CN112529247A - 基于支流水库联合补水的干流排沙优化调度方法和系统 - Google Patents
基于支流水库联合补水的干流排沙优化调度方法和系统 Download PDFInfo
- Publication number
- CN112529247A CN112529247A CN202011206829.9A CN202011206829A CN112529247A CN 112529247 A CN112529247 A CN 112529247A CN 202011206829 A CN202011206829 A CN 202011206829A CN 112529247 A CN112529247 A CN 112529247A
- Authority
- CN
- China
- Prior art keywords
- sand
- branch
- flow
- water
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 216
- 239000004576 sand Substances 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000007599 discharging Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 239000013589 supplement Substances 0.000 claims description 52
- 238000012549 training Methods 0.000 claims description 16
- 230000001502 supplementing effect Effects 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 2
- 230000003020 moisturizing effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 11
- 238000011160 research Methods 0.000 abstract description 11
- 230000008901 benefit Effects 0.000 abstract description 9
- 230000008021 deposition Effects 0.000 abstract description 9
- 230000003628 erosive effect Effects 0.000 abstract description 8
- 230000004044 response Effects 0.000 abstract description 3
- 239000013049 sediment Substances 0.000 description 16
- 238000011010 flushing procedure Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 239000008239 natural water Substances 0.000 description 6
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000009466 transformation Effects 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Barrages (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于支流水库联合补水的干流排沙优化调度方法和系统,属于河道水沙调控领域。本发明考虑了河道输沙过程中输沙量对支流水库联合补水作用的响应,充分发挥流域各支流水库补水对河道冲淤效益的促进作用,有效提高了河道冲淤效益及流域水沙调度效益。本发明利用河道断面历史场次洪水的排沙比与来沙系数数据,建立BP网络模型用于河道输沙过程的排沙比计算,与GA算法结合求解支流水库联合补水排沙优化调度模型,为流域河道水沙调度研究提供了一种新的思路和方法。
Description
技术领域
本发明属于河道水沙调控领域,更具体地,涉及基于支流水库联合补水的干流排沙优化调度方法和系统。
背景技术
多沙河流的水沙调控问题对区域经济、社会发展以及防洪减灾,保障人民生命财产安全有着关键作用。特别是诸如黄河等典型多沙河流,河道淤积问题严峻,水库修建可拦截上游泥沙,有效改善河道淤积情势。随着我国水库水沙治理的几十年探索,累积了大量水沙调控方面的宝贵经验。如有学者探索黄河三门峡水库调控后凝练的“蓄清排浑”水库运行方式,对后续水库水沙调控提供了重要指导。但随着水库运用时间的累积,水库、河道双重淤积的矛盾日益突出,开展针对水库、河道的综合性水沙优化调控工作尤为重要。
现有水库水沙优化调控研究主要针对干流水库,依据水库冲淤、防洪、生态、发电等不同调度目标构建单目标或多目标的干流水库调度模型、干流水库-河道耦合调度模型以及干流梯级水库-河道耦合模型等,并采用数学规划方法、智能计算等方法进行求解模型,研究取得了大量有效成果。但是,针对支流水库补水作用对干流河道泥沙冲淤影响的研究相对较少。实际上,对于含沙量低的支流河道,支流水库对入库清水进行调蓄、重分配,相机补水配合干流河道泥沙冲淤,可在河道水沙治理方面发挥重要作用,因此,针对支流水库的优化调度研究有重要实际意义。
综上所述,现有针对河道泥沙治理研究的水沙优化调度方法存在主要考虑干流骨干水库作用,忽略了支流水库优化补水过程对河道冲淤的积极影响,使得河道冲淤效益较低的问题。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于支流水库联合补水的干流排沙优化调度方法和系统,其目的在于考虑支流水库优化补水过程,以加大河道冲淤效益。
为实现上述目的,按照本发明的一个方面,提供了一种基于支流水库联合补水的干流排沙优化调度方法,包括:
S1.获取流域内支流各水库特征数据,以及干流河道平滩流量、生态流量、防洪标准数据;
S2.根据获取得到的数据确定补水排沙调度过程的约束条件,并以干流河道断面补水后输沙增量最大为调度目标,建立河道支流水库联合补水排沙优化调度模型;所述约束条件包括支流水库补水水量约束、干支流水力联系;
S3.将目标调度时期内干流河道补水前流量、含沙量数据、支流水库断面可用补水量作为模型输入,求解所述优化调度模型得到支流补水排沙调度的最优方案。
进一步地,步骤S3具体包括:
利用干流河道断面历史场次洪水的排沙比与来沙系数数据训练BP网络模型,训练好的BP网络模型用于河道输沙过程的排沙比计算;
采用GA算法求解所述河道支流联合补水排沙优化调度模型;求解过程中采用训练好的BP网络模型进行河道输沙过程的排沙比计算。
进一步地,所述河道支流水库联合补水排沙优化调度模型为:
式中,T为整个调度时期内的时段个数;Δyi为第i时段下游河道补水前后泥沙输送量的变化值;为第i时段进入下游河道的泥沙量;Δηi为第i时段下游河道补水前后排沙比的变化值;和分别为第i时段补水前下游河道的流量和含沙量;fBP(S,Q)为所构建的通过流量、含沙量求解排沙比的神经网络模型。
进一步地,支流水库补水水量约束为:
式中,Δbi为第i时段支流三水库的补水量;BW为调度时期内各支流水库的可支配水量总和;Δbmin≤Δbi≤Δbmax,Δbmin为第i时段补水量下限,Δbmax为第i时段的补水量上限。
进一步地,干支流水力联系为:
按照本发明的另一方面提供了一种基于支流水库联合补水的干流排沙优化调度系统,包括:
数据收集模块,用于获取流域内支流各水库特征数据,以及干流河道平滩流量、生态流量、防洪标准数据;
模型构建模块,用于根据获取得到的数据确定补水排沙调度过程的约束条件,并以干流河道断面补水后输沙增量最大为调度目标,建立河道支流水库联合补水排沙优化调度模型;所述约束条件包括支流水库补水水量约束、干支流水力联系;
模型求解模块,用于将目标调度时期内干流河道补水前流量、含沙量数据、支流水库断面可用补水量作为模型输入,求解所述优化调度模型得到支流补水排沙调度的最优方案。
进一步地,模型求解模块的具体实施过程包括:
利用干流河道断面历史场次洪水的排沙比与来沙系数数据训练BP网络模型,训练好的BP网络模型用于河道输沙过程的排沙比计算;
采用GA算法求解所述河道支流联合补水排沙优化调度模型;求解过程中采用训练好的BP网络模型进行河道输沙过程的排沙比计算。
进一步地,所述河道支流水库联合补水排沙优化调度模型为:
式中,T为整个调度时期内的时段个数;Δyi为第i时段下游河道补水前后泥沙输送量的变化值;为第i时段进入下游河道的泥沙量;Δηi为第i时段下游河道补水前后排沙比的变化值;和分别为第i时段补水前下游河道的流量和含沙量;fBP(S,Q)为所构建的通过流量、含沙量求解排沙比的神经网络模型。
进一步地,支流水库补水水量约束为:
式中,Δbi为第i时段支流三水库的补水量;BW为调度时期内各支流水库的可支配水量总和;Δbmin≤Δbi≤Δbmax,Δbmin为第i时段补水量下限,Δbmax为第i时段的补水量上限。
进一步地,干支流水力联系为:
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明考虑了河道输沙过程中输沙量对支流水库联合补水作用的响应,充分发挥流域各支流水库补水对河道冲淤效益的促进作用,有效提高了河道冲淤效益及流域水沙调度效益。
(2)本发明利用河道断面历史场次洪水的排沙比与来沙系数数据,建立BP网络模型用于河道输沙过程的排沙比计算,与GA算法结合求解支流水库联合补水排沙优化调度模型,为流域河道水沙调度研究提供了一种新的思路和方法。
附图说明
图1是本发明实施例提供的一种基于BP-GA算法的基于支流水库联合补水的干流排沙优化调度方法流程示意图;
图2(a)是本发明实施例提供的小浪底水库出库的流量、沙量数据;
图2(b)是本发明实施例提供的支流水库汛期可用补水量数据;
图3是本发明实施例提供的历史花园口断面来沙系数与排沙比散点图;
图4(a)是本发明实施例提供的BP网络训练期模拟排沙比与实测排沙比散点图;
图4(b)是本发明实施例提供的BP网络检验期模拟排沙比与实测排沙比散点图;
图5是本发明实施例提供的断面汛期补水后输沙量、排沙比变化;
图6(a)是本发明实施例提供的自然情形下各支流汛期平均补水量;
图6(b)是本发明实施例提供的优化情形下各支流汛期平均补水量;
图7(a)是本发明实施例提供的优化情形输沙增量-补水流量散点图;
图7(b)是本发明实施例提供的优化情形输沙增量-来沙系数散点图;
图8(a)是本发明实施例提供的自然情形输沙增量-来水流量散点图;
图8(b)是本发明实施例提供的自然情形补水流量-来水流量散点图;
图8(c)是本发明实施例提供的优化情形输沙增量-来水流量散点图;
图8(d)是本发明实施例提供的优化情形补水流量-来水流量散点图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,为本发明实施例提供的一种基于BP-GA算法的基于支流水库联合补水的干流排沙优化调度方法和系统的流程图示意图,包括如下步骤:
(1)收集流域内支流各水库特征数据,包括调节库容大小,水库下泄能力,以及干流河道平滩流量、生态流量、防洪标准数据;
(2)基于(1)中数据确定补水排沙调度过程的约束条件,并以河道断面补水后输沙增量最大为调度目标,建立河道支流水库联合补水排沙优化调度模型;
具体的,各约束条件包括:
支流水库补水水量约束:
式中,Δbi为第i时段支流水库的补水量;BW为调度时期内各支流水库的可支配水量总和。
Δbmin≤Δbi≤Δbmax (2)
式中,Δbmin为第i时段支流补水量下限,当干流研究断面的上游水库下泄水量正常时,补水下限即为各支流水库下游河道生态流量,当干流研究断面的上游水库下泄水量较小时,需基于Δbmin优先进行补水保证,即补水Δbmin后需保证干流河道生态流量;Δbmax为第i时段的补水量上限,即考虑单次补水量不可大于各水库可调蓄的库容量大小,且各水库的补水下泄流量不大于其下泄能力,且补水后干流流量符合断面防洪标准。
干流河道流量约束:
干支流水力联系:
干支流水量平衡:
式中,各符号含义同前所述。
干流河道沙量平衡:
非负约束:所有参与计算的变量均大于等于0。
河道支流水库联合补水排沙优化调度模型表示为:
式中,T为整个调度时期内的时段个数;Δyi为第i时段下游河道补水前后泥沙输送量的变化值,正值表示输沙量增加,负值表示输沙量减小,各时段输沙量变化值之和最大即为模型调度目标,单位为t,其他目标转化为约束条件;为第i时段进入下游河道的泥沙量;Δηi为第i时段下游河道补水前后排沙比的变化值;和分别为第i时段补水前下游河道的流量和含沙量;和分别为第i时段补水前后的排沙比;fBP(S,Q)为所构建的通过流量、含沙量求解排沙比的神经网络模型。
(3)收集所研究河道断面历史场次洪水的排沙比与来沙系数数据,建立关于二者的BP网络模型用于河道输沙过程的排沙比计算;收集河道目标调度期内的流量、含沙量数据以及支流水库断面可用补水量作为模型输入,用GA求解模型,从而得到支流补水排沙调度的最优方案。
具体的,步骤(3)包括以下子步骤:
(31)利用历史河道来沙系数-排沙比数据训练BP网络模型,作为调度模型的排沙比计算模块;
(32)设置所述调度模型运行所需的初始条件,包括支流水库个数、调度周期时段数、时段步长;
(33)将补水前的河道流量、含沙量数据以及支流水库断面可用水量输入所述模型中,采用基于GA算法的补水量分配模块求解模型,得到支流水库联合补水优化调度方案。
为了更清楚地体现本发明的目的以及所采用的方法和整体逻辑,以黄河中下游干流小浪底水库、支流故县、陆浑、河口村水库以及小浪底下游的花园口断面为研究对象,以汛期作为调度时期,进一步说明本发明内容。
步骤1,收集流域内花园口断面上游支流故县、陆浑、河口村水库调节库容、下泄能力数据,花园口断面平滩流量、生态流量、防洪标准数据,构建以泥沙冲淤、防洪、生态为目标的河道支流水库联合补水排沙优化调度模型,支流水库基础数据如表1所示。
表1河道支流水库特征数据
水库 | 总库容(亿m<sup>3</sup>) | 调节库容(亿m<sup>3</sup>) | 正常蓄水位(m) | 最大下泄能力(m<sup>3</sup>/s) |
故县 | 11.75 | 6.98 | 534.8 | 1513 |
陆浑 | 13.20 | 6.77 | 319.5 | 2837 |
河口村 | 3.17 | 2.3 | 275 | 5384 |
以上游小浪底水库22年的汛期(7~10月)出库流量、沙量数据作为花园口断面补水前流量、沙量,与支流各库各年汛期可用补水量一同输入调度模型,小浪底水库出库水沙量、支流可用补水量如图2(a)-图2(b)所示。故县、陆浑、河口村水库年均可用水量为7.58亿m3、5.26亿m3、5.73亿m3。
步骤2,以河道泥沙冲淤、防洪、生态为目标构建河道支流水库联合补水排沙优化调度模型,将防洪、供水目标作为约束条件,其中花园口断面平滩流量取4000m3/s,汛期花园口断面需保证一定洪水量级的生态流量,这里将下限定为250m3/s,故县水库7月、8~10月的生态流量下限分别为6.0m3/s、2.0m3/s;陆浑水库以下游龙门镇断面生态流量为准,7~9月、10月下限流量分别为5.48m3/s、3.14m3/s,河口村水库以3.98m3/s作为生态流量下限。以河道断面补水后输沙增量最大为目标函数,构建河道支流水库联合补水排沙优化调度模型。
步骤3,对基于BP-GA耦合的黄河下游河道支流水库多功能协调补水模型求解,首先对排沙比计算模块构建BP网络,研究以历史河道花园口断面排沙比系列数据为率定数据构建BP网络,数据如图3所示。
将历史场次洪水的来沙系数、排沙比的数据分为两组作为训练期和检验期输入数据,构建来沙系数-排沙比的BP神经网络模型,利用BP神经网络常用的Sigmoid函数作为激活函数刻画神经元的输出转化,形式如下:
式中,fj即为激活函数;e为自然常数;α为参数;xj为隐含层或输出层j结点的输入信号;wij为输入信号i对于结点j的权重;sigi为输入信号i的值;例如结点j为隐含层某结点时,xj即为所有输入层结点输入信号与其对应权重的求和。设置误差目标为0.005、学习率为0.5,训练代数为2000,构建BP网络,并进行训练。所建立的BP网络训练结果如表2和图4(a)-图4(b)所示。
表2BP网络训练结果
时期 | 历史平均排沙比(%) | 模拟平均排沙比(%) | R<sup>2</sup> | e<sub>r</sub>(%) |
训练期 | 100.42 | 99.90 | 0.741 | 0.509 |
检验期 | 116.99 | 108.10 | 0.756 | 7.604 |
表2中R2为相关系数的平方,er为相对误差,均用于评价模型模拟结果。可以看出,BP网络训练结果较好,训练期及检验期的R2均在0.75左右,另外训练期相对误差仅为0.509%,检验期为7.604%,均小于10%,所训练的模型可作为补水模型的排沙比计算模块。再设置GA算法初始种群规模为400,迭代最大代数为500代,单个基因编码长度为120字符,交叉率为0.6,变异率为0.005。将构建的排沙比计算模块嵌入基于GA的支流水库补水量优化分配模块,构成基于BP-GA的河道支流水库多功能协调补水模型并求解。为体现补水优化调度后的冲淤效果变化,研究将支流自然来水情形下以及支流补水优化后的花园口断面泥沙冲淤变化结果进行对比,以验证优化补水模型的优化效果,模型结果如下。图5展示了两种情形下相比支流无来水状态下河道输沙量变化以及排沙比变化值。
由图5可以看出,支流补水结果经过优化调度分配后,泥沙冲淤效果相比自然来流情形明显较优,汛期各时段输沙量以及排沙比都得到明显提升。自然补水、优化补水情形下的输沙量增量分别为0.061亿t、0.136亿t,优化补水输沙量增是自然情形下的2.23倍。相比无支流补水情形下花园口年平均输沙量为1.496亿t,自然补水以及优化补水后平均输沙量分别1.557亿t以及1.632亿t,分别增加了4.09%和9.12%,各年总增量分别为1.347亿t和3.001亿t,优化调度相比自然情形输沙量增加了约5%。各支流补水流量分配情形如图6(a)-图6(b)所示。
由图6(a)-图6(b)可以看出,就各水库汛期可用补水量而言,其中故县水库断面来水较丰承担了较多补水任务。对比自然情形、优化情形下的支流来水量以及补水量年内分配情况,自然情形下支流各水库的分配按照支流来水量进行,二者总量、趋势均一致,而优化补水情形下的支流水量被水库调配,二者虽总量一致但补水量的分配情形随来沙、来水情形改变,以寻求最优的分配方案使得干流河道输沙增量最大化。进一步分析优化情形下输沙量增加与补水流量、来水流量以及来沙系数的关系,以及自然和优化情形下补水流量和输沙增量对来水流量的响应,如图7(a)-图7(b)、图8(a)-图8(d)所示。
从图7(a)可以看出,补水流量和输沙增量间有较好的正相关关系,即干流河道的输沙增量对支流补水具有较好的正反馈现象;此外观察图7(b)可以看出排沙量的增加集中于来沙系数为0~0.02kg·s/m6的洪水,即来沙系数较低有利于利用支流补水提高输沙量。图8(a)、图8(b)为自然情形,图8(c)、图8(d)为优化情形,对比二者干流来水流量与补水流量、输沙增量关系可以看出,自然补水情形下,补水量相对于干流来水无明显倾向,补水流量的分布较为均衡,而优化方案更倾向于对流量位于1000~3000m3/s区间的来水进行补水,同时输沙增量较大的流量区间也随之集中于1000~3000m3/s区间。
总体而言,所构建的补水模型可较好反映河道实际输沙情形,且对比支流自然补水情形及优化补水情形得知,优化补水调度模型对干流河道泥沙冲淤的优化改善作用较为显著。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于支流水库联合补水的干流排沙优化调度方法,其特征在于,包括:
S1.获取流域内支流各水库特征数据,以及干流河道平滩流量、生态流量、防洪标准数据;
S2.根据获取得到的数据确定补水排沙调度过程的约束条件,并以干流河道断面补水后输沙增量最大为调度目标,建立河道支流水库联合补水排沙优化调度模型;所述约束条件包括支流水库补水水量约束、干支流水力联系;
S3.将目标调度时期内干流河道补水前流量、含沙量数据、支流水库断面可用补水量作为模型输入,求解所述优化调度模型得到支流补水排沙调度的最优方案。
2.根据权利要求1所述的一种基于支流水库联合补水的干流排沙优化调度方法,其特征在于,步骤S3具体包括:
利用干流河道断面历史场次洪水的排沙比与来沙系数数据训练BP网络模型,训练好的BP网络模型用于河道输沙过程的排沙比计算;
采用GA算法求解所述河道支流联合补水排沙优化调度模型;求解过程中采用训练好的BP网络模型进行河道输沙过程的排沙比计算。
6.一种基于支流水库联合补水的干流排沙优化调度系统,其特征在于,包括:
数据收集模块,用于获取流域内支流各水库特征数据,以及干流河道平滩流量、生态流量、防洪标准数据;
模型构建模块,用于根据获取得到的数据确定补水排沙调度过程的约束条件,并以干流河道断面补水后输沙增量最大为调度目标,建立河道支流水库联合补水排沙优化调度模型;所述约束条件包括支流水库补水水量约束、干支流水力联系;
模型求解模块,用于将目标调度时期内干流河道补水前流量、含沙量数据、支流水库断面可用补水量作为模型输入,求解所述优化调度模型得到支流补水排沙调度的最优方案。
7.根据权利要求6所述的一种基于支流水库联合补水的干流排沙优化调度系统,其特征在于,模型求解模块的具体实施过程包括:
利用干流河道断面历史场次洪水的排沙比与来沙系数数据训练BP网络模型,训练好的BP网络模型用于河道输沙过程的排沙比计算;
采用GA算法求解所述河道支流联合补水排沙优化调度模型;求解过程中采用训练好的BP网络模型进行河道输沙过程的排沙比计算。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206829.9A CN112529247B (zh) | 2020-11-03 | 2020-11-03 | 基于支流水库联合补水的干流排沙优化调度方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011206829.9A CN112529247B (zh) | 2020-11-03 | 2020-11-03 | 基于支流水库联合补水的干流排沙优化调度方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529247A true CN112529247A (zh) | 2021-03-19 |
CN112529247B CN112529247B (zh) | 2023-12-26 |
Family
ID=74980615
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011206829.9A Active CN112529247B (zh) | 2020-11-03 | 2020-11-03 | 基于支流水库联合补水的干流排沙优化调度方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112529247B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967157A (zh) * | 2020-08-14 | 2020-11-20 | 中国水利水电科学研究院 | 考虑分期多目标函数的水库群水沙优化调度方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223937A (zh) * | 2015-10-26 | 2016-01-06 | 河海大学 | 梯级水电站群生态调控智能控制系统及方法 |
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 |
CN111723995A (zh) * | 2020-06-24 | 2020-09-29 | 中国长江三峡集团有限公司 | 一种梯级水库联合调度下水库汛期泥沙优化调度方法 |
-
2020
- 2020-11-03 CN CN202011206829.9A patent/CN112529247B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105223937A (zh) * | 2015-10-26 | 2016-01-06 | 河海大学 | 梯级水电站群生态调控智能控制系统及方法 |
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 |
CN111723995A (zh) * | 2020-06-24 | 2020-09-29 | 中国长江三峡集团有限公司 | 一种梯级水库联合调度下水库汛期泥沙优化调度方法 |
Non-Patent Citations (2)
Title |
---|
胡静文;: "多目标优化调度数学模型的水库水沙联合调度研究", 水利技术监督, no. 06, pages 172 - 175 * |
谈广鸣;郜国明;王远见;李新杰;: "基于水库-河道耦合关系的水库水沙联合调度模型研究与应用", 水利学报, no. 07, pages 221 - 229 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967157A (zh) * | 2020-08-14 | 2020-11-20 | 中国水利水电科学研究院 | 考虑分期多目标函数的水库群水沙优化调度方法及系统 |
CN111967157B (zh) * | 2020-08-14 | 2023-10-20 | 中国水利水电科学研究院 | 考虑分期多目标函数的水库群水沙优化调度方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112529247B (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022193642A1 (zh) | 一种基于图卷积神经网络和nsga-ⅱ算法的水库调度多目标优化方法 | |
CN111027264B (zh) | 基于生态恢复目标的平原区城市河网水循环调控方法 | |
CN108764573B (zh) | 一种面向内陆干旱区的水资源多维均衡配置系统 | |
CN109948235B (zh) | 水资源调度与精准化配置方法 | |
CN105913146B (zh) | 南方湿润地区的水资源优化配置系统 | |
CN110880048B (zh) | 一种梯级水库生态随机优化调度模型及求解方法 | |
CN111125969A (zh) | 一种跨水库流域河道径流演算方法和系统 | |
CN109670650B (zh) | 基于多目标优化算法的梯级水库群调度模型的求解方法 | |
CN111967666B (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN103761583B (zh) | 一种水库排沙发电多目标优化调度方法 | |
CN108842713A (zh) | 多沙河流水质水量一体化配置与调度方法及其系统 | |
CN113449993B (zh) | 一种城市水源供水调度方法 | |
CN113050430B (zh) | 一种基于鲁棒强化学习的排水系统控制方法 | |
CN115271304A (zh) | 基于气候变化的跨流域调水工程优化调度方法 | |
CN110633849B (zh) | 一种基于启发式大系统分解协调思想的水资源配置方法 | |
CN110533326A (zh) | 一种与水相关的生态环境承载力预估调控系统 | |
CN112529247A (zh) | 基于支流水库联合补水的干流排沙优化调度方法和系统 | |
CN116263903A (zh) | 一种基于全生命周期的生活节水综合效益评估指标体系及评估方法 | |
CN109919397A (zh) | 平原河网地区排涝容量校验优化方法 | |
CN110188912B (zh) | 基于改进花粉算法的地表水和地下水联合调度优化方法 | |
CN117114918A (zh) | 一种基于区域生态需水与多水源供水的水资源调配方法 | |
CN112365126B (zh) | 应用于含在线调蓄水库的大型引调水工程调度方法 | |
CN111126693B (zh) | 基于上游水库运行对下游电站发电能力影响的调度方法 | |
CN117592758B (zh) | 一种多个跨流域调水格局的联合调度方法 | |
CN113505913B (zh) | 面向水生群落系统稳定性的水库优化调度决策方法和装置 |
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 |