CN112418491A - 一种水库剩余拦沙库容动态配置方法 - Google Patents
一种水库剩余拦沙库容动态配置方法 Download PDFInfo
- Publication number
- CN112418491A CN112418491A CN202011230927.6A CN202011230927A CN112418491A CN 112418491 A CN112418491 A CN 112418491A CN 202011230927 A CN202011230927 A CN 202011230927A CN 112418491 A CN112418491 A CN 112418491A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- target
- storage capacity
- scheduling
- target reservoir
- 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 177
- 238000000034 method Methods 0.000 title claims abstract description 110
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 186
- 230000008569 process Effects 0.000 claims abstract description 62
- 230000008901 benefit Effects 0.000 claims abstract description 35
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000013461 design Methods 0.000 claims abstract description 30
- 238000011160 research Methods 0.000 claims abstract description 26
- 239000004576 sand Substances 0.000 claims description 69
- 230000000903 blocking effect Effects 0.000 claims description 46
- 238000005457 optimization Methods 0.000 claims description 36
- 238000004364 calculation method Methods 0.000 claims description 19
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000009467 reduction Effects 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 11
- 238000013178 mathematical model Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004062 sedimentation Methods 0.000 claims description 6
- 238000006424 Flood reaction Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000002265 prevention Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000009991 scouring Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 70
- 238000001514 detection method Methods 0.000 description 18
- 230000009286 beneficial effect Effects 0.000 description 13
- 230000005540 biological transmission Effects 0.000 description 9
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008021 deposition Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004584 weight gain Effects 0.000 description 1
- 235000019786 weight gain Nutrition 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- 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
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Architecture (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
Abstract
本发明公开了一种水库剩余拦沙库容动态配置方法，包括：根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集，对目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案，为实现水库综合利用效益提升提供一种有效途径；提高水库综合利用效益，有效地降低了成本。
Description
技术领域
本发明涉及水利工程建设与运行技术领域，尤其涉及一种水库剩余拦沙库容动态配置方法。
背景技术
水库是河流治理开发的重要工程措施。水库建成初期库区形态为天然河道形态，随后由于泥沙淤积损失库容逐渐减小直至淤满。多沙河流大型水库一般承担下游防洪淤积的重要任务，水库设计有拦沙库容，拦沙库容淤损速度与实际来水来沙条件、运用方式密切相关，库容淤满需要几年到几十年，在有利水沙条件及合理调度下，水库拦沙年限可能更长。如小浪底水库1997年下闸蓄水至今已有22年之久，截至2020年库区累计淤积量33亿方，仍有约42亿方剩余拦沙库容没有使用。在传统技术上，水库设计阶段各项控制指标一般按照库区淤积平衡后库容条件确定，水库拦沙库容仅用于拦沙，功能单一。
近期随着经济社会高速发展，人类逐水而居的天性使沿河两岸下垫面结构越来越复杂，社会、经济、生态环境的承灾能力更加脆弱，因此在流域防洪保安、水资源综合利用方面对水库调度提出了更多、更高的要求。如当前黄河下游主槽最小平滩流量为4350立方米每秒，滩区有190万人长期受到洪水威胁。而小浪底水库设计以防御大洪水、特大洪水为主，保滩流量为8000立方米每秒，未考虑当前黄河下游滩区防洪保安需求。在保持水库长期有效库容、保证水库及下游防洪安全条件下，如何突破水库原设计调度运用方式，研究拦沙库容多元化利用模式，进行剩余拦沙库容动态配置，是目前多沙河流水库运行管理领域研究的热点和难点，对提高水库综合利用效益有着重要意义。
发明内容
针对上述所显示出来的问题，本发明提出了一种水库剩余拦沙库容动态配置方法用以解决背景技术中提到的问题。
一种水库剩余拦沙库容动态配置方法，包括以下步骤：
根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位；
利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容；
根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集；
对所述目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案。
优选的，所述根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
从所述目标水库的库区地形资料以及入库实测流量、含沙量资料确定所述目标水库拦沙年限内历年库区淤积形态，求解得到所述目标水库的历年水位库容曲线；
从所述历年水位库容曲线中获取目标水库的设计汛限水位以下库容和综合利用蓄水库容；
将所述设计汛限水位以下库容减去所述综合利用蓄水库容获得目标水库历年的剩余拦沙库容；
对所述目标水库的历年剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位。
优选的，所述利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，包括：
从预设数据库中提取与所述目标水库相关的研究区防洪工程资料和保护区淹没资料；
分析所述研究区防洪工程资料和保护区淹没资料以选定所述目标水库原设计之外的多个调度目标；
确定所述多个调度目标中每项调度目标的控制指标和优先序；
获取所述目标水库的实测水文资料；
根据所述实测水文资料对研究区区域内的洪水泥沙进行分类分级；
根据各级各类的洪水泥沙模拟多个量级类型的洪水过程；
根据所述每项调度目标的控制指标和优先序计算不同量级不同类型的洪水过程需要目标水库提供的蓄水库容。
优选的，所述获取所述目标水库的实测水文资料包括：获取研究区域内目标时段内实测洪水泥沙资料，对实测洪水资料进行还原处理，系统分析场次洪水的时间、空间、水量、沙量等洪水因子和形成条件；
所述实测洪水资料进行还原处理主要考虑水库调蓄、水利水保措施影响，采用水量平衡法对水库调蓄影响进行处理，水库调蓄影响量计算公式为：
式中，Vt-1、Vt分别代表第t个计算时段初和时段末库容；
分别代表第t个计算时段的平均入库流量和平均出库流量；Δt为计算步长；
采用不同时期雨洪相关关系分析方法，对水利水保措施影响进行处理。
优选的，所述根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集，包括：
将所述目标水库的剩余拦沙库容的各阶段的控制运用水位匹配所述不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，为每个匹配结果制定不同配置方案水库运用方式；
根据多个匹配结果确定目标水库不同阶段剩余拦沙库容配置方案集。
优选的，在对所述目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案之前，所述方法还包括：
根据所述目标水库不同阶段剩余拦沙库容配置方案集构建目标水库剩余拦沙库容动态配置模型；
分析并选定预设场次典型洪水泥沙过程及长系列设计水沙过程；
利用所述目标水库剩余拦沙库容动态配置模型以及预设场次典型洪水泥沙过程及长系列设计水沙过程求解目标水库不同阶段剩余拦沙库容配置方案集中每个配置方案的防洪风险、减淤风险、综合利用效益指标。
优选的，对目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案，包括：
利用预设模糊优选处理及误差反馈人工神经网络的多目标评价方法根据目标水库不同阶段剩余拦沙库容配置方案集中每个配置方案的防洪风险、减淤风险、综合利用效益指标对每个配置方案的风险效益进行综合评价，获取每个配置方案的综合评价结果；
根据每个配置方案的综合评价结果生成并且输出所述目标水库剩余拦沙库容动态配置方案。
优选的，所述模糊优选处理及误差反馈人工神经网络的多目标评价方法基本思路为，利用BP-ANN的非线性模拟能力，通过网络训练获得相对隶属度权重，进行多目标评价，根据模糊优选理论，设待选方案中各目标的最优值组成的方案为最优，其对最优的相对隶属度为1；设待选方案中各目标的最劣值组成的方案为最劣，其对最优的相对隶属度为0；线性插值最优和最劣目标值得到介于最优方案和最劣方案标的中间方案，其对最优的相对隶属度为0.5，由此，可在不同的目标体系与对最优的相对隶属度之间建立一种非线性映射关系，这种非线性关系可用BP-ANN进行模拟训练，则最优方案、最劣方案和中间方案与其对最优的相对隶属度为可组成训练样本进行模拟训练；
ANN模型一般由输入层、输出层和隐含层组成，通过对一定容量样本的学习与训练，确定网络有关参数，其工作过程包括信息正向传播和误差反向传播两个反复交替的过程，
信息正向传播的过程可以由第k层第j个神经元的输入输出关系表示为
式中：
为第k层第j个神经元的输出；M为神经网络的层数；
为第(k-l) 层第i个神经元到第k层第j个神经元的连接权重；
为第k层第j个神经元的上的阈值；nk-1为第k-1层神经元的数目；f(·)称为激活函数；
误差反向传播学习过程学习的目标是使网络的误差E最小或小于一个允许值，权重w采取下式进行修正：
式中：η为学习率；E为神经网络误差；w为权重；t为修正次数；
第j个方案相对于最优方案的相对隶属度uj为：
式中，wi为权重向量，满足
rij为规格化处理后的待优选样本集，由m个目标值的n个方案组成；gi为最优方案的相对隶属度向量；bi为最劣方案的相对隶属度向量；根据n个方案相对于最优方案的相对隶属度uj进行排序，即可进行优劣决策。
优选的，所述对所述目标水库的历年剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
获取所述目标水库的多个水库参数；
根据所述多个参数计算出目标水库历年剩余拦沙库容权重；
建立基于所述目标水库历年剩余拦沙库容权重的目标水库库容优化空间分配模型；
建立基于所述目标水库历年剩余拦沙库容权重的目标水库库容优化时间分配模型；
根据所述目标水库库容优化空间分配模型和目标水库库容优化时间分配模型对所述目标水库的历年剩余拦沙库容进行从优到次的阶段划分，划分为不同阶段的剩余拦沙库容；
计算每个阶段的剩余拦沙库容的控制运用水位。
优选的，所述根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
收集目标水库的河道地形、历年入库水沙、水库调度方式等水库信息相关资料，根据所述资料构建目标水库的流水沙数学模型；
根据所述资料获取目标水库历年各时段的运行水位，生成目标水库的历年水位调度图；
根据所述流水沙数学模型获得满足目标水库的水库调度方式的目标调度水位；
根据所述目标水库的历年水位调度图以及目标调度水位构建目标水库的历年水位库容曲线图；
基于所述流水沙数学模型根据所述目标水库的历年水位库容曲线图对目标水库的剩余拦沙库容进行阶段分级；
将所述目标调度水位作为所述目标水库的出口边界来计算目标水库的泥沙冲淤，获得目标水库新的河道地形；
基于所述新的河道地形和目标水库的剩余拦沙库容的阶段等级计算各阶段的第一控制运用水位；
根据拦沙库容的占重比例以及目标水库的历年水位库容曲线图构建水位优化模型；
将所述第一控制运用水位输入到所述水位优化模型中确定突变阈值；
基于所述水位优化模型获得所述突变阈值的修正值，利用所述修正值对突变阈值进行替换进而获得目标水库各阶段的第二控制运用水位；
将所述第二控制运用水位确定为目标水库各阶段的最终控制运用水位。
优选的，所述确定所述多个调度目标中每项调度目标的控制指标和优先序，包括；
确定每项调度目标的调度参数，所述调度参数包括：调度重要性、调度时长以及调度特征参数；
根据每项调度目标的调度系数计算出每项调度目标的权重系数：
其中，ki表示为第i个调度目标的权重系数，Vi表示为第i个调度目标的最大价值系数，μi表示为第i个调度目标的价值变化斜率，ti表示为第i个调度目标的调度时长，θ表示为控制最大价值系数的常系数，N表示为调度目标的数量，Sj表示为第j个调度目标的最大价值系数与最小价值系数的差值，ai表示为第i个调度目标的调度特征参数的权重增益系数，bi表示为第i个调度目标的调度特征参数的加权系数，Pj表示为第j个调度目标的调度特征参数的置信系数，di表示为第i个调度目标的资源占用率，qj表示为第j个调度目标的任务执行利用率；
根据每项调度目标的权重系数计算出每项调度目标的优先级系数：
其中，Ri表示为第i个调度目标的优先级系数，mi表示为第i个调度目标的迫切度，yi表示为第i个调度目标的调度重要性，f()表示为预设重要性计算函数，
表示为计算过程中的误差因子，e表示为自然常数，取值为2.72，Ui表示为第i个调度目标的调度成功率，Di表示为第i个调度目标的调度时间转移率；
将多个调度目标的优先级系数按照从大到小的顺序进行排列，获取排列结果；
根据所述排列结果确定多个调度目标中每项调度目标的优先序；
确定完毕后，获取每项调度目标的控制指标。
与现有技术相比，本发明具有以下优点和有益效果：1.本发明所述的一种水库剩余拦沙库容动态配置方法，通过计算水库不同时期剩余拦沙库容并进行阶段划分，同时计算水库满足原设计之外调度目标所需提供的蓄水库容，建立水库不同阶段剩余拦沙库容配置方案集及水库剩余拦沙库容动态配置模型，求解不同配置方案防洪风险、减淤风险、综合利用效益指标，经多目标综合评价提出水库剩余拦沙库容动态配置方案。
2.本发明所述的一种水库剩余拦沙库容动态配置方法，打破水库拦沙库容功能单一的运用传统，通过将剩余拦沙库容用于水库原设计之外的调度目标，建立一套水库剩余拦沙库容动态配置方法，为实现水库综合利用效益提升提供一种有效途径。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。
图1为本发明所提供的一种水库剩余拦沙库容动态配置方法的一种工作流程图；
图2为图1中步骤1的一种实施例的工作流程图；
图3为图1中步骤3的一种实施例的结构示意图；
图4为本发明所提供的一种水库剩余拦沙库容动态配置方法的另一种工作流程图；
图5为本发明的模糊优化样本及网络训练示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的装置和方法的例子。
本发明提供了一种水库剩余拦沙库容动态配置方法，如图1所示，包括以下步骤：
步骤1、根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位；
步骤2、利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容；
步骤3、根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集；
步骤4、对所述目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案。
上述技术方案的工作原理为：根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集，对所述目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案。
上述技术方案的有益效果为：通过利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容和目标水库各阶段剩余拦沙库容的控制运用水位建立目标水库剩余拦沙库容动态配置方案，解决了传统技术中水库拦沙库容仅用于拦沙，功能单一的问题，为实现水库综合利用效益提升提供一种有效途径；提高水库综合利用效益，有效地降低了成本。
在一个实施例中，如图2所示，所述根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
步骤11、从所述目标水库的库区地形资料以及入库实测流量、含沙量资料确定所述目标水库拦沙年限内历年库区淤积形态，求解得到所述目标水库的历年水位库容曲线；
步骤12、从所述历年水位库容曲线中获取目标水库的设计汛限水位以下库容和综合利用蓄水库容；
步骤13、将所述设计汛限水位以下库容减去所述综合利用蓄水库容获得目标水库历年的剩余拦沙库容；
步骤14、对所述目标水库的历年剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位；
在本实施例中，目标水库拦沙期减淤运用方式、库区淤积形态出现明显变化时刻，可作为阶段划分分界点；汛限水位确定应考虑不同阶段水库淤积、下游减淤及水沙调控、兴利需求等多种因素，控制运用水位以下蓄水体应满足基本的水沙调控、兴利需求。
上述技术方案的有益效果为：通过从目标水库的库区地形资料以及入库实测流量来获得目标水库的历年水位库容曲线，使得获取的水位库容曲线更加具有实用性和准确性，进一步地，通过将所述目标水库的历年剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，可以为后续进行拦沙库容的多样化配置提供理论基础，以保证最终的配置方案更加实际和准确。
在一个实施例中，所述利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，包括：
从预设数据库中提取与所述目标水库相关的研究区防洪工程资料和保护区淹没资料；
分析所述研究区防洪工程资料和保护区淹没资料以选定所述目标水库原设计之外的多个调度目标；
确定所述多个调度目标中每项调度目标的控制指标和优先序；
获取所述目标水库的实测水文资料；
根据所述实测水文资料对研究区区域内的洪水泥沙进行分类分级；
根据各级各类的洪水泥沙模拟多个量级类型的洪水过程；
根据所述每项调度目标的控制指标和优先序计算不同量级不同类型的洪水过程需要目标水库提供的蓄水库容；
在本实施例中，调度目标可能包括但不限于水库库区及下游滩区防洪、水库库区及下游河道减淤、供水、生态、发电等方面，控制指标为控制流量、控制水位、控制水量等；应收集研究区域内足够长时段内实测洪水泥沙资料，对实测洪水资料进行还原/还现处理，系统分析场次洪水的时间、空间、水量、沙量等因子和形成条件，采用数理统计法选定洪水泥沙分类方式及定量指标，将洪水泥沙进行分类分级；
实测洪水资料进行还原/还现处理主要考虑水库调蓄、水利水保措施影响，采用水量平衡法对水库调蓄影响进行处理，水库调蓄影响量计算公式为：
式中，Vt-1、Vt分别代表第t个计算时段初和时段末库容；
分别代表第t个计算时段的平均入库流量和平均出库流量；Δt为计算步长(即每个时段的时长)；
采用不同时期雨洪相关关系分析方法，对水利水保措施影响进行处理；
应采用尽可能多的实际场次洪水过程，以及具有代表性的设计洪水过程，计算不同量级、不同类型洪水过程需要水库提供的蓄水库容，选择外包值或某一保证率相应蓄水库容，作为满足调度目标的分类分级洪水所需库容。
上述技术方案的有益效果为：通过计算不同量级不同类型的洪水过程需要目标水库提供的蓄水库容可以为后续配置拦沙库容方案提供更多的配置信息，进一步地提高了该配置方法的实用性，进一步地，通过模拟多个量级类型的洪水过程可以使得最终的配置方案可以应对多种突发情况，进而可以避免由于配置单一而导致无法应对突发情况进而出现安全事故情况的发生，提高了稳定性和安全性。
收集研究区域内足够长时段内实测洪水泥沙资料，对实测洪水资料进行还原/还现处理，系统分析场次洪水的时间、空间、水量、沙量等因子和形成条件，通过上述多因素的分析，进一步提高了还原的可靠性；
实测洪水资料进行还原/还现处理主要考虑水库调蓄、水利水保措施影响，采用水量平衡法对水库调蓄影响进行处理，实现入库水量和出库水量的动态平衡；同时，采用不同时期雨洪相关关系分析方法，对水利水保措施影响进行处理，实现水利水保与不同时期雨洪相适应。
在一个实施例中，所述根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集，包括：
将所述目标水库的剩余拦沙库容的各阶段的控制运用水位匹配所述不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，为每个匹配结果制定不同配置方案水库运用方式；
根据多个匹配结果确定目标水库不同阶段剩余拦沙库容配置方案集；
在本实施例中，剩余拦沙库容配置方案拟定主要考虑水库剩余拦沙库容可利用程度、分类分级洪水所需库容，方案提出洪水泥沙类型量级——调度目标及控制指标——配置的拦沙库容——控制运用水位。
上述技术方案的有益效果为：通过利用匹配的方式可以将目标水库的剩余拦沙库容的各阶段的控制运用水位与目标水库的剩余拦沙库容的各阶段的控制运用水位进行适应性匹配，进而获得适用的剩余拦沙库容配置方案，进一步地提高了剩余拦沙库容配置方案的安全性和稳定性。
在一个实施例中，如图3所示，在对所述目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案之前，所述方法还包括：
步骤31、根据所述目标水库不同阶段剩余拦沙库容配置方案集构建目标水库剩余拦沙库容动态配置模型；
步骤32、分析并选定预设场次典型洪水泥沙过程及长系列设计水沙过程；
步骤33、利用所述目标水库剩余拦沙库容动态配置模型以及预设场次典型洪水泥沙过程及长系列设计水沙过程求解目标水库不同阶段剩余拦沙库容配置方案集中每个配置方案的防洪风险、减淤风险、综合利用效益指标。
上述技术方案的有益效果为：通过利用模型来计算出每个配置方案的防洪风险、减淤风险、综合利用效益指标可以去除人为干扰因素，使得最终的计算结果更加实际和准确，进一步地，通过选定典型洪水泥沙过程及长系列设计水沙过程可以保证每个配置方案在最基本的洪水过程或者最大的洪水过程下确定防洪风险、减淤风险、综合利用效益指标，保证了下限计算的风险以及上限计算的严谨，进而可以保证计算的数据的准确性，为后续对每个配置方案进行效益评估提供了最佳的计算数据。
在一个实施例中，对目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案，包括：
利用预设模糊优选处理及误差反馈人工神经网络的多目标评价方法根据目标水库不同阶段剩余拦沙库容配置方案集中每个配置方案的防洪风险、减淤风险、综合利用效益指标对每个配置方案的风险效益进行综合评价，获取每个配置方案的综合评价结果；
根据每个配置方案的综合评价结果生成并且输出所述目标水库剩余拦沙库容动态配置方案。
上述技术方案的有益效果为：通过对每个配置方案的风险效益进行综合评价可以将风险大效益小的配置方案进行剔除，进而将风险小效益大的配置方案保留，进而获得有质量的配置方案。
在一个实施例中，所述对所述目标水库的历年剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
获取所述目标水库的多个水库参数；
根据所述多个参数计算出目标水库历年剩余拦沙库容权重；
建立基于所述目标水库历年剩余拦沙库容权重的目标水库库容优化空间分配模型；
建立基于所述目标水库历年剩余拦沙库容权重的目标水库库容优化时间分配模型；
根据所述目标水库库容优化空间分配模型和目标水库库容优化时间分配模型对所述目标水库的历年剩余拦沙库容进行从优到次的阶段划分，划分为不同阶段的剩余拦沙库容；
计算每个阶段的剩余拦沙库容的控制运用水位。
上述技术方案的有益效果为：通过建立基于所述目标水库历年剩余拦沙库容权重的目标水库库容优化空间分配模型和优化时间分配模型来对历年剩余拦沙库容进行从优到次的阶段划分可以根据目标水库历年的拦沙库容空间以及时间维度来综合进行评估，进而对目标水库的历年剩余拦沙库容进行从优到次的阶段划分使得划分结果更加实际和准确，提高了阶段划分的实用性和准确性。
在一个实施例中，如图5所示，包括：
步骤(1)、资料收集，包括入库实测流量、含沙量资料，水库库区地形资料，研究区域防洪工程设计指标、运用方式等资料，下游保护区现状社会经济、淹没情况等资料。
步骤(2)、根据拦沙年限内历年库区淤积形态，求解得到水库历年水位库容曲线。
步骤(3)、采用水库设计汛限水位以下库容扣除水库综合利用所需的蓄水库容，得到水库设计拦沙年限内历年的剩余拦沙库容，对水库剩余拦沙库容进行阶段划分，计算各阶段水库控制运用水位；
步骤(4)、分析选定水库原设计之外的调度目标，提出各项调度目标的控制指标和优先序；
步骤(5)、对研究区域内洪水泥沙进行分类分级，按照步骤4的调度目标要求，计算不同量级、不同类型洪水过程需要水库提供的蓄水库容；
步骤(6)、建立水库不同阶段剩余拦沙库容配置方案集，制定不同配置方案水库运用方式，构建水库剩余拦沙库容动态配置模型；
步骤(7)、分析选定场次典型洪水泥沙过程及长系列设计水沙过程，求解不同配置方案防洪风险、减淤风险、综合利用效益指标；
步骤(8)、引入模糊优选处理及误差反馈人工神经网络的多目标评价方法对不同配置方案的风险效益进行综合评价，生成并输出水库剩余拦沙库容动态配置方案。
上述技术方案的有益效果为：1.本发明所述的一种水库剩余拦沙库容动态配置方法，通过计算水库不同时期剩余拦沙库容并进行阶段划分，同时计算水库满足原设计之外调度目标所需提供的蓄水库容，建立水库不同阶段剩余拦沙库容配置方案集及水库剩余拦沙库容动态配置模型，求解不同配置方案防洪风险、减淤风险、综合利用效益指标，经多目标综合评价提出水库剩余拦沙库容动态配置方案。
2.本发明所述的一种水库剩余拦沙库容动态配置方法，打破水库拦沙库容功能单一的运用传统，通过将剩余拦沙库容用于水库原设计之外的调度目标，建立一套水库剩余拦沙库容动态配置方法，为实现水库综合利用效益提升提供一种有效途径。
在一个实施例中，如图5所示，包括：
模糊优选处理及误差反馈人工神经网络的多目标评价方法基本思路为，利用BP-ANN强大的非线性模拟能力，通过网络训练获得相对隶属度权重，进行多目标评价。根据模糊优选理论，设待选方案中各目标的最优值组成的方案为最优，其对最优的相对隶属度为1；设待选方案中各目标的最劣值组成的方案为最劣，其对最优的相对隶属度为0；线性插值最优和最劣目标值得到介于最优方案和最劣方案标的中间方案，其对最优的相对隶属度为0.5。由此，可在不同的目标体系与对最优的相对隶属度之间建立一种非线性映射关系。这种复杂的非线性关系可用BP-ANN进行模拟训练，则最优方案、最劣方案和中间方案与其对最优的相对隶属度为可组成训练样本进行模拟训练。
常用的ANN模型一般由输入层、输出层和隐含层组成，通过对一定容量样本的学习与训练，确定网络有关参数，其工作过程包括信息正向传播和误差反向传播两个反复交替的过程。
信息正向传播的过程可以由第k层第j个神经元的输入输出关系简单表示为
式中：
为第k层第j个神经元的输出；M为神经网络的层数；
为第(k-l) 层第i个神经元到第k层第j个神经元的连接权重；
为该神经元上的阈值；nk-1为第k-1层神经元的数目；f(·)称为激活函数，一般可以采用Sigmoid函数。
误差反向传播学习过程(Back Propagation，BP算法)是通过计算误差，沿输出层向输入层方向修改网络参数的过程。学习的目标是使网络的误差E最小或小于一个允许值。权重w通常采取下式进行修正：
式中：η为学习率，E为神经网络误差；w为权重；t为修正次数。
第j个方案相对于最优方案的相对隶属度uj为：
式中，wi为权重向量，满足
rij为规格化处理后的待优选样本集，由m个目标值的n个方案组成；gi为最优方案的相对隶属度向量；bi为最劣方案的相对隶属度向量；根据n个方案相对于最优方案的相对隶属度uj进行排序，即可进行优劣决策；
主要评价指标包括但不限于汛末蓄水位最高、多年平均发电量最大、防洪风险值最小及累计淤积量最小。
上述技术方案的有益效果为：引入模糊优选处理及误差反馈人工神经网络的多目标评价方法对不同配置方案的风险效益进行综合评价，生成并输出水库剩余拦沙库容动态配置方案，通过引入模糊优选处理及误差反馈人工神经网络的多目标评价方法支撑风险效益评价决策，可以解决综合评价复杂的问题，同时可使得评价更加可靠。
在一个实施例中，所述根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
收集目标水库的河道地形、历年入库水沙、水库调度方式等水库信息相关资料，根据所述资料构建目标水库的流水沙数学模型；
根据所述资料获取目标水库历年各时段的运行水位，生成目标水库的历年水位调度图；
根据所述流水沙数学模型获得满足目标水库的水库调度方式的目标调度水位；
根据所述目标水库的历年水位调度图以及目标调度水位构建目标水库的历年水位库容曲线图；
基于所述流水沙数学模型根据所述目标水库的历年水位库容曲线图对目标水库的剩余拦沙库容进行阶段分级；
将所述目标调度水位作为所述目标水库的出口边界来计算目标水库的泥沙冲淤，获得目标水库新的河道地形；
基于所述新的河道地形和目标水库的剩余拦沙库容的阶段等级计算各阶段的第一控制运用水位；
根据拦沙库容的占重比例以及目标水库的历年水位库容曲线图构建水位优化模型；
将所述第一控制运用水位输入到所述水位优化模型中确定突变阈值；
基于所述水位优化模型获得所述突变阈值的修正值，利用所述修正值对突变阈值进行替换进而获得目标水库各阶段的第二控制运用水位；
将所述第二控制运用水位确定为目标水库各阶段的最终控制运用水位。
上述技术方案的有益效果为：通过构建流水沙数学模型来获得满足目标水库的水库调度方式的目标调度水位进而和目标水库的历年水位调度图来构建目标水库的历年水位库容曲线图可以保证精度更高，绘制的曲线图更加准确和实际，进一步地，通过所述目标调度水位作为所述目标水库的出口边界来计算目标水库的泥沙冲淤，获得目标水库新的河道地形来计算目标水库剩余拦沙库容各阶段的控制运用水位可以保证计算的结果符合实际情况以及需求，避免出现数据出现误差情况的发生，提高了精度，进一步地，通过利用水位优化模型将控制运用数位中的突变阈值进行修正可以进一步地保证数据的精确以及最终方案的有效落实，进一步地提高了精度，同时一定程度上节省了成本，增加了目标水库的最终效益。
在一个实施例中，所述确定所述多个调度目标中每项调度目标的控制指标和优先序，包括；
确定每项调度目标的调度参数，所述调度参数包括：调度重要性、调度时长以及调度特征参数；
根据每项调度目标的调度系数计算出每项调度目标的权重系数：
其中，ki表示为第i个调度目标的权重系数，Vi表示为第i个调度目标的最大价值系数，μi表示为第i个调度目标的价值变化斜率，ti表示为第i个调度目标的调度时长，θ表示为控制最大价值系数的常系数，N表示为调度目标的数量，Sj表示为第j个调度目标的最大价值系数与最小价值系数的差值，ai表示为第i个调度目标的调度特征参数的权重增益系数，取值为[0.1,0.2]，bi表示为第i个调度目标的调度特征参数的加权系数，Pj表示为第j个调度目标的调度特征参数的置信系数，di表示为第i个调度目标的资源占用率，qj表示为第j个调度目标的任务执行利用率；
根据每项调度目标的权重系数计算出每项调度目标的优先级系数：
其中，Ri表示为第i个调度目标的优先级系数，mi表示为第i个调度目标的迫切度，取值为[0.5,1]，yi表示为第i个调度目标的调度重要性，f()表示为预设重要性计算函数，
表示为计算过程中的误差因子，取值为[0.05,0.1]，e 表示为自然常数，取值为2.72，Ui表示为第i个调度目标的调度成功率，取值为[0.2,1]，Di表示为第i个调度目标的调度时间转移率；
将多个调度目标的优先级系数按照从大到小的顺序进行排列，获取排列结果；
根据所述排列结果确定多个调度目标中每项调度目标的优先序；
确定完毕后，获取每项调度目标的控制指标。
上述技术方案的有益效果为：通过根据每项调度目标的调度参数计算出没项调度目标的权重系数可以准确地计算出每项调度目标所占的权重，使得每个调度目标的执行更贴近期望时刻，提高了调度目标的调度及时性和弹性要求，进一步地，通过利用每项调度目标的调度成功率以及调度时间转移率来计算出每项调度目标的优先级系数能够从每项调度目标的自身参数上实际地确定自身的优先级系数，能更好地反映出任务及时性最最终效益的影响，使得用户可以根据每项调度目标的优先级系数来对调度目标进行排序进而实现更高的效益。
在一个实施例中，所述步骤11包括：通过若干检测单元分别获取所述入库实测流量、含沙量等水库参数(还可包括水位等)数据，并通过与所述检测单元连接的数据传输终端传输数据至远程监控终端；
所述方法还包括：
服务器采集所述数据传输终端的第一异常信息，所述第一异常信息包括：静态异常信息及动态执行异常信息；
所述服务器基于所述动态执行异常信息，匹配大于等于一个与所述异常数据信息相关的远程监控终端及检测单元；
所述服务器发送检测指令至所述检测单元，所述检测单元基于所述检测指令，收集与所述第一异常信息相关的动态信息；同时，如所述检测单元产生与所述第一异常信息相关的异常，则所述检测单元将所述与所述第一异常信息相关的动态信息发送至所述服务器；
所述服务器采集所述数据传输终端的第一异常信息包括：
获取数据传输终端、检测单元、远程监控终端之间的异常相关关系，和历史异常信息；
基于所述异常相关关系构建所述数据传输终端、检测单元、远程监控终端之间的异常树，同时基于所述历史异常信息计算所述异常树的每个节点的稳定性(可靠性)；
获取所述数据传输终端、检测单元、远程监控终端之间的多个潜在异常模式，分别对所述多个潜在异常模式构建对应的潜在异常模型，获取多个潜在异常模型；
将所述异常树的多个节点进行分割，分割成多个异常单元，构建所述多个潜在异常模型与所述多个异常单元之间的映射关系；
当所述数据传输终端、检测单元、远程监控终端之间存在异常时，检测当前异常模式，并基于当前异常模式对应的当前异常模型与所述异常树的相关关系，获得所述当前异常模式的检测结果，包括：根据所述多个潜在异常模型采用多模型辨识算法确定当前潜在异常模型；从所述异常树的顶节点开始、并从上到下推理出异常路径，在遇到所述相关的节点时，根据相关关系，实时更新所述当前异常模型对应的节点的异常概率(可获取异常概率大的器件)；并基于多模型的辨识算法中，当得到所述当前异常模式但不能确定异常器件时，通过当前异常模型与所述异常树的相关节点交互异常信息以得到异常检测信息，包括：获取当前异常模型与所述异常树的相关节点，根据相关关系转换到异常树的对应的相关节点，从所述相关节点推测发生所述当前异常模式的异常器件；
所述将所述异常树的多个节点进行分割，分割成多个异常单元包括：步骤21：查找所述异常树与每个潜在异常模型的相关节点，将所述相关节点及与所述相关节点的子节点设置为当前潜在异常模型对应的异常单元；步骤22：获得与多个潜在异常模型分别对应的多个异常单元；步骤23：将经步骤21和22 分割后的所述异常树的剩余节点作为一个异常单元。
上述技术方案的工作原理和有益效果为：本发明的服务器采集所述数据传输终端的第一异常信息，所述第一异常信息包括：静态异常信息及动态执行异常信息；解决了现有的数据检测无法对动态的上下相关联的异常进行判断的缺陷，从而无法对异常定位的缺陷；
且基于异常相关关系和历史异常信息，获取异常树，基于所述历史异常信息计算所述异常树的每个节点的稳定性；获取所述数据传输终端、检测单元、远程监控终端之间的多个潜在异常模式，获取多个潜在异常模型，将所述异常树的多个节点进行分割，分割成多个异常单元，构建所述多个潜在异常模型与所述多个异常单元之间的映射关系；通过上述设置实现对异常器件的定位，且综合考虑节点稳定性和历史异常信息，实现对节点状态(异常概率)的判定，最终实现对异常器件可靠定位。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种水库剩余拦沙库容动态配置方法，其特征在于，包括以下步骤：
根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位；
利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容；
根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集；
对所述目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案。
2.根据权利要求1所述水库剩余拦沙库容动态配置方法，其特征在于，所述根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
从所述目标水库的库区地形资料以及入库实测流量、含沙量资料确定所述目标水库拦沙年限内历年库区淤积形态，求解得到所述目标水库的历年水位库容曲线；
从所述历年水位库容曲线中获取目标水库的设计汛限水位以下库容和综合利用蓄水库容；
将所述设计汛限水位以下库容减去所述综合利用蓄水库容获得目标水库历年的剩余拦沙库容；
对所述目标水库的历年剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位；
所述利用目标水库原设计之外的调度指标以及研究区域内各类各级的洪水泥沙确定不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，包括：
从预设数据库中提取与所述目标水库相关的研究区防洪工程资料和保护区淹没资料；
分析所述研究区防洪工程资料和保护区淹没资料以选定所述目标水库原设计之外的多个调度目标；
确定所述多个调度目标中每项调度目标的控制指标和优先序；
获取所述目标水库的实测水文资料；
根据所述实测水文资料对研究区区域内的洪水泥沙进行分类分级；
根据各级各类的洪水泥沙模拟多个量级类型的洪水过程；
根据所述每项调度目标的控制指标和优先序计算不同量级不同类型的洪水过程需要目标水库提供的蓄水库容。
3.根据权利要求2所述水库剩余拦沙库容动态配置方法，其特征在于，所述获取所述目标水库的实测水文资料包括：获取研究区域内目标时段内实测洪水泥沙资料，对实测洪水资料进行还原处理，系统分析场次洪水的时间、空间、水量、沙量等洪水因子和形成条件；
所述实测洪水资料进行还原处理主要考虑水库调蓄、水利水保措施影响，采用水量平衡法对水库调蓄影响进行处理，水库调蓄影响量计算公式为：
式中，Vt-1、Vt分别代表第t个计算时段初和时段末库容；
分别代表第t个计算时段的平均入库流量和平均出库流量；Δt为计算步长；
采用不同时期雨洪相关关系分析方法，对水利水保措施影响进行处理。
4.根据权利要求1所述水库剩余拦沙库容动态配置方法，其特征在于，所述根据各阶段剩余拦沙库容的控制运用水位以及不同量级不同类型的洪水过程需要目标水库提供的蓄水库容建立目标水库不同阶段剩余拦沙库容配置方案集，包括：
将所述目标水库的剩余拦沙库容的各阶段的控制运用水位匹配所述不同量级不同类型的洪水过程需要目标水库提供的蓄水库容，为每个匹配结果制定不同配置方案水库运用方式；
根据多个匹配结果确定目标水库不同阶段剩余拦沙库容配置方案集。
5.根据权利要求1所述水库剩余拦沙库容动态配置方法，其特征在于，在对所述目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案之前，所述方法还包括：
根据所述目标水库不同阶段剩余拦沙库容配置方案集构建目标水库剩余拦沙库容动态配置模型；
分析并选定预设场次典型洪水泥沙过程及长系列设计水沙过程；
利用所述目标水库剩余拦沙库容动态配置模型以及预设场次典型洪水泥沙过程及长系列设计水沙过程求解目标水库不同阶段剩余拦沙库容配置方案集中每个配置方案的防洪风险、减淤风险、综合利用效益指标。
6.根据权利要求1所述水库剩余拦沙库容动态配置方法，其特征在于，对目标水库不同阶段剩余拦沙库容配置方案集进行综合评估，获得目标水库剩余拦沙库容动态配置方案，包括：
利用预设模糊优选处理及误差反馈人工神经网络的多目标评价方法根据目标水库不同阶段剩余拦沙库容配置方案集中每个配置方案的防洪风险、减淤风险、综合利用效益指标对每个配置方案的风险效益进行综合评价，获取每个配置方案的综合评价结果；
根据每个配置方案的综合评价结果生成并且输出所述目标水库剩余拦沙库容动态配置方案。
7.根据权利要求6所述水库剩余拦沙库容动态配置方法，其特征在于，所述模糊优选处理及误差反馈人工神经网络的多目标评价方法基本思路为，利用BP-ANN的非线性模拟能力，通过网络训练获得相对隶属度权重，进行多目标评价，根据模糊优选理论，设待选方案中各目标的最优值组成的方案为最优，其对最优的相对隶属度为1；设待选方案中各目标的最劣值组成的方案为最劣，其对最优的相对隶属度为0；线性插值最优和最劣目标值得到介于最优方案和最劣方案标的中间方案，其对最优的相对隶属度为0.5，由此，可在不同的目标体系与对最优的相对隶属度之间建立一种非线性映射关系，这种非线性关系可用BP-ANN进行模拟训练，则最优方案、最劣方案和中间方案与其对最优的相对隶属度为可组成训练样本进行模拟训练；
ANN模型一般由输入层、输出层和隐含层组成，通过对一定容量样本的学习与训练，确定网络有关参数，其工作过程包括信息正向传播和误差反向传播两个反复交替的过程，
信息正向传播的过程可以由第k层第j个神经元的输入输出关系表示为
式中：
为第k层第j个神经元的输出；M为神经网络的层数；
为第(k-l)层第i个神经元到第k层第j个神经元的连接权重；
为第k层第j个神经元的上的阈值；nk-1为第k-1层神经元的数目；f(·)称为激活函数；
误差反向传播学习过程学习的目标是使网络的误差E最小或小于一个允许值，权重w采取下式进行修正：
式中：η为学习率；E为神经网络误差；w为权重；t为修正次数，
第j个方案相对于最优方案的相对隶属度uj为：
式中，wi为权重向量，满足
rij为规格化处理后的待优选样本集，由m个目标值的n个方案组成；gi为最优方案的相对隶属度向量；bi为最劣方案的相对隶属度向量；
根据n个方案相对于最优方案的相对隶属度uj进行排序，即可进行优劣决策。
8.根据权利要求2所述水库剩余拦沙库容动态配置方法，其特征在于，所述对所述目标水库的历年剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
获取所述目标水库的多个水库参数；
根据所述多个参数计算出目标水库历年剩余拦沙库容权重；
建立基于所述目标水库历年剩余拦沙库容权重的目标水库库容优化空间分配模型；
建立基于所述目标水库历年剩余拦沙库容权重的目标水库库容优化时间分配模型；
根据所述目标水库库容优化空间分配模型和目标水库库容优化时间分配模型对所述目标水库的历年剩余拦沙库容进行从优到次的阶段划分，划分为不同阶段的剩余拦沙库容；
计算每个阶段的剩余拦沙库容的控制运用水位。
9.根据权利要求1所述水库剩余拦沙库容动态配置方法，其特征在于，所述根据目标水库的历年水位库容曲线对所述目标水库的剩余拦沙库容进行阶段划分，计算各阶段的控制运用水位，包括：
收集目标水库的河道地形、历年入库水沙、水库调度方式等水库信息相关资料，根据所述资料构建目标水库的流水沙数学模型；
根据所述资料获取目标水库历年各时段的运行水位，生成目标水库的历年水位调度图；
根据所述流水沙数学模型获得满足目标水库的水库调度方式的目标调度水位；
根据所述目标水库的历年水位调度图以及目标调度水位构建目标水库的历年水位库容曲线图；
基于所述流水沙数学模型根据所述目标水库的历年水位库容曲线图对目标水库的剩余拦沙库容进行阶段分级；
将所述目标调度水位作为所述目标水库的出口边界来计算目标水库的泥沙冲淤，获得目标水库新的河道地形；
基于所述新的河道地形和目标水库的剩余拦沙库容的阶段等级计算各阶段的第一控制运用水位；
根据拦沙库容的占重比例以及目标水库的历年水位库容曲线图构建水位优化模型；
将所述第一控制运用水位输入到所述水位优化模型中确定突变阈值；
基于所述水位优化模型获得所述突变阈值的修正值，利用所述修正值对突变阈值进行替换进而获得目标水库各阶段的第二控制运用水位；
将所述第二控制运用水位确定为目标水库各阶段的最终控制运用水位。
10.根据权利要求2所述水库剩余拦沙库容动态配置方法，其特征在于，所述确定所述多个调度目标中每项调度目标的控制指标和优先序，包括；
确定每项调度目标的调度参数，所述调度参数包括：调度重要性、调度时长以及调度特征参数；
根据每项调度目标的调度系数计算出每项调度目标的权重系数：
其中，ki表示为第i个调度目标的权重系数，Vi表示为第i个调度目标的最大价值系数，μi表示为第i个调度目标的价值变化斜率，ti表示为第i个调度目标的调度时长，θ表示为控制最大价值系数的常系数，N表示为调度目标的数量，Sj表示为第j个调度目标的最大价值系数与最小价值系数的差值，ai表示为第i个调度目标的调度特征参数的权重增益系数，bi表示为第i个调度目标的调度特征参数的加权系数，Pj表示为第j个调度目标的调度特征参数的置信系数，di表示为第i个调度目标的资源占用率，qj表示为第j个调度目标的任务执行利用率；
根据每项调度目标的权重系数计算出每项调度目标的优先级系数：
其中，Ri表示为第i个调度目标的优先级系数，mi表示为第i个调度目标的迫切度，yi表示为第i个调度目标的调度重要性，f()表示为预设重要性计算函数，
表示为计算过程中的误差因子，e表示为自然常数，取值为2.72，Ui表示为第i个调度目标的调度成功率，Di表示为第i个调度目标的调度时间转移率；
将多个调度目标的优先级系数按照从大到小的顺序进行排列，获取排列结果；
根据所述排列结果确定多个调度目标中每项调度目标的优先序；
确定完毕后，获取每项调度目标的控制指标。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011230927.6A CN112418491B (zh) | 2020-11-06 | 2020-11-06 | 一种水库剩余拦沙库容动态配置方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011230927.6A CN112418491B (zh) | 2020-11-06 | 2020-11-06 | 一种水库剩余拦沙库容动态配置方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112418491A true CN112418491A (zh) | 2021-02-26 |
| CN112418491B CN112418491B (zh) | 2021-08-03 |
Family
ID=74781962
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011230927.6A Active CN112418491B (zh) | 2020-11-06 | 2020-11-06 | 一种水库剩余拦沙库容动态配置方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112418491B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051833A (zh) * | 2021-04-12 | 2021-06-29 | 长江水利委员会长江科学院 | 物理机制引导深度学习的洪水-水库映射关系模拟方法 |
| CN113421028A (zh) * | 2021-07-21 | 2021-09-21 | 杭州玳数科技有限公司 | 资源水位监测平台及方法、终端设备及可读存储介质 |
| CN113742637A (zh) * | 2021-08-16 | 2021-12-03 | 中国水利水电科学研究院 | 水库年均淤损率的计算方法、装置、电子设备及储存介质 |
| CN116304482A (zh) * | 2023-05-18 | 2023-06-23 | 四川新迎顺信息技术股份有限公司 | 一种基于电站水库水位监测及库容计算算法 |
| CN116976567A (zh) * | 2023-09-22 | 2023-10-31 | 长江三峡集团实业发展(北京)有限公司 | 水库泥沙调度优化方法、装置、计算机设备及存储介质 |
| CN117556184A (zh) * | 2024-01-12 | 2024-02-13 | 长江水利委员会水文局 | 多沙区域水库下游河道输沙量的还原方法、系统及介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107180318A (zh) * | 2017-07-28 | 2017-09-19 | 华中科技大学 | 基于变权重剩余防洪库容最大的水库群防洪库容分配方法 |
| CN107248015A (zh) * | 2017-07-07 | 2017-10-13 | 武汉大学 | 基于集合预报的水库实时蓄水调度方法 |
| CN109345068A (zh) * | 2018-08-27 | 2019-02-15 | 河海大学 | 一种基于余留期效益函数近似的水电站水库两阶段随机优化调度方法 |
| CN110348600A (zh) * | 2019-06-03 | 2019-10-18 | 华中科技大学 | 一种水库群防洪效益最大的库容分配方法 |
| CN110543731A (zh) * | 2019-09-05 | 2019-12-06 | 黄河勘测规划设计研究院有限公司 | 一种高含沙河流水库水沙分置调度模拟方法及系统 |
| CN110909490A (zh) * | 2019-12-10 | 2020-03-24 | 黄河勘测规划设计研究院有限公司 | 基于简化圣维南方程组的库区冰坝壅水模拟方法 |
| CN111210141A (zh) * | 2020-01-03 | 2020-05-29 | 黄河勘测规划设计研究院有限公司 | 基于约束机制粒子群算法的水库库容曲线修正方法 |
| US20200173975A1 (en) * | 2017-08-08 | 2020-06-04 | Saudi Arabian Oil Company | Determining ultimate waterflood residual oil saturation |
| CN111327484A (zh) * | 2020-04-09 | 2020-06-23 | 东北大学秦皇岛分校 | 基于节点最大剩余容量的改进负荷再分配方法 |
-
2020
- 2020-11-06 CN CN202011230927.6A patent/CN112418491B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN107248015A (zh) * | 2017-07-07 | 2017-10-13 | 武汉大学 | 基于集合预报的水库实时蓄水调度方法 |
| CN107180318A (zh) * | 2017-07-28 | 2017-09-19 | 华中科技大学 | 基于变权重剩余防洪库容最大的水库群防洪库容分配方法 |
| US20200173975A1 (en) * | 2017-08-08 | 2020-06-04 | Saudi Arabian Oil Company | Determining ultimate waterflood residual oil saturation |
| CN109345068A (zh) * | 2018-08-27 | 2019-02-15 | 河海大学 | 一种基于余留期效益函数近似的水电站水库两阶段随机优化调度方法 |
| CN110348600A (zh) * | 2019-06-03 | 2019-10-18 | 华中科技大学 | 一种水库群防洪效益最大的库容分配方法 |
| CN110543731A (zh) * | 2019-09-05 | 2019-12-06 | 黄河勘测规划设计研究院有限公司 | 一种高含沙河流水库水沙分置调度模拟方法及系统 |
| CN110909490A (zh) * | 2019-12-10 | 2020-03-24 | 黄河勘测规划设计研究院有限公司 | 基于简化圣维南方程组的库区冰坝壅水模拟方法 |
| CN111210141A (zh) * | 2020-01-03 | 2020-05-29 | 黄河勘测规划设计研究院有限公司 | 基于约束机制粒子群算法的水库库容曲线修正方法 |
| CN111327484A (zh) * | 2020-04-09 | 2020-06-23 | 东北大学秦皇岛分校 | 基于节点最大剩余容量的改进负荷再分配方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李勉等: "黄土丘陵区淤地坝建设后小流域泥沙拦蓄与输移特征", 《农业工程学报》 * |
| 李荣容: "黄河中下游中小洪水水沙分类管理", 《水旱灾害防御》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113051833A (zh) * | 2021-04-12 | 2021-06-29 | 长江水利委员会长江科学院 | 物理机制引导深度学习的洪水-水库映射关系模拟方法 |
| CN113421028A (zh) * | 2021-07-21 | 2021-09-21 | 杭州玳数科技有限公司 | 资源水位监测平台及方法、终端设备及可读存储介质 |
| CN113742637A (zh) * | 2021-08-16 | 2021-12-03 | 中国水利水电科学研究院 | 水库年均淤损率的计算方法、装置、电子设备及储存介质 |
| CN113742637B (zh) * | 2021-08-16 | 2024-05-07 | 中国水利水电科学研究院 | 水库年均淤损率的计算方法、装置、电子设备及储存介质 |
| CN116304482A (zh) * | 2023-05-18 | 2023-06-23 | 四川新迎顺信息技术股份有限公司 | 一种基于电站水库水位监测及库容计算算法 |
| CN116304482B (zh) * | 2023-05-18 | 2023-08-29 | 四川新迎顺信息技术股份有限公司 | 一种基于电站水库水位监测及库容计算算法 |
| CN116976567A (zh) * | 2023-09-22 | 2023-10-31 | 长江三峡集团实业发展(北京)有限公司 | 水库泥沙调度优化方法、装置、计算机设备及存储介质 |
| CN116976567B (zh) * | 2023-09-22 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 水库泥沙调度优化方法、装置、计算机设备及存储介质 |
| CN117556184A (zh) * | 2024-01-12 | 2024-02-13 | 长江水利委员会水文局 | 多沙区域水库下游河道输沙量的还原方法、系统及介质 |
| CN117556184B (zh) * | 2024-01-12 | 2024-03-26 | 长江水利委员会水文局 | 多沙区域水库下游河道输沙量的还原方法、系统及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112418491B (zh) | 2021-08-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
| Guven | Linear genetic programming for time-series modelling of daily flow rate | |
| Hakimi-Asiabar et al. | Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm | |
| Kişi | River suspended sediment concentration modeling using a neural differential evolution approach | |
| Talebizadeh et al. | Uncertainty analysis for the forecast of lake level fluctuations using ensembles of ANN and ANFIS models | |
| CN116070971B (zh) | 河湖水系有序流动调控方法和系统 | |
| Kisi et al. | Three different adaptive neuro fuzzy computing techniques for forecasting long-period daily streamflows | |
| CN117035201B (zh) | 平原河网水工程集群多目标调度规则制定方法及系统 | |
| Affandi et al. | Daily groundwater level fluctuation forecasting using soft computing technique | |
| CN108985577B (zh) | 一种基于推理机的水库群实时防洪调度显效水库智能识别方法 | |
| Lopes et al. | Artificial neural networks approaches for predicting the potential for hydropower generation: a case study for Amazon region | |
| CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
| 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 | |
| Li et al. | Analysis and modelling of flood risk assessment using information diffusion and artificial neural network | |
| Abdulkadir et al. | Application of artificial neural network model to the management of hydropower reservoirs along River Niger, Nigeria | |
| CN112711896A (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
| CN117808214A (zh) | 水利工程数据分析系统 | |
| Fan et al. | Identifying hydrometeorological factors influencing reservoir releases using machine learning methods | |
| CN113361776A (zh) | 一种基于用户用电行为聚类的电力负荷概率预测方法 | |
| CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
| Turhan et al. | The investigation of the applicability of data-driven techniques in hydrological modeling: The case of seyhan basin | |
| CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
| Khadr et al. | Integration of data-driven modeling and stochastic modeling for multi-purpose reservoir simulation | |
| CN114066250A (zh) | 一种输电项目修理成本测算方法、装置、设备及存储介质 | |
| Shalmani et al. | Estimating daily suspended sediment by intelligent and traditional models (Case Study: Kasalian and Rood Zard watersheds, Iran) |
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 |