CN116307191B - 一种基于人工智能算法的水资源配置方法、装置和设备 - Google Patents
一种基于人工智能算法的水资源配置方法、装置和设备 Download PDFInfo
- Publication number
- CN116307191B CN116307191B CN202310282530.9A CN202310282530A CN116307191B CN 116307191 B CN116307191 B CN 116307191B CN 202310282530 A CN202310282530 A CN 202310282530A CN 116307191 B CN116307191 B CN 116307191B
- Authority
- CN
- China
- Prior art keywords
- water
- preset
- neural network
- historical
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 324
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 54
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 33
- 239000002352 surface water Substances 0.000 claims abstract description 89
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 230000006870 function Effects 0.000 claims abstract description 41
- 238000013439 planning Methods 0.000 claims abstract description 36
- 230000008878 coupling Effects 0.000 claims abstract description 32
- 238000010168 coupling process Methods 0.000 claims abstract description 32
- 238000005859 coupling reaction Methods 0.000 claims abstract description 32
- 239000002245 particle Substances 0.000 claims abstract description 32
- 238000013468 resource allocation Methods 0.000 claims abstract description 28
- 230000008901 benefit Effects 0.000 claims abstract description 27
- 238000005457 optimization Methods 0.000 claims abstract description 24
- 239000003673 groundwater Substances 0.000 claims description 56
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 210000002569 neuron Anatomy 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 25
- 210000002364 input neuron Anatomy 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 13
- 239000003621 irrigation water Substances 0.000 claims description 9
- 235000013311 vegetables Nutrition 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000002262 irrigation Effects 0.000 claims description 6
- 238000003973 irrigation Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 abstract description 6
- 241000894007 species Species 0.000 description 9
- 235000013339 cereals Nutrition 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 241000209140 Triticum Species 0.000 description 1
- 235000021307 Triticum Nutrition 0.000 description 1
- 240000008042 Zea mays Species 0.000 description 1
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 1
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 235000005822 corn Nutrition 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能算法的水资源配置方法、装置和设备,方法包括:将目标区域的实测数据输入地表水‑地下水耦合模拟模型,生成在不同气候下的地表水和地下水可供水量;根据粒子群算法对BP神经网络模型进行优化,将目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型,生成各子区域的预测需水量;将地表水可供水量、地下水可供水量和各子区域的预测需水量作为决策变量输入多目标规划模型,以使多目标规划模型根据约束条件对若干个目标函数进行计算,生成水资源优化配置结果;以实现基于多个目标完成对水资源的配置优化,合理准确地对水资源进行配置,提升水土资源的利用效益。
Description
技术领域
本发明涉及水资源优化配置技术领域,尤其涉及一种基于人工智能算法的水资源配置方法、装置和设备。
背景技术
水资源短缺与空间上的错误配置直接影响到区域粮食生产能力,并从根本上制约农业可持续发展。水资源优化配置问题涉及到自然条件、水资源开发利用的要求、系统近中远期成果之间的平衡、多主体之间的权衡、生态目标权衡等,具有高度的不确定性和复杂性。
现有的水资源优化配置模型多采用线性规划模型,或结合碳足迹模型、土壤水平衡模型和地下水动力学模型以实现农业水土资源的优化利用,在全局性和系统上的考虑不足,仅能从单一角度对水土资源进行配置,但是水资源系统具有复杂性,水土资源配置具有复杂的特征,并且水资源配置通常是多目标的,现有的水资源优化配置方法局限于上述数学模型,没有对多维复杂的数据进行多维度考虑和处理,使得计算出来的配置策略的准确度不高,会产生多噪声的数据结果,不能基于多个目标完成对水资源的配置优化,不能合理准确地对水资源进行配置。
发明内容
本发明提供了一种基于人工智能算法的水资源配置方法、装置和设备,以实现基于多个目标完成对水资源的配置优化,合理准确地对水资源进行配置,提升水土资源的利用效益。
为了实现多个目标完成对水资源的配置优化,本发明实施例提供了一种基于人工智能算法的水资源配置方法,包括:将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量;所述实测数据包括不同气候下的气象数据和水资源数据;其中,所述地表水-地下水耦合模拟模型用于根据输入的所述实测数据生成目标区域的地表水可供水量数据和地下水可供水量数据;
根据粒子群算法对预设的BP神经网络模型进行优化,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型,生成各所述子区域的预测需水量;其中,所述BP神经网络模型用于根据输入的目标区域的用水总量以及各所述子区域的地表水直接消耗系数和地下水直接消耗系数生成各所述子区域的预测需水量;
将所述地表水可供水量、地下水可供水量和各所述子区域的预测需水量作为决策变量输入预设的多目标规划模型,以使所述多目标规划模型根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果;其中,所述多目标规划模型用于根据约束条件和输入的所述决策变量对若干个预设的目标函数求取极值,生成对应的水资源优化配置结果。
作为优选方案,本发明提供的基于人工智能算法的水资源配置方法,结合人工智能算法对目标区域内各用水子区域的需水量进行预测,根据不同气候情景数据预测未来区域水资源的供需量,并以此作为多目标规划模型的输入数据,考虑了不同气候下的预测决策变量,全面考虑了数据处理的维度;本发明通过求解具有多个目标函数的多目标规划模型,最终得到未来气候变化情境下合理的水资源优化配置方案,实现对水资源的多目标配置优化,本发明设置了具有多个目标函数的多目标规划模型,优化了水资源配置模型的结构,提高水资源配置的效益。
作为优选方案,预设的地表水-地下水耦合模拟模型的构建过程包括:
获取目标区域的历史气象数据和历史水资源数据,根据所述历史气象数据和历史水资源数据确定不同的气候类型;
提取目标区域中在不同的气候类型下的历史地表水可供水量数据和历史地下水可供水量数据,将所述历史气象数据、历史水资源数据、历史地表水可供水量数据和历史地下水可供水量数据进行相关联,得到训练数据;
通过神经网络算法建立初始模拟模型,将所述训练数据输入到所述初始模拟模型中进行训练,当训练次数达到训练阈值时,得到地表水-地下水耦合模拟模型。
作为优选方案,本发明根据历史气象数据和历史水资源数据确定不同的气候类型,基于不同的气候类型下的历史水资源数据、历史地表水可供水量数据和历史地下水可供水量数据对初始模拟模型进行训练,得到的地表水-地下水耦合模拟模型能够根据未来气候情景数据预测未来区域水资源的供需量,利用气候变化规律和历史数据的关联预测不同气候类型下的水资源的供需量,提高了对水资源的供需量的预测效率和预测精度。
作为优选方案,将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量,具体为:
根据目标区域的实测数据和气候变化规律,构造在不同气候类型下的输入数据;所述实测数据的气象数据包括:日最高温度、日最低温度和日降雨量;
将所述输入数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候类型下的地表水可供水量和地下水可供水量。
作为优选方案,本发明通过目标区域的实测数据和气候变化规律构造出目标区域在不同气候类型下的输入数据,通过地表水-地下水耦合模拟模型能够根据不同气候类型下的输入数据预测目标区域不同气候类型下的水资源的供需量,提高了对水资源的供需量的预测效率和预测精度。
作为优选方案,预设的BP神经网络模型为反馈型网络,包括:输入层、隐含层和输出层;其中,所述输入层上设置有多个输入神经元节点,所述隐含层上设置有多个隐含神经元节点,每个所述输入神经元节点均分别与各个所述隐含神经元节点相连接;所述隐含神经元节点均与所述输出层相连接;
所述预设的BP神经网络模型的构建过程具体为:
获取目标区域的历史用水总量以及各个子区域的历史地表水直接消耗系数和历史地下水直接消耗系数,分别将所述历史用水总量、历史地表水直接消耗系数和历史地下水直接消耗系数输入到所述输入神经元节点;
将预设的需水量推演规则输入到所述隐含神经元节点中,并控制输入神经元节点和隐含神经元节点进行训练,当输出层的输出结果的准确率达到预设准确值时,得到BP神经网络模型。
作为优选方案,本发明构建用于根据输入的目标区域的用水总量以及各所述子区域的地表水直接消耗系数和地下水直接消耗系数生成各所述子区域的预测需水量的BP神经网络模型,结合了人工智能算法对目标区域内各用水子区域的需水量进行预测,提高对各子区域的需水量的预测效率和预测精度。
作为优选方案,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型之前,还包括:
对各所述子区域的需水量影响因素数据进行特征提取,获得特征信息;根据所述特征信息,生成各所述子区域的地表水直接消耗系数和地下水直接消耗系数作为分析结果;根据归一化处理后的分析结果以及各子区域的地表水用水量和地下水用水量,通过BP神经网络模型计算各所述子区域的地表水预测用水量和地下水预测用水量作为预测需水量。
作为优选方案,本发明在将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型之前,需要对各子区域的需水量影响因素数据进行特征提取,筛选有效影响因素数据后,对该有效影响因素数据进行分析处理,获得各所述子区域的地表水直接消耗系数和地下水直接消耗系数,并通过BP神经网络模型计算各所述子区域的地表水预测用水量和地下水预测用水量,本发明通过对BP神经网络模型输入数据的优化处理,提高BP神经网络模型对各子区域的需水量的预测效率和预测精度。
作为优选方案,根据粒子群算法对预设的BP神经网络模型进行优化,具体为:
将预设的BP神经网络模型对当前子区域的计算结果的均方误差作为当前子区域的粒子群算法的粒子适应度:
其中,yn表示神经网络的预测值,表示神经网络的实际值,/>表示所述神经网络输出的误差;n=1,2....N;N为神经网络的计算结果总数;MSE为神经网络的计算结果的均方误差;
将所述粒子适应度记录为历史最优适应度和全局适应度,对所述粒子适应度进行迭代计算,根据预设更新条件更新所述历史最优适应度和所述全局适应度,直到满足预设的迭代结束条件;所述迭代结束条件包括:迭代次数达到预设次数;
根据更新后历史最优适应度和全局适应度,对所述预设的BP神经网络模型的权值和阈值进行更新,获得计算当前子区域预测需水量的优化后的BP神经网络模型。
作为优选方案,本发明在BP神经网络模型对各子区域的需水量进行预测之前,根据粒子群算法对预设的BP神经网络模型进行优化,针对每个子区域的特征,结合粒子适应度的计算,更新预设的BP神经网络模型的权值和阈值,以使优化后的BP神经网络模型分别适用于每个子区域对需水量的预测,提高了优化后的BP神经网络模型分别对每个子区域对需水量的预测的效率和精度。
作为优选方案,根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果,具体为:
根据约束条件计算多目标规划模型的目标函数:
其中,f1为目标区域在预设时间段内的收益总和,f2为预设时间段内的农业总产值,f3为预设时间段内的所有农作物用水效益总和;i为年份,j为作物种类,Sij为第i年作物j的种植面积,Rij为第i年作物j的单位面积收益,Iij为第i年作物j的单位面积种植收入,Wij为第i年作物j的单位面积水效益,m为整个预设时间段的年份,n为作物种类;max(f)表示函数f的最大值;
所述约束条件包括灌溉用水量约束、耕地面积约束和粮食与蔬菜最低需求约束;约束条件方程为:
其中,Sij为第i年作物j的种植面积,Lai为第i年目标区域的耕地面积总和,Wai为第i年目标区域的农业灌溉可用水量总和;Pi为第i年的作物单产量,Si为第i年的作物总种植面积,Q为作物人均最低需求量,Populationi表示第i年的人口总数;n为作物的种类的个数。
作为优选方案,本发明的多目标规划模型设置了多个预设的目标函数,通过将不同气候情景数据预测未来区域水资源的供需量作为多目标规划模型的输入数据,考虑了不同气候下的预测决策变量,全面考虑了数据处理的维度;本发明通过求解具有多个目标函数的多目标规划模型,最终得到未来气候变化情境下合理的水资源优化配置方案,实现对水资源的多目标配置优化,本发明设置了具有多个目标函数的多目标规划模型,优化了水资源配置模型的结构,提高水资源配置的效益。
相应地,本发明还提供一种基于人工智能算法的水资源配置装置,包括:可供水量计算模块、需水量预测模块和优化配置模块;
其中,所述可供水量计算模块用于将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量;所述实测数据包括不同气候下的气象数据和水资源数据;其中,所述地表水-地下水耦合模拟模型用于根据输入的所述实测数据生成目标区域的地表水可供水量数据和地下水可供水量数据;
所述需水量预测模块用于根据粒子群算法对预设的BP神经网络模型进行优化,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型,生成各所述子区域的预测需水量;其中,所述BP神经网络模型用于根据输入的目标区域的用水总量以及各所述子区域的地表水直接消耗系数和地下水直接消耗系数生成各所述子区域的预测需水量;
所述优化配置模块用于将所述地表水可供水量、地下水可供水量和各所述子区域的预测需水量作为决策变量输入预设的多目标规划模型,以使所述多目标规划模型根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果;其中,所述多目标规划模型用于根据约束条件和输入的所述决策变量对若干个预设的目标函数求取极值,生成对应的水资源优化配置结果。
可供水量计算模块包括:模拟模型构建单元、输入数据构造单元和计算单元;
所述模拟模型构建单元用于获取目标区域的历史气象数据和历史水资源数据,根据所述历史气象数据和历史水资源数据确定不同的气候类型;
提取目标区域中在不同的气候类型下的历史地表水可供水量数据和历史地下水可供水量数据,将所述历史气象数据、历史水资源数据、历史地表水可供水量数据和历史地下水可供水量数据进行相关联,得到训练数据;
通过神经网络算法建立初始模拟模型,将所述训练数据输入到所述初始模拟模型中进行训练,当训练次数达到训练阈值时,得到地表水-地下水耦合模拟模型。
所述输入数据构造单元用于根据目标区域的实测数据和气候变化规律,构造在不同气候类型下的输入数据;所述实测数据的气象数据包括:日最高温度、日最低温度和日降雨量;
将所述输入数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候类型下的地表水可供水量和地下水可供水量。
需水量预测模块包括模型构建单元;
所述模型构建单元用于构建预设的BP神经网络模型,具体为:获取目标区域的历史用水总量以及各个子区域的历史地表水直接消耗系数和历史地下水直接消耗系数,分别将所述历史用水总量、历史地表水直接消耗系数和历史地下水直接消耗系数输入到所述输入神经元节点;
将预设的需水量推演规则输入到所述隐含神经元节点中,并控制输入神经元节点和隐含神经元节点进行训练,当输出层的输出结果的准确率达到预设准确值时,得到BP神经网络模型;
所述预设的BP神经网络模型为反馈型网络,包括:输入层、隐含层和输出层;其中,所述输入层上设置有多个输入神经元节点,所述隐含层上设置有多个隐含神经元节点,每个所述输入神经元节点均分别与各个所述隐含神经元节点相连接;所述隐含神经元节点均与所述输出层相连接。
需水量预测模块还包括:优化单元和预测单元;
所述优化单元用于将预设的BP神经网络模型对当前子区域的计算结果的均方误差作为当前子区域的粒子群算法的粒子适应度:
其中,yn表示神经网络的预测值,表示神经网络的实际值,/>表示所述神经网络输出的误差;n=1,2....N;N为神经网络的计算结果总数;MSE为神经网络的计算结果的均方误差;
将所述粒子适应度记录为历史最优适应度和全局适应度,对所述粒子适应度进行迭代计算,根据预设更新条件更新所述历史最优适应度和所述全局适应度,直到满足预设的迭代结束条件;所述迭代结束条件包括:迭代次数达到预设次数;
根据更新后历史最优适应度和全局适应度,对所述预设的BP神经网络模型的权值和阈值进行更新,获得计算当前子区域预测需水量的优化后的BP神经网络模型;
所述预测单元用于对各所述子区域的需水量影响因素数据进行特征提取,获得特征信息;根据所述特征信息,生成各所述子区域的地表水直接消耗系数和地下水直接消耗系数作为分析结果;根据归一化处理后的分析结果以及各子区域的地表水用水量和地下水用水量,通过BP神经网络模型计算各所述子区域的地表水预测用水量和地下水预测用水量作为预测需水量。
优化配置模块包括:优化配置单元;
所述优化配置单元用于根据约束条件计算多目标规划模型的目标函数:
其中,f1为目标区域在预设时间段内的收益总和,f2为预设时间段内的农业总产值,f3为预设时间段内的所有农作物用水效益总和;i为年份,j为作物种类,Sij为第i年作物j的种植面积,Rij为第i年作物j的单位面积收益,Iij为第i年作物j的单位面积种植收入,Wij为第i年作物j的单位面积水效益,m为整个预设时间段的年份,n为作物种类;max(f)表示函数f的最大值;
所述约束条件包括灌溉用水量约束、耕地面积约束和粮食与蔬菜最低需求约束;约束条件方程为:
其中,Sij为第i年作物j的种植面积,Lai为第i年目标区域的耕地面积总和,Wai为第i年目标区域的农业灌溉可用水量总和;Pi为第i年的作物单产量,Si为第i年的作物总种植面积,Q为作物人均最低需求量,Populationi表示第i年的人口总数;n为作物的种类的个数。
相应地,本发明还提供一种基于人工智能算法的水资源配置设备,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述发明内容任意一项基于人工智能算法的水资源配置方法。
附图说明
图1是本发明提供的一种基于人工智能算法的水资源配置方法的一种实施例的流程示意图;
图2是本发明提供的一种基于人工智能算法的水资源配置装置的一种实施例的结构示意图。
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作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。
实施例一
请参照图1,为本发明实施例提供的一种基于人工智能算法的水资源配置方法,包括步骤S101-S103:
步骤S101:将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量;所述实测数据包括不同气候下的气象数据和水资源数据;其中,所述地表水-地下水耦合模拟模型用于根据输入的所述实测数据生成目标区域的地表水可供水量数据和地下水可供水量数据;
在本实施例中,预设的地表水-地下水耦合模拟模型的构建过程包括:
获取目标区域的历史气象数据和历史水资源数据,根据所述历史气象数据和历史水资源数据确定不同的气候类型;
提取目标区域中在不同的气候类型下的历史地表水可供水量数据和历史地下水可供水量数据,将所述历史气象数据、历史水资源数据、历史地表水可供水量数据和历史地下水可供水量数据进行相关联,得到训练数据;
通过神经网络算法建立初始模拟模型,将所述训练数据输入到所述初始模拟模型中进行训练,当训练次数达到训练阈值时,得到地表水-地下水耦合模拟模型。
在本实施例中,目标区域的历史气象数据和历史水资源数据包括水文气象数据、土地利用类型数据、DEM数据和水文地质数据。
在本实施例中,将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量,具体为:
根据目标区域的实测数据和气候变化规律,构造在不同气候类型下的输入数据;所述实测数据的气象数据包括:日最高温度、日最低温度和日降雨量;
将所述输入数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候类型下的地表水可供水量和地下水可供水量。
在本实施例中,水文过程的主要驱动变量是气候参数,制备适用于目标区域的气候变化规律的气候参数,根据气候参数和目标区域的实测数据,构造目标区域在不同气候类型下的未来情景数据作为输入数据,输入到地表水-地下水耦合模拟模型中,得到未来不同气候类型下的地表水可供水量和地下水可供水量。
在本实施例中,预设的BP神经网络模型为反馈型网络,包括:输入层、隐含层和输出层;其中,所述输入层上设置有多个输入神经元节点,所述隐含层上设置有多个隐含神经元节点,每个所述输入神经元节点均分别与各个所述隐含神经元节点相连接;所述隐含神经元节点均与所述输出层相连接;
所述预设的BP神经网络模型的构建过程具体为:
获取目标区域的历史用水总量以及各个子区域的历史地表水直接消耗系数和历史地下水直接消耗系数,分别将所述历史用水总量、历史地表水直接消耗系数和历史地下水直接消耗系数输入到所述输入神经元节点;
将预设的需水量推演规则输入到所述隐含神经元节点中,并控制输入神经元节点和隐含神经元节点进行训练,当输出层的输出结果的准确率达到预设准确值时,得到BP神经网络模型。
在本实施例中,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型之前,还包括:
对各所述子区域的需水量影响因素数据进行特征提取,获得特征信息;根据所述特征信息,生成各所述子区域的地表水直接消耗系数和地下水直接消耗系数作为分析结果;根据归一化处理后的分析结果以及各子区域的地表水用水量和地下水用水量,通过BP神经网络模型计算各所述子区域的地表水预测用水量和地下水预测用水量作为预测需水量。
作为优选方案,获取目标区域的用水总量,包括农业和非农业的用水总量,对各所述子区域的需水量影响因素数据进行特征提取的方法包括主成分分析法,采用主成分分析法对所收集的各子区域的用水影响因素数据进行特征提取,所述用水影响因素数据包括:人口数量、经济水平、社会政策条件、作物种植面积和经济生产总值。根据所述特征信息,生成各所述子区域的地表水直接消耗系数和地下水直接消耗系数作为分析结果,对分析结果进行归一化处理,通过BP神经网络模型计算各子区域的预测需水量,根据所述预测需水量校正通过各子区域的总产值计算出的各子区域的地表水用水量数据和地下水用水量数据。
步骤S102:根据粒子群算法对预设的BP神经网络模型进行优化,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型,生成各所述子区域的预测需水量;其中,所述BP神经网络模型用于根据输入的目标区域的用水总量以及各所述子区域的地表水直接消耗系数和地下水直接消耗系数生成各所述子区域的预测需水量;
在本实施例中,根据粒子群算法对预设的BP神经网络模型进行优化,具体为:将预设的BP神经网络模型对当前子区域的计算结果的均方误差作为当前子区域的粒子群算法的粒子适应度:
其中,yn表示神经网络的预测值,表示神经网络的实际值,/>表示所述神经网络输出的误差;n=1,2....N;N为神经网络的计算结果总数;MSE为神经网络的计算结果的均方误差;
将所述粒子适应度记录为历史最优适应度和全局适应度,对所述粒子适应度进行迭代计算,根据预设更新条件更新所述历史最优适应度和所述全局适应度,直到满足预设的迭代结束条件;所述迭代结束条件包括:迭代次数达到预设次数;
根据更新后历史最优适应度和全局适应度,对所述预设的BP神经网络模型的权值和阈值进行更新,获得计算当前子区域预测需水量的优化后的BP神经网络模型。
步骤S103:将所述地表水可供水量、地下水可供水量和各所述子区域的预测需水量作为决策变量输入预设的多目标规划模型,以使所述多目标规划模型根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果;其中,所述多目标规划模型用于根据约束条件和输入的所述决策变量对若干个预设的目标函数求取极值,生成对应的水资源优化配置结果。
在本实施例中,多目标规划模型用于根据约束条件和输入的所述决策变量对若干个预设的目标函数求取极值,生成对应的水资源优化配置结果,其中,目标函数的标准形式为:Max(F)=Max[Z1(x),Z2(x),...,Zp(x)];
约束条件的标准形式为:
其中,Max(F)表示目标最大值;Zi(x)是第i个目标函数,x是决策向量,gj(x)和hk(x)是约束条件函数,bj是约束条件中的参数。
在本实施例中,根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果,具体为:
根据约束条件计算多目标规划模型的目标函数:
其中,f1为目标区域在预设时间段内的收益总和,f2为预设时间段内的农业总产值,f3为预设时间段内的所有农作物用水效益总和;i为年份,j为作物种类,Sij为第i年作物j的种植面积,Rij为第i年作物j的单位面积收益,Iij为第i年作物j的单位面积种植收入,Wij为第i年作物j的单位面积水效益,m为整个预设时间段的年份,n为作物种类;max(f)表示函数f的最大值;
所述约束条件包括灌溉用水量约束、耕地面积约束和粮食与蔬菜最低需求约束;约束条件方程为:
其中,Sij为第i年作物j的种植面积,Lai为第i年目标区域的耕地面积总和,Wai为第i年目标区域的农业灌溉可用水量总和;Pi为第i年的作物单产量,Si为第i年的作物总种植面积,Q为作物人均最低需求量,Populationi表示第i年的人口总数;n为作物的种类的个数。
在本实施例中,目标区域为华北平原,根据经济效益目标为实现农业总收益最大化、社会效益目标为实现农业产值最大化以及生态效益目标通过水利用效率最大化的目标,设定目标函数f1为目标区域在预设时间段内的收益总和,f2为预设时间段内的农业总产值,f3为在预设时间段内的所有农作物用水效益总和;目标函数Max(F)=Max[f1,f2,f3]为目标函数f1、f2和f3的最大值。
作为优选方案,构建水资源优化管理的多目标约束条件,约束条件包括灌溉用水量约束、耕地面积约束、粮食与蔬菜最低需求约束。其中,灌溉用水量约束采用预测获得的温升1.5℃和2℃影响下区域农业灌溉用水量模拟结果作为约束,耕地面积维持不变,而粮食和蔬菜应保证居民的最低生活需求,因此得到约束条件方程为:
其中,i为年份,j为作物种类,Sij为第i年作物j的种植面积(亩),Lai为第i年华北平原耕地面积总和(亩);Wtij为第i年作物j单位面积灌溉用水量(m3/亩),Wai为第i年华北平原农业灌溉可用水量总和(m3)。Piwheat、Picorn和Piveg分别为第i年的小麦、玉米、蔬菜作物单产量(公斤/亩),Si为第i年的作物总种植面积(亩),Q为作物人均最低需求量,Populationi表示第i年的人口总数;n为作物的种类的个数。
根据上述约束条件,对多目标规划模型进行求解,生成对应的水资源优化配置结果,为华北平原农业水资源优化管理提供决策参考信息,综合气候变化胁迫情景测度出不同水资源管理策略对水资源需求调节和社会经济影响的强度和方向,分析未来结合社会经济发展情景开展流域尺度的水资源供需平衡分析,提炼流域社会经济系统水资源可持续发展的适应性管理方案。
实施本发明实施例,具有如下效果:
本发明提供的基于人工智能算法的水资源配置方法,结合人工智能算法对目标区域内各用水子区域的需水量进行预测,根据不同气候情景数据预测未来区域水资源的供需量,并以此作为多目标规划模型的输入数据,考虑了不同气候下的预测决策变量,全面考虑了数据处理的维度;本发明通过求解具有多个目标函数的多目标规划模型,最终得到未来气候变化情境下合理的水资源优化配置方案,实现对水资源的多目标配置优化,本发明设置了具有多个目标函数的多目标规划模型,优化了水资源配置模型的结构,提高水资源配置的效益。
实施例二
请参照图2,为本发明实施例提供的一种基于人工智能算法的水资源配置装置,包括:可供水量计算模块201、需水量预测模块202和优化配置模块203;
其中,所述可供水量计算模块201用于将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量;所述实测数据包括不同气候下的气象数据和水资源数据;其中,所述地表水-地下水耦合模拟模型用于根据输入的所述实测数据生成目标区域的地表水可供水量数据和地下水可供水量数据;
所述需水量预测模块202用于根据粒子群算法对预设的BP神经网络模型进行优化,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型,生成各所述子区域的预测需水量;其中,所述BP神经网络模型用于根据输入的目标区域的用水总量以及各所述子区域的地表水直接消耗系数和地下水直接消耗系数生成各所述子区域的预测需水量;
所述优化配置模块203用于将所述地表水可供水量、地下水可供水量和各所述子区域的预测需水量作为决策变量输入预设的多目标规划模型,以使所述多目标规划模型根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果;其中,所述多目标规划模型用于根据约束条件和输入的所述决策变量对若干个预设的目标函数求取极值,生成对应的水资源优化配置结果。
可供水量计算模块201包括:模拟模型构建单元、输入数据构造单元和计算单元;
所述模拟模型构建单元用于获取目标区域的历史气象数据和历史水资源数据,根据所述历史气象数据和历史水资源数据确定不同的气候类型;
提取目标区域中在不同的气候类型下的历史地表水可供水量数据和历史地下水可供水量数据,将所述历史气象数据、历史水资源数据、历史地表水可供水量数据和历史地下水可供水量数据进行相关联,得到训练数据;
通过神经网络算法建立初始模拟模型,将所述训练数据输入到所述初始模拟模型中进行训练,当训练次数达到训练阈值时,得到地表水-地下水耦合模拟模型。
所述输入数据构造单元用于根据目标区域的实测数据和气候变化规律,构造在不同气候类型下的输入数据;所述实测数据的气象数据包括:日最高温度、日最低温度和日降雨量;
将所述输入数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候类型下的地表水可供水量和地下水可供水量。
需水量预测模块202包括模型构建单元;
所述模型构建单元用于构建预设的BP神经网络模型,具体为:获取目标区域的历史用水总量以及各个子区域的历史地表水直接消耗系数和历史地下水直接消耗系数,分别将所述历史用水总量、历史地表水直接消耗系数和历史地下水直接消耗系数输入到所述输入神经元节点;
将预设的需水量推演规则输入到所述隐含神经元节点中,并控制输入神经元节点和隐含神经元节点进行训练,当输出层的输出结果的准确率达到预设准确值时,得到BP神经网络模型;
所述预设的BP神经网络模型为反馈型网络,包括:输入层、隐含层和输出层;其中,所述输入层上设置有多个输入神经元节点,所述隐含层上设置有多个隐含神经元节点,每个所述输入神经元节点均分别与各个所述隐含神经元节点相连接;所述隐含神经元节点均与所述输出层相连接。
需水量预测模块202还包括:优化单元和预测单元;
所述优化单元用于将预设的BP神经网络模型对当前子区域的计算结果的均方误差作为当前子区域的粒子群算法的粒子适应度:
其中,yn表示神经网络的预测值,表示神经网络的实际值,/>表示所述神经网络输出的误差;n=1,2....N;N为神经网络的计算结果总数;MSE为神经网络的计算结果的均方误差;
将所述粒子适应度记录为历史最优适应度和全局适应度,对所述粒子适应度进行迭代计算,根据预设更新条件更新所述历史最优适应度和所述全局适应度,直到满足预设的迭代结束条件;所述迭代结束条件包括:迭代次数达到预设次数;
根据更新后历史最优适应度和全局适应度,对所述预设的BP神经网络模型的权值和阈值进行更新,获得计算当前子区域预测需水量的优化后的BP神经网络模型;
所述预测单元用于对各所述子区域的需水量影响因素数据进行特征提取,获得特征信息;根据所述特征信息,生成各所述子区域的地表水直接消耗系数和地下水直接消耗系数作为分析结果;根据归一化处理后的分析结果以及各子区域的地表水用水量和地下水用水量,通过BP神经网络模型计算各所述子区域的地表水预测用水量和地下水预测用水量作为预测需水量。
优化配置模块203包括:优化配置单元;
所述优化配置单元用于根据约束条件计算多目标规划模型的目标函数:
其中,f1为目标区域在预设时间段内的收益总和,f2为预设时间段内的农业总产值,f3为预设时间段内的所有农作物用水效益总和;i为年份,j为作物种类,Sij为第i年作物j的种植面积,Rij为第i年作物j的单位面积收益,Iij为第i年作物j的单位面积种植收入,Wij为第i年作物j的单位面积水效益,m为整个预设时间段的年份,n为作物种类;max(f)表示函数f的最大值;
所述约束条件包括灌溉用水量约束、耕地面积约束和粮食与蔬菜最低需求约束;约束条件方程为:
其中,Sij为第i年作物j的种植面积,Lai为第i年目标区域的耕地面积总和,Wai为第i年目标区域的农业灌溉可用水量总和;Pi为第i年的作物单产量,Si为第i年的作物总种植面积,Q为作物人均最低需求量,Populationi表示第i年的人口总数。
上述的一种基于人工智能算法的水资源配置装置可实施上述方法实施例的一种基于人工智能算法的水资源配置方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本申请实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
实施本发明实施例,具有如下效果:
本发明提供的基于人工智能算法的水资源配置装置,可供水量计算模块和需水量预测模块结合人工智能算法对目标区域内各用水子区域的需水量进行预测,根据不同气候情景数据预测未来区域水资源的供需量,并以此作为多目标规划模型的输入数据,考虑了不同气候下的预测决策变量,全面考虑了数据处理的维度;优化配置模块通过求解具有多个目标函数的多目标规划模型,最终得到未来气候变化情境下合理的水资源优化配置方案,实现对水资源的多目标配置优化,本发明设置了具有多个目标函数的多目标规划模型,优化了水资源配置模型的结构,提高水资源配置的效益。
实施例三
相应地,本发明还提供一种基于人工智能算法的水资源配置设备,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上任意一项实施例所述的基于人工智能算法的水资源配置方法。
示例性的,所述计算机程序可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据移动终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(SecureDigital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于人工智能算法的水资源配置方法,其特征在于,包括:
将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量;所述实测数据包括不同气候下的气象数据和水资源数据;其中,所述地表水-地下水耦合模拟模型用于根据输入的所述实测数据生成目标区域的地表水可供水量数据和地下水可供水量数据;
根据粒子群算法对预设的BP神经网络模型进行优化,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型,生成各所述子区域的预测需水量;其中,所述BP神经网络模型用于根据输入的目标区域的用水总量以及各所述子区域的地表水直接消耗系数和地下水直接消耗系数生成各所述子区域的预测需水量;
将所述地表水可供水量、地下水可供水量和各所述子区域的预测需水量作为决策变量输入预设的多目标规划模型,以使所述多目标规划模型根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果;其中,所述多目标规划模型用于根据约束条件和输入的所述决策变量对若干个预设的目标函数求取极值,生成对应的水资源优化配置结果;
所述预设的BP神经网络模型为反馈型网络,包括:输入层、隐含层和输出层;其中,所述输入层上设置有多个输入神经元节点,所述隐含层上设置有多个隐含神经元节点,每个所述输入神经元节点均分别与各个所述隐含神经元节点相连接;所述隐含神经元节点均与所述输出层相连接;
所述预设的BP神经网络模型的构建过程具体为:获取目标区域的历史用水总量以及各个子区域的历史地表水直接消耗系数和历史地下水直接消耗系数,分别将所述历史用水总量、历史地表水直接消耗系数和历史地下水直接消耗系数输入到所述输入神经元节点;将预设的需水量推演规则输入到所述隐含神经元节点中,并控制输入神经元节点和隐含神经元节点进行训练,当输出层的输出结果的准确率达到预设准确值时,得到BP神经网络模型。
2.如权利要求1所述的一种基于人工智能算法的水资源配置方法,其特征在于,所述预设的地表水-地下水耦合模拟模型的构建过程包括:
获取目标区域的历史气象数据和历史水资源数据,根据所述历史气象数据和历史水资源数据确定不同的气候类型;
提取目标区域中在不同的气候类型下的历史地表水可供水量数据和历史地下水可供水量数据,将所述历史气象数据、历史水资源数据、历史地表水可供水量数据和历史地下水可供水量数据进行相关联,得到训练数据;
通过神经网络算法建立初始模拟模型,将所述训练数据输入到所述初始模拟模型中进行训练,当训练次数达到训练阈值时,得到地表水-地下水耦合模拟模型。
3.如权利要求2所述的一种基于人工智能算法的水资源配置方法,其特征在于,所述将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量,具体为:
根据目标区域的实测数据和气候变化规律,构造在不同气候类型下的输入数据;所述实测数据的气象数据包括:日最高温度、日最低温度和日降雨量;
将所述输入数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候类型下的地表水可供水量和地下水可供水量。
4.如权利要求1所述的一种基于人工智能算法的水资源配置方法,其特征在于,所述将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型之前,还包括:
对各所述子区域的需水量影响因素数据进行特征提取,获得特征信息;根据所述特征信息,生成各所述子区域的地表水直接消耗系数和地下水直接消耗系数作为分析结果;根据归一化处理后的分析结果以及各子区域的地表水用水量和地下水用水量,通过BP神经网络模型计算各所述子区域的地表水预测用水量和地下水预测用水量作为预测需水量。
5.如权利要求4所述的一种基于人工智能算法的水资源配置方法,其特征在于,所述根据粒子群算法对预设的BP神经网络模型进行优化,具体为:
将预设的BP神经网络模型对当前子区域的计算结果的均方误差作为当前子区域的粒子群算法的粒子适应度:
其中,yn表示神经网络的预测值,表示神经网络的实际值,/>表示所述神经网络输出的误差;n=1,2....N;N为神经网络的计算结果总数;MSE为神经网络的计算结果的均方误差;
将所述粒子适应度记录为历史最优适应度和全局适应度,对所述粒子适应度进行迭代计算,根据预设更新条件更新所述历史最优适应度和所述全局适应度,直到满足预设的迭代结束条件;所述迭代结束条件包括:迭代次数达到预设次数;
根据更新后历史最优适应度和全局适应度,对所述预设的BP神经网络模型的权值和阈值进行更新,获得计算当前子区域预测需水量的优化后的BP神经网络模型。
6.如权利要求1所述的一种基于人工智能算法的水资源配置方法,其特征在于,所述根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果,具体为:
根据约束条件计算多目标规划模型的目标函数:
其中,f1为目标区域在预设时间段内的收益总和,f2为预设时间段内的农业总产值,f3为预设时间段内的所有农作物用水效益总和;i为年份,j为作物种类,Sij为第i年作物j的种植面积,Rij为第i年作物j的单位面积收益,Iij为第i年作物j的单位面积种植收入,Wij为第i年作物j的单位面积水效益,m为整个预设时间段的年份,n为作物种类;max(f)表示函数f的最大值;
所述约束条件包括灌溉用水量约束、耕地面积约束和粮食与蔬菜最低需求约束;约束条件方程为:
其中,Sij为第i年作物j的种植面积,Lai为第i年目标区域的耕地面积总和,Wai为第i年目标区域的农业灌溉可用水量总和;Pi为第i年的作物单产量,Si为第i年的作物总种植面积,Q为作物人均最低需求量,Populationi表示第i年的人口总数;n为作物的种类的个数。
7.一种基于人工智能算法的水资源配置装置,其特征在于,包括:可供水量计算模块、需水量预测模块和优化配置模块;
其中,所述可供水量计算模块用于将目标区域的实测数据输入预设的地表水-地下水耦合模拟模型,生成对应在不同气候下的地表水可供水量和地下水可供水量;所述实测数据包括不同气候下的气象数据和水资源数据;其中,所述地表水-地下水耦合模拟模型用于根据输入的所述实测数据生成目标区域的地表水可供水量数据和地下水可供水量数据;
所述需水量预测模块用于根据粒子群算法对预设的BP神经网络模型进行优化,将所述目标区域的用水总量以及各子区域的地表水直接消耗系数和地下水直接消耗系数输入优化后的BP神经网络模型,生成各所述子区域的预测需水量;其中,所述BP神经网络模型用于根据输入的目标区域的用水总量以及各所述子区域的地表水直接消耗系数和地下水直接消耗系数生成各所述子区域的预测需水量;
所述优化配置模块用于将所述地表水可供水量、地下水可供水量和各所述子区域的预测需水量作为决策变量输入预设的多目标规划模型,以使所述多目标规划模型根据约束条件对若干个预设的目标函数进行计算,生成水资源优化配置结果;其中,所述多目标规划模型用于根据约束条件和输入的所述决策变量对若干个预设的目标函数求取极值,生成对应的水资源优化配置结果;
所述预设的BP神经网络模型为反馈型网络,包括:输入层、隐含层和输出层;其中,所述输入层上设置有多个输入神经元节点,所述隐含层上设置有多个隐含神经元节点,每个所述输入神经元节点均分别与各个所述隐含神经元节点相连接;所述隐含神经元节点均与所述输出层相连接;
所述需水量预测模块包括模型构建单元;所述模型构建单元用于构建预设的BP神经网络模型,具体为:获取目标区域的历史用水总量以及各个子区域的历史地表水直接消耗系数和历史地下水直接消耗系数,分别将所述历史用水总量、历史地表水直接消耗系数和历史地下水直接消耗系数输入到所述输入神经元节点;将预设的需水量推演规则输入到所述隐含神经元节点中,并控制输入神经元节点和隐含神经元节点进行训练,当输出层的输出结果的准确率达到预设准确值时,得到BP神经网络模型。
8.一种基于人工智能算法的水资源配置设备,其特征在于,包括:处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述处理器在执行所述计算机程序时实现如上述权利要求1-6任意一项基于人工智能算法的水资源配置方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310282530.9A CN116307191B (zh) | 2023-03-22 | 2023-03-22 | 一种基于人工智能算法的水资源配置方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310282530.9A CN116307191B (zh) | 2023-03-22 | 2023-03-22 | 一种基于人工智能算法的水资源配置方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116307191A CN116307191A (zh) | 2023-06-23 |
CN116307191B true CN116307191B (zh) | 2023-11-07 |
Family
ID=86792259
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310282530.9A Active CN116307191B (zh) | 2023-03-22 | 2023-03-22 | 一种基于人工智能算法的水资源配置方法、装置和设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116307191B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117035336B (zh) * | 2023-08-18 | 2024-03-29 | 无锡利源节水股份有限公司 | 一种基于大数据的水资源管理一体化管控系统 |
CN117455041B (zh) * | 2023-10-19 | 2024-05-28 | 上海应用技术大学 | 一种针对预测所得未来水资源的多目标管控利用方法 |
CN117808310B (zh) * | 2023-11-21 | 2024-08-16 | 中水珠江规划勘测设计有限公司 | 一种再生水工程的运营优化方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679357A (zh) * | 2016-07-31 | 2018-02-09 | 支援 | 基于投入产出分析的虚拟水变化因素分解新型技术 |
CN110378533A (zh) * | 2019-07-22 | 2019-10-25 | 中展环能(北京)技术有限公司 | 一种基于大数据分析的智能曝气管理方法 |
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 |
-
2023
- 2023-03-22 CN CN202310282530.9A patent/CN116307191B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107679357A (zh) * | 2016-07-31 | 2018-02-09 | 支援 | 基于投入产出分析的虚拟水变化因素分解新型技术 |
CN110378533A (zh) * | 2019-07-22 | 2019-10-25 | 中展环能(北京)技术有限公司 | 一种基于大数据分析的智能曝气管理方法 |
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 |
Non-Patent Citations (7)
Title |
---|
农地整理项目水资源平衡分析方法研究;周伟等;《河南农业科学》(第08期);第67-70页 * |
基于PCCs-DEMATEL指标筛选的BP神经网络用水量预测;崔惠敏;薛惠锋;王磊;赵臣啸;;节水灌溉(第05期);第87-91,98页 * |
基于灰色理论和BP神经网络串联组合的能源需求预测;徐志芬;王书俊;;山东电力高等专科学校学报(第04期);第11-16页 * |
基于鲁棒规划方法的农业水资源多目标优化配置模型;谭倩;缑天宇;张田媛;李然;张珊;;水利学报;第51卷(第01期);第56-68页 * |
投入产出直接消耗系数修订的神经网络方法;张恒江等;《系统工程》(第03期);第54-58页 * |
跨越式经济发展地区需水预测方法研究——以广西北部湾经济区为例;覃杰香;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》(第01期);第C037-16页 * |
黄晓荣等著.《流域水资源规划关键技术理论与实践》.黄河水利出版社,2007,(第01版),第51页. * |
Also Published As
Publication number | Publication date |
---|---|
CN116307191A (zh) | 2023-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116307191B (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
US11516976B2 (en) | Irrigation system control with predictive water balance capabilities | |
Wu et al. | Hybrid extreme learning machine with meta-heuristic algorithms for monthly pan evaporation prediction | |
Lalehzari et al. | Multiobjective management of water allocation to sustainable irrigation planning and optimal cropping pattern | |
US20190050510A1 (en) | Development of complex agricultural simulation models from limited datasets | |
EP3179319B1 (en) | Method for irrigation planning and system for its implementation | |
US20200250593A1 (en) | Yield estimation in the cultivation of crop plants | |
CN107860889A (zh) | 土壤有机质的预测方法和设备 | |
Robert et al. | A stochastic dynamic programming approach to analyze adaptation to climate change–Application to groundwater irrigation in India | |
CN114662742A (zh) | 大田灌溉施肥制度动态决策方法及装置 | |
CN115640956A (zh) | 一种未来水资源供需平衡分析方法 | |
Kasiviswanathan et al. | Implications of uncertainty in inflow forecasting on reservoir operation for irrigation | |
CN117423003B (zh) | 一种冬小麦越冬期苗情分级遥感监测方法 | |
CN117455066A (zh) | 一种基于多策略优化随机森林的玉米种植精准配肥方法、电子设备及存储介质 | |
CN110135627B (zh) | 水资源优化方法及装置 | |
CN115860417A (zh) | 一种农业水灌溉分配方法、系统及一种终端设备 | |
Saranya et al. | Multi-model ensemble with deep neural network based crop yield prediction | |
Chetty et al. | Studies in swarm intelligence techniques for annual crop planning problem in a new irrigation scheme: case study | |
Jiao et al. | [Retracted] Prediction Model of Rice Seedling Growth and Rhizosphere Fertility Based on the Improved Elman Neural Network | |
Shao et al. | Optimal decision-making in the water, land and food nexus using artificial intelligence and extreme machine learning | |
Hadebe et al. | Bio-economic analysis of irrigation schedules considering shallow groundwater: lessons from South Africa | |
CN109360121A (zh) | 岩溶地区水资源脆弱性量化调控方法和系统 | |
Upadhyaya et al. | Optimization of water productivity in Bhagwanpur distributary command of India employing TLBO and cuckoo search algorithms | |
CN115796558B (zh) | 基于深度神经网络的烟草种植面积智能管理系统 | |
US20210318283A1 (en) | Systems and methods for providing germplasm crop scenarios |
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 |