CN116050628A - 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 - Google Patents
一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 Download PDFInfo
- Publication number
- CN116050628A CN116050628A CN202310074878.9A CN202310074878A CN116050628A CN 116050628 A CN116050628 A CN 116050628A CN 202310074878 A CN202310074878 A CN 202310074878A CN 116050628 A CN116050628 A CN 116050628A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- flood
- flood control
- scheduling
- data
- 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 82
- 238000005457 optimization Methods 0.000 title claims abstract description 30
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 23
- 238000010801 machine learning Methods 0.000 claims abstract description 10
- 238000012502 risk assessment Methods 0.000 claims abstract description 6
- 230000008569 process Effects 0.000 claims description 49
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 32
- 230000006870 function Effects 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000007599 discharging Methods 0.000 claims description 11
- 238000001704 evaporation Methods 0.000 claims description 9
- 230000008020 evaporation Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000006424 Flood reaction Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 231100000279 safety data Toxicity 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 241000282461 Canis lupus Species 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010353 genetic engineering Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000004083 survival effect 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
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,该方法为:构建水库防洪调度系统的数字孪生场景;获取防洪调度系统的物理数据和数字孪生场景下的虚拟数据,并基于物理数据对数字孪生场景进行实时更新;基于实时更新的防洪调度系统数字孪生场景,结合多种机器学习算法构建洪水预报模型;结合各洪水预报模型的预测结果不确定性,构建水库防洪优化调度模型,求解得到防洪优化调度策略;构建洪水风险评估体系,根据预报结果和防洪优化调度策略对防洪风险进行分析评估,指导实际防洪调度。本发明降低了在不确定洪水预报情况下生成的调度策略所带来的风险,保证水库上下游的安全,能有效降低洪水风险。
Description
技术领域
本发明属于水库防洪调度领域,具体涉及一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法。
背景技术
洪水作为最危险的自然灾害之一,经常影响人类的正常社会生活。近年来,受全球季风气候等因素的影响下,中国洪水灾害发生的频率与强度不断增加,严重影响经济发展,威胁人类的生存安全。人们通过修建水库和其他水工建筑物以拦截洪水,保护上下游的安全,减少洪水造成的损失。水库防洪调度,作为一种非工程措施,利用水库的调蓄作用和控制能力,有计划地控制调节洪水,在风险控制与水资源利用之间不断寻找平衡。为能更好地规避洪水风险,实施预报调度可以利用预报信息,提前判断洪水的量级,确定水库的预泄时间,腾出防洪库容,实现对洪水的有效拦截,达到提高洪水资源利用率的目的。但受当前技术水平的限制,洪水预报具有较高的不确定性,进而给水库的防洪调度带来潜在的风险。因此研究在不确定洪水预报下的水库防洪调度是非常必要且有现实意义的。
传统的调度系统兼容性较差,有时会出现延迟情况,较难实现实时雨情、实时水位、实时洪量等数据的采集,且调度方案的预演由于无法获取当前流域上的各水利工程的运行情况,因此无法模拟实况调度而缺乏真实可靠性,影响洪水预报的精度和调度方案的风险分析。
发明内容
针对现有技术的不足,本发明提出了一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法。
为实现上述技术问题,本发明的技术方案是:
一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,包括以下步骤:
S1、构建水库防洪调度系统的数字孪生场景。
S2、获取水库防洪调度系统的物理数据和数字孪生场景下的虚拟数据,基于物理数据对水库防洪调度系统的数字孪生场景进行实时更新。
S3、基于实时更新的水库防洪调度系统数字孪生场景,结合多种机器学习算法,构建多种洪水预报模型。
S4、结合各洪水预报模型的预测结果不确定性,构建水库防洪优化调度模型,采用多目标遗传算法进行求解,获取优化后的防洪调度策略。
S5、构建洪水风险评估体系,根据预测结果和优化后的防洪调度策略对防洪风险进行分析评估,指导实际防洪调度。
进一步地,所述步骤S1中所述的构建水库防洪调度系统的数字孪生场景包括如下内容:
S11、建立水库防洪调度系统的物理模块。
S12、基于水库防洪调度系统的物理模块,以及现有的水库防洪调度控制运行计划,提取调度规则,建立水库防洪调度系统的运行模块。
S13、构建水库防洪调度系统的数字孪生场景,包括水库在汛期前后以及洪水来临期间的运行状态,具体包括预泄过程、泄洪过程、水位运行变化过程、闸门或泄洪洞启闭状态、以及水库下游重要防洪控制断面流量过程。
进一步地,所述步骤S11中的建立水库防洪调度系统的物理模块,具体是基于水库所处流域的气象数据、水文数据、地形数据,以及水库自身的工程属性和设计标准,构建三维的物理模块。
进一步地,所述步骤S12中所述的提取调度规则是指提取水库在应对小洪水或超标准洪水时的调度规则。
进一步地,所述步骤S2中所述的对水库防洪调度系统的数字孪生场景进行实时更新包括根据物理实体的监测数据实时更新目标水库所在流域的物理模块的数据以及水库调度系统的虚拟状态数据,物理模块的数据包括场景所处流域的降雨数据、蒸发数据、上下游河道淤积数据、水库自身的坝体安全数据、上游水库群的下泄流量数据、上游干支流的径流数据;虚拟状态数据包括水库实时水位状态数据、径流量状态数据、泄洪洞泄流状态、溢洪道闸门启闭状态、上游河道水位状态数据、下游重要防洪控制断面的水位状态数据及流量状态数据。
进一步地,所述步骤S3中所述的机器学习算法包括长短期记忆神经网络算法(LSTM)、循环神经网络(RNN)、卷积神经网络(CNN)、Boosting、GBDT、DeepAR、Transformer、Informer等。
进一步地,所述步骤S3中所述的构建多种洪水预报模型包括以下步骤:
S31、采用自相关分析和互相关分析方法,确定历史降雨数据、历史径流数据、历史蒸发数据、当前降雨数据和当前蒸发数据与当前径流序列之间的关系,优选出模型的驱动因子;采用Gamma Test对数据进行降噪处理,将优选出的驱动因子进行排列组合并分别进行噪声估计,选出噪声最小的组合作为驱动因子;建立驱动因子与预测因子之间的映射关系。
S32、搜集历史洪水数据并将其划分为训练集和测试集;构建基于各机器学习算法的水库洪水预报模型;在模型参数的确定上,采用智能算法进行寻优,寻找可行域内的最优参数组合方案,得到洪水预报模型。
S33、采用训练好的洪水预报模型进行预测,得到不同模型下的预报结果,以此作为调度模型的不同情景下的入库径流序列,从而模拟由于采用不同预报模型带来的预报误差。
进一步地,所述步骤S32中所述的采用智能算法进行寻优是指遗传算法(NSGA)、灰狼算法、粒子群算法、蛙跳算法等。
进一步地,所述步骤S4中所述的结合各洪水预报模型的预测结果不确定性,构建水库防洪优化调度模型,包括以下步骤:
S41、选取水库在单位时间段内的下泄流量为决策变量,以多个预报模型预测的径流序列作为输入。
S42,考虑水库的上游和下游安全,确定优化调度模型的目标函数和约束条件。
S43、采用NSGA-Ⅲ多目标遗传算法对优化调度模型进行求解,在迭代过程中结合鲁棒优化中的“Min-Max”理念,对种群内每一个体针对不同预报情景下生成的决策变量待选序列进行筛选,得到代表该个体的决策变量序列,进行下一步优化迭代,最终得到非劣解集。
进一步地,所述步骤S42中所述的目标函数包括:
(1)设置以最小化水库在调度过程中最高水位超过安全阈值的概率为目标函数:
(2)设置以最小化水库在调度过程中最大下泄流量超过安全泄量阈值的概率为目标函数:
(3)设置以最小化水库在调度过程中水位超过安全阈值的持续时间段占总调度时长的比例为目标函数:
(4)设置以最小化水库在调度过程中下泄流量超过安全泄量阈值的持续时间段占总调度时长的比例为目标函数:
其中,Zn(t)代表预报情景n下的时刻t的水库水位值(m);Zup为水位安全上限阈值;qn(t)代表预报情景n下的时刻t的水库下泄流量(m3/s);Qup为水库的安全泄量阈值;N为总的预报情景数量;T为总的调度时长(h);Count(·)是统计计数函数;
所述的约束条件包括水量平衡约束、水库水位上下限约束、下泄能力约束、调度过程波动约束和非负约束。
进一步地,所述步骤S43中,在迭代过程中结合鲁棒优化中的“Min-Max”理念,对种群内每一个体针对不同预报情景下生成的决策变量待选序列进行筛选;筛选过程中采用“STP”方法,具体步骤如下:
S431、设定种群数量为M并生成初始种群。
S432、种群中每一个体代表一组长度为调度时长T的决策变量序列,在面对N种不同预报情景时,需分别在每种预报情景下对各决策变量在可取值范围内进行调整以使得全序列满足所有约束条件,调整后最终生成(x1 1,x2 1,x3 1,……xT 1),(x1 2,x2 2,x3 2,……xT 2),……,(x1 N,x2 N,x3 N,……xT N)共N组待选序列。
S433、计算每一组待选序列对应的四个目标函数值,进而得到每一组待选序列的后悔度值RV,具体如公式(5)所示:
RV=(F1-0)+(F2-0)+(F3-0)+(F4-0) (5)
S434、选取RV值最大的决策序列作为该个体的代表序列,进入下一次迭代过程,进一步完成遗传算法的优化过程。
S435、在每一次迭代过程中重复S432-S434的过程,在迭代次数达到预设数值后,停止迭代,得到非劣解集。
进一步地,步骤S5具体为,在经过优化计算之后,依据现状防洪要求,对非劣解集中的调度方案分别计算其上游和下游的风险指标;将优化后的防洪调度策略以及对应的风险指标提供给决策者作为科学参考依据,合理调用水库防洪能力,最大程度开发防洪工程系统潜力。
本发明采用上述技术方案,有以下优点和有益效果:
(1)考虑了洪水预报的不确定性,基于机器学习算法构建洪水预报模型,采用智能算法对模型参数进行优选,保留各模型的预报特点,作为预报误差来源,以此作为防洪调度模型的不确定预报输入。
(2)结合不确定的洪水预报,构建水库防洪优化调度模型,将防洪调度策略在面对不同预报情景时引发的上下游风险作为优化目标,有效提高水库防洪调度的效益,保障水库以及上下游的安全。
(3)采用了遗传进化算法对调度模型进行求解,提出在迭代优化过程中,以“STP”的鲁棒优化方法,将面对不同情景下的各目标函数值转化为一个具体数值,结合“Min-Max”理念,得到具有鲁棒性的非劣解集,使得优化调度策略即使在面对最极端的预报洪水时,也能有效降低洪水风险。
(4)构建水库防洪调度系统的数字孪生场景,模拟洪水调度的实况运行过程,有助于实时数据的传输和共享,集成水库及周边流域地形地貌数据,构建三维模型,通过实时数据更新,提高预报的精度,使防洪调度结果更加可靠。
(5)依托风险指标,构建洪水风险评估体系,结合数字孪生场景与水库防洪调度系统的虚实映射,对优化调度方案的风险性进行分析预测,辅助科学决策,提高水库防洪的效益。
附图说明
图1为本发明的方法流程图;
图2为“STP”方法的流程示意图。
具体实施方式
下面结合本发明实施例中的附图,进一步对本发明进行阐述说明。
图1为本发明方法流程图,一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,具体包括以下步骤:
S1、构建水库防洪调度系统的数字孪生场景,具体包括以下步骤:
S11、建立水库防洪调度系统的物理模块。
所述建立水库防洪调度物理实体的物理模块,具体是基于水库所处流域的气象数据、水文数据、地形数据,以及水库自身的工程属性和设计标准,构建三维的物理模块。
S12、基于水库防洪调度系统的物理模块,以及现有的水库防洪调度控制运行计划,提取调度规则,建立水库防洪调度系统的运行模块。
依据水库等建筑工程的属性和设计标准,以及所处地区的防汛政策和发展规划,从水库当前的防洪调度控制运行计划中提取水库在应对小洪水或超标准洪水时的调度规则。
S13、构建水库防洪调度系统的数字孪生场景,包括水库在汛期前后以及洪水来临期间的运行状态,具体包括预泄过程、泄洪过程、水位运行变化过程、闸门或泄洪洞启闭状态、以及水库下游重要防洪控制断面流量过程。
S2、获取水库防洪调度系统的物理数据和数字孪生场景下的虚拟数据,基于物理数据对水库防洪调度系统的数字孪生场景进行实时更新。
实时更新包括根据物理实体的监测数据实时更新目标水库所在流域的物理模块的数据以及水库调度系统的虚拟状态数据,物理模块的数据包括场景所处流域的降雨数据、蒸发数据、上下游河道淤积数据、水库自身的坝体安全数据、上游水库群的下泄流量数据、上游干支流的径流数据;虚拟状态数据包括水库实时水位状态数据、径流量状态数据、泄洪洞泄流状态、溢洪道闸门启闭状态、上游河道水位状态数据、下游重要防洪控制断面的水位状态数据及流量状态数据。
S3、基于实时更新的水库防洪调度系统数字孪生场景,结合多种机器学习算法,构建多种洪水预报模型,具体包括以下步骤:
S31、采用自相关分析和互相关分析方法,确定历史降雨数据、历史径流数据、历史蒸发数据、当前降雨数据和当前蒸发数据与当前径流序列之间的关系,优选出模型的驱动因子;采用Gamma Test对数据进行降噪处理,将优选出的驱动因子进行排列组合并分别进行噪声估计,选出噪声最小的组合作为驱动因子;建立驱动因子与预测因子之间的映射关系;
S32、搜集历史洪水数据并将其划分为训练集和测试集;构建基于各机器学习算法的水库洪水预报模型;在模型参数的确定上,采用智能算法进行寻优,寻找可行域内的最优参数组合方案,得到洪水预报模型;
机器学习算法包括长短期记忆神经网络算法(LSTM)、循环神经网络(RNN)、卷积神经网络(CNN)、Boosting、GBDT、DeepAR、Transformer、Informer等。
进行寻优的智能算法是指遗传算法(NSGA)、灰狼算法、粒子群算法、蛙跳算法等。
S33、采用训练好的洪水预报模型进行预测,得到不同模型下的预报结果,以此作为调度模型的不同情景下的入库径流序列,从而模拟采用不同预报模型带来的预报误差。
S4、结合各洪水预报模型的预测结果不确定性,构建水库防洪优化调度模型,采用多目标遗传算法进行求解,获取优化后的防洪调度策略,具体包括以下步骤:
S41、选取水库在单位时间段内的下泄流量为决策变量,以多个预报模型预测的径流序列作为输入。
S42,考虑水库的上游和下游安全,确定优化调度模型的目标函数和约束条件;
所述优化调度模型的目标函数包括:
(1)设置以最小化水库在调度过程中最高水位超过安全阈值的概率为目标函数:
(2)设置以最小化水库在调度过程中最大下泄流量超过安全泄量阈值的概率为目标函数:
(3)设置以最小化水库在调度过程中水位超过安全阈值的持续时间段占总调度时长的比例为目标函数:
(4)设置以最小化水库在调度过程中下泄流量超过安全泄量阈值的持续时间段占总调度时长的比例为目标函数:
其中,Zn(t)代表预报情景n下的时刻t的水库水位值(m);Zup为水位安全上限阈值;qn(t)代表预报情景n下的时刻t的水库下泄流量(m3/s);Qup为水库的安全泄量阈值;N为总的预报情景数量;T为总的调度时长(h);Count(·)是统计计数函数;
所述优化调度模型的约束条件包括:
水量平衡约束、水库水位上下限约束、下泄能力约束、调度过程波动约束、和非负约束。
S43、采用NSGA-Ⅲ多目标遗传算法对优化调度模型进行求解,在迭代过程中结合鲁棒优化中的“Min-Max”理念,采用“STP”方法对种群内每一个体针对不同预报情景下生成的决策变量待选序列进行筛选,得到代表该个体的决策变量序列,进行下一步优化迭代,最终得到非劣解集。
NSGA-Ⅲ算法的具体步骤描述如下:
(1)随机生成包含N个个体的初始种群P0;
(2)生成参考点;
(3)从当前种群中选择个体进行遗传操作,生成子代个体形成种群Qt;
(4)合并父代子代种群,Rt=Pt∪Qt;
(5)利用快速非支配排序方法将Rt分成F1、F2和F3等若干个非支配层,并确定每个个体所在的非支配层;
(8)判断算法是否结束,如果不满足结束条件,转到步骤(2),否则结束算法。
“STP”方法的应用嵌套在NSGA-Ⅲ算法的迭代过程中,主要作用:在面多若干种不确定预报情景下生成的待选决策变量序列中筛选出可代表该个体的调度序列,进入下一次的迭代优化过程。原理流程图如图2所示,具体包括以下步骤:
S431、设定种群数量为M并生成初始种群;
S432、种群中每一个体代表一组长度为调度时长T的决策变量序列,在面对N种不同预报情景时,需分别在每种预报情景下对各决策变量在可取值范围内进行调整以使得全序列满足所有约束条件,调整后最终生成(x1 1,x2 1,x3 1,……xT 1),(x1 2,x2 2,x3 2,……xT 2),……,(x1 N,x2 N,x3 N,……xT N)共N组待选序列。
S433、计算每一组待选序列对应的四个目标函数值,进而得到每一组待选序列的后悔度值(RV),从而可将多个目标的优化转化为一个具体数值的体现,如公式(5)所示:
RV=(F1-0)+(F2-0)+(F3-0)+(F4-0) (5)
S434、选取RV值最大的决策序列作为该个体的代表序列,进入下一次迭代过程,进一步完成遗传算法的优化过程。
S435、在每一次迭代过程中重复S432-S434的过程,在迭代次数达到预设数值后,停止迭代,得到非劣解集。
S5、构建洪水风险评估体系,根据预报情势和调度策略对防洪风险进行分析评估,指导实际防洪调度。具体方法如下:
在经过优化计算之后,依据现状防洪要求,对非劣解集中的调度方案分别计算其上游和下游的风险指标;将优化后的防洪调度方案以及对应的风险指标提供给决策者作为科学参考依据,合理调用水库防洪能力,最大程度开发防洪工程系统潜力。
综上实例调度过程,可基于实况情况,在考虑不确定洪水预报的情况下,生成防洪优化调度策略,并可得到若按照此策略执行,防洪调度系统的具体响应情况和风险状态,为决策人员提供科学参考依据。
本发明提供了一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,将数字孪生技术运用在防洪优化调度中,实现了孪生场景与现实场景的动态交互,为水库防洪优化调度数字化、智能化的方向提供思路,优化了洪水预报不确定性给水库防洪调度带来的不利影响,提高水库的防洪综合效益。
本发明能够实时反映防洪调度的实况信息,降低了在不确定洪水预报情况下生成的调度策略所带来的风险,使得调度过程更加智能化,保证水库上下游的安全,提高调度的可靠性,降低运行风险。
本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,包括以下步骤:
S1、构建水库防洪调度系统的数字孪生场景;
S2、获取水库防洪调度系统的物理数据和数字孪生场景下的虚拟数据,基于物理数据对水库防洪调度系统的数字孪生场景进行实时更新;
S3、基于实时更新的水库防洪调度系统数字孪生场景,结合多种机器学习算法,构建多种洪水预报模型;
S4、结合各洪水预报模型的预测结果不确定性,构建水库防洪优化调度模型,采用多目标遗传算法进行求解,获取优化后的防洪调度策略;
S5、构建洪水风险评估体系,根据预测结果和优化后的防洪调度策略对防洪风险进行分析评估,指导实际防洪调度。
2.如权利要求1所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,所述的步骤S1中构建水库防洪调度系统的数字孪生场景,具体包括如下步骤:
S11、建立水库防洪调度系统的物理模块;
S12、基于水库防洪调度系统的物理模块,以及现有的水库防洪调度控制运行计划,提取调度规则,建立水库防洪调度系统的运行模块;
S13、构建水库防洪调度系统的数字孪生场景,包括水库在汛期前后以及洪水来临期间的运行状态,具体包括预泄过程、泄洪过程、水位运行变化过程、闸门或泄洪洞启闭状态、以及水库下游重要防洪控制断面流量过程。
3.如权利要求2所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,所述的S11中建立水库防洪调度系统的物理模块,具体是基于水库所处流域的气象数据、水文数据、地形数据,以及水库自身的工程属性和设计标准,构建三维的物理模块。
4.如权利要求2所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,所述S12中所述的提取调度规则是指提取水库在应对小洪水或超标准洪水时的调度规则。
5.如权利要求1所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,所述步骤S2中所述的对水库防洪调度系统的数字孪生场景进行实时更新包括根据物理实体的监测数据实时更新目标水库所在流域的物理模块的数据以及水库调度系统的虚拟状态数据,物理模块的数据包括场景所处流域的降雨数据、蒸发数据、上下游河道淤积数据、水库自身的坝体安全数据、上游水库群的下泄流量数据、上游干支流的径流数据;虚拟状态数据包括水库实时水位状态数据、径流量状态数据、泄洪洞泄流状态、溢洪道闸门启闭状态、上游河道水位状态数据、下游重要防洪控制断面的水位状态数据及流量状态数据。
6.如权利要求1所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,所述步骤S3中所述的构建多种洪水预报模型包括以下步骤:
S31、采用自相关分析和互相关分析方法,确定历史降雨数据、历史径流数据、历史蒸发数据、当前降雨数据和当前蒸发数据与当前径流序列之间的关系,优选出模型的驱动因子;采用Gamma Test对数据进行降噪处理,将优选出的驱动因子进行排列组合并分别进行噪声估计,选出噪声最小的组合作为驱动因子;建立驱动因子与预测因子之间的映射关系;
S32、搜集历史洪水数据并将其划分为训练集和测试集;构建基于各机器学习算法的水库洪水预报模型;在模型参数的确定上,采用智能算法进行寻优,寻找可行域内的最优参数组合方案,得到洪水预报模型;
S33、采用训练好的洪水预报模型进行预测,得到不同模型下的预报结果,以此作为调度模型的不同情景下的入库径流序列,从而模拟采用不同预报模型带来的预报误差。
7.如权利要求1所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,所述步骤S4中所述的结合各洪水预报模型的预测结果不确定性,构建水库防洪优化调度模型,采用多目标遗传算法进行求解,获取优化后的防洪调度策略,具体包括以下步骤:
S41、选取水库在单位时间段内的下泄流量为决策变量,以多个预报模型预测的径流序列作为输入;
S42,考虑水库的上游和下游安全,确定优化调度模型的目标函数和约束条件;
S43、采用NSGA-Ⅲ多目标遗传算法对优化调度模型进行求解,在迭代过程中结合鲁棒优化中的“Min-Max”理念,对种群内每一个体针对不同预报情景下生成的决策变量待选序列进行筛选,得到代表该个体的决策变量序列,进行下一步优化迭代,最终得到非劣解集。
8.如权利要求7所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,构建水库防洪优化调度模型,其特征在于,步骤S42中,所述的目标函数包括:
(1)设置以最小化水库在调度过程中最高水位超过安全阈值的概率为目标函数:
(2)设置以最小化水库在调度过程中最大下泄流量超过安全泄量阈值的概率为目标函数:
(3)设置以最小化水库在调度过程中水位超过安全阈值的持续时间段占总调度时长的比例为目标函数:
(4)设置以最小化水库在调度过程中下泄流量超过安全泄量阈值的持续时间段占总调度时长的比例为目标函数:
其中,Zn(t)代表预报情景n下的时刻t的水库水位值(m);Zup为水位安全上限阈值;qn(t)代表预报情景n下的时刻t的水库下泄流量(m3/s);Qup为水库的安全泄量阈值;N为总的预报情景数量;T为总的调度时长(h);Count(·)是统计计数函数;
所述的约束条件包括水量平衡约束、水库水位上下限约束、下泄能力约束、调度过程波动约束和非负约束。
9.如权利要求7所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,构建水库防洪优化调度模型,其特征在于,所述步骤S43中,在迭代过程中结合鲁棒优化中的“Min-Max”理念,对种群内每一个体针对不同预报情景下生成的决策变量待选序列进行筛选;筛选过程中采用“STP”方法,具体步骤如下:
S431、设定种群数量为M并生成初始种群;
S432、种群中每一个体代表一组长度为调度时长T的决策变量序列,在面对N种不同预报情景时,需分别在每种预报情景下对各决策变量在可取值范围内进行调整以使得全序列满足所有约束条件,调整后最终生成(x1 1,x2 1,x3 1,……xT 1),(x1 2,x2 2,x3 2,……xT 2),……,(x1 N,x2 N,x3 N,……xT N)共N组待选序列;
S433、计算每一组待选序列对应的四个目标函数值,进而得到每一组待选序列的后悔度值RV,具体如公式(5)所示:
RV=(F1-0)+(F2-0)+(F3-0)+(F4-0) (5)
S434、选取RV值最大的决策序列作为该个体的代表序列,进入下一次迭代过程,进一步完成遗传算法的优化过程;
S435、在每一次迭代过程中重复S432-S434的过程,在迭代次数达到预设数值后,停止迭代,得到非劣解集。
10.如权利要求9所述的基于数字孪生的考虑预报不确定性的水库防洪优化调度方法,其特征在于,所述的步骤S5具体为,在经过优化计算之后,依据现状防洪要求,对非劣解集中的调度方案分别计算其上游和下游的风险指标;将优化后的防洪调度策略以及对应的风险指标提供给决策者作为科学参考依据,合理调用水库防洪能力,最大程度开发防洪工程系统潜力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310074878.9A CN116050628A (zh) | 2023-02-07 | 2023-02-07 | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310074878.9A CN116050628A (zh) | 2023-02-07 | 2023-02-07 | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050628A true CN116050628A (zh) | 2023-05-02 |
Family
ID=86117927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310074878.9A Pending CN116050628A (zh) | 2023-02-07 | 2023-02-07 | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050628A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882211A (zh) * | 2023-09-06 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN117200300A (zh) * | 2023-11-03 | 2023-12-08 | 深圳海辰储能科技有限公司 | 基于储能系统的电能调度方法及装置 |
CN117893179A (zh) * | 2024-03-18 | 2024-04-16 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
-
2023
- 2023-02-07 CN CN202310074878.9A patent/CN116050628A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116882211A (zh) * | 2023-09-06 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
CN116882211B (zh) * | 2023-09-06 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
CN116992779A (zh) * | 2023-09-22 | 2023-11-03 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN116992779B (zh) * | 2023-09-22 | 2024-01-05 | 北京国科恒通数字能源技术有限公司 | 基于数字孪生模型的光伏储能系统仿真方法及系统 |
CN117200300A (zh) * | 2023-11-03 | 2023-12-08 | 深圳海辰储能科技有限公司 | 基于储能系统的电能调度方法及装置 |
CN117200300B (zh) * | 2023-11-03 | 2024-02-23 | 深圳海辰储能科技有限公司 | 基于储能系统的电能调度方法及装置 |
CN117893179A (zh) * | 2024-03-18 | 2024-04-16 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
CN117893179B (zh) * | 2024-03-18 | 2024-05-28 | 四川嘉源生态发展有限责任公司 | 基于数字孪生的水利电力工程建造管控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116050628A (zh) | 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法 | |
Coccia et al. | Recent developments in predictive uncertainty assessment based on the model conditional processor approach | |
Hung et al. | An artificial neural network model for rainfall forecasting in Bangkok, Thailand | |
Ghorbani et al. | Modeling river discharge time series using support vector machine and artificial neural networks | |
Shokri et al. | Multi-objective quantity–quality reservoir operation in sudden pollution | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
KR102236678B1 (ko) | 자료해석 기반 침수 예측 방법 및 이를 위한 장치 | |
Young et al. | Genetic algorithm and fuzzy neural networks combined with the hydrological modeling system for forecasting watershed runoff discharge | |
CN111737853A (zh) | 一种基于swmm模型的低影响开发多目标区间优化配置方法 | |
Sushanth et al. | Real-time streamflow forecasting in a reservoir-regulated river basin using explainable machine learning and conceptual reservoir module | |
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 | |
CN113344305A (zh) | 一种暴雨内涝事件的快速预测方法 | |
Wei et al. | Two-stage pumping control model for flood mitigation in inundated urban drainage basins | |
KR20220057740A (ko) | 순환신경망을 이용한 하천 지역 침수 예측 방법 | |
CN113807545A (zh) | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 | |
Ünes | Dam reservoir level modeling by neural network approach: A case study | |
Badyalina et al. | Streamflow estimation at ungauged basin using modified group method of data handling | |
Fan et al. | Identifying hydrometeorological factors influencing reservoir releases using machine learning methods | |
Anilan et al. | Application of Artificial Neural Networks and regression analysis to L-moments based regional frequency analysis in the Eastern Black Sea Basin, Turkey | |
Hernandez-Ambato et al. | Multistep-ahead streamflow and reservoir level prediction using ANNs for production planning in hydroelectric stations | |
Tan et al. | A multi-source data-driven model of lake water level based on variational modal decomposition and external factors with optimized bi-directional long short-term memory neural network | |
Awan et al. | Application of adaptive neuro-fuzzy inference system for dam inflow prediction using long-range weather forecast | |
Fan et al. | Explainable machine learning model for multi-step forecasting of reservoir inflow with uncertainty quantification | |
Gavahi et al. | Comparison of two data-driven streamflow forecast approaches in an adaptive optimal reservoir operation model | |
CN111401630B (zh) | 一种基于粗糙集理论的防洪系统水库属性实时动态评价方法 |
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 |