CN116070886B - 水资源系统多维适应性调控方法及系统 - Google Patents
水资源系统多维适应性调控方法及系统 Download PDFInfo
- Publication number
- CN116070886B CN116070886B CN202310353428.3A CN202310353428A CN116070886B CN 116070886 B CN116070886 B CN 116070886B CN 202310353428 A CN202310353428 A CN 202310353428A CN 116070886 B CN116070886 B CN 116070886B
- Authority
- CN
- China
- Prior art keywords
- water resource
- regulation
- constructing
- scene
- simulation
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 211
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 74
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000004088 simulation Methods 0.000 claims abstract description 91
- 230000008878 coupling Effects 0.000 claims abstract description 51
- 238000010168 coupling process Methods 0.000 claims abstract description 51
- 238000005859 coupling reaction Methods 0.000 claims abstract description 51
- 230000008901 benefit Effects 0.000 claims abstract description 27
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 230000009467 reduction Effects 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims abstract description 6
- 230000007246 mechanism Effects 0.000 claims abstract description 5
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 4
- 238000011160 research Methods 0.000 claims description 55
- 238000004519 manufacturing process Methods 0.000 claims description 53
- 230000000694 effects Effects 0.000 claims description 19
- 238000012216 screening Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 16
- 230000001364 causal effect Effects 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010206 sensitivity analysis Methods 0.000 claims description 10
- 230000006378 damage Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000012876 topography Methods 0.000 claims description 4
- 238000009825 accumulation Methods 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 4
- 230000003993 interaction Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000011217 control strategy Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013477 bayesian statistics method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000007727 cost benefit analysis Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000002689 soil Substances 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
- G06Q10/06—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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
-
- 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)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水资源系统多维适应性调控方法及系统，包括构建供水、防洪与环境多维互馈的水资源耦合系统；构建水资源耦合系统适应性的模拟调控模式集合，构建面向调控目标的适应性调控模拟模型；构建至少两个模拟情景并选择策略组合方案；采用基于粗糙集理论的Horafa属性约简算法进行指标体系精简化；构建群决策场景下不同利益主体主观权重冲突的协调机制，求解适应性调控模拟模型，优选出策略组合方案。针对变化条件下基于开源、节流和联合调度等综合措施，建立水资源耦合系统风险的多维协同调控方法，为水资源综合开发利用和评估，提供了一种新的技术思路。
Description
技术领域
本发明涉及水资源调控技术，尤其是一种水资源系统多维适应性调控方法及系统。
背景技术
变化环境造成水资源时空变化规律发生显著变异，并影响区域社会经济发展的水资源供需关系，从而给复杂水资源系统的安全、经济运行带来风险。换言之，在变化条件下，由于多阶段、多维不确定性因子及其相互作用，使得决策风险剧增。如何定量评估水资源综合利用安全性、经济性风险，构建多维风险调控模式，降低变化环境导致的风险危害，是尚未解决的问题。
此外，水资源系统适应性调控缺乏成熟的理论、模型和方法支撑，现有的适应性调控研究大多侧重于调控对策及其管理框架的宏观描述，缺乏将具体的适应性调控模式与定量化调控效果评价、社会经济发展和成本效益分析的有机结合，无法根据定性或定量分析的结果做出具有针对性、便于操作的适应性调控决策，使得适应性调控难以真正落实到水资源系统运行调度的应用实践层面。
因此，亟需丰富水资源耦合系统面向环境变化的适应性调控理论与方法。
发明内容
发明目的：一方面，提供一种水资源系统多维适应性调控方法，以解决现有技术存在的上述问题。另一方面，提供一种系统，以实现上述方法。
为了实现上述目的，给出如下方案：
根据本申请的一个方面，水资源系统多维适应性调控方法，包括如下步骤：步骤S1、构建供水、防洪与环境多维互馈的水资源耦合系统，采集风险因子并构建风险因子筛选模型；构建基于风险因子的贝叶斯模型并对水资源耦合系统的风险进行预测，获得水资源耦合系统的薄弱环节数据以及多维调控目标的竞争与冲突关系；
步骤S2、构建水资源耦合系统适应性的模拟调控模式集合，从工程与非工程两个途径构建不同模拟调控模式下的调控策略，构建策略组合方案集合；基于水资源耦合系统的薄弱环节数据和预配置的目标域、决策变量域和约束空间域数据，构建面向调控目标的适应性调控模拟模型；
步骤S3、构建至少两个模拟情景并选择策略组合方案，采用适应性调控模拟模型评估策略组合方案的调控效果和对调控目标的贡献率；计算各个策略组合方案的成本，建立策略组合方案的成本与效益关系；
步骤S4、构建包括目标层、准则层和指标层在内的适应性调控多属性风险决策指标体系，通过预置方法筛选出影响决策风险的关键性指标，并采用基于粗糙集理论的Horafa属性约简算法进行指标体系精简化；
步骤S5、构建群决策场景下不同利益主体主观权重冲突的协调机制，采用概率OWA算子建立考虑多元利益主体的群体赋权方法为指标体系赋权，采用基于拉丁超立方体抽样的蒙特卡洛数值方法求解适应性调控模拟模型，并采用正交试验方法对多属性决策结果进行敏感性分析，量化关键性指标及其组合对多属性决策风险的影响程度、破坏深度及阈值，优选出策略组合方案。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、采集研究区域的基础数据并预处理，构建多源输入与多源输出的映射关系集合，通过系统动力学模拟获得互馈数据并以此构建多维互馈的水资源耦合系统；
步骤S12、提取水资源耦合系统中的风险因子，构建风险因子集合和基于BP神经网络的风险因子筛选模型，采用该风险因子筛选模型提取主要风险因子；
步骤S13、基于风险因子构建贝叶斯模型，采用该贝叶斯模型进行参数学习和风险预测，形成贝叶斯网络图；
步骤S14、基于已构建的贝叶斯模型，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，获得水资源耦合系统的薄弱环节数据以及多维调控目标的竞争与冲突关系。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、基于研究区域的调控目标，构建典型水资源产汇流场景集合，并针对每一水资源产汇流场景，构建水资源耦合系统适应性的模拟调控模式；
步骤S22、构建研究区域的水资源产汇流拓扑，并针对每一典型水资源产汇流场景进行权重优化，形成优化权重集合；
步骤S23、针对研究区域的调控目标，构建策略组合方案集合，针对每一典型水资源产汇流场景进行模拟，获得各个水资源产汇流场景下的至少一个最优策略组合方案；
步骤S24、基于调控目标和薄弱环节数据，给出目标域、决策变量域和约束空间域的取值范围；构建面向调控目标的适应性调控模拟模型。
根据本申请的一个方面，所述步骤S21进一步为：
步骤S21a、读取研究区域的基础数据，获取至少包括地理位置、地形地貌和气候特征在内的数据；对研究区域进行概化分类，形成多个研究子单元，根据研究子单元确定水资源产汇流场景，所述研究子单元至少包括山区、平原、城市，以及河湖网络；
步骤S21b、获取研究区域的调控目标，并将调控目标分解到每一水资源产汇流场景，逐一建立各个水资源产汇流场景与研究区域各个研究子单元的关系；
步骤S21c、调用预配置的水文水动力模型对每一水资源产汇流场景进行模拟，并计算模拟结果与调控目标的欧式距离，基于模拟结果优化每一水资源产汇流场景的各个调控指标参数；
步骤S21d、基于优化后的调控参数指标，构建水资源耦合系统适应性的模拟调控模式。
根据本申请的一个方面，所述步骤S22进一步为：
步骤S22a、读取研究区域的基础数据，获取至少数字高程模型数据；通过数字高程模型提取河网栅格数据；
步骤S22b、通过高程差计算法和图像神经网络对河网栅格数据进行优化，消除包括洼地在内的河网干扰因素，获得水资源产汇流拓扑；其中所述高程差计算法包括：计算每一河网栅格的流向，通过流向获得水利积累矩阵并与预配置的水流阈值矩阵作差，得到河网矩阵，连接河网矩阵对应的各个栅格；或者从河网栅格数据中查找高程最低的河网栅格，将该河网栅格作为原点，从该河网栅格向周围依次查找符合连通条件的河网栅格，形成河网拓扑，基于该河网拓扑形成水资源产汇流拓扑；
步骤S22c、构建能够覆盖各个典型水资源汇流场景的基本权重矩阵，并逐一针对典型
典型水资源汇流场景通过系统动力学模拟进行模拟，优化各个权重参数，形成优化权重集合；
在模拟过程中，获取每一典型水资源汇流场景下各个水资源产汇流拓扑中各节点存在的因果链数据和耦合回路数据，所述耦合回路数据包括增强回路、调节回路和滞后回路。
根据本申请的一个方面，所述步骤S23进一步为：
步骤S23a、采集适用于研究区域的预定数量个策略组合方案，并针对每一典型水资源汇流场景进行适配，筛选出适配度高于阈值的策略组合方案，形成策略组合方案集合；
步骤S23b、调用水文水动力模拟模型，读取水资源产汇流拓扑和优化权重集合，将策略组合方案在各个典型水资源汇流场景中进行模拟，获得供水、防洪和环境各个维度的评估效果；计算策略组合方案中各个策略对评估效果的影响比例；将影响比例小于阈值的策略标记为可调整策略；
步骤S23c、构建评估模型，计算每一典型水资源汇流场景下各个策略组合的整体效果，各个典型水资源产汇流场景下得到至少一个最优策略组合方案；若某一典型水资源汇流场景下的策略组合方案不符合预期要求，查找该策略组合方案中是否存在可调整策略，若存在，采用备选策略进行替换，重新模拟。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、构建至少两个模拟情景，所述模拟情景包括平年、丰年或枯年下供水、防洪和环境综合需求情景；针对模拟情景选择与之对应的至少两个策略组合方案；
步骤S32、调用适应性调控模拟模型，对上述策略组合方案的调控效果进行评估，获得评估结果，计算每一策略组合方案中各个策略对调控目标的贡献率；对适应性调控模拟模型进行验证；
步骤S33、计算各个策略组合方案的成本，建立策略组合方案的成本与效益关系；
其中包括判断策略组合方案中是否存在可调整策略，若存在，进行替换，并计算策略组合方案的成本，重新模拟计算策略组合方案的成本与效益关系。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、采集目标层、准则层和指标层的信息，构建适应性调控多属性风险决策指标体系；所述目标层至少包括供水、防洪和环境协同目标，所述准则层至少包括稳定性、协调性和可持续性；
步骤S42、采用敏感性分析法、主成分分析法、灰色关联度分析法筛选影响决策风险的关键性指标；
步骤S43、确定决策表和属性重要度，构建粗糙集并将属性按照重要度降序排列，计算约简度并根据约简度确定最优属性子集，根据最优属性子集，对指标体系进行精简化。
根据本申请的一个方面，步骤S5进一步为：
步骤S51、确定各个典型水资源汇流场景下的利益主体，读取精简后的指标体系，针对每个指标，给出主观权重，构建概率OWA算子，根据主观权重确定概率OWA算子，将主观权重转化为概率分布并加权平均，计算群体赋权结果，
步骤S52、读取预配置的基于拉丁超立方体抽样的蒙特卡洛数值方法，基于赋权后的精简指标体系和研究区域的基础数据，确定参数范围和步长，在参数范围内均匀地抽取一定数量的样本点，进行预定次数的模拟，求解适应性调控模拟模型，并对结果进行统计分析，统计分析包括计算均值、方差和标准差，绘制概率密度函数和散点图；
步骤S53、调用正交试验设计模块，输入调控目标和指标体系，给出正交试验方案，通过正交试验方案对多属性决策结果进行敏感性分析；
步骤S54、量化关键性指标及其组合对多属性决策风险的影响程度、破坏深度及阈值，优选出策略组合方案。
根据本申请的另一个方面，一种水资源系统多维适应性调控系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的水资源系统多维适应性调控方法。
有益效果：本发明针对变化条件下基于开源、节流和联合调度等综合措施，建立水资源耦合系统风险的多维协同调控方法，为水资源综合开发利用和评估，提供了一种新的技术思路。
附图说明
图1是本发明的流程图。
图2是本发明S1的流程图。
图3是本发明S2的流程图。
实施方式
如图1所示，根据本申请的一个方面，水资源系统多维适应性调控方法，包括如下步骤：
步骤S1、构建供水、防洪与环境多维互馈的水资源耦合系统，采集风险因子并构建风险因子筛选模型；构建基于风险因子的贝叶斯模型并对水资源耦合系统的风险进行预测，获得水资源耦合系统的薄弱环节数据以及多维调控目标的竞争与冲突关系。为了全面了解水资源耦合系统中各个方面的情况，通过采集风险因子和构建筛选模型来预测风险，从而为后续的调控提供基础数据和决策依据。例如，在某些地区，由于气候变化和城市化进程加速等原因，城市内涝问题日益突出。通过构建水资源耦合系统并采集相关数据，可以了解到城市内涝问题的具体情况，并预测可能出现的风险。
步骤S2、构建水资源耦合系统适应性的模拟调控模式集合，从工程与非工程两个途径构建不同模拟调控模式下的调控策略，构建策略组合方案集合；基于水资源耦合系统的薄弱环节数据和预配置的目标域、决策变量域和约束空间域数据，构建面向调控目标的适应性调控模拟模型。本步骤针对不同情况制定不同的调控策略，构建策略组合方案集合。例如，在某些地区，由于干旱等原因导致水资源短缺问题严重。通过构建适应性调控模拟模式集合并制定不同的调控策略，可以有效地解决水资源短缺问题。
步骤S3、构建至少两个模拟情景并选择策略组合方案，采用适应性调控模拟模型评估策略组合方案的调控效果和对调控目标的贡献率；计算各个策略组合方案的成本，建立策略组合方案的成本与效益关系。
在某些地区，由于水土流失、城市建设等原因导致土地退化问题严重。通过构建模拟情景并选择最优策略组合方案，可以有效地解决土地退化问题，并在经济上获得更多的收益。
步骤S4、构建包括目标层、准则层和指标层在内的适应性调控多属性风险决策指标体系，通过预置方法筛选出影响决策风险的关键性指标，并采用基于粗糙集理论的Horafa属性约简算法进行指标体系精简化。
本步骤能够全面考虑多种因素对决策结果产生的影响，并通过精简化指标体系来提高决策效率。例如，在某些地区，由于污染等原因导致水质问题严重。通过构建适应性调控多属性风险决策指标体系并精简化指标体系，可以更加全面地考虑各种因素对水质问题的影响，并制定更加有效的调控策略。
步骤S5、构建群决策场景下不同利益主体主观权重冲突的协调机制，采用概率OWA算子建立考虑多元利益主体的群体赋权方法为指标体系赋权，采用基于拉丁超立方体抽样的蒙特卡洛数值方法求解适应性调控模拟模型，并采用正交试验方法对多属性决策结果进行敏感性分析，量化关键性指标及其组合对多属性决策风险的影响程度、破坏深度及阈值，优选出策略组合方案。在某些地区，由于水资源分配问题引发了不同利益主体之间的矛盾。通过构建群决策场景下的协调机制并采用概率OWA算子建立考虑多元利益主体的群体赋权方法，可以有效地解决水资源分配问题，并满足各方面利益需求。
总之，在本实施例中，可以及时采集数据并进行预测，从而帮助决策者制定科学有效的管控措施。并且在评估不同的供水策略时，可以考虑到各种因素对供水效果的影响，并选择最优方案。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、采集研究区域的基础数据并预处理，构建多源输入与多源输出的映射关系集合，通过系统动力学模拟获得互馈数据并以此构建多维互馈的水资源耦合系统；
步骤S12、提取水资源耦合系统中的风险因子，构建风险因子集合和基于BP神经网络的风险因子筛选模型，采用该风险因子筛选模型提取主要风险因子；
步骤S13、基于风险因子构建贝叶斯模型，采用该贝叶斯模型进行参数学习和风险预测，形成贝叶斯网络图；
步骤S14、基于已构建的贝叶斯模型，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，获得水资源耦合系统的薄弱环节数据以及多维调控目标的竞争与冲突关系。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、基于研究区域的调控目标，构建典型水资源产汇流场景集合，并针对每一水资源产汇流场景，构建水资源耦合系统适应性的模拟调控模式。更加全面地考虑研究区域内不同场景下的水资源供需情况和调控策略，可以更好地预测和应对未来可能出现的水资源供需变化。
步骤S22、构建研究区域的水资源产汇流拓扑，并针对每一典型水资源产汇流场景进行权重优化，形成优化权重集合。本步骤是为了更加准确地反映各个产汇流节点之间的关系，可以使得各个节点之间的影响更加均衡，并且能够更好地反映实际情况。例如在某些区域，不同区域之间存在着明显的水资源供需差异。通过构建水资源产汇流拓扑，并进行权重优化，可以更加准确地反映不同区域之间的水资源供需关系，并确定各个区域在整个系统中所占比重，从而更好地制定调控策略。
步骤S23、针对研究区域的调控目标，构建策略组合方案集合，针对每一典型水资源产汇流场景进行模拟，获得各个水资源产汇流场景下的至少一个最优策略组合方案；
通过在不同场景下寻找最优的调控策略组合方案，可以更好地预测和应对未来可能出现的水资源供需变化，从而给出策略组合。
步骤S24、基于调控目标和薄弱环节数据，给出目标域、决策变量域和约束空间域的取值范围；构建面向调控目标的适应性调控模拟模型。本步骤可以使得整个系统更加稳定可靠，并且能够更好地满足调控目标。例如，在某些研究区域，需要考虑到不同时间段内的用水量变化以及供水系统本身的特点。通过构建面向调控目标的适应性调控模拟模型，并给出目标域、决策变量域和约束空间域的取值范围，可以更好地满足居民对水资源的需求，并且使得整个系统更加稳定可靠。
在本实施例中，通过构建典型场景，比建立水资源产汇流拓扑，对每个场景下的拓扑进行优化，然后对权重进行优化，形成每一典型场景下的计算架构，通过构建拓扑架构，简化运算过程，提高计算效率。
根据本申请的一个方面，所述步骤S21进一步为：
步骤S21a、读取研究区域的基础数据，获取至少包括地理位置、地形地貌和气候特征在内的数据；对研究区域进行概化分类，形成多个研究子单元，根据研究子单元确定水资源产汇流场景，所述研究子单元至少包括山区、平原、城市，以及河湖网络；通过构建多个研究子单元，可以更加精细地刻画研究区域的水资源产汇流场景，提高模型的准确性。针对不同的地理位置、地形地貌和气候特征等因素，建立不同的水资源耦合系统模型，可以更好地反映实际情况，全面考虑各种影响因素对水资源产汇流场景的影响。
步骤S21b、获取研究区域的调控目标，并将调控目标分解到每一水资源产汇流场景，逐一建立各个水资源产汇流场景与研究区域各个研究子单元的关系。通过对目标进行分解，有利于更好地了解各个场景下所能够达到的调控目标，同时了解不同子单元之间相互作用和影响。
步骤S21c、调用预配置的水文水动力模型对每一水资源产汇流场景进行模拟，并计算模拟结果与调控目标的欧式距离，基于模拟结果优化每一水资源产汇流场景的各个调控指标参数。本步骤可以更加准确地了解各个场景下的水资源情况，评估各个场景下与调控目标之间的差距，进而优化调控指标参数。
步骤S21d、基于优化后的调控参数指标，构建水资源耦合系统适应性的模拟调控模式。本步骤可以更好地反映实际情况下各种因素对水资源耦合系统的影响，更好地预测和规划研究区域未来的水资源利用情况。
在地区的研究过程中，将其划分为山区、平原、城市和河湖网络等四个研究子单元，并根据不同子单元确定了不同的水资源产汇流场景。通过将该地区未来N年内需要达到的调控目标分解到每一个场景中，并建立了各个场景之间相互作用和影响的关系。通过调用水文水动力模型对每一个场景进行模拟，并计算了模拟结果与调控目标之间的欧式距离，进而优化了各个场景下的调控指标参数。最后建立了适应性的模拟调控模式，预测和规划了该地区未来N年内的水资源利用情况。
换句话说，在本实施例中，通过在每个产汇流场景下进行模拟计算，并通过模拟结果对方案进行优化，调整策略集，可以形成每个场景、不同时间、不同区域的个性化策略构建，形成更为准确，工程上更为合理和低成本的策略组合。而现有技术主要是对整个区域进行优化，给出整体最优的方案。究其原因，在于现有的水文水动力模型结合区域整体的数据进行模拟，无法针对每个子单元进行优化，无法基于各个局部最优给出整体上更优的调控方案集合。因此，本实施例给出了一种可以在场景、时间、区域与策略方案上形成多维的个性化的多对多的映射关系，从而给出更多的策略集，为寻找更优的方案提供支撑。
根据本申请的一个方面，所述步骤S22进一步为：
步骤S22a、读取研究区域的基础数据，获取至少数字高程模型数据；通过数字高程模型提取河网栅格数据；
步骤S22b、通过高程差计算法和图像神经网络对河网栅格数据进行优化，消除包括洼地在内的河网干扰因素，获得水资源产汇流拓扑；其中所述高程差计算法包括：计算每一河网栅格的流向，通过流向获得水利积累矩阵并与预配置的水流阈值矩阵作差，得到河网矩阵，连接河网矩阵对应的各个栅格；或者从河网栅格数据中查找高程最低的河网栅格，将该河网栅格作为原点，从该河网栅格向周围依次查找符合连通条件的河网栅格，形成河网拓扑，基于该河网拓扑形成水资源产汇流拓扑；
步骤S22c、构建能够覆盖各个典型水资源汇流场景的基本权重矩阵，并逐一针对典型水资源汇流场景通过系统动力学模拟进行模拟，优化各个权重参数，形成优化权重集合；
在模拟过程中，获取每一典型水资源汇流场景下各个水资源产汇流拓扑中各节点存在的因果链数据和耦合回路数据，所述耦合回路数据包括增强回路、调节回路和滞后回路。
其中计算因果链时，具体过程如下：
读取基础数据中的部分数据作为输入数据；确定典型水资源汇流场景中各个节点的变量；结合水资源产汇流拓扑构建因果图；切换变量进行模拟，获得不同参数条件下的模拟数据，分析因果图中各个变量之间的相互作用和反馈机制，确定它们之间是否存在因果关系，并预测它们之间的影响；基于各次的模拟结果，形成因果图参数矩阵。
在本申请中，也通过系统动力学来获得因果关系数据，使用该模型时，在完成数据预处理后，需要对模型参数进行估计，并使用校验方法来评估模型的拟合程度。常用的参数估计方法包括最小二乘法、贝叶斯统计等；常用的校验方法包括残差分析、交叉验证等。在其他实施例中，也可以通过Granger因果检验来获得相关数据，或者通过因素分析方法来获得。
在本实施例中，首先需要快速准确地获取研究区域的河网信息，为构建拓扑结构提供可靠的支持，通过消除干扰因素，可以更好地反映研究区域内各个节点之间真实存在的联系和关系；通过逐一针对典型水资源汇流场景进行模拟并优化权重参数，可以更好地反映不同场景下各个节点之间的关系和影响。通过获取因果链数据和耦合回路数据，用于帮助分析系统内部复杂关系。
根据本申请的一个方面，所述步骤S23进一步为：
步骤S23a、采集适用于研究区域的预定数量个策略组合方案，并针对每一典型水资源汇流场景进行适配，筛选出适配度高于阈值的策略组合方案，形成策略组合方案集合。用于保证策略组合方案的针对性和实用性，减少后续模拟计算量，提高计算效率。
步骤S23b、调用水文水动力模拟模型，读取水资源产汇流拓扑和优化权重集合，将策略组合方案在各个典型水资源汇流场景中进行模拟，获得供水、防洪和环境各个维度的评估效果；计算策略组合方案中各个策略对评估效果的影响比例；将影响比例小于阈值的策略标记为可调整策略。本步骤可以更加真实地反映出各个典型水资源汇流场景下各个策略组合方案的效果，并帮助决策者更好地了解各个策略对评估效果的影响程度，并且为后续调整提供依据；采用可调整策略可以帮助决策者更好地把握可调整范围和空间，提高调整效率。
步骤S23c、构建评估模型，计算每一典型水资源汇流场景下各个策略组合的整体效果，各个典型水资源产汇流场景下得到至少一个最优策略组合方案；若某一典型水资源汇流场景下的策略组合方案不符合预期要求，查找该策略组合方案中是否存在可调整策略，若存在，采用备选策略进行替换，重新模拟。
在本实施例中，对策略组合进行了进一步的优化，以减少模拟计算量，在上述实施例中，由于产生了远多于现有技术的策略组合，因此在这个步骤对策略组合进行优选，从而减少部分非优方案。在场景、时间、区域与方案之间形成优选后的方案。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、构建至少两个模拟情景，所述模拟情景包括平年、丰年或枯年下供水、防洪和环境综合需求情景；针对模拟情景选择与之对应的至少两个策略组合方案。
本步骤助于制定更加科学、合理、适用性强的水资源调控方案。例如，在平年和干旱年份下，水资源供给量会有很大差异。如果只考虑平年情况下的调控方案，那么在干旱年份可能会出现供需矛盾或者无法满足环境保护等其他需求。因此，在构建模拟情景时，需要考虑到不同年份下水资源供给量的变化，并针对不同情况制定相应的策略组合方案。
步骤S32、调用适应性调控模拟模型，对上述策略组合方案的调控效果进行评估，获得评估结果，计算每一策略组合方案中各个策略对调控目标的贡献率；对适应性调控模拟模型进行验证。
本步骤可以更加准确地了解各个策略对于调控目标的贡献率，并且可以验证适应性调控模拟模型的可靠性和准确性。例如，在评估策略组合方案时，可以通过适应性调控模拟模型对不同情况下的水资源供需状况进行模拟，从而得出各个策略对于调控目标的贡献率，从而制定更加科学、合理、有效的水资源调控方案。
步骤S33、计算各个策略组合方案的成本，建立策略组合方案的成本与效益关系；
其中包括判断策略组合方案中是否存在可调整策略，若存在，进行替换，并计算策略组合方案的成本，重新模拟计算策略组合方案的成本与效益关系。通过计算策略组合方案的成本与效益关系，可以更加全面地考虑到各个策略对于成本和效益的影响，并且可以判断是否存在可调整策略并进行替换。例如，在计算成本时，需要考虑到各个策略所需投入的资金和人力等资源，并且需要综合考虑到不同情况下各个策略对于效益的影响。如果某些策略在某些情况下成本较高但是效益较小，那么可以考虑替换这些策略或者进行优化调整。这有助于制定更加经济、实用、可行性强的水资源调控方案。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、采集目标层、准则层和指标层的信息，构建适应性调控多属性风险决策指标体系；所述目标层至少包括供水、防洪和环境协同目标，所述准则层至少包括稳定性、协调性和可持续性。为了更好地实现防洪、供水和环境协同目标，可以构建适应性调控多属性风险决策指标体系。例如，在供水方面可以考虑水质、水量等指标；在环境方面可以考虑生态保护、污染治理等指标。通过对这些指标进行权衡和平衡，可以得出最优的决策结果。
步骤S42、采用敏感性分析法、主成分分析法、灰色关联度分析法筛选影响决策风险的关键性指标；在某些实施例中，在供水方面可以通过主成分分析法将水质、水量等指标综合起来进行评估；在防洪方面可以通过灰色关联度分析法将河道宽度、堤坝高度等指标综合起来进行评估。通过这些方法得出的结果更加精准可靠。
步骤S43、确定决策表和属性重要度，构建粗糙集并将属性按照重要度降序排列，计算约简度并根据约简度确定最优属性子集，根据最优属性子集，对指标体系进行精简化。
为了提高决策效率和精度，可以采用粗糙集理论对指标体系进行精简化。例如，在供水方面可以将水质、水量等指标综合起来作为一个属性；在防洪方面可以将河道宽度、堤坝高度等指标综合起来作为一个属性。通过这样的方式得出的结果更加精准可靠。
根据本申请的一个方面，步骤S5进一步为：
步骤S51、确定各个典型水资源汇流场景下的利益主体，读取精简后的指标体系，针对每个指标，给出主观权重，构建概率OWA算子，根据主观权重确定概率OWA算子，将主观权重转化为概率分布并加权平均，计算群体赋权结果。
通过确定利益主体和主观权重，能够更好地反映各方利益和需求，提高决策结果的公正性和可信度。通过构建概率OWA算子，能够将不同指标的权重进行合理组合，避免了传统加权平均方法中可能存在的权重不确定性问题。通过采用群体赋权方法，能够综合考虑多个利益主体的意见和需求，提高了决策结果的可接受性和可行性。
步骤S52、读取预配置的基于拉丁超立方体抽样的蒙特卡洛数值方法，基于赋权后的精简指标体系和研究区域的基础数据，确定参数范围和步长，在参数范围内均匀地抽取一定数量的样本点，进行预定次数的模拟，求解适应性调控模拟模型，并对结果进行统计分析，统计分析包括计算均值、方差和标准差，绘制概率密度函数和散点图；
采用蒙特卡洛数值方法进行模拟计算，能够较为准确地反映实际情况下可能出现的各种情况和变化趋势。基于拉丁超立方体抽样方法进行参数抽取，在保证样本数量充足的前提下，避免了参数之间相互影响导致模拟结果偏差较大的问题。进行预定次数的模拟计算，并对结果进行统计分析，能够得到较为准确的均值、方差和标准差等统计指标，提高了决策结果的可靠性和稳定性。
步骤S53、调用正交试验设计模块，输入调控目标和指标体系，给出正交试验方案，通过正交试验方案对多属性决策结果进行敏感性分析。采用正交试验设计方法进行敏感性分析，能够在较少的实验次数内得到较为全面和准确的敏感性信息。能够对多个关键性指标进行综合分析，找出对决策结果影响最大的因素，为后续优化提供重要参考。
步骤S54、量化关键性指标及其组合对多属性决策风险的影响程度、破坏深度及阈值，优选出策略组合方案。通过量化关键性指标及其组合对多属性决策风险的影响程度、破坏深度及阈值，能够更加客观地评估各种方案的风险和效益。通过优选出策略组合方案，能够在保证各项利益需求得到满足的前提下，最大限度地降低决策风险和不确定性。
总之，本发明面向变化条件，基于开源、节流和联合调度等综合措施，建立了一种水资源耦合系统风险的多维协同调控方法。该方法包括建立供水-防洪-环境互馈系统均衡优化的目标域、决策变量域、约束空间域，建立水资源耦合系统适应性调控整体模拟系统和情景模拟技术，定量评估各个调控模式对调控目标的贡献率和成本-效益关系；建立多维适应性调控多属性风险决策方法，实现适应性调控策略组合运用方案的决策优选。
根据本申请的另一个方面，一种水资源系统多维适应性调控系统，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项技术方案所述的水资源系统多维适应性调控方法。由于计算机的相关技术较为成为，本领域的技术人员可以根据上述方法制作软件模块，然后配置在计算机中。
总之，与目前水资源系统径流适应性调控方向性、定性建议的研究成果相比，本发明采用量化方式提出水资源系统应对变化条件的适应性调控模式与方法，更具有实际应用价值。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 (5)
1.水资源系统多维适应性调控方法，其特征在于，包括如下步骤：
步骤S1、构建供水、防洪与环境多维互馈的水资源耦合系统，采集风险因子并构建风险因子筛选模型；构建基于风险因子的贝叶斯模型并对水资源耦合系统的风险进行预测，获得水资源耦合系统的薄弱环节数据以及多维调控目标的竞争与冲突关系；
步骤S2、构建水资源耦合系统适应性的模拟调控模式集合，从工程与非工程两个途径构建不同模拟调控模式下的调控策略，构建策略组合方案集合；基于水资源耦合系统的薄弱环节数据和预配置的目标域、决策变量域和约束空间域数据，构建面向调控目标的适应性调控模拟模型；
步骤S3、构建至少两个模拟情景并选择策略组合方案，采用适应性调控模拟模型评估策略组合方案的调控效果和对调控目标的贡献率；计算各个策略组合方案的成本，建立策略组合方案的成本与效益关系；
步骤S4、构建包括目标层、准则层和指标层在内的适应性调控多属性风险决策指标体系，通过预置方法筛选出影响决策风险的关键性指标，并采用基于粗糙集理论的Horafa属性约简算法进行指标体系精简化；
步骤S5、构建群决策场景下不同利益主体主观权重冲突的协调机制，采用概率OWA算子建立考虑多元利益主体的群体赋权方法为指标体系赋权，采用基于拉丁超立方体抽样的蒙特卡洛数值方法求解适应性调控模拟模型，并采用正交试验方法对多属性决策结果进行敏感性分析，量化关键性指标及其组合对多属性决策风险的影响程度、破坏深度及阈值，优选出策略组合方案；
所述步骤S1进一步为：
步骤S11、采集研究区域的基础数据并预处理，构建多源输入与多源输出的映射关系集合，通过系统动力学模拟获得互馈数据并以此构建多维互馈的水资源耦合系统；
步骤S12、提取水资源耦合系统中的风险因子，构建风险因子集合和基于BP神经网络的风险因子筛选模型，采用该风险因子筛选模型提取主要风险因子；
步骤S13、基于风险因子构建贝叶斯模型，采用该贝叶斯模型进行参数学习和风险预测，形成贝叶斯网络图；
步骤S14、基于已构建的贝叶斯模型，对给定风险因子发生概率情况下水资源耦合系统的风险进行预测，获得水资源耦合系统的薄弱环节数据以及多维调控目标的竞争与冲突关系；
所述步骤S2进一步为：
步骤S21、基于研究区域的调控目标，构建典型水资源产汇流场景集合，并针对每一水资源产汇流场景，构建水资源耦合系统适应性的模拟调控模式；
步骤S22、构建研究区域的水资源产汇流拓扑，并针对每一典型水资源产汇流场景进行权重优化，形成优化权重集合；
步骤S23、针对研究区域的调控目标，构建策略组合方案集合，针对每一典型水资源产汇流场景进行模拟，获得各个水资源产汇流场景下的至少一个最优策略组合方案；
步骤S24、基于调控目标和薄弱环节数据，给出目标域、决策变量域和约束空间域的取值范围；构建面向调控目标的适应性调控模拟模型；
所述步骤S3进一步为：
步骤S31、构建至少两个模拟情景，所述模拟情景包括平年、丰年或枯年下供水、防洪和环境综合需求情景；针对模拟情景选择与之对应的至少两个策略组合方案；
步骤S32、调用适应性调控模拟模型，对上述策略组合方案的调控效果进行评估，获得评估结果，计算每一策略组合方案中各个策略对调控目标的贡献率；对适应性调控模拟模型进行验证；
步骤S33、计算各个策略组合方案的成本，建立策略组合方案的成本与效益关系；
其中包括判断策略组合方案中是否存在可调整策略，若存在，进行替换，并计算策略组合方案的成本，重新模拟计算策略组合方案的成本与效益关系；
所述步骤S4进一步为：
步骤S41、采集目标层、准则层和指标层的信息，构建适应性调控多属性风险决策指标体系；所述目标层至少包括供水、防洪和环境协同目标，所述准则层至少包括稳定性、协调性和可持续性；
步骤S42、采用敏感性分析法、主成分分析法、灰色关联度分析法筛选影响决策风险的关键性指标；
步骤S43、确定决策表和属性重要度，构建粗糙集并将属性按照重要度降序排列，计算约简度并根据约简度确定最优属性子集，根据最优属性子集，对指标体系进行精简化；
步骤S5进一步为：
步骤S51、确定各个典型水资源汇流场景下的利益主体，读取精简后的指标体系，针对每个指标，给出主观权重，构建概率OWA算子，根据主观权重确定概率OWA算子，将主观权重转化为概率分布并加权平均，计算群体赋权结果，
步骤S52、读取预配置的基于拉丁超立方体抽样的蒙特卡洛数值方法，基于赋权后的精简指标体系和研究区域的基础数据，确定参数范围和步长，在参数范围内均匀地抽取一定数量的样本点，进行预定次数的模拟，求解适应性调控模拟模型，并对结果进行统计分析，统计分析包括计算均值、方差和标准差，绘制概率密度函数和散点图；
步骤S53、调用正交试验设计模块，输入调控目标和指标体系，给出正交试验方案，通过正交试验方案对多属性决策结果进行敏感性分析；
步骤S54、量化关键性指标及其组合对多属性决策风险的影响程度、破坏深度及阈值，优选出策略组合方案。
2.如权利要求1所述的水资源系统多维适应性调控方法，其特征在于，所述步骤S21进一步为：
步骤S21a、读取研究区域的基础数据，获取至少包括地理位置、地形地貌和气候特征在内的数据；对研究区域进行概化分类，形成多个研究子单元，根据研究子单元确定水资源产汇流场景，所述研究子单元至少包括山区、平原、城市，以及河湖网络；
步骤S21b、获取研究区域的调控目标，并将调控目标分解到每一水资源产汇流场景，逐一建立各个水资源产汇流场景与研究区域各个研究子单元的关系；
步骤S21c、调用预配置的水文水动力模型对每一水资源产汇流场景进行模拟，并计算模拟结果与调控目标的欧式距离，基于模拟结果优化每一水资源产汇流场景的各个调控指标参数；
步骤S21d、基于优化后的调控参数指标，构建水资源耦合系统适应性的模拟调控模式。
3.如权利要求2所述的水资源系统多维适应性调控方法，其特征在于，所述步骤S22进一步为：
步骤S22a、读取研究区域的基础数据，获取至少数字高程模型数据；通过数字高程模型提取河网栅格数据；
步骤S22b、通过高程差计算法和图像神经网络对河网栅格数据进行优化，消除包括洼地在内的河网干扰因素，获得水资源产汇流拓扑；其中所述高程差计算法包括：计算每一河网栅格的流向，通过流向获得水利积累矩阵并与预配置的水流阈值矩阵作差，得到河网矩阵，连接河网矩阵对应的各个栅格；或者从河网栅格数据中查找高程最低的河网栅格，将该河网栅格作为原点，从该河网栅格向周围依次查找符合连通条件的河网栅格，形成河网拓扑，基于该河网拓扑形成水资源产汇流拓扑；
步骤S22c、构建能够覆盖各个典型水资源汇流场景的基本权重矩阵，并逐一针对典型
典型水资源汇流场景通过系统动力学模拟进行模拟，优化各个权重参数，形成优化权重集合；
在模拟过程中，获取每一典型水资源汇流场景下各个水资源产汇流拓扑中各节点存在的因果链数据和耦合回路数据，所述耦合回路数据包括增强回路、调节回路和滞后回路。
4.如权利要求3所述的水资源系统多维适应性调控方法，其特征在于，所述步骤S23进一步为：
步骤S23a、采集适用于研究区域的预定数量个策略组合方案，并针对每一典型水资源汇流场景进行适配，筛选出适配度高于阈值的策略组合方案，形成策略组合方案集合；
步骤S23b、调用水文水动力模拟模型，读取水资源产汇流拓扑和优化权重集合，将策略组合方案在各个典型水资源汇流场景中进行模拟，获得供水、防洪和环境各个维度的评估效果；计算策略组合方案中各个策略对评估效果的影响比例；将影响比例小于阈值的策略标记为可调整策略；
步骤S23c、构建评估模型，计算每一典型水资源汇流场景下各个策略组合的整体效果，各个典型水资源产汇流场景下得到至少一个最优策略组合方案；若某一典型水资源汇流场景下的策略组合方案不符合预期要求，查找该策略组合方案中是否存在可调整策略，若存在，采用备选策略进行替换，重新模拟。
5. 一种水资源系统多维适应性调控系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现权利要求1-4任一项所述的水资源系统多维适应性调控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310353428.3A CN116070886B (zh) | 2023-04-04 | 2023-04-04 | 水资源系统多维适应性调控方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310353428.3A CN116070886B (zh) | 2023-04-04 | 2023-04-04 | 水资源系统多维适应性调控方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116070886A CN116070886A (zh) | 2023-05-05 |
| CN116070886B true CN116070886B (zh) | 2023-06-20 |
Family
ID=86182306
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310353428.3A Active CN116070886B (zh) | 2023-04-04 | 2023-04-04 | 水资源系统多维适应性调控方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070886B (zh) |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116485584B (zh) * | 2023-06-21 | 2023-08-29 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区大底坡河流wee协同调控方法及系统 |
| CN116843195A (zh) * | 2023-06-25 | 2023-10-03 | 海南大学 | 一种结合统计试验设计的水资源配置机制挖掘方法 |
| CN116976529B (zh) * | 2023-09-22 | 2023-12-26 | 南京大学 | 基于供需预测动态校正的跨流域调水方法和系统 |
| CN117035201B (zh) * | 2023-10-09 | 2023-12-08 | 南京大学 | 平原河网水工程集群多目标调度规则制定方法及系统 |
| CN117116382B (zh) * | 2023-10-18 | 2023-12-26 | 水利部交通运输部国家能源局南京水利科学研究院 | 引水工程影响下受水湖泊水质时空预测方法和系统 |
| CN117852977B (zh) * | 2024-03-06 | 2024-05-24 | 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) | 一种量质双控的水资源模拟与调控方法 |
| CN118014324B (zh) * | 2024-04-09 | 2024-05-31 | 水利部水利水电规划设计总院 | 水网系统多功能多过程均衡协调优化的水流综合调控方法及系统 |
| CN118469157B (zh) * | 2024-07-11 | 2024-10-18 | 山东省水利科学研究院 | 基于大数据分析的河流综合管理系统 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050051488A (ko) * | 2003-11-27 | 2005-06-01 | 엘에스산전 주식회사 | 용수 처리 시스템의 수요예측 장치 및 방법 |
| CN105260820A (zh) * | 2015-09-22 | 2016-01-20 | 北京市水科学技术研究院 | 调水工程受水区水生态系统风险评估方法 |
| CN105389743A (zh) * | 2015-12-07 | 2016-03-09 | 华北电力大学 | 一种流域水量-水质联合调控优化方法 |
| CN108717581A (zh) * | 2018-04-04 | 2018-10-30 | 河海大学 | 一种基于蒙特卡罗模拟的水库调度随机多属性决策方法 |
| CN112149984A (zh) * | 2020-09-17 | 2020-12-29 | 河海大学 | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 |
| CN113256138A (zh) * | 2021-06-01 | 2021-08-13 | 安徽建筑大学 | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 |
| CN113269395A (zh) * | 2021-04-16 | 2021-08-17 | 佛山市奥博环保技术有限公司 | 一种基于压力状态反馈框架的水环境风险预判方法及系统 |
| CN113487174A (zh) * | 2021-07-02 | 2021-10-08 | 辽宁省生态环境保护科技中心 | 一种水环境承载力评估预警调控方法 |
| CN113516305A (zh) * | 2021-06-29 | 2021-10-19 | 太湖流域管理局水利发展研究中心 | 一种情景-目标交互的水网区水资源调度智能决策方法及系统 |
| CN114386882A (zh) * | 2022-03-23 | 2022-04-22 | 长江勘测规划设计研究有限责任公司 | 基于水工程调度效果互馈的超标准洪水风险调控方法 |
| CN114429053A (zh) * | 2022-04-06 | 2022-05-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 流域尺度wefe系统适配性模拟优化方法 |
| CN115063020A (zh) * | 2022-07-07 | 2022-09-16 | 中国长江三峡集团有限公司 | 基于风险监测融合的梯级水电站多维安全调度装置及方法 |
| CN115375198A (zh) * | 2022-10-24 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 区域河湖水系连通联合调度和水质安全保障方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11392841B2 (en) * | 2017-10-20 | 2022-07-19 | Hartford Fire Insurance Company | System to monitor and process water-related data |
| CN115953045A (zh) * | 2022-09-20 | 2023-04-11 | 中国水利水电科学研究院 | 一种针对干旱区的供水安全评价方法 |
-
2023
- 2023-04-04 CN CN202310353428.3A patent/CN116070886B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20050051488A (ko) * | 2003-11-27 | 2005-06-01 | 엘에스산전 주식회사 | 용수 처리 시스템의 수요예측 장치 및 방법 |
| CN105260820A (zh) * | 2015-09-22 | 2016-01-20 | 北京市水科学技术研究院 | 调水工程受水区水生态系统风险评估方法 |
| CN105389743A (zh) * | 2015-12-07 | 2016-03-09 | 华北电力大学 | 一种流域水量-水质联合调控优化方法 |
| CN108717581A (zh) * | 2018-04-04 | 2018-10-30 | 河海大学 | 一种基于蒙特卡罗模拟的水库调度随机多属性决策方法 |
| CN112149984A (zh) * | 2020-09-17 | 2020-12-29 | 河海大学 | 一种基于贝叶斯网络的水库调洪多维不确定性风险分析方法 |
| CN113269395A (zh) * | 2021-04-16 | 2021-08-17 | 佛山市奥博环保技术有限公司 | 一种基于压力状态反馈框架的水环境风险预判方法及系统 |
| CN113256138A (zh) * | 2021-06-01 | 2021-08-13 | 安徽建筑大学 | 一种基于异源多尺度监测数据的洪涝灾害风险评估方法 |
| CN113516305A (zh) * | 2021-06-29 | 2021-10-19 | 太湖流域管理局水利发展研究中心 | 一种情景-目标交互的水网区水资源调度智能决策方法及系统 |
| CN113487174A (zh) * | 2021-07-02 | 2021-10-08 | 辽宁省生态环境保护科技中心 | 一种水环境承载力评估预警调控方法 |
| CN114386882A (zh) * | 2022-03-23 | 2022-04-22 | 长江勘测规划设计研究有限责任公司 | 基于水工程调度效果互馈的超标准洪水风险调控方法 |
| CN114429053A (zh) * | 2022-04-06 | 2022-05-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 流域尺度wefe系统适配性模拟优化方法 |
| CN115063020A (zh) * | 2022-07-07 | 2022-09-16 | 中国长江三峡集团有限公司 | 基于风险监测融合的梯级水电站多维安全调度装置及方法 |
| CN115375198A (zh) * | 2022-10-24 | 2022-11-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 区域河湖水系连通联合调度和水质安全保障方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| "The Use of System Dynamics Simulation in Water Resources Management";Ines Winz等;《Water Resources Management》;第1301-1323页 * |
| "变化环境下珠三角城市群水资源脆弱性评价";林钟华 等;《中山大学学报(自然科学版)》;第57卷(第6期);第8-16页 * |
| "基于二级模糊综合评判法的水资源系统韧性评价调控模型及应用";赵志龙 等;《水电能源科学》;第40卷(第10期);第39-43页 * |
| "淮河临淮岗洪水控制工程洪水调度数学模型应用";吴时强 等;《水利水运工程学报》(第3期);第1-7页 * |
| 基于改进指标体系的水资源调控方案评价模型;孟颖;唐德善;石蓝星;王晓淋;;长江科学院院报;第34卷(第05期);第9-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116070886A (zh) | 2023-05-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116070886B (zh) | 水资源系统多维适应性调控方法及系统 | |
| Wicaksono et al. | Nationwide simulation of water, energy, and food nexus: Case study in South Korea and Indonesia | |
| Wan et al. | Chance constrained extreme learning machine for nonparametric prediction intervals of wind power generation | |
| CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
| CN116090839B (zh) | 水资源耦合系统多重风险分析与评估方法及系统 | |
| Li et al. | An improved risk-benefit collaborative grey target decision model and its application in the decision making of load adjustment schemes | |
| Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
| CN104408562A (zh) | 一种基于bp神经网络的光伏系统发电效率综合评估方法 | |
| Jiang et al. | Optimization of fuzzy membership function of runoff forecasting error based on the optimal closeness | |
| CN113780684A (zh) | 一种基于lstm神经网络的智慧楼宇用户用能行为预测方法 | |
| CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
| Gu et al. | Achieving the objective of ecological planning for arid inland river basin under uncertainty based on ecological risk assessment | |
| CN117669895A (zh) | 公路工程环境影响评估系统 | |
| Huo et al. | Evaluation method of multiobjective functions’ combination and its application in hydrological model evaluation | |
| Li et al. | System dynamic relationship between service water and food: Case study at Jinghe River Basin | |
| Şişman | A comparison of ARIMA and grey models for electricity consumption demand forecasting: The case of Turkey | |
| Xia et al. | An interval water demand prediction method to reduce uncertainty: A case study of Sichuan Province, China | |
| Iachini et al. | Agent based simulation of incentive mechanisms on photovoltaic adoption | |
| Deng et al. | Daily Water Demand Prediction Driven by Multi-source Data | |
| CN114372615A (zh) | 一种考虑空间相关性的短期光伏功率预测方法及系统 | |
| Fortuna et al. | One day ahead prediction of wind speed class by statistical models | |
| Shen et al. | An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed | |
| Zhou et al. | Deep learning–based neural networks for day-ahead power load probability density forecasting | |
| CN118469263B (zh) | 考虑多重不确定性的风光水电系统短期调度方法及系统 | |
| CN109472398A (zh) | 基于相对鲁棒CVaR的电网投资项目组合优化方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |