CN114357868A - 复杂防洪系统多目标协同调度方法及装置 - Google Patents
复杂防洪系统多目标协同调度方法及装置 Download PDFInfo
- Publication number
- CN114357868A CN114357868A CN202111576713.9A CN202111576713A CN114357868A CN 114357868 A CN114357868 A CN 114357868A CN 202111576713 A CN202111576713 A CN 202111576713A CN 114357868 A CN114357868 A CN 114357868A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- flood
- flood control
- section
- scheduling
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 48
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000012544 monitoring process Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 21
- 230000001105 regulatory effect Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 36
- 238000005457 optimization Methods 0.000 claims description 24
- 238000004088 simulation Methods 0.000 claims description 21
- 238000005259 measurement Methods 0.000 claims description 18
- 238000010276 construction Methods 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 239000003795 chemical substances by application Substances 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims 1
- 230000009467 reduction Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 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
-
- 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
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
-
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Fluid Mechanics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
本发明提供复杂防洪系统多目标协同调度方法及装置,方法包括:步骤1,布设视频测流设备站点,监测各站点处断面流量数据;步骤2,根据监测的断面流量数据,采用人工神经网络,构建水库‑蓄滞洪区‑涵闸泵站间的河道洪水演进代理模型作为复杂防洪系统多断面通用河道洪水演进代理模型,模拟复杂防洪系统的洪水演进过程;步骤3,构建复杂防洪系统多目标协同调度模型:以防洪控制点洪峰流量最小、水库动用防洪库容最小为目标函数,以水库下泄流量为决策变量,以水库水量平衡约束、水库泄流能力约束、水库水位约束、洪水演进约束、非水库工程调度约束为约束条件;步骤4,求解复杂防洪系统多目标协同调度模型,获得非劣解集,根据此调控水库调度。
Description
技术领域
本发明属于防洪调度领域,具体涉及复杂防洪系统多目标协同调度方法及装置。
背景技术
洪水灾害是我国发生频率较高、危害范围较大的自然灾害。为减小洪灾损失,保护人民群众的生命财产安全,保障社会经济的平稳发展,我国各大流域基本修建了以堤防、水库、蓄滞洪区等为主体的防洪工程体系,形成了工程措施与非工程措施相结合的洪水管理理念。其中,防洪调度是一项重要的防洪减灾非工程性措施。由多水利工程构成的复杂防洪系统,其协同调度存在两大难点。第一个难点是洪水演进的计算问题。洪水演进的计算是防洪调度的一项基础性工作,主要方法有水文学方法和水动力学方法。水文学方法以马斯京根法为代表,具有计算简单的特点,但受水库调节影响,其河道洪水演进计算存在模拟精度不高,不确定性大等缺点;水动力学方法计算精度高,但计算过程较为复杂,且计算所需时间较长,难以满足复杂防洪系统运行调度的时间性要求。第二个难点是复杂防洪系统涉及水库、蓄滞洪区、闸坝等水利工程的协同调度,需要考虑复杂的水力联系和多断面的河道洪水演进计算,呈现多阶段、高维度、非线性、强约束、后效性等特点,传统的优化算法如:线性规划和动态规划算法,往往难以求解。
发明内容
本发明是为了解决上述问题而进行的,目的在于提供计算精度高、计算时间短、易于求解的复杂防洪系统多目标协同调度方法及装置,可为复杂防洪系统协同调度提供可靠的技术支撑。
本发明为了实现上述目的,采用了以下方案:
<方法>
本发明提供复杂防洪系统多目标协同调度方法,其特征在于,包括以下步骤:
步骤1,布设视频测流设备站点:
收集流域水系资料,概化流域防洪系统,将水库入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面作为布设站点,布设视频测流设备,监测各站点处断面流量数据;
步骤2,洪水演进仿真计算:
根据监测的断面流量数据,采用人工神经网络,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型作为复杂防洪系统多断面通用河道洪水演进代理模型,模拟复杂防洪系统的洪水演进过程;包括:
步骤2-1,收集第n站点断面和第n+1站点断面的各计T个时段的视频测流数据;
步骤2-2,以第n站点断面的视频测流数据作为输入数据,第n+1站点断面的视频测流数据作为输出数据,设置人工神经网络的相关参数,构建人工神经网络模型如下:
式中,netn表示第n站点断面的人工神经网络模型;Pn表示人工神经网络的参数设置集,包括:隐含层节点数、节点传递函数、训练次数;Xn和Yn+1分别表示输入层和输出层的数据集合,如下所示:
式中,Qn和Qn+1分别表示第n和第n+1站点断面的视频测流设备的监测流量;τn表示第n站点断面至第n+1站点断面的洪水演进滞时;
步骤2-3,训练人工神经网络模型netn并保存,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型:
式中,Qn+1 *表示用洪水演进计算出的第n+1站点断面的流量;
步骤2-4,重复步骤2-1~步骤2-3,直至遍历所有站点断面;
步骤3,构建复杂防洪系统多目标协同调度模型:
以防洪控制点洪峰流量最小、水库动用防洪库容最小为目标函数,以水库下泄流量为决策变量,需满足的约束条件含:水库水量平衡约束、水库泄流能力约束、水库水位约束、洪水演进约束、非水库工程调度约束;
步骤4,多目标协同优化:采用NSGA-Ⅱ算法求解复杂防洪系统多目标协同调度模型,获得非劣解集,根据此调控水库调度。
优选地,本发明提供的复杂防洪系统多目标协同调度方法中,步骤1包括如下子步骤:
步骤1-1,收集流域水文、水利工程相关资料,包括水库、堤防、闸坝、蓄滞洪区等水利工程特征参数、干支流交汇节点数量与位置等,基于这些流域水系资料概化流域防洪系统;
步骤1-2,筛选视频测流设备的布设站点,选择水库出入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面等作为布设站点;
步骤1-3,从上游至下游,在筛选的站点断面依次布设视频测流设备;
步骤1-4,开启视频测流设备,监测并记录各站点断面流量数据。
优选地,本发明提供的复杂防洪系统多目标协同调度方法中,步骤3包括如下子步骤:
步骤3-1,以防洪控制点洪峰最小和水库动用防洪库容最小作为目标函数,具体如下:
①防洪控制点洪峰最小:
式中,f1表示第一个目标函数;Qi(t)表示第i个防洪控制点第t时刻的流量;I表示防洪控制点的数量;
②水库动用防洪库容最小:
式中,f2表示第二个目标函数;Vp(t)表示第p个水库第t时刻库容;Vp(0)表示第p水库调度期初库容;P表示水库的数量;
步骤3-2,设定约束条件,具体如下:
①水库水量平衡约束:
式中,Ip(t)表示第p个水库第t时刻入库流量,由视频测流设备测出;Op(t)表示第p个水库第t时刻出库流量;
②水库泄流能力约束:
式中,Op max[Zp(t)]表示第p个水库第t时刻水位达到Zp(t)时,水库最大下泄流量;
③水库水位限制约束:
式中,Zp max和Zp min分别表示第p个水库调度期内水位的上、下限;
④洪水演进约束:
Qn+1(t)=f[Qn(t),Qn(t-1),...,Qn(t-Tn),netn]
式中,Qn+1(t)表示第n+1站点断面第t时刻的洪水演进计算的数值;
⑤非水库工程调度约束:
Om(t)=ψm[Im(t),Zm(t)]
式中,Om(t),Im(t)和Zm(t)分别表示第m个非水库水利工程第t时刻的出流、入流和水位;ψm表示第m个非水库水利工程的调度规则。
优选地,本发明提供的复杂防洪系统多目标协同调度方法中,步骤4包括如下子步骤:
步骤4-1,设置NSGA-Ⅱ算法的相关参数,包括:迭代总次数为K、选择、交叉和变异的概率分别为p1,p2和p3,种群规模NP等;
步骤4-2,令迭代次数k=1,随机初始化一个父代种群Pk,并将所有个体按非支配关系排序且指定一个适应度值,采用选择、交叉、变异算子产生子种群Qk;
步骤4-3,将父代种群与子代种群合并组成Rk,种群规模为2NP;对Rk进行非支配排序,产生非支配集并计算拥挤度,并生成新父种群Pk+1,通过选择、交叉、变异算子产生子种群Qk+1,迭代次数k=k+1;
步骤4-4,重复步骤4-3,直至迭代次数达到K,得出多目标非劣解集;
步骤4-5,绘制Pareto前沿解集图,辨识复杂防洪系统不同目标间的协同竞争关系,,根据此调控水库调度过程。
<装置>
进一步,本发明还提供复杂防洪系统多目标协同调度装置,其特征在于,包括:
流量数据监测部,通过布设在水库入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面处的视频测流设备,监测各站点处断面流量数据;
洪水演进仿真计算部,根据监测的断面流量数据,采用人工神经网络,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型作为复杂防洪系统多断面通用河道洪水演进代理模型,模拟复杂防洪系统的洪水演进过程;具体包括:
步骤2-1,收集第n站点断面和第n+1站点断面的各计T个时段的视频测流数据;
步骤2-2,以第n站点断面的视频测流数据作为输入数据,第n+1站点断面的视频测流数据作为输出数据,设置人工神经网络的相关参数,构建人工神经网络模型如下:
式中,netn表示第n站点断面的人工神经网络模型;Pn表示人工神经网络的参数设置集,包括:隐含层节点数、节点传递函数、训练次数;Xn和Yn+1分别表示输入层和输出层的数据集合,如下所示:
式中,Qn和Qn+1分别表示第n和第n+1站点断面的视频测流设备的监测流量;τn表示第n站点断面至第n+1站点断面的洪水演进滞时;
步骤2-3,训练人工神经网络模型netn并保存,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型:
式中,Qn+1 *表示用洪水演进计算出的第n+1站点断面的流量;
步骤2-4,重复步骤2-1~步骤2-3,直至遍历所有站点断面;
模型构建部,以防洪控制点洪峰流量最小、水库动用防洪库容最小为目标函数,以水库下泄流量为决策变量,以水库水量平衡约束、水库泄流能力约束、水库水位约束、洪水演进约束、非水库工程调度约束为约束条件,构建复杂防洪系统多目标协同调度模型;
多目标协同优化部,采用NSGA-Ⅱ算法求解复杂防洪系统多目标协同调度模型,获得非劣解集;
调度部,根据获得的非劣解集,确定调度方案,并对水库调度进行相应调控;以及
控制部,与流量数据监测部、洪水演进仿真计算部、模型构建部、多目标协同优化部、调度部均通信相连,控制它们的运行。
优选地,本发明提供的复杂防洪系统多目标协同调度装置,还可以具有以下特征:在模型构建部中,以防洪控制点洪峰最小和水库动用防洪库容最小作为目标函数,具体如下:
①防洪控制点洪峰最小:
式中,f1表示第一个目标函数;Qi(t)表示第i个防洪控制点第t时刻的流量;I表示防洪控制点的数量;
②水库动用防洪库容最小:
式中,f2表示第二个目标函数;Vp(t)表示第p个水库第t时刻库容;Vp(0)表示第p水库调度期初库容;P表示水库的数量;
约束条件具体如下:
①水库水量平衡约束:
式中,Ip(t)表示第p个水库第t时刻入库流量,由视频测流设备测出;Op(t)表示第p个水库第t时刻出库流量;
②水库泄流能力约束:
式中,Op max[Zp(t)]表示第p个水库第t时刻水位达到Zp(t)时,水库最大下泄流量;
③水库水位限制约束:
式中,Zp max和Zp min分别表示第p个水库调度期内水位的上、下限;
④洪水演进约束:
Qn+1(t)=f[Qn(t),Qn(t-1),...,Qn(t-Tn),netn]
式中,Qn+1(t)表示第n+1站点断面第t时刻的洪水演进计算的数值;
⑤非水库工程调度约束:
Om(t)=ψm[Im(t),Zm(t)]
式中,Om(t),Im(t)和Zm(t)分别表示第m个非水库水利工程第t时刻的出流、入流和水位;ψm表示第m个非水库水利工程的调度规则。
优选地,本发明提供的复杂防洪系统多目标协同调度装置,多目标协同优化部按照如下步骤获得非劣解集:
步骤4-1,设置NSGA-Ⅱ算法的相关参数,包括:迭代总次数为K、选择、交叉和变异的概率分别为p1,p2和p3,种群规模NP等;
步骤4-2,令迭代次数k=1,随机初始化一个父代种群Pk,并将所有个体按非支配关系排序且指定一个适应度值,采用选择、交叉、变异算子产生子种群Qk;
步骤4-3,将父代种群与子代种群合并组成Rk,种群规模为2NP;对Rk进行非支配排序,产生非支配集并计算拥挤度,并生成新父种群Pk+1,通过选择、交叉、变异算子产生子种群Qk+1,迭代次数k=k+1;
步骤4-4,重复步骤4-3,直至迭代次数达到K,得出多目标非劣解集。
优选地,本发明提供的复杂防洪系统多目标协同调度装置,还可以具有以下特征:调度部根据获得的非劣解集,绘制Pareto前沿解集图,辨识复杂防洪系统不同目标间的协同竞争关系,并根据此调控水库调度过程。
优选地,本发明提供的复杂防洪系统多目标协同调度装置,还可以包括:输入显示部,与流量数据监测部、洪水演进仿真计算部、模型构建部、多目标协同优化部、调度部、控制部均通信相连,根据用户输入的操作指令,显示相应的信息。
优选地,本发明提供的复杂防洪系统多目标协同调度装置,还可以具有以下特征:输入显示部能够根据操作指令对洪水演进仿真计算部模拟的复杂防洪系统的洪水演进过程进行显示,并能够根据操作指令对模型构建部构建的复杂防洪系统多目标协同调度模型进行显示,还能够根据操作指令对多目标协同优化部获得的非劣解集进行显示,而且能够根据操作指令对调度部确定的调度方法和调控情况以及调度进展进行相应显示。
发明的作用与效果
本发明在河道多个断面布设视频测流设备获取断面流量数据,然后将各断面频测流数据作为模型数据,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型,进而将河道洪水演进代理模型作为洪水演进约束嵌入调度模型,构建复杂防洪系统多目标协同调度模型,求解复杂防洪系统多目标协同调度模型,不仅具有求解精度高、计算时间短等特点,适用于复杂水力联系下的洪水演进的计算,而且解决了洪水演进带来的时滞性问题,并能给出多目标非劣解集,绘制相应的Pareto前沿解集图,为复杂防洪系统实现中小洪水减压、大洪水保安、超标洪水减损提供可靠依据和支撑。
附图说明
图1为本发明实施例涉及的复杂防洪系统多目标协同调度方法的流程图;
图2为本发明实施例中概化后的流域复杂防洪系统示意图;
图3为本发明实施例中防洪控制点实测流量、马斯京根法和本发明所计算的流量过程对比示意图;
图4为本发明实施例中以水库动用防洪库容和防洪控制点洪峰为多目标的Pareto前沿解集图像示意图。
具体实施方式
以下结合附图对本发明涉及的复杂防洪系统多目标协同调度方法及装置的具体实施方案进行详细地说明。
<实施例>
如图1所示,本实施所提供的复杂防洪系统多目标协同调度方法,包括如下步骤:
步骤一,布设视频测流设备站点:
收集流域水系资料,概化流域防洪系统,将水库入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面作为布设站点,布设视频测流设备,监测各站点处断面流量数据;具体包括如下子步骤:
步骤1-1,收集流域水文、水利工程相关资料,包括水库、堤防、闸坝、蓄滞洪区等水利工程特征参数、干支流交汇节点数量与位置,基于这些流域水系资料概化流域防洪系统;
步骤1-2,筛选视频测流设备的布设站点,选择水库出入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面作为布设站点;
步骤1-3,从上游至下游,在筛选的站点断面依次布设视频测流设备;
步骤1-4,开启视频测流设备,监测并记录各站点断面流量数据。
本实施例中,选择某一复杂防洪调度系统开展研究,该系统概化如图2所示。该防洪系统由一个水库、一个闸坝、一个防洪控制点、一个蓄滞洪区以及两条支流构成。本实施例在水库入库、干支流交汇点等处布设视频测流设备5个。
步骤二,洪水演进仿真计算:
根据监测的断面流量数据,采用人工神经网络,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型,模拟复杂防洪系统的洪水演进过程;具体包括如下子步骤:
步骤2-1,收集第n站点断面和第n+1站点断面的各计T个时段的视频测流数据;
步骤2-2,以第n站点断面的视频测流数据作为输入数据,第n+1站点断面的视频测流数据作为输出数据,设置人工神经网络的相关参数,构建人工神经网络模型如下:
式中,netn表示第n站点断面的人工神经网络模型;Pn表示人工神经网络的参数设置集,包括:隐含层节点数、节点传递函数、训练次数;Xn和Yn+1分别表示输入层和输出层的数据集合,如下所示:
式中,Qn和Qn+1分别表示第n和第n+1站点断面的视频测流设备的监测流量;τn表示第n站点断面至第n+1站点断面的洪水演进滞时;
步骤2-3,训练人工神经网络模型netn并保存,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型:
式中,Qn+1 *表示用洪水演进计算出的第n+1站点断面的流量;
步骤2-4,重复步骤2-1~步骤2-3,直至遍历所有站点断面。
步骤三,构建复杂防洪系统多目标协同调度模型:
以防洪控制点洪峰流量最小、水库动用防洪库容最小为目标函数,以水库下泄流量为决策变量,需满足的约束条件含:水库水量平衡约束、水库泄流能力约束、水库水位约束、洪水演进约束、非水库工程调度约束;具体包括如下子步骤:
步骤3-1,以防洪控制点洪峰最小和水库动用防洪库容最小作为目标函数,具体如下:
①防洪控制点洪峰最小:
式中,f1表示第一个目标函数;Qi(t)表示第i个防洪控制点第t时刻的流量;I表示防洪控制点的数量;
②水库动用防洪库容最小:
式中,f2表示第二个目标函数;Vp(t)表示第p个水库第t时刻库容;Vp(0)表示第p水库调度期初库容;P表示水库的数量;
步骤3-2,设定约束条件,具体如下:
①水库水量平衡约束:
式中,Ip(t)表示第p个水库第t时刻入库流量,由视频测流设备测出;Op(t)表示第p个水库第t时刻出库流量;
②水库泄流能力约束:
式中,Op max[Zp(t)]表示第p个水库第t时刻水位达到Zp(t)时,水库最大下泄流量;
③水库水位限制约束:
式中,Zp max和Zp min分别表示第p个水库调度期内水位的上、下限;
④洪水演进约束:
Qn+1(t)=f[Qn(t),Qn(t-1),...,Qn(t-Tn),aetn]
式中,Qn+1(t)表示第n+1站点断面第t时刻的洪水演进计算的数值;
⑤非水库工程调度约束:
Om(t)=ψm[Im(t),zm(t)]
式中,Om(t),Im(t)和Zm(t)分别表示第m个非水库水利工程第t时刻的出流、入流和水位;ψm表示第m个非水库水利工程的调度规则。
步骤四,多目标协同优化:采用NSGA-Ⅱ算法求解复杂防洪系统多目标协同调度模型,获得非劣解集,根据此调控水库调度。具体包括如下子步骤:
步骤4-1,设置NSGA-Ⅱ算法的相关参数,包括:迭代总次数为K、选择、交叉和变异的概率分别为p1,p2和p3,种群规模NP;
步骤4-2,令迭代次数k=1,随机初始化一个父代种群Pk,并将所有个体按非支配关系排序且指定一个适应度值,采用选择、交叉、变异算子产生子种群Qk;
步骤4-3,将父代种群与子代种群合并组成Rk,种群规模为2NP;对Rk进行非支配排序,产生非支配集并计算拥挤度,并生成新父种群Pk+1,通过选择、交叉、变异算子产生子种群Qk+1,迭代次数k=k+1;
步骤4-4,重复步骤4-3,直至迭代次数达到K,得出多目标非劣解集;
步骤4-5,绘制Pareto前沿解集图,辨识复杂防洪系统不同目标间的协同竞争关系,,根据此调控水库调度过程。
如图3所示,运行本实施例上文所描述的洪水演进仿真计算,将计算结果与实测流量和马斯京根法对比分析可知,在计算时间方面,本实施例的计算时间与马斯京根法接近,但在计算精度方面,马斯京根法计算的流量过程相较实测流量过程整体偏小,而本实施例计算结果与实测流量过程接近,计算精度明显高于马斯京根法。进一步,与水动力学法相比,本实施例方案精度与水动力学相当,但计算时间比水动力学计算时间大致缩短了1000倍。
如图4所示,运行本实施例上文所描述的多目标协同优化,可以得出防洪控制点洪峰流量与上游水库动用防洪库容的非劣解集关系。可以看出随着动用防洪库容的增加,洪峰流量呈现减少趋势。依据动用防洪库容和洪峰流量之间的关系,可以划分面向中小洪水减压的方案集、面向大洪水保安的方案集以及面向超标洪水降损的方案集,为复杂防洪系统的调度提供支撑。
进一步,本实施例还提供了能够自动实现上述方法的复杂防洪系统多目标协同调度装置,它包括流量数据监测部、洪水演进仿真计算部、模型构建部、多目标协同优化部、调度部、输入显示部、控制部。
流量数据监测部通过布设在水库入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面处的视频测流设备,监测各站点处断面流量数据。
洪水演进仿真计算部根据监测的断面流量数据,采用人工神经网络,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型,模拟复杂防洪系统的洪水演进过程。
模型构建部以防洪控制点洪峰流量最小、水库动用防洪库容最小为目标函数,以水库下泄流量为决策变量,以水库水量平衡约束、水库泄流能力约束、水库水位约束、洪水演进约束、非水库工程调度约束为约束条件,构建复杂防洪系统多目标协同调度模型。
多目标协同优化部采用NSGA-Ⅱ算法求解复杂防洪系统多目标协同调度模型,获得非劣解集。
调度部根据获得的非劣解集,绘制Pareto前沿解集图,辨识复杂防洪系统不同目标间的协同竞争关系,并根据此调控水库调度过程。
输入显示部与流量数据监测部、洪水演进仿真计算部、模型构建部、多目标协同优化部、调度部、控制部均通信相连,根据用户输入的操作指令,显示相应的信息。例如,输入显示部能够根据操作指令对洪水演进仿真计算部模拟的复杂防洪系统的洪水演进过程进行显示,并能够根据操作指令对模型构建部构建的复杂防洪系统多目标协同调度模型进行显示,还能够根据操作指令对多目标协同优化部获得的非劣解集进行显示,而且能够根据操作指令对调度部确定的调度方法和调控情况以及调度进展进行相应显示。
控制部与流量数据监测部、洪水演进仿真计算部、模型构建部、多目标协同优化部、调度部均通信相连,控制它们的运行。
以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的复杂防洪系统多目标协同调度方法及装置并不仅仅限定于在以上实施例中所描述的内容,而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换,都在本发明的权利要求所要求保护的范围内。
Claims (10)
1.复杂防洪系统多目标协同调度方法,其特征在于,包括以下步骤:
步骤1,布设视频测流设备站点:
收集流域水系资料,概化流域防洪系统,将水库入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面作为布设站点,布设视频测流设备,监测各站点处断面流量数据;
步骤2,洪水演进仿真计算:
根据监测的断面流量数据,采用人工神经网络,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型,模拟复杂防洪系统的洪水演进过程;包括:
步骤2-1,收集第n站点断面和第n+1站点断面的各计T个时段的视频测流数据;
步骤2-2,以第n站点断面的视频测流数据作为输入数据,第n+1站点断面的视频测流数据作为输出数据,设置人工神经网络的相关参数,构建人工神经网络模型如下:
式中,netn表示第n站点断面的人工神经网络模型;Pn表示人工神经网络的参数设置集,包括:隐含层节点数、节点传递函数、训练次数;Xn和Yn+1分别表示输入层和输出层的数据集合,如下所示:
式中,Qn和Qn+1分别表示第n和第n+1站点断面的视频测流设备的监测流量;τn表示第n站点断面至第n+1站点断面的洪水演进滞时;
步骤2-3,训练人工神经网络模型netn并保存,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型:
式中,Qn+1 *表示用洪水演进计算出的第n+1站点断面的流量;
步骤2-4,重复步骤2-1~步骤2-3,直至遍历所有站点断面;
步骤3,构建复杂防洪系统多目标协同调度模型:
以防洪控制点洪峰流量最小、水库动用防洪库容最小为目标函数,以水库下泄流量为决策变量,需满足的约束条件含:水库水量平衡约束、水库泄流能力约束、水库水位约束、洪水演进约束、非水库工程调度约束;
步骤4,多目标协同优化:采用NSGA-Ⅱ算法求解复杂防洪系统多目标协同调度模型,获得非劣解集,根据此调控水库调度。
2.根据权利要求1所述的复杂防洪系统多目标协同调度方法,其特征在于:
其中,步骤1包括如下子步骤:
步骤1-1,收集流域水文、水利工程相关资料,包括水库、堤防、闸坝、蓄滞洪区等水利工程特征参数、干支流交汇节点数量与位置,基于这些流域水系资料概化流域防洪系统;
步骤1-2,筛选视频测流设备的布设站点,选择水库出入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面作为布设站点;
步骤1-3,从上游至下游,在筛选的站点断面依次布设视频测流设备;
步骤1-4,开启视频测流设备,监测并记录各站点断面流量数据。
3.根据权利要求1所述的复杂防洪系统多目标协同调度方法,其特征在于:
其中,步骤3包括如下子步骤:
步骤3-1,以防洪控制点洪峰最小和水库动用防洪库容最小作为目标函数,具体如下:
①防洪控制点洪峰最小:
式中,f1表示第一个目标函数;Qi(t)表示第i个防洪控制点第t时刻的流量;I表示防洪控制点的数量;
②水库动用防洪库容最小:
式中,f2表示第二个目标函数;Vp(t)表示第p个水库第t时刻库容;Vp(0)表示第p水库调度期初库容;P表示水库的数量;
步骤3-2,设定约束条件,具体如下:
①水库水量平衡约束:
式中,Ip(t)表示第p个水库第t时刻入库流量,由视频测流设备测出;Op(t)表示第p个水库第t时刻出库流量;
②水库泄流能力约束:
式中,Op max[Zp(t)]表示第p个水库第t时刻水位达到Zp(t)时,水库最大下泄流量;
③水库水位限制约束:
式中,Zp max和Zp min分别表示第p个水库调度期内水位的上、下限;
④洪水演进约束:
Qn+1(t)=f[Qn(t),Qn(t-1),...,Qn(t-Tn),netn]
式中,Qn+1(t)表示第n+1站点断面第t时刻的洪水演进计算的数值;
⑤非水库工程调度约束:
Om(t)=ψm[Im(t),Zm(t)]
式中,Om(t),Im(t)和Zm(t)分别表示第m个非水库水利工程第t时刻的出流、入流和水位;ψm表示第m个非水库水利工程的调度规则。
4.根据权利要求1所述的复杂防洪系统多目标协同调度方法,其特征在于:
其中,步骤4包括如下子步骤:
步骤4-1,设置NSGA-Ⅱ算法的相关参数,包括:迭代总次数为K、选择、交叉和变异的概率分别为p1,p2和p3,种群规模NP;
步骤4-2,令迭代次数k=1,随机初始化一个父代种群Pk,并将所有个体按非支配关系排序且指定一个适应度值,采用选择、交叉、变异算子产生子种群Qk;
步骤4-3,将父代种群与子代种群合并组成Rk,种群规模为2NP;对Rk进行非支配排序,产生非支配集并计算拥挤度,并生成新父种群Pk+1,通过选择、交叉、变异算子产生子种群Qk+1,迭代次数k=k+1;
步骤4-4,重复步骤4-3,直至迭代次数达到K,得出多目标非劣解集;
步骤4-5,绘制Pareto前沿解集图,辨识复杂防洪系统不同目标间的协同竞争关系,根据此调控水库调度过程。
5.复杂防洪系统多目标协同调度装置,其特征在于,包括:
流量数据监测部,通过布设在水库入库断面、干支流交汇断面、闸坝断面、蓄滞洪区断面、防洪控制断面处的视频测流设备,监测各站点处断面流量数据;
洪水演进仿真计算部,根据监测的断面流量数据,采用人工神经网络,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型,模拟复杂防洪系统的洪水演进过程;具体包括:
步骤2-1,收集第n站点断面和第n+1站点断面的各计T个时段的视频测流数据;
步骤2-2,以第n站点断面的视频测流数据作为输入数据,第n+1站点断面的视频测流数据作为输出数据,设置人工神经网络的相关参数,构建人工神经网络模型如下:
式中,netn表示第n站点断面的人工神经网络模型;Pn表示人工神经网络的参数设置集,包括:隐含层节点数、节点传递函数、训练次数;Xn和Yn+1分别表示输入层和输出层的数据集合,如下所示:
式中,Qn和Qn+1分别表示第n和第n+1站点断面的视频测流设备的监测流量;τn表示第n站点断面至第n+1站点断面的洪水演进滞时;
步骤2-3,训练人工神经网络模型netn并保存,构建水库-蓄滞洪区-涵闸泵站间的河道洪水演进代理模型:
式中,Qn+1 *表示用洪水演进计算出的第n+1站点断面的流量;
步骤2-4,重复步骤2-1~步骤2-3,直至遍历所有站点断面;
模型构建部,以防洪控制点洪峰流量最小、水库动用防洪库容最小为目标函数,以水库下泄流量为决策变量,以水库水量平衡约束、水库泄流能力约束、水库水位约束、洪水演进约束、非水库工程调度约束为约束条件,构建复杂防洪系统多目标协同调度模型;
多目标协同优化部,采用NSGA-Ⅱ算法求解复杂防洪系统多目标协同调度模型,获得非劣解集;
调度部,根据获得的非劣解集,确定调度方案,并对水库调度进行相应调控;以及
控制部,与所述流量数据监测部、所述洪水演进仿真计算部、所述模型构建部、所述多目标协同优化部、所述调度部均通信相连,控制它们的运行。
6.根据权利要求5所述的复杂防洪系统多目标协同调度装置,其特征在于:
其中,在所述模型构建部中,以防洪控制点洪峰最小和水库动用防洪库容最小作为目标函数,具体如下:
①防洪控制点洪峰最小:
式中,f1表示第一个目标函数;Qi(t)表示第i个防洪控制点第t时刻的流量;I表示防洪控制点的数量;
②水库动用防洪库容最小:
式中,f2表示第二个目标函数;Vp(t)表示第p个水库第t时刻库容;Vp(0)表示第p水库调度期初库容;P表示水库的数量;
约束条件具体如下:
①水库水量平衡约束:
式中,Ip(t)表示第p个水库第t时刻入库流量,由视频测流设备测出;Op(t)表示第p个水库第t时刻出库流量;
②水库泄流能力约束:
式中,Op max[Zp(t)]表示第p个水库第t时刻水位达到Zp(t)时,水库最大下泄流量;
③水库水位限制约束:
式中,Zp max和Zp min分别表示第p个水库调度期内水位的上、下限;
④洪水演进约束:
Qn+1(t)=f[Qn(t),Qn(t-1),...,Qn(t-Tn),netn]
式中,Qn+1(t)表示第n+1站点断面第t时刻的洪水演进计算的数值;
⑤非水库工程调度约束:
Om(t)=ψm[Im(t),Zm(t)]
式中,Om(t),Im(t)和Zm(t)分别表示第m个非水库水利工程第t时刻的出流、入流和水位;ψm表示第m个非水库水利工程的调度规则。
7.根据权利要求5所述的复杂防洪系统多目标协同调度方法,其特征在于:
其中,所述多目标协同优化部按照如下步骤获得非劣解集:
步骤4-1,设置NSGA-Ⅱ算法的相关参数,包括:迭代总次数为K、选择、交叉和变异的概率分别为p1,p2和p3,种群规模NP;
步骤4-2,令迭代次数k=1,随机初始化一个父代种群Pk,并将所有个体按非支配关系排序且指定一个适应度值,采用选择、交叉、变异算子产生子种群Qk;
步骤4-3,将父代种群与子代种群合并组成Rk,种群规模为2NP;对Rk进行非支配排序,产生非支配集并计算拥挤度,并生成新父种群Pk+1,通过选择、交叉、变异算子产生子种群Qk+1,迭代次数k=k+1;
步骤4-4,重复步骤4-3,直至迭代次数达到K,得出多目标非劣解集。
8.根据权利要求5所述的复杂防洪系统多目标协同调度方法,其特征在于:
其中,所述调度部根据获得的非劣解集,绘制Pareto前沿解集图,辨识复杂防洪系统不同目标间的协同竞争关系,并根据此调控水库调度过程。
9.根据权利要求5所述的复杂防洪系统多目标协同调度方法,其特征在于,还包括:
输入显示部,与所述流量数据监测部、所述洪水演进仿真计算部、所述模型构建部、所述多目标协同优化部、所述调度部、所述控制部均通信相连,根据用户输入的操作指令,显示相应的信息。
10.根据权利要求9所述的梯级水库旱限水位调度线优化装置,其特征在于:
其中,所述输入显示部能够根据操作指令对所述洪水演进仿真计算部模拟的复杂防洪系统的洪水演进过程进行显示,并能够根据操作指令对所述模型构建部构建的复杂防洪系统多目标协同调度模型进行显示,还能够根据操作指令对多目标协同优化部获得的非劣解集进行显示,而且能够根据操作指令对调度部确定的调度方法和调控情况以及调度进展进行相应显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111576713.9A CN114357868A (zh) | 2021-12-22 | 2021-12-22 | 复杂防洪系统多目标协同调度方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111576713.9A CN114357868A (zh) | 2021-12-22 | 2021-12-22 | 复杂防洪系统多目标协同调度方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114357868A true CN114357868A (zh) | 2022-04-15 |
Family
ID=81100552
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111576713.9A Pending CN114357868A (zh) | 2021-12-22 | 2021-12-22 | 复杂防洪系统多目标协同调度方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114357868A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114923544A (zh) * | 2022-07-20 | 2022-08-19 | 中国长江三峡集团有限公司 | 出口断面水位的预测方法、装置及电子设备 |
CN116562537A (zh) * | 2023-03-22 | 2023-08-08 | 珠江水利委员会珠江水利科学研究院 | 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质 |
-
2021
- 2021-12-22 CN CN202111576713.9A patent/CN114357868A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114923544A (zh) * | 2022-07-20 | 2022-08-19 | 中国长江三峡集团有限公司 | 出口断面水位的预测方法、装置及电子设备 |
CN114923544B (zh) * | 2022-07-20 | 2022-10-04 | 中国长江三峡集团有限公司 | 出口断面水位的预测方法、装置及电子设备 |
CN116562537A (zh) * | 2023-03-22 | 2023-08-08 | 珠江水利委员会珠江水利科学研究院 | 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质 |
CN116562537B (zh) * | 2023-03-22 | 2023-10-31 | 珠江水利委员会珠江水利科学研究院 | 一种闸泵群防洪排涝实时优化调度方法、系统和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125969B (zh) | 一种跨水库流域河道径流演算方法和系统 | |
CN111967666B (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN114357868A (zh) | 复杂防洪系统多目标协同调度方法及装置 | |
CN112257352A (zh) | 一维水动力模型和二维水动力模型的耦合方法及系统 | |
Simonovic et al. | A spatial multi-objective decision-making under uncertainty for water resources management | |
CN114358664B (zh) | 变化环境与洪旱急转条件下洪水调度与水资源保障方法 | |
US20210181375A1 (en) | Numerical method for simulating a karez well in association with a groundwater model | |
CN113050430B (zh) | 一种基于鲁棒强化学习的排水系统控制方法 | |
CN113392489B (zh) | 一种河道水系分布式水动力模型的计算方法 | |
CN113449993B (zh) | 一种城市水源供水调度方法 | |
Latt | Application of feedforward artificial neural network in Muskingum flood routing: a black-box forecasting approach for a natural river system | |
CN114942596B (zh) | 一种城市防洪排水智能控制系统 | |
Pourshahabi et al. | Handling uncertainty in optimal design of reservoir water quality monitoring systems | |
Ai et al. | Optimization of ecological reservoir operation rules for a northern river in China: Balancing ecological and socio-economic water use | |
CN115186857A (zh) | 一种基于集成学习的神经网络水库水位预测方法 | |
CN112561213A (zh) | 基于改进poa的水库防洪调度方法、系统、设备及介质 | |
Ranjbar et al. | Framework for a digital twin of the Canal of Calais | |
Katipoğlu | Monthly stream flows estimation in the Karasu river of Euphrates basin with artificial neural networks approach | |
CN109299853B (zh) | 一种基于联合概率分布的水库调度函数提取方法 | |
CN117252312B (zh) | 考虑预报不确定性的区域水网水资源联合优化调度方法 | |
Zamri et al. | Flood control project selection using an interval type-2 entropy weight with interval type-2 fuzzy TOPSIS | |
Tang et al. | Artificial intelligence model for water resources management | |
Chen et al. | The development of a real-time flooding operation model in the Tseng-Wen Reservoir | |
Liao et al. | A novel irrigation canal scheduling model adaptable to the spatial-temporal variability of water conveyance loss | |
CN109472072A (zh) | 基于河流模拟的季节性河流与地下水间相互作用预测方法 |
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 |