CN116227753A - 一种变化环境下水资源优化配置方法 - Google Patents
一种变化环境下水资源优化配置方法 Download PDFInfo
- Publication number
- CN116227753A CN116227753A CN202310512601.XA CN202310512601A CN116227753A CN 116227753 A CN116227753 A CN 116227753A CN 202310512601 A CN202310512601 A CN 202310512601A CN 116227753 A CN116227753 A CN 116227753A
- Authority
- CN
- China
- Prior art keywords
- water
- water resource
- decision scheme
- optimizing
- optimal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 196
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000005457 optimization Methods 0.000 claims abstract description 70
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000004364 calculation method Methods 0.000 claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 20
- 230000002068 genetic effect Effects 0.000 claims abstract description 19
- 238000007621 cluster analysis Methods 0.000 claims abstract description 13
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 230000008901 benefit Effects 0.000 claims abstract description 9
- 238000007667 floating Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 9
- 210000000349 chromosome Anatomy 0.000 claims description 6
- 238000013468 resource allocation Methods 0.000 claims description 5
- 230000002262 irrigation Effects 0.000 claims description 4
- 238000003973 irrigation Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 abstract description 6
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000013527 convolutional neural network Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 230000035772 mutation Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012706 support-vector machine Methods 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
- 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
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Biodiversity & Conservation Biology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种变化环境下水资源优化配置方法,应用于智慧农业领域,包括:以经济效益最大化为目标,引入供水和需水量约束,构建水资源优化模型,将非线性规划法与遗传算法结合求解确定条件的水资源优化配置决策方案;对历年时间序列数据进行时空序列分割,构建CNN‑LSTM预测回归模型;利用随机模拟法,生成多角度场景,对决策方案进行浮动生成决策方案集,输入多角度场景的计算参数和决策方案集至预测回归模型,得到优化目标值,对决策方案集进行聚类分析,得到最优决策方案。本发明利用随机模拟法反映多不确定信息的影响,并基于深度学习形成能融合随机模拟技术的高效计算单元,解决变化环境下诸多不确定性因素的水资源优化配置问题。
Description
技术领域
本发明涉及智慧农业领域,特别涉及一种变化环境下水资源优化配置方法。
背景技术
当前全球气候变化背景下,水资源量短缺以及水资源环境污染污染问题日益加剧,对社会-经济-环境可持续发展产生了强烈冲击,严重威胁人类生存与发展。科学合理的进行水资源优化配置能促进水资源的可持续利用,对保障社会经济、资源、生态环境的协调发展具有十分重要的意义。
水资源配置优化问题往往通过建模求解,即建立目标函数和一系列约束,通过求解决策变量而获得优化实现目标值的决策方案。该模型是一个高维、多阶段、非线性模型,其优化计算过程复杂。尤其,考虑水资源优化利用存在诸多不确定因素,变化环境下自然环境因素如区间径流、降雨等,以及社会经济因素如价格等,都具有较大不确定性,急剧增加了水资源优化配置难度。
而对于水资源系统不确定因素众多的情况,应选择合适的方法分析优化配置过程中的不确定性因素对系统的影响机制,解决变化环境下水资源利用问题。现有研究多考虑单一或少数不确定因素,主要采用随机规划、区间规划等解决该问题,会出现维数灾问题而难以解析,且无法反映水资源优化系统中多不确定信息的影响,现有针对多因素不确定性综合考虑和求解的研究尚不多见。
为此,如何提供一种能够综合考虑水资源系统中众多不确定因素,反映水资源优化系统中多不确定信息的影响,解决变化环境下考虑诸多不确定性因素的水资源优化配置问题,为变化环境下水资源可持续利用决策提供参考依据的变化环境下水资源优化配置方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提出了一种变化环境下水资源优化配置方法。通过联合随机模拟技术、深度学习方法以及聚类分析,解决变化环境下考虑诸多不确定性因素的水资源优化配置问题。
为了实现上述目的,本发明采用如下技术方案:
一种变化环境下水资源优化配置方法,包括:
步骤(1):以经济效益最大化为目标,引入供水量和需水量等约束,构建水资源优化模型;
步骤(2):基于水资源优化模型,将非线性规划法与遗传算法相结合求解确定条件下的水资源优化配置决策方案;
步骤(3):对历年时间序列数据进行时空序列分割,构建CNN-LSTM预测回归模型,形成优化目标关于计算参数和决策方案的耦合关系表征;
步骤(4):利用随机模拟法,生成多角度场景,并基于多角度场景对水资源优化配置决策方案进行浮动生成水资源优化配置决策方案集;输入多角度场景的计算参数和水资源优化配置决策方案集至CNN-LSTM预测回归模型,得到水资源优化配置决策方案集中的优化目标值;
步骤(5):根据优化目标值,对水资源优化配置决策方案集进行聚类分析,得到最优水资源优化配置决策方案。
可选的,步骤(1)中,水资源优化模型,如下:
可选的,步骤(1)中,供水量约束,如下:
可选的,步骤(1)中,需水量约束,如下:
可选的,步骤(2)中,基于水资源优化模型,将非线性规划法与遗传算法相结合求解确定条件下的水资源优化配置决策方案,具体为:
利用遗传算法进行全局搜索框定解的起始点,如下:
根据遗传算法初始化种群,计算种群中染色体的适应度值,选择、交叉和变异为遗传算法的搜索算子;
当进化次数为N的倍数时,采用非线性寻优法加快进化,利用染色体的当前适应度值寻找问题局部最优值,求解确定条件下的水资源优化配置决策方案。
可选的,步骤(3)中,时空序列分割为以不同时段特征的突变点为分割准则,对优化模型中的计算参数(用户配水量-产出函数的系数,区域可供水量,用水成本参数,用水单位效益系数等)及决策方案(不同区域不同需水用户的配水量)等时序数据进行分割。
可选的,步骤(3)中,构建CNN-LSTM预测回归模型,具体为:
输入经过时空序列分割的时间序列数据至CNN网络,生成卷积后的特征序列;
输入卷积后的特征序列至展平层变成一维时序向量,送入LSTM输入输出层进行时序关系的拟合;
由全连接层输出预测分量,通过赋权预测优化目标值。
可选的,步骤(4)中,利用随机模拟法,生成多角度场景,具体为:利用随机模拟法从水能利用、节水灌溉、河道治污角度生成多角度场景。
可选的,步骤(4)中,基于所述多角度场景对所述水资源优化配置决策方案进行浮动生成水资源优化配置决策方案集,具体为:
所述水资源优化配置决策方案由决策变量组成,对于生成的任一角度场景,将确定条件下形成的水资源优化配置决策方案中与之相关的决策变量按照±5%的进行上下浮动调整,其它决策变量保持不变,从而形成新的一种水资源优化配置决策方案,最终集合所有场景下的水资源优化配置决策方案形成水资源优化配置决策方案集。
可选的,步骤(5)中,根据优化目标值,对水资源优化配置决策方案集进行聚类分析,得到最优水资源优化配置决策方案,具体为:根据优化目标值的变化幅度受水资源优化配置决策方案集中决策变量的变化趋势的影响程度对水资源优化配置决策方案集进行聚类分析,选取优化目标值最大的水资源优化配置决策方案作为最优水资源优化配置决策方案。
经由上述的技术方案可知,与现有技术相比,本发明提出了一种变化环境下水资源优化配置方法。利用随机模拟法,生成多角度场景,考虑水资源优化系统中的不确定因素;针对使用随机模拟要求计算样本足够大,借助深度学习的非线性拟合能力,构建CNN-LSTM预测回归模型,探明优化目标值关于计算参数和决策方案的关系,形成一种能融合随机模拟技术的高效计算单元;将输入多角度场景的计算参数和水资源优化配置决策方案集至CNN-LSTM预测回归模型,得到多角度场景的优化目标值,并据此进行聚类分析,得到最优水资源优化配置决策方案。本发明通过联合随机模拟技术、深度学习方法以及聚类分析,综合考虑了水资源系统中众多不确定因素,反映了水资源优化系统中多不确定信息的影响,将优化问题替换为数值计算问题,解决了变化环境下考虑诸多不确定性因素求解复杂的水资源优化配置问题,为变化环境下水资源可持续利用决策提供了参考依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明的方法流程示意图。
图2为本发明的变化环境下调控策略生成的思路示意图。
图3为本发明的非线性规划法与遗传算法相结合的算法流程示意图。
图4为本发明的CNN-LSTM预测回归模型的思路示意图。
图5为本发明的模型训练结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1:
本发明实施例1公开了一种变化环境下水资源优化配置方法,如图1所示,包括:
针对变化环境下传统优化配置模型将不确定因素以随机变量引入再进行随机优化获得优化方案样本空间,将不可避免的加大求解难度,计算成本剧增问题,本发明用计算过程代替优化过程。通过历史序列建立优化模型目标值与计算参数以及决策方案的回归关系,然后随机模拟变化环境下场景,并结合建立的回归关系,计算得到优化目标值的样本空间。
相比传统解决不确定性水资源优化配置问题的随机优化、区间优化等模型,本发明将样本空间下的模型优化问题替换为数值计算问题,可以大大降低时间复杂度,更有利于形成科学有效的水资源综合利用的决策方案,为研究变化环境下水资源优化配置不确定性问题提供了一种新思路,如图2所示。
步骤(1):以经济效益最大化为目标,引入供水量和需水量等约束,构建水资源优化模型。
所述水资源优化模型,如下:
供水量约束,如下:
所述需水量约束,如下:
步骤(2):基于水资源优化模型,将非线性规划法与遗传算法相结合求解确定条件下的水资源优化配置决策方案,如图3所示,具体为:
模型中目标函数存在着非线性关系,经典非线性规划算法大多采用梯度下降的方法求解,计算复杂,收敛速度难以保证,局部搜索能力较强,但是全局搜索能力较弱。而遗传算法采用选择、交叉和变异算子进行搜索,全局搜索能力较强,但是局部搜索能力较弱。将非线性规划方法同遗传算法相结合,利用遗传算法进行全局搜索框定解的起始点,减少非线性规划的计算时间,提高整体算法的计算速度,如下:
根据遗传算法初始化种群,计算种群中染色体的适应度值,选择、交叉和变异为遗传算法的搜索算子。
当进化次数为N的倍数时,采用非线性寻优法加快进化,利用染色体的当前适应度值采用寻找问题局部最优值,求解确定条件下的水资源优化配置决策方案。
本发明实施例1求解确定条件下的优化决策时采用非线性遗传算法,但也可采用其它算法(如粒子群算法、蚁群算法等)进行求解。
步骤(3):对历年时间序列数据进行时空序列分割,构建CNN-LSTM预测回归模型,形成优化目标关于计算参数和决策方案的耦合关系,如图4所示,具体为:
变化环境下多因素的不确定性,增加了水资源优化决策难度。考虑模型具有非线性特点,利用机器学习的非线性拟合能力为捕捉水资源优化目标关于系统参数和决策方案间的关系提供了实现思路。卷积神经网络(CNN)结构上具有局部连接、权重共享等特性,具有良好的空间网格数据特征提取能力,可以从原始数据中提取空间特征,通过二维卷积滤波器以及滑动窗口对空间特征进行降维,去除空间特征之间的干扰和噪声信息。长短期记忆人工神经网络(LSTM)是一种时间循环神经网络,可以较好地分析时间序列数据间的依赖关系,可有效提高网络预测准确性。因此,考虑基于CNN和LSTM模型构建回归预测模型。
然而,CNN-LSTM模型存在梯度消失导致的长距离依赖问题会使模型响应速度变得缓慢并产生较大的非线性误差,导致模型无法跟随长期序列中数据突变的真实变化。为此,为提高预测精度,提出基于时空序列分割的CNN-LSTM预测回归模型,如下:
对历年时间序列数据进行时空序列分割,时空序列分割为以不同时段特征的突变点为分割准则,对优化模型中的计算参数(用户配水量-产出函数的系数,区域可供水量,用水成本参数,用水单位效益系数等)及决策方案(不同区域不同需水用户的配水量)等时序数据进行分割。
以不同时间段的主要特征时序的突变点为分割准则,对历年时间序列数据的整个时空数据序列进行分割,过滤数据突变信息的影响。
输入经过时空序列分割的时间序列数据至CNN网络,生成卷积后的特征序列。
输入卷积后的特征序列至展平层变成一维时序向量,送入LSTM输入输出层进行时序关系的拟合。
由全连接层输出预测分量,通过赋权预测优化目标值,完成CNN-LSTM预测回归模型的构建。
本发明实施例1采用深度学习方法CNN-LSTM非线性拟合能力捕捉水资源优化目标关于系统参数和决策方案间的关系,除此之外仍可以采用其它非线性回归模型(如支持向量机、随机森林,决策树等)进行回归关系的建立。
步骤(4):利用随机模拟法,生成多角度场景,具体为:
变化环境下系统影响因素众多,考虑降雨、人口数量在时空上具有动态随机性。随机模拟方法是通过随机抽样得到多组输入变量,对每组数值变量进行模拟,从而得到大量输出,统计其输出结果的概率分布情况,利用随机模拟法,从水能利用、节水灌溉、河道治污等角度生成多角度场景。
本发明实施例1中随机模拟法(MC)生成的场景不局限于水能利用、节水灌溉、河道治污,还包括经济增长等其它场景。
并基于多角度场景对水资源优化配置决策方案进行浮动生成水资源优化配置决策方案集,具体为:
所述水资源优化配置决策方案由决策变量组成,对于生成的任一角度场景,将确定条件下形成的水资源优化配置决策方案中与之相关的决策变量按照±5%的进行上下浮动调整,其它决策变量保持不变,从而形成新的一种水资源优化配置决策方案,最终集合所有场景下的水资源优化配置决策方案形成水资源优化配置决策方案集。
输入多角度场景的计算参数和水资源优化配置决策方案集至CNN-LSTM预测回归模型,得到多角度场景的优化目标值。
步骤(5):根据优化目标值,对水资源优化配置决策方案集进行聚类分析,得到最优水资源优化配置决策方案,具体为:根据优化目标值的变化幅度受水资源优化配置决策方案集中决策变量的变化趋势的影响程度对水资源优化配置决策方案集进行聚类分析,选取优化目标值最大的水资源优化配置决策方案作为最优水资源优化配置决策方案,从而形成考虑不确定性的变化环境下水资源优化调控方案,为变化环境下水资源综合利用提供整体实现框架和有效方法。
本发明不仅可以应用于水资源领域,对于其他领域多因素不确定优化问题同样适用。
在利用随机模拟技术生成大量场景进行预测,需要高效率的计算单元,利用回归技术提高效率是解决途径。然而,如何考虑资源特点及空间异质性,利用CNN-LSTM提取时空序列非线性特征,减小单点计算偏差的累积误差,以及处理数据突变问题如降雨量因天气聚变而突变,否则会降低模型计算精度。
CNN模型、LSTM模型、CNN-LSTM模型以及上述本发明实施例1中考虑时空序列分割的CNN-LSTM模型的对比试验,如下:
其中,LSTM网络的隐藏层个数为128,全连接神经元个数设为1;CNN、CNN-LSTM网络和本发明模型网络中卷积核个数与大小分别设为11,10,1,隐藏层个数128,输出层为32。设置LSTM模型迭代次数为300次,CNN、CNN-LSTM模型与本发明模型的迭代次数为1000次,模型的学习速率均为0.005,Dropout为0.02,防止网络模型过拟合。由于Adam优化器能很好地处理数据中的波动情况,采用Adam优化器求解运算。如图5所示,可以看出,在训练过程早期,训练损失函数值处于快速下降状态,当迭代次数为200次时,模型训练损失值稳定在设定值之间,RMSE处于0.07左右,结果符合精度要求。
如表1所示,对比多种方法针对突变点处的预测效果,具体为第2、8、11、21天突变点位置的预测数据对比情况。以第2天突变点为例,本发明模型与实际数据的相对误差为1.22%,相较于CNN模型、LSTM模型、CNN-LSTM模型分别提高了10.17%、11.38、0.52%。另外,本发明模型的相对误差波动较小,以及平均相对误差仅为2.04%,说明时序分割模块对模型的抗干扰能力有一定的增强作用。
表1 模型突变点处相对误差对比
使用MAE,RMSE评价指标对不同模型进行评价与对比,预测结果,如表2所示,可以看出本文模型预测效果比CNN-LSTM的MAE、RMSE减小了1.02、2.2595,比CNN模型减小了1.4798、0.3867,比LSTM模型减小了1.9814、8.6376,实验表明加入时序分割以及CNN空间特征处理后的模型具有更好的模型拟合能力,说明经过CNN空间特征滤波处理后的数据可以更好地被LSTM网络训练,使模型预测的准确性明显提高,并行的网络处理结构也可以使模型保持原有的训练度。
表2 不同模型预测性能对比
本发明实施例公开了一种变化环境下水资源优化配置方法。利用随机模拟法生成多角度场景,反映水资源优化系统中多不确定信息的影响,通过构建CNN-LSTM预测回归模型,借助深度学习的非线性拟合能力,探明优化目标值关于计算参数和决策方案的关系,将繁杂的优化问题简化为数值计算问题,并结合聚类分析,得到变化环境下最优水资源优化配置决策方案,为研究变化环境下水资源优化配置不确定性问题提供了一种新思路。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种变化环境下水资源优化配置方法,其特征在于,包括:
步骤(1):以经济效益最大化为目标,引入供水量约束和需水量约束,构建水资源优化模型;
步骤(2):基于所述水资源优化模型,将非线性规划法与遗传算法相结合求解确定条件下的水资源优化配置决策方案;
步骤(3):对历年时间序列数据进行时空序列分割,构建CNN-LSTM预测回归模型;
步骤(4):利用随机模拟法,生成多角度场景,并基于所述多角度场景对所述水资源优化配置决策方案进行浮动生成水资源优化配置决策方案集;输入所述多角度场景的计算参数和所述水资源优化配置决策方案集至所述CNN-LSTM预测回归模型,得到所述水资源优化配置决策方案集中的优化目标值;
步骤(5):根据所述优化目标值,对所述水资源优化配置决策方案集进行聚类分析,得到最优水资源优化配置决策方案。
5.根据权利要求1所述的一种变化环境下水资源优化配置方法,其特征在于,步骤(2)中,基于所述水资源优化模型,将非线性规划法与遗传算法相结合求解确定条件下的水资源优化配置决策方案,具体为:
利用所述遗传算法进行全局搜索框定解的起始点,如下:
根据所述遗传算法初始化种群,计算所述种群中染色体的适应度值,选择、交叉和变异为所述遗传算法的搜索算子;
当进化次数为N的倍数时,采用非线性寻优法加快进化,利用所述染色体的当前适应度值寻找问题局部最优值,求解确定条件下的水资源优化配置决策方案。
6.根据权利要求1所述的一种变化环境下水资源优化配置方法,其特征在于,步骤(3)中,所述时空序列分割为以不同时间段的特征时序的突变点为分割准则,对时序数据进行分割。
7.根据权利要求1所述的一种变化环境下水资源优化配置方法,其特征在于,步骤(3)中,构建所述CNN-LSTM预测回归模型,具体为:
输入经过所述时空序列分割的时间序列数据至CNN网络,生成卷积后的特征序列;
输入卷积后的所述特征序列至展平层变成一维时序向量,送入LSTM输入输出层进行时序关系的拟合;
由全连接层输出预测分量,通过赋权预测优化目标值。
8.根据权利要求1所述的一种变化环境下水资源优化配置方法,其特征在于,步骤(4)中,利用所述随机模拟法,生成多角度场景,具体为:利用所述随机模拟法从水能利用、节水灌溉、河道治污角度生成所述多角度场景。
9.根据权利要求1所述的一种变化环境下水资源优化配置方法,其特征在于,步骤(4)中,基于所述多角度场景对所述水资源优化配置决策方案进行浮动生成水资源优化配置决策方案集,具体为:
所述水资源优化配置决策方案由决策变量组成,对于生成的任一角度场景,将确定条件下形成的水资源优化配置决策方案中与之相关的决策变量按照±5%的进行上下浮动调整,其它决策变量保持不变,从而形成新的一种水资源优化配置决策方案,最终集合所有场景下的水资源优化配置决策方案形成水资源优化配置决策方案集。
10.根据权利要求1所述的一种变化环境下水资源优化配置方法,其特征在于,步骤(5)中,根据所述优化目标值,对所述水资源优化配置决策方案集进行聚类分析,得到最优水资源优化配置决策方案,具体为:根据所述优化目标值的变化幅度受所述水资源优化配置决策方案集中决策变量的变化趋势的影响程度对所述水资源优化配置决策方案集进行聚类分析,选取所述优化目标值最大的水资源优化配置决策方案作为最优水资源优化配置决策方案。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512601.XA CN116227753B (zh) | 2023-05-09 | 2023-05-09 | 一种变化环境下水资源优化配置方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310512601.XA CN116227753B (zh) | 2023-05-09 | 2023-05-09 | 一种变化环境下水资源优化配置方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116227753A true CN116227753A (zh) | 2023-06-06 |
CN116227753B CN116227753B (zh) | 2023-08-04 |
Family
ID=86569940
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310512601.XA Active CN116227753B (zh) | 2023-05-09 | 2023-05-09 | 一种变化环境下水资源优化配置方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116227753B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052134A (zh) * | 2024-01-25 | 2024-05-17 | 中国科学院地理科学与资源研究所 | 一种农业种植行为的政策调控仿真方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160430A (zh) * | 2019-12-19 | 2020-05-15 | 广东工业大学 | 一种基于人工智能算法的水资源优化配置方法 |
CN112241607A (zh) * | 2020-08-31 | 2021-01-19 | 广东工业大学 | 一种基于仿真并考虑气候变化的水资源规划方法 |
CN114841475A (zh) * | 2022-07-01 | 2022-08-02 | 长江水利委员会长江科学院 | 一种基于二维变量随机模拟的水资源优化分配方法 |
CN115310713A (zh) * | 2022-08-25 | 2022-11-08 | 北京师范大学 | 一种基于双层决策系统的流域水资源利用效率优化方法 |
CN115660895A (zh) * | 2022-11-04 | 2023-01-31 | 南京信息工程大学 | 一种基于宽度学习改进深度学习的水资源管理方法 |
-
2023
- 2023-05-09 CN CN202310512601.XA patent/CN116227753B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160430A (zh) * | 2019-12-19 | 2020-05-15 | 广东工业大学 | 一种基于人工智能算法的水资源优化配置方法 |
CN112241607A (zh) * | 2020-08-31 | 2021-01-19 | 广东工业大学 | 一种基于仿真并考虑气候变化的水资源规划方法 |
CN114841475A (zh) * | 2022-07-01 | 2022-08-02 | 长江水利委员会长江科学院 | 一种基于二维变量随机模拟的水资源优化分配方法 |
CN115310713A (zh) * | 2022-08-25 | 2022-11-08 | 北京师范大学 | 一种基于双层决策系统的流域水资源利用效率优化方法 |
CN115660895A (zh) * | 2022-11-04 | 2023-01-31 | 南京信息工程大学 | 一种基于宽度学习改进深度学习的水资源管理方法 |
Non-Patent Citations (3)
Title |
---|
廖雪超: "基于CNN-LSTM 及深度学习的风电场时空组合预测模型", 《信息与控制》, vol. 51, no. 4, pages 498 - 512 * |
张鸿: "基于区间多阶段随机规划的水资源优化配置模型及其应用", 《中国博士学位论文全文数据库 工程科技II辑》, no. 08, pages 037 - 4 * |
王荣亮: "基于非线性规划和遗传算法的函数寻优", 《科技与创新》, no. 15, pages 47 - 50 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118052134A (zh) * | 2024-01-25 | 2024-05-17 | 中国科学院地理科学与资源研究所 | 一种农业种植行为的政策调控仿真方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116227753B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Baillieul et al. | Encyclopedia of systems and control | |
Du et al. | Research and application of a novel hybrid forecasting system based on multi-objective optimization for wind speed forecasting | |
CN111553587B (zh) | 一种基于对抗学习模型的新能源场景生成方法及系统 | |
CN112614009A (zh) | 一种基于深度期望q-学习的电网能量管理方法及系统 | |
He et al. | A novel structure adaptive new information priority discrete grey prediction model and its application in renewable energy generation forecasting | |
CN105005825B (zh) | 一种基于动态神经网络预测光伏功率的方法及系统 | |
Nedić | Distributed optimization | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109583588B (zh) | 一种短期风速预测方法及系统 | |
CN116227753B (zh) | 一种变化环境下水资源优化配置方法 | |
Pannocchia | Distributed model predictive control | |
CN115099461A (zh) | 基于双分支特征提取的太阳辐射预测方法及系统 | |
Fan et al. | Multi-objective LSTM ensemble model for household short-term load forecasting | |
Al-Ja’afreh et al. | An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios | |
CN106228235B (zh) | 一种顾及格局与过程耦合效应的土地利用空间优化配置方法 | |
Lafortune | Diagnosis of discrete event systems | |
Sørensen | Dynamic positioning control systems for ships and underwater vehicles | |
Joseph et al. | Short-term wind speed forecasting using an optimized three-phase convolutional neural network fused with bidirectional long short-term memory network model | |
Tadokoro | Disaster response robot | |
Castañón | Dynamic noncooperative games | |
Bar-Shalom et al. | Data association | |
CN109359671A (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
Kawan | Data rate of nonlinear control systems and feedback entropy | |
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 | |
Shim | Disturbance observers |
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 |