，所述求解优化模型得到最终的水资源优化配置结果，包括：
步骤3-1，使用三角模糊数来表征λRFV，构建相应的模糊隶属度函数，然后再给定不同的切割水平α和违背概率pm，转化基于随机模糊变量的机会约束规划为区间线性约束；
步骤3-2，使用两步交互式算法将所述双层多目标规划模型的上层和下层的区间多目标子模型分别转化对应的确定性的上限、下限多目标子模型；
步骤3-3，采用非支配排序遗传算法II对确定性上/下层的上/下限多目标模型求解；
步骤3-4，上下层交互反馈，即将上层求得的结果代入下层模型中，下层求得的结果代入上层模型中，构造出对应的上下层模型的边界条件；
步骤3-5，构造上层、下层目标函数以及决策变量的隶属度函数如下：
采用模糊协调度方法转变为单层规划如下：
maxΔ±
Δ±∈[0.1]
后文会对上述参数做出详细说明。
步骤3-6，重复上述步骤3-1和3-2，转换步骤3-5构建的模型为上、下限两个子模型；
步骤3-7，采用粒子群算法PSO对上述转换后的模型进行求解，生成最终的方案结果；
步骤3-8，继续输入不同预测的各气候变化情景下年地表径流量的预测结果、各部门用水量的预测结果
步骤3-9，继续输入的给定得不同的切割水平α和机会约束违背概率pm，重复步骤3-2～步骤3-7；
步骤3-10，输出水资源优化配置方案。
与现有技术相比，本发明具有以下技术特点：
本发明将多种预测模型进行耦合来对区域内的未来气候变化情景下的地表径流量以及各大用水部门的需水量进行合理预测，能有效克服传统的采用单一预测模型来预测水资源量和需求量在预测精确度方面的不足和很少考虑未来气候变化对后续水资源优化配置的影响的局限性。同时，有效地将不确定性优化技术和双层多目标规划模型进行结合，以此构建了基于随机模糊变量的双层多目标规划模型，此外，通过两步交互式算法和多种模糊理论结合来转变系统中的不确定性参数和双层决策结构、再通过混合人工算法的综合模型求解方法，在此基础上对构建的复杂优化模型进行有效求解，最终得到考虑气候变化和情景分析下水资源优化配置方案，其结果可为水资源综合管理提供理论支持。
附图说明
图1为本发明中步骤1的具体流程图；
图2为本发明中步骤2的具体流程图；
图3为本发明中步骤3的具体流程图。
具体实施方式
为对区域内有限的水资源量进行合理的优化管理，本发明提出了一种综合的“预测-管理”模型框架，用于支持复杂和不确定性条件下不同水部门间的区域水资源管理。简单的可概述为耦合了多种预测模型来对研究区域内的地表水资源量以及区域内部各大用水部门的需水量进行了合理的预测，此耦合预测模型相对于单一预测模型能够在一定程度上使预测精度得到提高，同时，构造不同的气候变化情景来驱动耦合预测模型，有效解决未来气候变化对水资源配置的影响的局限性。在此基础上，然后建立了考虑多重不确定性的双层多目标规划模型，通过混合算法对构建的优化模型进行有效求解，最终得到考虑气候变化和情景分析下供选择的合理水资源优化配置方案。
本发明提供了一种基于仿真并考虑气候变化和情景分析的不确定性水资源规划方法。其仿真过程包括了地表径流的模拟和流域各用水部门的需水预测，而水资源管理则考虑了多重不确定性和双层决策过程。具体包括以下步骤：
步骤1，利用收集到的影响地表径流量的气象因子数据，采用主成分分析法对所述气象因子数据进行预处理，通过主成分分析来降低数据计算量，提取主要成分，提高后续的运算效率；然后对经预处理后的数据进行归一化处理，进一步分别输入到经遗传算法GA优化的BP神经网络模型以及多元非线性回归模型进行年地表径流量的预测，然后基于实测的水文气象历史数据对模型进行验证，得到预测模型，确保模型的适用性；再用两个预测模型输出的预测值和残差来分别驱动马尔科夫链模型以对预测模型进行优化，此外再通过最小二乘法来耦合两个预测模型，得到耦合预测模型，以达到校正预测结果的目的；构建未来气候变化情景数据来驱动耦合预测模型，最终得到来来年地表径流量的组合预测结果。
步骤1主要是建立耦合模型来响应未来气候变化的影响，达到有效预测地表年径流的结果。具体的实现步骤如下：
步骤1-1，对影响地表径流量影响的气象因子数据进行主成分分析；其中，影响地表径流量影响的气象因子主要包括：年降雨量、年均温、最高温、最低温、年总光照时间等。
步骤1-2，采用最小最大法对步骤1-1处理后的数据进行归一化处理：
其中：为处理后的数据；y为原始数据；ymax和ymin分别表示数据中的最大值和最小值。
步骤1-3，基于MATLAB软件，利用归一化后的数据分别构建GA-BP神经网络模型和多元非线性回归模型，来进行年地表径流量预测。
在该步骤中，以气象因子数据分别作为上述两种模型的输入，以年地表径流量作为输出；采用遗传算法GA来优化BP神经网络，得到状态最优的连接权值和阈值，使网络性能得到改善。
步骤1-4，输出两种模型对年地表径流量预测的预测值和残差，然后基于相对误差REi和相关系数CC，利用实测的水文气象历史数据对模型的可靠性进行验证：
残差i＝Gi-Ri
式中：Gi为年地表径流量实测值，为年地表径流量实测值的均值；Ri为年地表径流量预测值，/>为年地表径流量均值，n为样本的数量；
CC的范围为0～1，CC越大，模型仿真能力越好，效率越高；通过多次构建、训练并验证两种模型，分别选择仿真能力最好的两个模型作为预测模型。
步骤1-5，分别使用两种预测模型在验证时计算得出的残差i和相对误差REi序列的绝对值来驱动马尔科夫链，根据相对误差REi序列绝对值的具体分布情况来划分状态区间，确定序列状态，随后分别求得GA-BP神经网络模型和多元非线性回归模型的状态转移概率矩阵；根据上述过程可以得到基于马尔科夫链优化后的预测模型，即GA-BP神经网络和多元非线性回归模型的预测结果；最后采用最小二乘法来耦合两个优化后的预测模型，得到耦合预测模型的优化结果并作为耦合预测模型；
步骤1-6，基于历史观测到的气象数据进行数据分析，划分各气象因子数据的变化区间范围后，再对气象因子数据进行排列组合，得到未来气候变化情景数据；其中，组合后的一组气象因子数据即为一种气候变化情景。
以下以影响因素年均温和年降雨量实际观测结果为例，可通过构建如下的表格进行数据的划分与记录：
上表中，T表示年均温，P表示年降雨量，a、b、c、d表示温度区间变化参数，e、f、g、h表示年降雨量区间变化参数。
步骤1-7，利用上述构建的未来气候变化情景数据来驱动耦合预测模型，得到各气候变化情景下年地表径流量的预测结果。
步骤2，用水量根据用途可分为工业用水、生活用水、农业用水和生态用水四大用水部门，通常农业需水量以及生态需水量都会受到气象因素的影响，而工业用水量以及生活用水量受这些因素的影响较小。所以本发明基于历史数据的分析，采用多元非线性回归模型来拟合农业/生态用水量与气象因子之间的复杂非线性关系，将模型的预测值和残差输入到马尔科夫链模型进行校正预测。同样的利用上一步构建的未来气候变化情景数据来驱动模型，得到未来不同情景下的农业用水量和生态用水量的预测结果。相对于以上，生活用水量和工业用水量受气候影响较小，则直接采用“灰色模型+马尔科夫链模型”来预测即可。
步骤2主要是建立第二耦合预测模型来响应未来气候变化的影响，预测四大用水部门的未来需水量；具体的实现步骤如下：
步骤2-1，对影响农业、生态用水量的气象因子数据进行主成分分析，然后对分析结果数据进行归一化处理；其中影响农业、生态用水量的气象因子数据主要包括：年均温、年总光照时间、最高温、最低温等。
步骤2-2，以分析后的气象因子数据作为自变量，农业用水量、生态用水量为因变量，基于MATLAB软件拟合多元非线性回归模型，得到农业和生态模型，并基于相对误差REi和相关系数CC，对分别对两种模型的性能进行验证，确定仿真能力最好的农业和生态模型。
步骤2-3，使用确定的农业和生态模型在验证时计算得出的残差i和预测相对误差REi序列绝对值来驱动马尔科夫链，根据REi序列绝对值的具体分布情况来划分状态区间，确定序列状态，随后求得此农业和生态模型的状态转移概率矩阵；根据上述过程可以得到基于马尔科夫链优化后的农业和生态模型。
步骤2-4，利用未来气候变化情景数据依次来驱动上述的农业和生态模型，得到各气候变化情景下的农业用水量和生态用水量预测结果。
步骤2-6，生活和工业需水受气候变化的影响较小，因此对于生活用水量和工业用量，构建灰色模型并基于马尔科夫链进行优化；利用优化后的灰色模型实现对生活用水量和工业用水量的预测。
步骤3，基于预测的各气候变化情景下年地表径流量的预测结果、各部门用水量的预测结果，在充分分析水资源管理系统中的复杂决策过程以及存在不确定性参数的情况下构建优化模型，求解优化模型得到最终的水资源优化配置结果，为决策者提供一定的指导和支持建议。
步骤3主要是建立考虑多重不确定性的双层多目标规划模型，以及采用混合智能算法对此复杂模型进行求解，以上述步骤1、2构建的各组合预测模型输出值作为此优化模型的输入值。
水资源系统管理时存在诸多的不确定性问题，比如一些与水利用相关联的经济参数受到市场波动的影响，其单位成本/收益通常会呈现一个波动区间，可以采用区间参数规划IPP来解决此类问题；另一些与水资源相关的技术参数，例如水资源输送过程中的水损率则可以表现为随机参数，然而这类参数在数据获得或者测量时由于主观因素的干扰，使得数据本身又带有模糊性，即为随机模糊变量RFV，则有必要将模糊理论与随机数学规划相结合来解决此类问题。此外，对于实际的流域水管理问题，通常涉及到多个决策者(流域当局和行政管理者等)，他们之间层次分明，相互制约矛盾。同时，不同的决策者可能会倾向于多个不同的目标。上层决策者通常更加系统的看待问题，倾向于获得整体的经济、社会以及生态环境效益；而下层决策者则更加希望获得自身最佳的效益和满意度。
构建基于随机模糊变量的双层多目标规划模型作为所述优化模型，具体如下：
上层决策过程：
(1-1)最大化系统经济效益：
(1-2)最大化系统社会效益：
(1-3)最大化系统生态效益：
下层决策过程：
(2-1)最大化各个子区域经济净效益：
(2-2)最大化各个子区域配水满意度：
约束条件：
(3-1)可利用水资源量约束：
(3-2)需水约束
(3-3)输水工程输水能力约束：
(3-4)非负约束：
模型的具体参数定义如下：
多重不确定性和双层层次结构是求解这个优化模型的难点，基于随机模糊变量的机会约束规划则可以通过模糊集理论(即构建相应的隶属度函数)和随机规划理论转化为典型的区间型约束；区间参数规划可以采用两步交互式算法将优化模型转化为两个上下限子模型来去除区间不确定性；双层层次结构可以基于模糊协调度方法转化为单层规划来求解。
此优化模型的综合求解过程如下：
步骤3-1，使用三角模糊数来表征λRFV，构建相应的模糊隶属度函数，然后再给定不同的切割水平α和违背概率pm，转化基于随机模糊变量的机会约束规划为区间线性约束；
步骤3-2，使用两步交互式算法将前文步骤3中构建的双层多目标规划模型的上层和下层的区间多目标子模型分别转化对应的确定性的上限、下限多目标子模型；
步骤3-3，采用非支配排序遗传算法II(NSGA-II)对确定性上/下层的上/下限多目标模型求解；
步骤3-4，上下层交互反馈，即将上层求得的结果代入下层模型中，下层求得的结果代入上层模型中，构造出对应的上下层模型的边界条件，得到各目标函数所能接受的最大边界值和/>
步骤3-5，构造上层、下层目标函数以及决策变量/>的隶属度函数如下：
上述式子中，为步骤3-3中求得的上层多目标模型的决策解，/>和/>分别表示之前构建的优化模型中上层、下层决策的目标函数，其中U指代Upper-level，L代表Lower-level，/>则表示分别求得的上层和下层多目标模型的目标函数值；此外，/>和/>分别表示上、下层目标函数以及决策变量/>所能接受的最大边界值。
采用模糊协调度方法转变为单层规划如下：
maxΔ±
/>
Δ±∈[0.1]
Δ表示满意度，其范围为0～1。
步骤3-6，重复上述步骤3-1和3-2，转换步骤3-5构建的模型为上、下限两个子模型；
步骤3-7，采用粒子群算法PSO对上述转换后的模型进行求解，生成最终的方案结果；
步骤3-8，继续输入不同预测的各气候变化情景下年地表径流量的预测结果、各部门用水量的预测结果
步骤3-9，继续输入的给定得不同的切割水平α和机会约束违背概率pm，重复步骤3-2～步骤3-7；
步骤3-10，通过不断的循环过程，输出一系列供选择的水资源优化配置方案。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (3)
1.一种基于仿真并考虑气候变化的水资源规划方法，其特征在于，包括以下步骤：
利用收集到的影响地表径流量的气象因子数据，采用主成分分析法对所述气象因子数据进行预处理和归一化处理，分别输入到经遗传算法GA优化的BP神经网络模型以及多元非线性回归模型进行年地表径流量的预测，然后基于实测的水文气象历史数据对两种模型进行验证，通过验证确定两种预测模型；用两种预测模型输出的预测值和残差来分别驱动马尔科夫链模型以对预测模型进行优化，再通过最小二乘法来耦合两个预测模型，得到耦合预测模型；构建未来气候变化情景数据来驱动耦合预测模型，得到来年地表径流量的组合预测结果；
基于历史数据的分析和预处理，采用多元非线性回归模型来拟合农业用水量、生态用水量与气象因子之间的复杂非线性关系，将模型的预测值和残差输入到马尔科夫链模型进行校正预测；利用所述未来气候变化情景数据来驱动模型，得到未来不同情景下的农业用水量和生态用水量的预测结果；对于生活用水量和工业用量，构建灰色模型并基于马尔科夫链进行优化；利用优化后的灰色模型实现对生活用水量和工业用水量的预测；
基于预测的各气候变化情景下年地表径流量的预测结果、各部门用水量的预测结果，在分析水资源管理系统中的复杂决策过程以及存在不确定性参数的情况下构建优化模型，求解优化模型得到最终的水资源优化配置结果；
所述基于实测的水文气象历史数据对两种模型进行验证，通过验证确定两种预测模型，包括：
基于相对误差REi和相关系数CC，利用实测的水文气象历史数据对模型的可靠性进行验证；
CC的范围为0～1，CC越大，模型仿真能力越好，效率越高；通过多次构建、训练并验证两种模型，分别选择仿真能力最好的两个模型作为预测模型；
所述用两种预测模型输出的预测值和残差来分别驱动马尔科夫链模型以对预测模型进行优化，再通过最小二乘法来耦合两个预测模型，得到耦合预测模型，包括：
分别使用两种预测模型在验证时计算得出的残差和相对误差序列的绝对值来驱动马尔科夫链，根据相对误差REi序列绝对值的具体分布情况来划分状态区间，确定序列状态，随后分别求得GA-BP神经网络模型和多元非线性回归模型的状态转移概率矩阵；根据上述过程可以得到基于马尔科夫链优化后的预测模型，即GA-BP神经网络和多元非线性回归模型的预测结果；最后采用最小二乘法来耦合两个优化后的预测模型，得到耦合预测模型的优化结果并作为耦合预测模型；
所述在分析水资源管理系统中的复杂决策过程以及存在不确定性参数的情况下构建优化模型，包括：
构建基于随机模糊变量的双层多目标规划模型作为所述优化模型，具体如下：
上层决策过程：
(1-1)最大化系统经济效益：
(1-2)最大化系统社会效益：
(1-3)最大化系统生态效益：
下层决策过程：
(2-1)最大化各个子区域经济净效益：
(2-2)最大化各个子区域配水满意度：
约束条件：
(3-1)可利用水资源量约束：
(3-2)需水约束
(3-3)输水工程输水能力约束：
(3-4)非负约束：
模型的具体参数定义如下：
2.根据权利要求1所述的基于仿真并考虑气候变化的水资源规划方法，其特征在于，所述构建未来气候变化情景数据，包括：
基于历史观测到的气象数据进行数据分析，划分各气象因子数据的变化区间范围后，再对气象因子数据进行排列组合，得到未来气候变化情景数据；其中，组合后的一组气象因子数据即为一种气候变化情景。
3.根据权利要求1所述的基于仿真并考虑气候变化的水资源规划方法，其特征在于，所述求解优化模型得到最终的水资源优化配置结果，包括：
步骤3-1，使用三角模糊数来表征λRFV，构建相应的模糊隶属度函数，然后再给定不同的切割水平α和违背概率pm，转化基于随机模糊变量的机会约束规划为区间线性约束；
步骤3-2，使用两步交互式算法将区间上/下层多目标模型分别转化对应的确定性的上限、下限多目标子模型；
步骤3-3，采用非支配排序遗传算法II对确定性上/下层的上/下限多目标模型求解；
步骤3-4，上下层交互反馈，即将上层求得的结果代入下层模型中，下层求得的结果代入上层模型中，构造出对应的上下层模型的边界条件；
步骤3-5，构造上层、下层目标函数以及决策变量/>的隶属度函数如下：
其中，为步骤3-3中求得的上层多目标模型的决策解，/>和/>分别表示之前构建的优化模型中上层、下层决策的目标函数，/>则表示分别求得的上层和下层多目标模型的目标函数值；此外，/>和/>分别表示上、下层目标函数以及决策变量/>所能接受的最大边界值；
采用模糊协调度方法转变为单层规划如下：
其中，Δ表示满意度，其范围为0～1；
步骤3-6，重复上述步骤3-1和3-2，转换步骤3-5构建的模型为上、下限两个子模型；
步骤3-7，采用粒子群算法PSO对上述转换后的模型进行求解，生成最终的方案结果；
步骤3-8，继续输入不同预测的各气候变化情景下年地表径流量的预测结果、各部门用水量的预测结果；
步骤3-9，继续输入的给定得不同的切割水平α和机会约束违背概率pm，重复步骤3-2～步骤3-7；
步骤3-10，输出水资源优化配置方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010894191.6A CN112241607B (zh) | 2020-08-31 | 2020-08-31 | 一种基于仿真并考虑气候变化的水资源规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010894191.6A CN112241607B (zh) | 2020-08-31 | 2020-08-31 | 一种基于仿真并考虑气候变化的水资源规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112241607A CN112241607A (zh) | 2021-01-19 |
| CN112241607B true CN112241607B (zh) | 2023-07-28 |
Family
ID=74170578
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010894191.6A Active CN112241607B (zh) | 2020-08-31 | 2020-08-31 | 一种基于仿真并考虑气候变化的水资源规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112241607B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| JPWO2022224527A1 (zh) * | 2021-04-19 | 2022-10-27 | ||
| CN113837891B (zh) * | 2021-08-09 | 2023-10-31 | 东北农业大学 | 一种应对气候变化的大面积农灌区水资源均衡高效调配方法 |
| 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 |
| CN117556941B (zh) * | 2023-10-20 | 2024-05-28 | 中水珠江规划勘测设计有限公司 | 基于反馈机制的需水预测方法、装置及电子设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563568A (zh) * | 2017-09-20 | 2018-01-09 | 福建四创软件有限公司 | 一种流域运行水位水质效益评估方法及系统 |
| 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 |
| CN110288149A (zh) * | 2019-06-24 | 2019-09-27 | 北京师范大学 | 多区域水资源供需风险评价方法及设备 |
-
2020
- 2020-08-31 CN CN202010894191.6A patent/CN112241607B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107563568A (zh) * | 2017-09-20 | 2018-01-09 | 福建四创软件有限公司 | 一种流域运行水位水质效益评估方法及系统 |
| 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 |
| CN110288149A (zh) * | 2019-06-24 | 2019-09-27 | 北京师范大学 | 多区域水资源供需风险评价方法及设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112241607A (zh) | 2021-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112241607B (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
| Wu et al. | An intuitionistic fuzzy multi-criteria framework for large-scale rooftop PV project portfolio selection: Case study in Zhejiang, China | |
| CN108491969B (zh) | 基于大数据的空间负荷预测模型构建方法 | |
| CN111160430A (zh) | 一种基于人工智能算法的水资源优化配置方法 | |
| CN107609787A (zh) | 基于自动生成预案的闸泵群联合自动调度方法 | |
| CN102426674B (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
| Sarmas et al. | ML-based energy management of water pumping systems for the application of peak shaving in small-scale islands | |
| CN111737853B (zh) | 一种基于swmm模型的低影响开发多目标区间优化配置方法 | |
| CN109063905B (zh) | 一种适应气候变化的水资源随机规划方法 | |
| CN104504280B (zh) | 电动汽车充电桩集群管理系统通信方式综合评价方法 | |
| CN104636834B (zh) | 一种改进的联合概率规划模型系统优化方法 | |
| CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
| Mrówczyńska et al. | A new fuzzy model of multi-criteria decision support based on Bayesian networks for the urban areas' decarbonization planning | |
| Adeleke et al. | A machine learning approach for investigating the impact of seasonal variation on physical composition of municipal solid waste | |
| CN114925874A (zh) | 一种基于bert神经网络模型的碳排量预判方法及装置 | |
| Kofinas et al. | Daily multivariate forecasting of water demand in a touristic island with the use of artificial neural network and adaptive neuro-fuzzy inference system | |
| CN114777192B (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
| Zhu et al. | A fuzzy robust nonlinear programming model for stream water quality management | |
| Wang et al. | Discussion on the prediction of engineering cost based on improved BP neural network algorithm | |
| Gholami et al. | Upscaling of spatial energy planning, phases, methods, and techniques: A systematic review through meta-analysis | |
| CN109325610B (zh) | 一种面向多水源梯级泵站调水系统的分段线性调度方法 | |
| CN116362421B (zh) | 一种基于能源综合统筹分析的供能分配预测系统及其方法 | |
| Bozorg-Haddad et al. | Allocation of reservoir releases under drought conditions: a conflict-resolution approach | |
| CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
| CN116014724A (zh) | 一种有源配电网网格化负荷预测方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |