CN114429053B - 流域尺度wefe系统适配性模拟优化方法 - Google Patents

Abstract

本公开涉及一种流域尺度WEFE系统适配性模拟优化方法，所述方法包括构建WEFE系统安全风险综合评价模型；采集待研究区域的指标数值作为输入数据，并采用安全风险评估模型评估待研究区域的安全风险，获得待研究区域的风险等级；构建干支流水资源调配耦合模型，将风险等级作为干支流水资源调配耦合模型的判定条件，以已采集的研究区域各场景的干支流径流数据、水利工程特征参数和用水终端的用水数据作为干支流水资源调配耦合模型的输入，计算获得不同场景的优化调度方案集。本公开能够大大加快模拟优化的速度，提高模拟的精度和适配性，可以有效提升水资源利用效率，有利于促进水电的绿色发展。

Description

流域尺度WEFE系统适配性模拟优化方法

技术领域

本发明属于水资源调度模拟仿真领域，涉及电子数字数据处理G06F，尤其是一种流域尺度的水-能源-粮食-生态（Water-Food-Energy-Ecosystem，WEFE）复杂系统适配性模拟优化方法。

背景技术

水电是一种可再生清洁能源，在能源转型、双碳目标实现、地区减贫、促进区域发展等方面发挥重要作用。水电能源基地是我国水能资源的富集地区，是电力能源供应的骨干电源点。水能开发与水电基地建设不仅要考虑经济效益，还要与区域水资源利用、能源和粮食生产等要素适配，满足安全性、协调性和可持续性等要求。因此，厘清水-能源-粮食-生态的纽带关系，深入研究以水为串联主线的供给侧资源配置中的协调技术及其方法，对于国家需求、区域发展、粮食安全、资源利用和生态保护等方面都具有重要意义。

但是，目前对于流域尺度的水-能源-粮食-生态复杂系统适配性模拟优化的相关方法尚没有公开的报道。

发明内容

发明目的：一个目的是提供一种流域尺度WEFE系统适配性模拟优化方法，以解决现有技术存在的上述问题。

技术方案：提供一种流域尺度WEFE系统适配性模拟优化方法，包括如下步骤：

步骤1、构建WEFE系统安全风险综合评价模型；采集待研究区域的指标数值作为输入数据，采用所述WEFE系统安全风险综合评价模型评估待研究区域的安全风险，获得待研究区域的风险等级；所述WEFE系统安全风险综合评价模型包括评价指标模块、指标层权重模块和准则层权重模块；

步骤2、构建干支流水资源调配耦合模型，将所述风险等级作为所述干支流水资源调配耦合模型的判定条件，以已采集的研究区域各场景的干支流径流数据、水利工程特征参数和用水终端的用水数据作为干支流水资源调配耦合模型的输入，计算获得不同场景的优化调度方案集。

根据本申请的一个方面，所述步骤1进一步为：

步骤11、构建准则集合，针对准则集合中的每一准则筛选待研究区域的评价指标，以所述评价指标构建WEFE系统评价指标体系；采集各个所述评价指标预定某年的指标数值，构建预待研究区域各准则的指标数值集合；所述准则包括稳定性、协调性和可持续性；

采用耦合网络赋权法计算每个评价指标的指标层权重，同时对每个评价指标赋予准则层权重；基于所述指标数值、指标层权重和准则层权重，构建WEFE系统各准则的综合指数；

步骤12、重复步骤11、获得至少两年的WEFE系统各准则的综合指数，并以所述至少两年的WEFE系统各准则的综合指数构造评价方案集，采用TOPSIS方法确定评价方案集的正负理想解方案，并计算评价方案集合内各评价方案相对正负理想解的距离，再计算各评价方案与正负理想解的贴近度；

步骤13、基于贴进度的分布特征，划分各准则的风险等级。

根据本申请的一个方面，步骤11中，采用耦合网络赋权法计算每个评价指标的指标层权重具体包括如下步骤：

将WEFE系统评价指标体系中的各评价指标作为网络节点，获得WEFE系统网络结构图；

对WEFE系统网络结构图中的两两评价指标之间的因果关系赋值，存在因果关系，赋值为1，反之赋值为0，获得因果关系矩阵；

计算不同评价指标之间的标准差，并基于不同评价指标之间的标准差构造相关关系矩阵；

计算每一评价指标的评价指标数值之间的标准差，并基于各评价指标自身的标准差构建相互影响贡献矩阵；

进行因果关系矩阵、相关关系矩阵和相互影响贡献矩阵的哈达玛积运算，获得超矩阵；

采用幂法求解所述超矩阵，获得超矩阵的最大特征值，计算该最大特征值对应的特征向量，并对所述特征向量进行归一化，归一化的特征向量即为评价指标体系指标层权重向量。

根据本申请的一个方面，步骤13中，所述划分各准则的风险等级的过程具体为：

根据每一评价方案的贴进度的分布特征，将评价结果划分为若干个等级，等级区间采用等长度方式计算。

根据本申请的一个方面，所述步骤2进一步为：

步骤21、构建待研究区域的拓扑结构，并将其分解为包括干流区域和若干个支流区域的若干子系统；

步骤22、针对各个支流区域，构建支流水资源配置模型；针对干流区域，构建干流多目标优化模型和约束条件；调用干支流测试数据作为输入参数，对支流水资源配置模型和干流多目标优化模型进行仿真，获得耦合参数集，并基于所述耦合参数集生成干支流水资源调配耦合模型；

步骤23、分别计算各个支流水资源配置模型，并获得输出结果，将各个支流水资源配置模型的输出结果作为干流多目标优化模型的输入参数的一部分；计算优化调度结果，形成不同场景的优化调度方案集。

根据本申请的一个方面，所述步骤21还包括：

步骤211、分别构建待研究区域各支流区域和干流区域的有向图，并形成邻接矩阵，并为各个站点赋予权重，形成权重矩阵；基于所述邻接矩阵和权重矩阵，构建支流区域的拉普拉斯矩阵；

采集支流区域各站点及河道的水文参数，生成支流区域的水文参数矩阵；

步骤212、采用GNNs单元计算各个支流区域的有向图的相似度，基于相似度的差值将所述支流区域归为若干类；针对每类支流区域，计算支流区域的拉普拉斯矩阵的特征值和特征向量，按照特征值升序排列，并顺次取若干个特征值及对应的特征向量，对应各支流区域的新特征矩阵；

基于各支流区域的新特征矩阵，为水文参数矩阵生成同型的参数权重矩阵。

根据本申请的一个方面，步骤22中，构建干流多目标优化模型的过程包括：

步骤221、将所述干流区域划分为至少两个用水区域，采集干流区域的用水终端数据，并将用水终端划分为至少两个用水子终端，为每个用水子终端配置惩罚系数；

步骤222、以所述用水区域为列维度，以用水子终端为行维度构建干流区域二维用水数表；

步骤223、针对每一预定的时间段，依序模拟生成每一用水区域中每一用水子终端的用水数据，填入所述干流区域二维用水数表；

在所述干流区域二维用水数表中依序计算每行用水数据的标准差，获得各用水子终端的用水标准差；

步骤224、依序计算每一用水子终端的用水标准差与惩罚系数之积，得到各个用水子终端的校正用水目标值，累加所述校正用水目标值，获得用水终端的用水目标值；

步骤226、重复步骤223和步骤224，获得至少三组用水终端的用水目标值，并取最小的用水目标值对应的调控方案作为干流多目标优化模型的输出结果。

根据本申请的一个方面，所述步骤22中所述构建支流水资源配置模型的过程包括：

设定支流区域的水文数据的预测目标，再根据预测目标将预测时间划分为包括第一时间跨度和第二时间跨度在内的至少两个时间跨度，按照时间先后顺序，各时间跨度上的预测精度逐步提高，采集各支流区域历史水文和降雨数据，构建各支流区域的多参数复合模型；基于上述多参数复合模型和支流区域历史水文和降雨数据，对第一时间跨度的水文参数进行预测，获得第一时间跨度初期水文数据、降水来水数据和第一时间跨度末期水文数据的关系；

各支流区域的第一时间跨度末期的水文数据作为干流区域的多目标优化模型的输入值之一。

根据本申请的一个方面，所述步骤23还包括：

步骤231、以各支流区域的第一时间跨度末期的水文数据作为干流区域的多目标优化模型的输入值之一，计算干流区域的调配方案，获得优化调度方案集合；

步骤232、在第二时间跨度开始时刻，以当前时刻预定时间内的降水来水数据作为输入值，以及第一时间跨度结束时刻的水文数据为输入值，每隔预定周期对各个支流区域的实时水文数据进行模拟计算，并将输出值作为干流区域的多目标优化模型输入值，实时计算当前时刻的调度方案，生成当前时刻的调度方案集合，并采用TOPSIS方法对调度方案进行优选。

根据本申请的一个方面，还包括步骤233、

构建调度方案评价模块，并采用校准公式对各调度方案进行校准。

有益效果：先通过安全风险综合评价模型获得区域的安全风险等级，然后再通过干支流水资源调配耦合模型进行模拟仿真，获得优化调度方案，能够大大加快模拟优化的速度，提高模拟的精度。相关技术效果将在描述实施例时具体说明。

附图说明

图1是本公开的整体流程框图。

图2是本公开构建WEFE系统安全风险综合评价模型并获得研究区域的风险等级的流程图。

图3是耦合网络赋权法的流程图。

图4是构建干支流水资源调配耦合模型并获得优化调度方案的流程图。

图5是构建待研究区域各支流区域和干流区域的有向图邻接矩阵的流程图。

图6是构建干流多目标优化模型的流程图。

图7是干支流区域的水资源调度预测的流程图。

图8是干支流水资源调配方法的流程图。

图9是流域干支调配结构概化图。

图10是耦合网络赋权法与现有技术的效果对比图。

具体实施方式

结合图1至图10描述本公开的技术原理和技术细节。经过文献研究发现：由于WEFE系统特别复杂，各种因素数量巨大，耦合关系多，关系错综复杂，目前的各种方法可扩展性和适配性并不好，精度不高，无法在实际工程中使用。如何分析水、能源、粮食和生态的协调关系，在水能开发利用与粮食用水安全的前提下，提高水资源的利用率，是目前亟需解决的问题。

如图1所示，提供一种流域尺度WEFE系统适配性模拟优化方法，主要包括如下两个步骤：

首先，构建WEFE系统安全风险综合评价模型；采集待研究区域的指标数值作为输入数据，采用所述WEFE系统安全风险综合评价模型评估待研究区域的安全风险，获得待研究区域的风险等级；所述WEFE系统安全风险综合评价模型包括评价指标模块、指标层权重模块和准则层权重模块；

其次，构建干支流水资源调配耦合模型，将所述风险等级作为所述干支流水资源调配耦合模型的判定条件，以已采集的研究区域各场景的干支流径流数据、水利工程特征参数和用水终端的用水数据作为干支流水资源调配耦合模型的输入，计算获得不同场景的优化调度方案集。

在该实施例中，首先通过构建WEFE系统安全风险综合评价模型，并通过此评价模型对待研究区域进行初步评价，获得安全风险等级。在获得安全风险等级数据后，可以据此推断当前研究区域的调度优化空间，为下一步骤中的仿真模拟提供判定条件，从而避免无的放矢，增强系统的约束条件，为快速高效地获得优化调度方案集提供基础。换句话说，通过对当前的系统整体风险情况作出初步评估，从而分析后续的优化空间，构建更为准确的模拟模型。如果不采用这一步骤，没有得到风险等级参数，则在下一步骤中，需要将所有安全风险等级的方案全部模拟出来，方案的数量和计算量大大增加。

同时，需要注意的是，在第二步骤中，通过构建干支流水资源调配耦合模型的方式，结合上一步骤获得的风险等级参数，对调度方案进行仿真，并获得优化调度方案集，克服了现有技术采用干流、支流等孤立的模拟方法，导致方案模拟效果不够好，适配性、真实度相对较差的问题。

综上，通过对待研究区域的时空物理关系的构建和模拟，以待研究区域的当前安全风险情况为基础，调整模型，针对可优化空间进行仿真计算，使系统的精度、稳定性、适配性、协调性更好。

在进一步的实施例中，结合图2对步骤1进行详细说明。

步骤11、首先构建包含若干准则的准则集合，针对准则集合中的每一准则筛选待研究区域的评价指标，以所述评价指标构建WEFE系统评价指标体系；采集各个所述评价指标预定某年的指标数值，构建预待研究区域各准则的指标数值集合；所述准则至少包括稳定性、协调性和可持续性。

采用耦合网络赋权法计算每个评价指标的指标层权重，同时对每个评价指标赋予准则层权重；基于所述指标数值、指标层权重和准则层权重，构建WEFE系统各准则的综合指数。

步骤12、重复步骤11、获得至少两年的WEFE系统各准则的综合指数，以所述至少两年的WEFE系统各准则的综合指数构造评价方案集，采用TOPSIS方法确定评价方案集的正负理想解方案，并计算评价方案集合内各评价方案相对正负理想解的距离，再计算各评价方案与正负理想解的贴近度。

步骤13、基于贴进度的分布特征，划分各准则的风险等级。

在步骤11中，需要说明的是，在WEFE系统中，由于各种效益是互相冲突、互相制约的，例如发电、防洪、供水、生态之间存在较为复杂的关系，这些关系在时空上是一个动态的系统过程。

为了更加准确地描述这个过程，揭示一定时期内水、能源、粮食与社会、经济、生态环境间的相互作用及关系，建立稳定性、协调性和可持续性准则集合，通过分析三者之间的协同与离散情况，推断其相互作用，从而进一步衡量系统内部的协同程度。

在某个实施例中，安全评价指标体系分为三个层次，第一层是按准则划分子系统层，包含稳定性、协调性、可持续性三个准则层子系统。其中，稳定性主要包括水资源系统、能源系统和粮食系统相关的单因素指标，协调性反映三个系统之间交互性的双因素或者多因素关系，可持续性用于反映水、能源、粮食系统的自然、经济、社会压力。

具体而言，稳定性准则一般包括水资源系统、能源系统和粮食系统三个要素，水资源系统要素包括人均水资源量W1、水资源开发利用率W2、地下水资源利用率W3、非常规水资源占比W4等四个指标。能源系统要素包括万元GDP用水量W5、人均能源生产量E1、万元GDP能耗E2、能源消费弹性系数E3和能源自给率E4五个指标。

协调性准则一般包括水-能源、水-粮食、能源-粮食和水-生态等要素。其中水-能源要素包括单位能源生产用水量WE1、能源生产用水占比WE2、工业用水重复利用率WE3等三个指标。水-粮食要素包括：农业用水占比WF1、亩均灌溉用水量WF2、农田灌溉水有效利用系数WF3和平均降水量WF4等四个指标。能源-粮食包括单位耕地面积农机动力EF1、产能耗占比 EF2等两个指标。

可持续性准则一般包括经济系统、社会系统和自然系统等三个要素。其中经济系统包括人均GDPJ1、GDP增长率J2、三产增加值占比J3等三个指标。社会系统包括人口增长率H1、城镇化率H2、人口密度H3等三个指标。自然系统包括污水再生利用率Z1、森林覆盖率Z2、单位耕地面积化肥施用量Z3、万元GDP温室气体排放量Z4等四个指标。

在确定了构成各子系统准则层次的要素和各指标后，在对基础指标的选择中，最大限度减少基础指标层数据对后续评价过程的噪声影响，从而能够更加准确地分析系统内子系统有序度的变化和子系统之间协同作用强弱。

换句话说，通过自顶向下的方法构建WEFE系统安全评价指标体系的理论框架，通过分析各子系统的重要因子以及重要因子之间的关系，确定指标体系的组成结构，构建指标体系的理论框架。

在某些实施例中，采用TOPSIS方法确定正负理想解的过程具体如下：

构造标准化初始矩阵，采用耦合网络赋权法计算指标权重，确定正、负理想解方案：基于加权矩阵，确定待评价方案集的正、负理想解方案，计算评价方案集内各方案相对正、负理想解方案的距离。

计算各评价方案与正负理想解的相对贴近度RC _i ，RC _i 介于0-1，RC _i 越接近于1，则评价方案越优，以相对贴近度为衡量标准对各方案排序。由于该方法属于现有技术，所以在此没有详述其具体的过程和细节。

在步骤12中，根据各个方案的TOPSIS评价值的最值和分布特征，取将评价结果划分为P个等级。具体地，等级区间采用等长度方式计算：Δ=（Max-Min）/P。

式中：Δ为区间长度，Max为所有评估方案中最大贴近度，Min为所有评价方案中最小贴近度，P为分级数。

等级区间根据方案评价值和等级区间长度划分如下：第一级0~Min+∆，第二级Min+∆~ Min+2∆，第i级Min+（i-2）∆~ Min+（i-1）∆，第N级为Min+（N-1）∆~1。

在本文中，划分为五个等级，分别对应“差”，“较差”，“中等”，“较好”和“好”，根据计算的各个方案评价值得出等级划分标准。

采用基于耦合网络赋权法的TOPSIS，分别计算保障性、协调性、可持续性安全风险，将评价结果划分为五个等级，从小到大依次对应“差”，“较差”，“中等”，“较好”，“好”。

接着结合图3详细描述耦合网络赋权法。

在进一步的实施例中，耦合网络赋权法包括如下步骤：

采集现有历史研究数据，构建WEFE系统评价指标体系，将所述WEFE系统评价指标体系中的各评价指标作为网络节点，获得WEFE系统网络结构图。

对所述WEFE系统网络结构图中的两两评价指标之间的因果关系赋值，存在因果关 系，赋值为1，反之赋值为0，获得因果关系矩阵C；

。

C _i,j 表示指标i和指标j是否具有因果反馈关系，n为指标的个数。

计算不同评价指标之间的标准差，并基于不同评价指标之间的标准差构造相关关系矩阵R，基于不同指标样本间标准差来近似表达指标自身变化程度，形成相关关系矩阵R。

r _ij 为计算指标i和j的相关系数，

和

是计算指标i和指标j的标准化均值；x _i ^k 和 x _j ^k 分别表示指标i和j的第k个样本值；m为指标i和j的样本数。

计算每一评价指标的评价指标数值之间的标准差s _ii ，并基于各评价指标自身的标准差构建相互影响贡献矩阵S。

对因果关系矩阵、相关关系矩阵和相互影响贡献矩阵进行哈达玛积耦合运算，获得超矩阵R _c ；R _c =C*R*S，*表示矩阵的哈达玛积。

采用幂法求解所述超矩阵，获得所述超矩阵的最大特征值，计算该最大特征值对应的特征向量，并对所述特征向量进行归一化，归一化的特征向量即为评价指标体系指标层权重向量Ω。

，

l _i 、l _n 为指标i、n对应的特征向量的参数值，ω_n为指标n的归一化的特征向量的参数值。

采用上述方法具有显著的技术优势，具体如图10所示，该图中，属于客观方法的熵权法和坎蒂雷法由于均依据指标数据序列的差异信息来确定权重，其赋值结果较为接近。由于主观和客观的出发点不同，以主观赋值为主的ANP和其余三种方法权重结果的区别更为明显，而综合了主、客观视角的耦合网络赋权法介于两者之间，结合指标的物理内涵来分析，基于数据的量化结果有效限制了主观判断的过度倾向。例如，“人均水资源量”作为在水-能源-粮食-生态系统中具有较大影响力的指标，它与多个指标存在相互影响，但是它的指标值在多年中变化幅度较小，熵权法、坎蒂雷法确定的权重分别为0.016和0.018，但基于ANP方法计算权重忽略了该指标对系统贡献的敏感性，其结果0.034又远远大于其他三种方法。因此，耦合网络赋权法的计算结果相对合理。耦合网络赋权法确定的权重结果，其权重离散程度略优于两种客观赋权方法，具有较强的重要指标区分能力。考虑到主观方法结论包含有一部分个体主观倾向的特点，与客观事实存在着不一致的可能性，应用本申请的耦合网络方法进行综合评价可以更为准确描述重要指标对整体的实际影响程度。

结合图4、图8和图9详细描述步骤2的实现过程。

在现有的方法中，一般是采用全流域全周期的模拟寻优，还存在一些问题，例如采用情景模拟的方法，能够评估各种水资源的利用开发方式及其影响，但是无法确定最优的流域各部门用水模式、水库调度方案等，不能充分发挥水库的调蓄能力，不利于水资源高效利用。采用寻优的模型方法，能够获得流域各部门用水模式、水库调度方案等，充分发挥水库的调蓄能力，提升水资源利用效率，综合效益等。但是这种方法无法进行情景模拟。所以，本申请提供一种新的方法。

即所述步骤2进一步为：

步骤21、构建待研究区域的拓扑结构，并将其分解为包括干流区域和若干个支流区域的若干个子系统；

步骤22、针对各个支流区域，构建支流水资源配置模型；针对干流区域，构建干流多目标优化模型和约束条件；调用干支流测试数据作为输入参数，对支流水资源配置模型和干流多目标优化模型进行仿真，获得耦合参数集，并基于所述耦合参数集生成干支流水资源调配耦合模型；

步骤23、分别计算各个支流水资源配置模型，并获得输出结果，将各个支流水资源配置模型的输出结果作为干流多目标优化模型的输入参数的一部分；计算优化调度结果，形成不同场景的优化调度方案集。

通过将待研究区域分成支流区域和干流区域，分别在不同的区域采用不同的模型，充分发挥各个模型的优势，将支流区域的模拟输出结果作为干流区域的输入值之一，从而提高系统整体的效能，实现支流区域的情景模拟和干流区域的水力发电寻优。

通过先分解再耦合的方式，降低了模拟仿真难度，提高了仿真程度，同时通过支流水资源配置模型的输出结果作为干流多目标优化模型的输入参数的一部分，提高了系统模拟的柔性，可以通过不同支流区域数据的排列组合，获得不同的模拟仿真，可以针对多种场景进行模拟。

在实际仿真过程中，在某些区域，由于支流比较多，如果提高支流的输入参数量，则计算速度较慢，无法满足相对实时仿真的需求，例如每小时仿真1次。为此，基于对流域，尤其是支流区域的空间分布研究，对支流进行聚类分析，提高支流区域情景模拟的精度和速度。

在进一步的实施例中，结合图5详细描述步骤21的实现过程。如图5所示，包括如下步骤：

步骤211、分别构建待研究区域各支流区域和干流区域的有向图，并形成邻接矩阵，并为各个站点赋予权重，形成权重矩阵；基于所述邻接矩阵和权重矩阵，构建支流区域的拉普拉斯矩阵；

采集支流区域各站点及河道的水文参数，生成支流区域的水文参数矩阵；

步骤212、采用图神经网络GNNs单元计算各个支流区域的有向图的相似度，基于相似度的差值将所述支流区域归为若干类；针对每类支流区域，计算支流区域的拉普拉斯矩阵的特征值和特征向量，按照特征值升序排列，并顺次取若干个特征值及对应的特征向量，对应各支流区域的新特征矩阵；

基于所述各支流区域的新特征矩阵，为水文参数矩阵生成同型的参数权重矩阵。

在这一实施例中，将支流区域进行相似度计算，一方面将物理和水文上比较相似的支流区域进行分类，减少运算量，同时可以根据需要删除对整体影响较小的支流区域，同时通过与真实物理空间的拓扑结构进行比较，判断是否发生了变化，如果发生变化，例如暴雨洪水等引起的河流水库拓扑发生变化，可以快速调整仿真的拓扑结构，从而提高仿真模拟的真实性。

也就是说，在本实施例中，通过拓扑层面（物理层面）和水文层面两个角度，分别进行计算仿真，判断是否发生变化，进而得出仿真的数据是否与物理水文数据较为一致，如果不一致，则调整，提高数字模拟方案与真实物理水文数据的相似度。

换句话说，通过上述方法，将支流区域分类，并抽取出能够精确模拟支流区域的主要因素，通过获得的新特征矩阵替代各个区域的拉普拉斯矩阵，同时通过矩阵运算，将同型的水文参数矩阵与新特征矩阵相乘，得到新的支流区域参数特征矩阵，如果新特征矩阵与水文参数矩阵不同型，则进行扩展，使之与水文参数矩阵同型。通过上述计算，大大提高了支流区域的计算速度，而且能够保留足够多的信息，保证支流区域的情景仿真精度。

总之，在通过将支流区域和干流区域分解后，对支流区域和干流区域分别采用不同的仿真模型，解决各自的问题的同时，将支流区域进行聚类和核心参数提取，通过相对少的核心参数，获得足够多的情景仿真信息，实现精度和速度的平衡。

如图6所示，在本申请中，构建干流多目标优化模型的过程包括：

步骤221、将所述干流区域划分为至少两个用水区域，采集干流区域的用水终端数据，并将用水终端划分为至少两个用水子终端，并为每个用水子终端配置惩罚系数；

步骤222、以所述用水区域为列维度，以用水子终端为行维度构建干流区域二维用水数表；

步骤223、针对每一预定的时间段，依序模拟生成每一用水区域中每一用水子终端的用水数据，填入所述干流区域二维用水数表；

在所述干流区域二维用水数表中依序计算每行用水数据的标准差，获得各用水子终端的用水标准差；

步骤224、依序计算每一用水子终端的用水标准差与惩罚系数之积，得到各个用水子终端的校正用水目标值，累加所述校正用水目标值，获得用水终端的用水目标值；

步骤226、重复步骤223和步骤224，获得至少三组用水终端的用水目标值，并取最小的用水目标值对应的调控方案作为干流多目标优化模型的输出结果。

在某个实施例中，干流区域包含13个用水区域，从用水终端的维度上看，有工业、农业、生活、生态等四个维度的用水子终端，从时间上看，假如按照月份划分，有1~12个月。

为了对各个用水目标进行调控优化，针对每个时间段，例如每个月建立一个二维用水数表，分别统计13个用水区域的、每个用水区域4个用水子终端的用水量。按照这一方法，可以建立12个月内13个用水区域中4个用水子终端的数据表。

对于每个月，按照每个用水子终端的维度，统计各个地区某一用水子终端的用水数据标准差，将这个标准差与惩罚系数相乘，进行累加，得到该用水子终端的校正用水目标值，然后将各个用水子终端的校正用水目标值进行累加，得到用水终端的用水目标值。

比如分别计算1-12月份工业用水子终端的校正用水目标值，然后累加起来，然后将工业、农业、生活、生态等用水子终端的校正用水目标值累加起来，即获得用水终端的用水目标值。通过在时空维度的多次仿真和模拟，获得最小的用水目标值，作为输出结果。

干流区域的另一调控目标是：梯级发电量最大，由于发电不消耗水资源，故单独列为目标函数。

式中：E为调度期内梯级发电量；A为梯级水电站个数；T为调度时间段数；N _a,t 为a电站t时段的出力W；Δt为时段长度；H _a,t 和Q _a,t 分别为a电站t时段的发电水头、流量；η _a 为a电站综合出力系数。

上述目标的约束条件包括：质量平衡约束：总入流等于总出流和消耗之和，即每个节点和连接都服从质量平衡约束。总入流=总出流+总消耗。

梯级水库约束条件：水库水量平衡约束:V _e,t+1 =V _e , _t +（E _e,t -Q _e,t ）×Δt-E _e,t -L _e,t ；式中：V _e,t 为e水库t时刻的蓄水量；E _e,t 和Q _e,t 分别为e水库t时段的入库、出库流量，m³/s; E _e,t 和L _e,t 分别为e水库t时段的蒸发和泄漏水量。水位约束:Z _e,t ^men ≤Z _e,t ≤Z _e,t ^max ；式中：Z _e,t ^men 和Z _e,t ^max 分别为e水库t时刻的下限水位和上限水位。流量约束：Q _e,t ^men ≤Q _e,t ≤Q _e,t ^max ；式中：Q _e,t ^men 和Q _e,t ^max 分别为e水库t时段最小、最大下泄流量。出力约束:N _e,men ≤N _e,men ≤N _e,max ；式中，N _e,men 和N _e,max 分别为e电站t时段最小、最大出力。调度期初末时刻水位约束:Z _e,1 =Z _e,T+1 =Z ^* ；Z ^* 表示水库正常蓄水位。

如图7所示，在仿真的过程中，除了上述空间物理关系、水文参数关系外，上述物理关系和水文参数随时间的变化，现有的技术手段难以通过历史数据对当前目标参数进行精确推算，更无法预测未来的各种水文参数变化。因此仅仅采用现有的数据进行仿真运算，会存在较大的偏差。

为此，提供以下的解决方案，即在采用历史数据对当前和未来的调控方案进行情景仿真时，将情景的时间范围划为粗调时间段和细调时间段。具体如下：

步骤22中所述构建支流水资源配置模型的过程还包括：

设定支流区域的水文数据的预测目标，根据预测目标将预测时间划分为包括第一时间跨度和第二时间跨度在内的至少两个时间跨度，按照时间先后顺序，各时间跨度上的预测精度逐步提高，采集各支流区域历史水文和降雨数据，构建各支流区域的多参数复合模型；基于上述多参数复合模型和支流区域历史水文和降雨数据，对第一时间跨度的水文参数进行预测，获得第一时间跨度初期水文数据、降水来水数据和第一时间跨度末期水文数据的关系；

各支流区域的第一时间跨度末期的水文数据作为干流区域的多目标优化模型的输入值之一。

例如在某个待研究区域，由于支流较多，空间分布较大，雨季较为集中，在现有的情况下，为了保证安全，在降水前期，先将水库腾出一定的库容，从而确保水库和流域的安全。在这种调度方案下，造成了大量的弃水，发电效能较低。而基于历史的统计数据，无法预测当下的降水来水情况，现有的天气预报精度也满足不了实时仿真的需求。因此，通过将雨季来临之前的一段时间拆分成两个时间跨度，通过历史数据首先计算出当下大致的降水和来水数值，为决策提供初步的依据。在雨季即将到来的时候，基于当前可采集的各种水文参数，以及短周期较为精确的降水数据，可以实时计算支流区域的水文数据，从而为干流区域的水电调度优化提供更为精确的数据。采用这种方案，在支流区域，通过相对不精确的数据，满足生活、工业、农业、生态的用水需求，通过相对精确的数据，满足干流区域对发电效能寻优的需求，从而实现在水资源在支流区域和干流区域的相对合理的分配，在发电、农业、工业、生活和生态用水之间的平衡。

换句话，在某个区域，无法通过历史数据对今年的降水情况做出较为精确的预测，而通过当前的天气预报技术也无法对未来较长时间的降水进行预测。如果为了绝对的安全，则需要腾出较大的库容，水量大大浪费。此时，根据历史数据对支流区域的降水进行大致预测，设定安全范围。后续结合当前水文数据和短时天气预测数据，对支流进行优化，超过安全范围的，则向干流区域排放，同时干流区域基于当前水文数据和天气预测数据进行寻优，在保证安全范围的情况下发电和弃水，将现有技术短期大量的弃水，保证安全的方案，优化为结合短期精确天气预测和干流支流的水文数据，间歇进行发电和弃水，能够通过发电解决库容的时间内，进行发电，通过发电排水无法在未来达到安全范围的，通过弃水，使之降低到安全范围之内。

所述步骤23还包括：

步骤231、以各支流区域的第一时间跨度末期的水文数据作为干流区域的多目标优化模型的输入值之一，计算干流区域的调配方案，获得优化调度方案集合；

步骤232、在第二时间跨度开始时刻，以当前时刻预定时间内的降水来水数据作为输入值，以及第一时间跨度结束时刻的水文数据为输入值，每隔预定周期对各个支流区域的实时水文数据进行模拟计算，并将输出值作为干流区域的多目标优化模型输入值，实时计算当前时刻的调度方案，生成当前时刻的调度方案集合，并采用TOPSIS方法对调度方案进行优选。

步骤233、构建调度方案评价模块，并采用校准公式对各调度方案进行校准。由于校准公式可以采用现有方法实现，在此不再详述。

需要说明，在上文已经具体描述了采用TOPSIS方法优选评价方案集的过程，采用相同的流程即可评价调度方案集，因此无需详细描述。同时，对于调度方案集或者针对支流区域的情景预案，可以采用校准公式进行校准。对于TOPSIS优选过的调度方案集，可以不采用校准公式进行评价。上述步骤为可选项。

在该实施例中，首先获得各个支流区域一个时间跨度的仿真预测参数，通过这些参数作为输入值之一，对支流区域和干流区域整体进行仿真，获得第一时间跨度下的相对精度不高的数值，获得模拟参数。

在第二个时间跨度开始时，结合当前的数据和未来预测的数据，对支流区域进行实时模拟，并将各个支流区域实时模拟的参数作为输入值对干流区域进行优化计算，生成优化调度方案集合，并基于此进行决策。

总之，通过对空间分解为干流和支流区域，分解采用仿真模拟方法进行情景模拟和调度方案寻优，同时对于支流区域进行聚类，干流支流区域在时间上进行分解预测。实现了精度、速度、稳定性和安全性的平衡。由于该系统较为复杂，为了行文简洁，对于常规技术，进行了省略。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

Claims (9)

1.流域尺度WEFE系统适配性模拟优化方法，其特征在于，包括如下步骤：

步骤1、构建WEFE系统安全风险综合评价模型；采集待研究区域的指标数值作为输入数据，采用所述WEFE系统安全风险综合评价模型评估待研究区域的安全风险，获得待研究区域的风险等级；所述WEFE系统安全风险综合评价模型包括评价指标模块、指标层权重模块和准则层权重模块；

步骤2、构建干支流水资源调配耦合模型，将所述风险等级作为所述干支流水资源调配耦合模型的判定条件，以已采集的研究区域各场景的干支流径流数据、水利工程特征参数和用水终端的用水数据作为干支流水资源调配耦合模型的输入，计算获得不同场景的优化调度方案集；

所述步骤2进一步为：

步骤21、构建待研究区域的拓扑结构，并将其分解为包括干流区域和若干个支流区域的若干子系统；

步骤22、针对各个支流区域，构建支流水资源配置模型；针对干流区域，构建干流多目标优化模型和约束条件；调用干支流测试数据作为输入参数，对支流水资源配置模型和干流多目标优化模型进行仿真，获得耦合参数集，并基于所述耦合参数集生成干支流水资源调配耦合模型；

步骤23、分别计算各个支流水资源配置模型，并获得输出结果，将各个支流水资源配置模型的输出结果作为干流多目标优化模型的输入参数的一部分；计算优化调度结果，形成不同场景的优化调度方案集。

2.根据权利要求1所述的方法，其特征在于，所述步骤1进一步为：

步骤11、构建准则集合，针对准则集合中的每一准则筛选待研究区域的评价指标，以所述评价指标构建WEFE系统评价指标体系；采集各个所述评价指标预定某年的指标数值，构建预待研究区域各准则的指标数值集合；所述准则包括稳定性、协调性和可持续性；

采用耦合网络赋权法计算每个评价指标的指标层权重，同时对每个评价指标赋予准则层权重；基于所述指标数值、指标层权重和准则层权重，构建WEFE系统各准则的综合指数；

步骤12、重复步骤11、获得至少两年的WEFE系统各准则的综合指数，并以所述至少两年的WEFE系统各准则的综合指数构造评价方案集，采用TOPSIS方法确定评价方案集的正负理想解方案，并计算评价方案集合内各评价方案相对正负理想解的距离，再计算各评价方案与正负理想解的贴近度；

步骤13、基于贴进度的分布特征，划分各准则的风险等级。

3.根据权利要求2所述的方法，其特征在于，步骤11中，采用耦合网络赋权法计算每个评价指标的指标层权重具体包括如下步骤：

将WEFE系统评价指标体系中的各评价指标作为网络节点，获得WEFE系统网络结构图；

对WEFE系统网络结构图中的两两评价指标之间的因果关系赋值，存在因果关系，赋值为1，反之赋值为0，获得因果关系矩阵；

计算不同评价指标之间的标准差，并基于不同评价指标之间的标准差构造相关关系矩阵；

计算每一评价指标的评价指标数值之间的标准差，并基于各评价指标自身的标准差构建相互影响贡献矩阵；

进行因果关系矩阵、相关关系矩阵和相互影响贡献矩阵的哈达玛积运算，获得超矩阵；

采用幂法求解所述超矩阵，获得超矩阵的最大特征值，计算该最大特征值对应的特征向量，并对所述特征向量进行归一化，归一化的特征向量即为评价指标体系指标层权重向量。

4.根据权利要求2所述的方法，其特征在于，步骤13中，所述划分各准则的风险等级的过程具体为：

根据每一评价方案的贴进度的分布特征，将评价结果划分为若干个等级，等级区间采用等长度方式计算。

5.根据权利要求1所述的方法，其特征在于，所述步骤21还包括：

步骤211、分别构建待研究区域各支流区域和干流区域的有向图，并形成邻接矩阵，并为各个站点赋予权重，形成权重矩阵；基于所述邻接矩阵和权重矩阵，构建支流区域的拉普拉斯矩阵；

采集支流区域各站点及河道的水文参数，生成支流区域的水文参数矩阵；

步骤212、采用GNNs单元计算各个支流区域的有向图的相似度，基于相似度的差值将所述支流区域归为若干类；针对每类支流区域，计算支流区域的拉普拉斯矩阵的特征值和特征向量，按照特征值升序排列，并顺次取若干个特征值及对应的特征向量，对应各支流区域的新特征矩阵；

基于各支流区域的新特征矩阵，为水文参数矩阵生成同型的参数权重矩阵。

6.根据权利要求1所述的方法，其特征在于，步骤22中，构建干流多目标优化模型的过程包括：

步骤221、将所述干流区域划分为至少两个用水区域，采集干流区域的用水终端数据，并将用水终端划分为至少两个用水子终端，为每个用水子终端配置惩罚系数；

步骤222、以所述用水区域为列维度，以用水子终端为行维度构建干流区域二维用水数表；

步骤223、针对每一预定的时间段，依序模拟生成每一用水区域中每一用水子终端的用水数据，填入所述干流区域二维用水数表；

在所述干流区域二维用水数表中依序计算每行用水数据的标准差，获得各用水子终端的用水标准差；

步骤224、依序计算每一用水子终端的用水标准差与惩罚系数之积，得到各个用水子终端的校正用水目标值，累加所述校正用水目标值，获得用水终端的用水目标值；

步骤226、重复步骤223和步骤224，获得至少三组用水终端的用水目标值，并取最小的用水目标值对应的调控方案作为干流多目标优化模型的输出结果。

7.根据权利要求1所述的方法，其特征在于，所述步骤22中所述构建支流水资源配置模型的过程包括：

设定支流区域的水文数据的预测目标，再根据预测目标将预测时间划分为包括第一时间跨度和第二时间跨度在内的至少两个时间跨度，按照时间先后顺序，各时间跨度上的预测精度逐步提高，采集各支流区域历史水文和降雨数据，构建各支流区域的多参数复合模型；基于上述多参数复合模型和支流区域历史水文和降雨数据，对第一时间跨度的水文参数进行预测，获得第一时间跨度初期水文数据、降水来水数据和第一时间跨度末期水文数据的关系；

各支流区域的第一时间跨度末期的水文数据作为干流区域的多目标优化模型的输入值之一。

8.根据权利要求7所述的方法，其特征在于，所述步骤23还包括：

步骤231、以各支流区域的第一时间跨度末期的水文数据作为干流区域的多目标优化模型的输入值之一，计算干流区域的调配方案，获得优化调度方案集合；

步骤232、在第二时间跨度开始时刻，以当前时刻预定时间内的降水来水数据作为输入值，以及第一时间跨度结束时刻的水文数据为输入值，每隔预定周期对各个支流区域的实时水文数据进行模拟计算，并将输出值作为干流区域的多目标优化模型输入值，实时计算当前时刻的调度方案，生成当前时刻的调度方案集合，并采用TOPSIS方法对调度方案进行优选。

9.根据权利要求8所述的方法，其特征在于，还包括步骤233、

构建调度方案评价模块，并采用校准公式对各调度方案进行校准。

Images