CN116485584A - 高寒区大底坡河流wee协同调控方法及系统 - Google Patents
高寒区大底坡河流wee协同调控方法及系统 Download PDFInfo
- Publication number
- CN116485584A CN116485584A CN202310738430.2A CN202310738430A CN116485584A CN 116485584 A CN116485584 A CN 116485584A CN 202310738430 A CN202310738430 A CN 202310738430A CN 116485584 A CN116485584 A CN 116485584A
- Authority
- CN
- China
- Prior art keywords
- data
- regulation
- water
- river
- constructing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 75
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 171
- 238000004088 simulation Methods 0.000 claims abstract description 59
- 230000004044 response Effects 0.000 claims abstract description 53
- 238000011160 research Methods 0.000 claims abstract description 40
- 238000011161 development Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 230000008878 coupling Effects 0.000 claims abstract description 15
- 238000010168 coupling process Methods 0.000 claims abstract description 15
- 238000005859 coupling reaction Methods 0.000 claims abstract description 15
- 230000004907 flux Effects 0.000 claims abstract description 13
- 238000001303 quality assessment method Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims abstract description 11
- 241000251468 Actinopterygii Species 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 20
- 239000000126 substance Substances 0.000 claims description 15
- 230000001105 regulatory effect Effects 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 10
- 150000001875 compounds Chemical class 0.000 claims description 10
- 230000001276 controlling effect Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000010248 power generation Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 241000039077 Copula Species 0.000 claims description 7
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 7
- 229910052760 oxygen Inorganic materials 0.000 claims description 7
- 239000001301 oxygen Substances 0.000 claims description 7
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 5
- 230000001970 hydrokinetic effect Effects 0.000 claims description 5
- 229910052757 nitrogen Inorganic materials 0.000 claims description 5
- 229910052698 phosphorus Inorganic materials 0.000 claims description 5
- 239000011574 phosphorus Substances 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 3
- 238000011217 control strategy Methods 0.000 claims 1
- 230000007246 mechanism Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 11
- 230000000694 effects Effects 0.000 description 11
- 230000035772 mutation Effects 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000011835 investigation Methods 0.000 description 4
- 241001275867 Schizothorax Species 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000004083 survival effect Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- YUWBVKYVJWNVLE-UHFFFAOYSA-N [N].[P] Chemical compound [N].[P] YUWBVKYVJWNVLE-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000000386 athletic effect Effects 0.000 description 1
- 230000000035 biogenic effect Effects 0.000 description 1
- 241000902900 cellular organisms Species 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000016709 nutrition Nutrition 0.000 description 1
- 230000035764 nutrition Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000000698 schizophrenic effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010257 thawing Methods 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
- 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种高寒区大底坡河流WEE协同调控方法及系统,确定研究区域范围,采集基础数据、进行预处理和建模分析,获得水文动力参数与生物种群的量化响应关系;构建生态水文深度耦合的模拟方法,验证所述量化响应关系,通过该模拟方法模拟研究区域的水文情势、生物种群及生源要素通量的时空变化,获得模拟结果并构建生物生境质量评估方法;针对研究区域,构建WEE系统调控模型,以基础数据作为输入数据,以水资源供给、水电开发和水生态环境保护为目标函数,针对各个情景集,对研究区域进行模拟,获得调控方案。本方案揭示了高寒区大底坡河流的生物生境响应机制,并提供了评估方法,给出了WEE协同调控技术。
Description
技术领域
本发明涉及水资源综合调控方法,尤其是一种高寒区大底坡河流WEE(Water、Energy、Ecosystem)协同调控方法。
背景技术
高寒区水电开发是指在海拔3000米以上或年平均气温低于0℃的地区进行的水电工程建设和运行。高寒区具有气候恶劣、氧气稀薄、冻土分布广泛、生态系统脆弱等特点,给水电工程带来了诸多挑战。例如,高寒区混凝土坝受到低温和冻融作用的影响,容易产生裂缝和损伤;高寒区河流具有季节性冰封和冰川供水等特点,导致流量和水温变化剧烈;高寒区生物多样性较低,但具有特殊性和稀有性,易受到人为干扰和外来物种入侵的影响。
具体而言,我国西部地区的某河流地处高寒区,河道坡陡,水能资源蕴藏量巨大。该河流的下游水电开发可有效利用区域丰富水能资源,潜在综合效益极为显著。然而,其下游复杂的地质条件与脆弱的生态环境,是制约区域水能开发的主要因素。高寒区水电开发造成的河流水文水温情势改变、生源要素通量变化以及敏感鱼类种群干扰等特有的生态效应,都会对河流脆弱的生态系统造成不可忽视的影响。
因此,如何统筹下游防洪、水资源供给、水能开发、水生态环境保护等功能目标,提出高寒区水电开发河流适应性的水-能-生态协同调控技术并应用,对某河流下游水电开发与绿色发展至关重要。
发明内容
发明目的:提供一种高寒区大底坡河流WEE协同调控方法,以解决现有技术存在的上述问题。另一方面,提供一种实现上述方法的系统。
技术方案:提供一种高寒区大底坡河流WEE协同调控方法,包括如下步骤:
步骤S1、确定研究区域范围,采集基础数据、进行预处理和建模分析,获得水文动力参数与生物种群的量化响应关系;
步骤S2、构建生态水文深度耦合的模拟方法,验证所述量化响应关系,通过该模拟方法模拟研究区域的水文情势、生物种群及生源要素通量的时空变化,获得模拟结果并构建生物生境质量评估方法;
步骤S3、针对研究区域,构建WEE系统调控模型,以基础数据作为输入数据,以水资源供给、水电开发和水生态环境保护为目标函数,针对各个情景集,对研究区域进行模拟,获得调控方案;
步骤S4、构建示范区域,采用所述调控方案进行调控并采集研究数据,评价和优化调控方案。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、采集基础数据并预处理,所述基础数据至少包括流量、流量过程、峰现时间频率、水温、溶解氧、含沙量、氮磷生源要素和敏感鱼类;
步骤S12、构建水文情势数据集合、水体理化生境数据集合,以及生物种群数据集合;
步骤S13、建立响应关系模型,获得水文动力参数与生物种群的量化响应关系。
根据本申请的一个方面,所述步骤S11中,对基础数据进行预处理的过程包括:
步骤S11a、获取研究区域的地理高程数据和各个采集点的时频多尺度历史数据;
步骤S11b、基于各个采集点的连通关系,构建采集点拓扑图,并获得拉普拉斯矩阵;构建DCRNN时间序列预测模型,将各个采集点的时频多尺度历史数据作为输入,在采集点拓扑图上扩散,获得各个采集点的预测数据,所述预测数据包括水文情势预测数据、水体理化生境预测数据和生物种群预测数据;
步骤S11c、对所述预测数据进行检验,获得各个采集点的校正的时频多尺度历史数据。
根据本申请的一个方面,所述步骤S13进一步为:
步骤S13a、构建MK检验和热点分析模型,以校正后的各个采集点的校正的时频多尺度历史数据作为输入,分析水文情势、水体理化生境数据和生物种群的时空趋势和响应关系;
步骤S13b、构建Copula模型,模拟分析生物种群与水体理化生境数据和水文情势数据的关联关系;
步骤S13c、基于贝叶斯模型建立水文动力参数与生物种群的定量关系模型,量化雅江下游梯级水电开发影响下河流水文-生态的响应关系;所述水文动力参数包括水体理化生境数据和水文情势数据。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、读取各个采集点在不同时间尺度上的水文动力参数,构建水文生态耦合模型和数值计算方法;
步骤S22、使用水文生态耦合模型对研究区域的水文情势、生物种群及生源要素通量进行时空变化模拟计算,并对不同情景下的水文条件进行模拟分析,获得模拟结果;
步骤S23、基于模拟结果构建生物生境质量评估方法。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、从基础数据中抽取干支流连通拓扑数据和复式梯级水库群数据,构建丰平枯不同水情下的模拟参数集合;
步骤S32、构建WEE系统调控模型,以水库群整体发电量、水资源供给量、水体理化生境变化量和生物种群栖息地变化量为目标函数,以水量保障、梯级发电量、流速和水位为作为部分约束条件;采用多目标优化算法获得全局最优的帕累托前沿非劣集;
步骤S33、构建多情景下的多维平衡协同调控策略集;构建决策模型和指标评价矩阵,基于帕累托前沿非劣集获得调控方案。
根据本申请的一个方面,所述步骤S31进一步为:
步骤S31a、从基础数据中获取包含高程信息的由干支流组成的基础河网拓扑以及每一水库在河网拓扑中的位置,形成干支流连通拓扑数据和复式梯级水库群数据;
步骤S31b、获取丰平枯不同水情下干支流各处的水位,并判断是否低于预设的生态水位,若低于,则更新该水情下的基础河网拓扑,形成每一水情下的干支流河网拓扑集合;
步骤S31c、获取模拟参数并针对各个水情进行预处理,形成丰平枯不同水情下的模拟参数集合。
根据本申请的一个方面,所述步骤S33中,构建多情景下的多维平衡协同调控策略集的过程进一步为:
步骤S33a、构建基础调控策略集,所述基础调控策略集至少包括干支流各个电站协同调度、上游各个水库水位调控,以及下游河道春控秋补;
步骤S33b、查找基础河网拓扑中是否存在比降大于阈值的节点,若存在,记为生态控制节点,针对丰平枯不同水情,计算每一水情下各个生态控制节点的通鱼最高流速和通鱼持续时间;
步骤S33c、以所述通鱼最高流速和通鱼持续时间作为筛选和调整调控策略的约束条件,更新基础调控策略集,形成多情景下的多维平衡协同调控策略集。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、确定示范区域范围,设置采集点并采集示范区域的研究数据,通过调控方案进行调控,并采集各个采集点响应数据;
步骤S42、基于响应数据,对调控方案进行评价并优化调控方案。
根据本申请的另一个方面,提供一种高寒区大底坡河流WEE协同调控系统,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高寒区大底坡河流WEE协同调控方法。
有益效果:本发明建立了水电梯级开发下雅江下游生物生境影响模拟方法与评估方法,揭示了水电梯级开发下高寒区大底坡河流的生物与生境响应机制,提出了针对高寒区大底坡河流的干支调配、蓄泄兼筹、丰枯优化的水(water)、能(Energy)、生态(Ecosystem)协同调控方案集。相关技术优点将在下文结合具体实施方式进行详细阐述。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
具体实施方式
需要说明的是,由于技术方案相对较为复杂,因此本申请侧重点描述整体实现流程以及涉及创新点的处理流程,对于一些现有技术,未做详细描述,本领域的技术人员能够结合现有技术和自身的知识技能来实现。
首先,对本发明相关技术的使用场景进行简要描述。例如某江下游属于高寒气候,区域内宽谷峡谷相间,河道形态复杂多变且比降大,河流鱼类等生物及生境明显有别于温带和亚热带地区。加之河流上可能采取的坝式与引水复式水电梯级开发方案,使得高寒区大底坡河流水电梯级开发的生物生境影响更为复杂和独特。水电在发挥发电、防洪、灌溉等效用的同时,不可避免地会改变河流水文情势与物质输运状况,从而可能引发河床底质、生源要素、敏感生物及其理化生境的变化。
因此,为了水生态环境保护与工程调控,需要阐明河流水温状况、敏感鱼类种群(裂腹鱼和鮡科鱼类等)、关键生源物质通量与河流水文动力条件的定量响应关系,获取兼顾生源要素通量分配与敏感鱼类保护的雅江下游干流适宜生态水文阈值,揭示雅江下游水电梯级开发下干流敏感水生态环境要素的时空响应特征,进而揭示高寒区大底坡河流水电梯级开发的生物生境响应机制。
为了探索和评估高寒区大底坡水电站开发对生态环境的影响,解决现有技术存在的上述问题,提供了如下的解决方案。
如图1所示,提供一种高寒区大底坡河流WEE协同调控方法,包括如下步骤:
步骤S1、确定研究区域范围,采集基础数据、进行预处理和建模分析,获得水文动力参数与生物种群的量化响应关系;主要目的是深入了解研究区域的水文生态特征和规律。
步骤S2、构建生态水文深度耦合的模拟方法,验证所述量化响应关系,通过该模拟方法模拟研究区域的水文情势、生物种群及生源要素通量的时空变化,获得模拟结果并构建生物生境质量评估方法;主要是研究用于评估研究区域的水文生态状况和影响因素的方法。
步骤S3、针对研究区域,构建WEE系统调控模型,以基础数据作为输入数据,以水资源供给、水电开发和水生态环境保护为目标函数,针对各个情景集,对研究区域进行模拟,获得调控方案。在上述研究的基础上,通过调控模型进行模拟,获得调控方案,更好地制定水资源供给、水电开发和水生态环境保护等方面的政策。
步骤S4、构建示范区域,采用所述调控方案进行调控并采集研究数据,评价和优化调控方案。通过具体的示范区,来实地评估调控方案是否符合实际,能否达到预期的效果。
在本实施例中,其大致的思路是,首先研究底层的机理,探明高寒地区水文动力参数与生物种群之间的响应关系,换句话说,在温带和亚热带地区,水文动力参数与生物种群之间的响应关系研究的比较多,但是对于高寒区的大底坡河流,生物种群及其生活环境都存在较大的差别,因此探明底层机理,是调控所需的最基础数据。所以在步骤S1中,其核心目的就是获得量化响应关系,为生态水文深度耦合的研究提供了全面的支持。
在获得响应的关系后,为了验证这种响应关系,需要建立模型对其模拟,然后对研究区域的生物生境质量进行评估,换句话说,在这个步骤,需要先确定响应关系的准确性,然后基于这种响应关系研究和评估研究区域的生物种群的生境质量。或者说,对生物生境质量的评估是基于上述响应关系的。
接着在步骤S3中,通过构建WEE系统模型对研究区域进行系统建模,获得可行解,在这些可行解中,通过生物生境质量评估评估方法作为约束之一,对可行解进行优选,从而获得调控方案。
由于对于高寒区大底坡的河流研究的比较少,对于这些调控方案的实际效果如何,需要重新进行验证,因此在最后一个步骤中,通过构建示范区,对调控方案进行验证,根据验证的结果修改调控方案。
总之,在本实施例中,通过对高寒区大陡坡的水文动力参数与生物种群的量化响应关系建模,既有助于研究水环境与生物关系,也促进了水文与生态研究的整合。而生态水文深度耦合的模拟方法,充分考虑了水文情势、生物种群及生源要素通量的时空变化,从而为生物生境质量评估提供了有力的支撑。WEE系统调控模型的构建,使得生态保护、水资源供需与水电开发目标相互协调,基于不同情景集的模拟为制定合理的调控方案提供了指导。本实施例能够综合水资源、水生态、水电等多方面需求,有助于在保障生态水文需求的同时实现多方广泛利益的平衡。本实施例可在规划设计阶段针对项目特点和生态环境需求,为管理决策提供技术支持,结合现实情况调整调控方式,从而提高水资源的可持续利用水平。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、采集基础数据并预处理,所述基础数据至少包括流量、流量过程、峰现时间频率、水温、溶解氧、含沙量、氮磷生源要素和敏感鱼类;为后续数据分析与模型构建提供了较为全面和多元化的信息基础。
步骤S12、构建水文情势数据集合、水体理化生境数据集合,以及生物种群数据集合;该步骤有助于实现水利领域数据间的关联和相互作用,提高对生态系统和水利工程有效性的评估。
步骤S13、建立响应关系模型,获得水文动力参数与生物种群的量化响应关系。研究分析水文情势与生物种群之间的规律以及受水利工程影响的生态变化,该步骤为更好地开展生态保护或水利改进工程提供参考依据。
本实施例具体给出了响应关系的构建过程,可以通过野外现场观测和测量,结合室内模拟的方式来实现,只要能够获取相关数据即可,这些数据包括水文情势数据、关键声源数据和敏感生物数据,比如水位、流量、水温和流速、含沙量、氮、磷等总量及形态含量、裂腹鱼、鮡科鱼类等等。需要说明的是,在不同的文献中,这些参数的分类规则是不同的。但是,其本质都是一样的,即水环境的基本要素,水环境中的生物营养要素,水中的生物群体。需要研究的是,由于生物种群的不同,特定的生物种群与特定水环境的关系。在当前研究较多的温带和亚热带区域,水温、水流速度、水位等上述参数与高寒地区均不相同,因此需要对生物种群与其所在的生态环境之间的关系进行重新研究和拟合。
总之,本实施例通过全面综合的数据采集与预处理、建立数据集合体系、构建响应关系模型、实现时空预测与校正等步骤,为水利领域提供了一种科学、全面、有效且专业的技术方案,有益于深入理解水利领域的生态问题。
需要说明的是,采集点可以在预定的地方,比如闸口、桥梁、排水口和特定的河段设置。除了上述参数外,还可以收集包括溶解氧、pH、浊度,以及浮游生物和底栖生物等等,另外敏感生物种群还可以采用其他鱼类。
正如上文所述,在高寒区大底坡的河流中,由于气温较低、河道形态更加复杂,数据采集更加困难,且比降比较大,连通湖泊比较少,因此与东部地区的河流不同。但是由于上述特点,其河网中的水文参数等,存在更为明显的空间关系。采用传统的时间序列分析方法,对水文参数的预测存在较大的误差。因此,提供如下技术方案。
根据本申请的一个方面,所述步骤S11中,对基础数据进行预处理的过程包括:
步骤S11a、获取研究区域的地理高程数据和各个采集点的时频多尺度历史数据;预处理包含地理高程数据和各个采集点的时频多尺度历史数据,充分整合了各种信息的时空动态。
步骤S11b、基于各个采集点的连通关系,构建采集点拓扑图,并获得拉普拉斯矩阵;构建DCRNN(扩散卷积递归神经网络)时间序列预测模型,将各个采集点的时频多尺度历史数据作为输入,在采集点拓扑图上扩散,获得各个采集点的预测数据,所述预测数据包括水文情势预测数据、水体理化生境预测数据和生物种群预测数据。本步骤确保了预测数据的时空精确性。通过对所述预测数据进行检验,获得各个采集点的校正的时频多尺度历史数据,提高了深度学习预测模型的准确性及可靠性。
步骤S11c、对所述预测数据进行检验,获得各个采集点的校正的时频多尺度历史数据。在该步骤中,可以采用一些统计检验方法(如均方根误差、相关系数等),检验预测数据的准确性。将预测数据与实际观测数据进行对比并评估预测误差。对预测数据在时空上的偏差进行校正,获得校正后的时频多尺度历史数据,从而提高DCRNN预测模型的准确性和可靠性。
在本实施例中,针对高寒区大底坡河网特点,水文参数具有较明显的空间关联,比如干支流之间的水文参数和生物种群,存在较为明显的空间关联,这些特点是与平原河网不同的。因此,通过获得采集点的连通关系,构建采集点拓扑图,然后通过构建的DCRNN模型进行预测。在预测过程中,将各个采集点拓扑图中各个采集点的时频多尺度历史数据同时输入到模型中,DCRNN模型根据拉普拉斯矩阵的形式,生成不同节点表示的融合矩阵,然后每个时频多尺度历史数据使用融合矩阵进行转换。
通过本实施例的方法,解决了高寒区大底坡的水文数据计算准确性的问题。在进一步的实施例中,还可以将气象数据、土地利用数据、人工活动数据等作为时间序列参数,加入模型,从而提高模型的预测准确度。
在步骤S11c中,还可以通过滚动窗口的方式更新历史数据,不仅使得模型对新数据更敏感还能提高预测精度。
为了解决现有技术的上述问题,可以运用水文模拟法,模拟相同水文条件下天然与不同开发强度下的水文情势变化过程,对比分析水电梯级开发对雅江下游干流水文情势规律的影响;使用MK检验和热点分析模型,分析水文情势要素(水位、流量、水温和流速、含沙量等)、关键生源要素(氮、磷等总量及形态含量)、雅江下游关键敏感鱼类(裂腹鱼和鮡科鱼类等)及理化生境的时空趋势、特征及量化响应关系;使用基于Copula模型的相关性分析,获取雅江下游关键敏感鱼类理化生境及早期资源对水文情势要素和关键生源要素输送变异的响应;运用贝叶斯模型建立水文参数与河流生物种群指标的定量关系模型,以量化雅江下游梯级水电开发影响下河流水文与生态的响应关系。
根据本申请的一个方面,所述步骤S13进一步为:
步骤S13a、构建MK检验(Mann-Kendall检验)和热点分析模型,以校正后的各个采集点的校正的时频多尺度历史数据作为输入,分析水文情势、水体理化生境数据和生物种群的时空趋势和响应关系;MK检验和热点分析模型可反映生物种群和水文动力参数间的关系,识别与环境变化相关的生态趋势。用于更加准确地了解研究区域的水文环境和生态系统特点,为后续的模拟分析提供可靠的数据基础。通过MK检验判断时间序列是否存在突变点,如果存在,则计算突变时间,从而将时频多尺度历史数据进行分段研究。
步骤S13b、构建Copula模型,模拟分析生物种群与水体理化生境数据和水文情势数据的关联关系;本步骤是为了更好地了解研究区域生态系统中各个要素之间的相互作用关系,为优选调控方案提供数据支撑。Copula模型可以评估多变量之间的相关性和依赖性,为进一步建立定量关系提供基础。
步骤S13c、基于贝叶斯模型建立水文动力参数与生物种群的定量关系模型,量化雅江下游梯级水电开发影响下河流水文-生态的响应关系;所述水文动力参数包括水体理化生境数据和水文情势数据。贝叶斯模型能够充分利用已有数据信息进行推理,量化生物种群随水文动力参数变化的响应趋势。本步骤用于更好地评估梯级水电开发对研究区域水文环境和生态系统的影响。在本步骤中,主要是为了进行突变检验和关联性分析,在上述分析过程中,获得的时频多尺度历史数据,在进行预处理后,数据的准确性更好。以此为基础,可以进行突变分析和关联性分析。在本实施例中,首先通过copula函数确定相互作用关系,用贝叶斯模型量化响应关系。
总之,通过构建MK检验和热点分析模型、Copula模型以及基于贝叶斯模型建立水文动力参数与生物种群的定量关系模型等方法,可以更加准确地了解研究区域的水文环境和生态系统特点,并评估梯级水电开发对研究区域水文环境和生态系统的影响。同时,该方案还可以为决策者制定相应调控方案提供科学依据。
在进一步的实施例中,若步骤S13a中,若经MK检验,存在突变点,则步骤S13a还包括如下过程:
依序查找各个采集点时频多尺度历史数据的突变点,按照突变点将该采集点的预测时期分成若干个预测单元,形成预测单元集合;在某种情况下,假设采集点的突变点数量都是相同的,有A个采集点,每个采集点有B个突变点,则形成A×(B+1)个预测单元。
构建聚类模型,并对预测单元进行聚类,形成K类预测单元;
针对每一个预测单元,提取各个采集点的时频多尺度历史数据,并进入步骤S13b和步骤S13c 。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、读取各个采集点在不同时间尺度上的水文动力参数,构建水文生态耦合模型和数值计算方法。可以从水文站等获取,也可以在一定周期内采集。采集过程可以为:选择合适的水文动力参数采集设备和方法,如流量计、水位计、监测浮标等。定期收集并汇总各个采集点在不同时间尺度上的水文动力参数,包括水位、流速、温度、溶解氧等。对收集到的水文动力参数数据进行预处理,如缺失值处理、去除异常值、数据标准化等。
步骤S22、使用水文生态耦合模型对研究区域的水文情势、生物种群及生源要素通量进行时空变化模拟计算,并对不同情景下的水文条件进行模拟分析,获得模拟结果;通过对研究区域内各个采集点进行实测和模拟分析,可以得到相应的数据,并基于模拟结果构建相应评估方法。
步骤S23、基于模拟结果构建生物生境质量评估方法。根据实际情况进行调整和优化,提高预测精度和可靠性。在该步骤中,根据模拟结果,确定影响生物生境质量的关键指标,如水质、栖息地面积、生源要素通量等。设定各关键指标在生物生境质量评估中的权重。根据权重和关键指标的实际数据,计算生物生境质量综合评分。利用评分结果,为生物种群提供优化生态环境的建议措施。
在上述步骤中,已经获得了水文参数与生态种群之间的响应关系,例如某一敏感鱼类,例如裂腹鱼生活所需的水温、水速、pH、含氧量和氮磷含量范围。在获得这些数据之后,建立全流域的水文模型和生态模型,然后建立耦合关系,获得水文生态耦合模型,对全流域的水文生态响应关系进行模拟和预测。比如可以基于野外历史观测数据和室内模拟数据,采用CNN卷积神经网络等模型方法,对河网干支流水文生态响应关系进行验证。在验证时,通过对丰平枯等年份的水文参数,以及通过突变点分割的预测单元进行逐一验证和模拟,获得多个情景下的模拟分析数据,并与实测数据进行对比。换句话说,在获得水文参数和生物种群的响应关系后,在河网整体上,将所有生物种群的生活环境进行预测,从而给出整体的生物生境质量评估方法。比如采用栖息地面积的变化和时空累计面积来计算生物生境的范围,建立综合评价指标来评价生境环境质量,也可以用神经网络的方法建立评分模型,通过神经网络学习的方式,获得评分数据。
在本实施例中,通过构建水文生态耦合模型和数值计算方法,可以对研究区域的水文情势、生物种群及生源要素通量进行时空变化模拟计算,并基于模拟结果构建生物生境质量评估方法。可以帮助决策者更好地了解研究区域的水文环境和生态系统特点,并评估不同情景下的影响程度。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、从基础数据中抽取干支流连通拓扑数据和复式梯级水库群数据,构建丰平枯不同水情下的模拟参数集合。具体为:收集干支流连通拓扑数据、复式梯级水库群数据、水库特征参数、气象数据、水文数据等。分析水库群之间的关联性及其对水文气象条件的响应;根据丰平枯不同水情,分类构建模拟参数集合,用于后续建模与模拟。
步骤S32、构建WEE系统调控模型,以水库群整体发电量、水资源供给量、水体理化生境变化量和生物种群栖息地变化量为目标函数,以水量保障、梯级发电量、流速和水位为作为部分约束条件;采用多目标优化算法获得全局最优的帕累托前沿非劣集。具体为建立目标函数,考虑综合调度目标和各种生态环境目标;确定约束条件,包括水量保障、梯级发电量、流速和水位等;选择合适的多目标优化算法(例如遗传算法、粒子群优化算法等),进行求解,得到帕累托前沿非劣集。
步骤S33、构建多情景下的多维平衡协同调控策略集;构建决策模型和指标评价矩阵,基于帕累托前沿非劣集获得调控方案。根据丰平枯多情景,构建多维平衡协同调控策略集,建立决策模型,评估不同情景下调控策略的效果,构建指标评价矩阵,基于帕累托前沿非劣集综合评价调控方案,筛选最优策略。
总之,在本实施例中,过构建WEE系统调控模型,不仅考虑了水库群整体发电量、水资源供给量的优化,还关注了水体理化生境变化和生物种群栖息地变化,实现了水电站群调度的综合优化与协同。采用多目标优化算法,以求解符合各种目标函数和约束条件的全局最优解,有效地平衡了各个目标之间的矛盾,提高了水库群调度的科学性和合理性。通过构建丰平枯不同水情下的模拟参数集合,使得调度策略能够适应不同水情条件,实现了全年水资源的高效利用。通过构建多情景下的多维平衡协同调控策略集,实现了在多种情景下调度策略的优化与平衡,有助于提高水库群调度的灵活性和响应能力。
需要注意的是,由于大坡底河流的比降比较大,因此在不同的情景下,如果某个电站的水位较高,则生物种群的活动空间会显著变大,且水温等水文参数会变化较大,水库下游的水位有可能低于生态水位,同时,如果水库放水发电,则流速可能会较大,造成敏感鱼群无法通过,也影响生物种群的活动范围,实际上,对于敏感鱼群来说,其空间拓扑发生了较为明显的变化,为此,提供了如下的两个解决方案。
根据本申请的一个方面,所述步骤S31进一步为:
步骤S31a、从基础数据中获取包含高程信息的由干支流组成的基础河网拓扑以及每一水库在河网拓扑中的位置,形成干支流连通拓扑数据和复式梯级水库群数据。其中一种方式是:从基础数据源获取干支流河网拓扑信息,包括河流的起点、终点、汇流点以及水库连接位置等。获取每个水库在河网拓扑中的位置,如上游、下游或并行关系。对干支流拓扑数据进行整理和分析,形成易于处理的数据结构,如邻接矩阵或邻接表等。根据获得的数据构建复式梯级水库群模型,包括每个水库的属性信息、操作参数以及它们在河网拓扑中的关联性。
步骤S31b、获取丰平枯不同水情下干支流各处的水位,并判断是否低于预设的生态水位,若低于,则更新该水情下的基础河网拓扑,形成每一水情下的干支流河网拓扑集合。具体过程示例如下:收集丰平枯不同水情下干支流各处的水位数据,如实测数据、历史记录或模拟数据等。对所获取的水位数据进行初步分析,评估水位是否符合给定的生态水位要求。根据调整后的水位数据,更新每一水情下的干支流河网拓扑集合。
步骤S31c、获取模拟参数并针对各个水情进行预处理,形成丰平枯不同水情下的模拟参数集合。收集模拟所需的参数数据,包括水库属性信息、预计来水量、出水量、消耗等。对收集到的参数数据按照不同的水情进行分类,如丰水期、平水期和枯水期等。针对每个水情的参数数据,进行预处理操作,如单位转换、数据缺失填充、异常值处理等。形成丰平枯不同水情下的模拟参数集合,为后续模型应用提供输入数据。
在上述实施例的基础上,即在丰平枯场景下,在一些调度方案中发现,如果水位低于生态水位,则对于生态而言,比如对于敏感鱼群而言,其一部分的生存范围变大,生存环境质量提高,而另一部分的鱼群,其生存范围变小,且连通性收到影响。为了从整体上评估调度方案对生态环境的影响,提供了本实施例的方案。也就是说,通过在丰平枯不同水情下根据水位信息更新河网拓扑,形成不同水情下的不同拓扑结构,针对不同拓扑结构进行模拟和评估,进而给出整体模拟评估数据,获得更加准确地模拟效果。
总之,本实施例通过收集完整的基础数据和模拟参数,实现对整个河网系统的全面分析。可以有效指导区域水资源的规划与管理。根据实际水情,动态更新干支流河网拓扑,保证在各种水情下都能满足生态需求。同时,有助于研究和预测未来不同水情下的水资源供需状况,为政策制定和水资源管理提供科学依据。
根据本申请的一个方面,所述步骤S33中,构建多情景下的多维平衡协同调控策略集的过程进一步为:
步骤S33a、构建基础调控策略集,所述基础调控策略集至少包括干支流各个电站协同调度、上游各个水库水位调控,以及下游河道春控秋补。具体包括:分析流域内各个水库、水电站等设施的作用和相互关系,建立联合调度模型,确定各个电站之间的协同调度策略。基于水库调度目标和约束条件,设定水库的最高水位、最低水位等水位调控策略,保证流域水资源合理利用。在流域内,春季为保证水生生态保护、避免枯水期径流量过低,进行春季的流量调控。秋季则进行秋季补水,确保河道生态需要。
步骤S33b、查找基础河网拓扑中是否存在比降大于阈值的节点,若存在,记为生态控制节点,针对丰平枯不同水情,计算每一水情下各个生态控制节点的通鱼最高流速和通鱼持续时间;
步骤S33c、以所述通鱼最高流速和通鱼持续时间作为筛选和调整调控策略的约束条件,更新基础调控策略集,形成多情景下的多维平衡协同调控策略集。
本实施例中,为了更为精细化地进行调控,提供了一种基于水流速度的调控方案约束和优选方法,具体是通过将丰平枯不同水情下的各个拓扑结构进一步查找生态控制节点,从而为后续的调控策略提供依据,并为生物种群栖息地的范围和质量评估提供参考。
根据本申请的一个方面,在计算生态节点的通鱼最高流速和通鱼持续时间时,可以引入水文、土地利用和生态等模型,提高预测精度。可以引入气候与未来场景下的水文数据,扩展策略集在不同情景下的适应性。在协同调控策略集中,可以考虑引入指标权重,使得生态需求与开发需求共同考虑,进一步提高调控策略针对性。
在进一步的实施例中,还包括步骤S34:
针对每一水情场景的每一调控方案,获取调控过程中河网各处的水流速度和水位,查找生态水位和通鱼最高流速;
通过生态水位和通鱼最高流速将调控过程分解为若干个生态计算周期,计算每一调控方案的生物种群的活动范围和生物生境质量,给出总评分;
针对每一水情的各个调控方案,根据总评分降序排列,取前N项调控方案作为备选方案。N为大于1的自然数。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、确定示范区域范围,设置采集点并采集示范区域的研究数据,通过调控方案进行调控,并采集各个采集点响应数据;
步骤S42、基于响应数据,对调控方案进行评价并优化调控方案。
在本实施例中,为了对调控方案进行验证,将上述实施例获得的调控方案实施于示范区域,然后通过采集示范区域的相关参数,对调控方案进行评估和优化。
根据本申请的另一个方面,提供一种高寒区大底坡河流WEE协同调控系统,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高寒区大底坡河流WEE协同调控方法。
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 (10)
1.高寒区大底坡河流WEE协同调控方法,其特征在于,包括如下步骤:
步骤S1、确定研究区域范围,采集基础数据、进行预处理和建模分析,获得水文动力参数与生物种群的量化响应关系;
步骤S2、构建生态水文深度耦合的模拟方法,验证所述量化响应关系,通过该模拟方法模拟研究区域的水文情势、生物种群及生源要素通量的时空变化,获得模拟结果并构建生物生境质量评估方法;
步骤S3、针对研究区域,构建WEE系统调控模型,以基础数据作为输入数据,以水资源供给、水电开发和水生态环境保护为目标函数,针对各个情景集,对研究区域进行模拟,获得调控方案;
步骤S4、构建示范区域,采用所述调控方案进行调控并采集研究数据,评价和优化调控方案。
2.如权利要求1所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S1进一步为:
步骤S11、采集基础数据并预处理,所述基础数据至少包括流量、流量过程、峰现时间频率、水温、溶解氧、含沙量、氮磷生源要素和敏感鱼类;
步骤S12、构建水文情势数据集合、水体理化生境数据集合,以及生物种群数据集合;
步骤S13、建立响应关系模型,获得水文动力参数与生物种群的量化响应关系。
3.如权利要求2所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S11中,对基础数据进行预处理的过程包括:
步骤S11a、获取研究区域的地理高程数据和各个采集点的时频多尺度历史数据;
步骤S11b、基于各个采集点的连通关系,构建采集点拓扑图,并获得拉普拉斯矩阵;构建DCRNN时间序列预测模型,将各个采集点的时频多尺度历史数据作为输入,在采集点拓扑图上扩散,获得各个采集点的预测数据,所述预测数据包括水文情势预测数据、水体理化生境预测数据和生物种群预测数据;
步骤S11c、对所述预测数据进行检验,获得各个采集点的校正的时频多尺度历史数据。
4.如权利要求3所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S13进一步为:
步骤S13a、构建MK检验和热点分析模型,以校正后的各个采集点的校正的时频多尺度历史数据作为输入,分析水文情势、水体理化生境数据和生物种群的时空趋势和响应关系;
步骤S13b、构建Copula模型,模拟分析生物种群与水体理化生境数据和水文情势数据的关联关系;
步骤S13c、基于贝叶斯模型建立水文动力参数与生物种群的定量关系模型,量化雅江下游梯级水电开发影响下河流水文-生态的响应关系;所述水文动力参数包括水体理化生境数据和水文情势数据。
5.如权利要求4所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S2进一步为:
步骤S21、读取各个采集点在不同时间尺度上的水文动力参数,构建水文生态耦合模型和数值计算方法;
步骤S22、使用水文生态耦合模型对研究区域的水文情势、生物种群及生源要素通量进行时空变化模拟计算,并对不同情景下的水文条件进行模拟分析,获得模拟结果;
步骤S23、基于模拟结果构建生物生境质量评估方法。
6.如权利要求5所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S3进一步为:
步骤S31、从基础数据中抽取干支流连通拓扑数据和复式梯级水库群数据,构建丰平枯不同水情下的模拟参数集合;
步骤S32、构建WEE系统调控模型,以水库群整体发电量、水资源供给量、水体理化生境变化量和生物种群栖息地变化量为目标函数,以水量保障、梯级发电量、流速和水位为作为部分约束条件;采用多目标优化算法获得全局最优的帕累托前沿非劣集;
步骤S33、构建多情景下的多维平衡协同调控策略集;构建决策模型和指标评价矩阵,基于帕累托前沿非劣集获得调控方案。
7.如权利要求6所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S31进一步为:
步骤S31a、从基础数据中获取包含高程信息的由干支流组成的基础河网拓扑以及每一水库在河网拓扑中的位置,形成干支流连通拓扑数据和复式梯级水库群数据;
步骤S31b、获取丰平枯不同水情下干支流各处的水位,并判断是否低于预设的生态水位,若低于,则更新该水情下的基础河网拓扑,形成每一水情下的干支流河网拓扑集合;
步骤S31c、获取模拟参数并针对各个水情进行预处理,形成丰平枯不同水情下的模拟参数集合。
8.如权利要求7所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S33中,构建多情景下的多维平衡协同调控策略集的过程进一步为:
步骤S33a、构建基础调控策略集,所述基础调控策略集至少包括干支流各个电站协同调度、上游各个水库水位调控,以及下游河道春控秋补;
步骤S33b、查找基础河网拓扑中是否存在比降大于阈值的节点,若存在,记为生态控制节点,针对丰平枯不同水情,计算每一水情下各个生态控制节点的通鱼最高流速和通鱼持续时间;
步骤S33c、以所述通鱼最高流速和通鱼持续时间作为筛选和调整调控策略的约束条件,更新基础调控策略集,形成多情景下的多维平衡协同调控策略集。
9.如权利要求8所述的高寒区大底坡河流WEE协同调控方法,其特征在于,所述步骤S4进一步为:
步骤S41、确定示范区域范围,设置采集点并采集示范区域的研究数据,通过调控方案进行调控,并采集各个采集点响应数据;
步骤S42、基于响应数据,对调控方案进行评价并优化调控方案。
10. 一种高寒区大底坡河流WEE协同调控系统,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1-9任一项所述的高寒区大底坡河流WEE协同调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738430.2A CN116485584B (zh) | 2023-06-21 | 2023-06-21 | 高寒区大底坡河流wee协同调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310738430.2A CN116485584B (zh) | 2023-06-21 | 2023-06-21 | 高寒区大底坡河流wee协同调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116485584A true CN116485584A (zh) | 2023-07-25 |
CN116485584B CN116485584B (zh) | 2023-08-29 |
Family
ID=87227223
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310738430.2A Active CN116485584B (zh) | 2023-06-21 | 2023-06-21 | 高寒区大底坡河流wee协同调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116485584B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976529A (zh) * | 2023-09-22 | 2023-10-31 | 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 |
CN117236199A (zh) * | 2023-11-14 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197017A (zh) * | 2019-05-17 | 2019-09-03 | 长安大学 | 一种城市河流橡胶坝群水生态调控方法 |
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 |
CN115417470A (zh) * | 2022-08-30 | 2022-12-02 | 中国长江三峡集团有限公司 | 基于超声波空化的河流溶解气体过饱和调控装置和方法 |
CN115809585A (zh) * | 2023-01-20 | 2023-03-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 平衡wee关系的径流式水电站生态流量确定方法和系统 |
CN116070886A (zh) * | 2023-04-04 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
CN116070971A (zh) * | 2023-03-27 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河湖水系有序流动调控方法和系统 |
-
2023
- 2023-06-21 CN CN202310738430.2A patent/CN116485584B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110197017A (zh) * | 2019-05-17 | 2019-09-03 | 长安大学 | 一种城市河流橡胶坝群水生态调控方法 |
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 |
CN115417470A (zh) * | 2022-08-30 | 2022-12-02 | 中国长江三峡集团有限公司 | 基于超声波空化的河流溶解气体过饱和调控装置和方法 |
CN115809585A (zh) * | 2023-01-20 | 2023-03-17 | 水利部交通运输部国家能源局南京水利科学研究院 | 平衡wee关系的径流式水电站生态流量确定方法和系统 |
CN116070971A (zh) * | 2023-03-27 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河湖水系有序流动调控方法和系统 |
CN116070886A (zh) * | 2023-04-04 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 水资源系统多维适应性调控方法及系统 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116976529A (zh) * | 2023-09-22 | 2023-10-31 | 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 |
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 |
CN117236199A (zh) * | 2023-11-14 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
CN117236199B (zh) * | 2023-11-14 | 2024-02-09 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市水网区域河湖水质提升与水安全保障方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116485584B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113379109B (zh) | 一种基于预测模型自适应的径流预报方法 | |
CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
Mohanty et al. | Comparative evaluation of numerical model and artificial neural network for simulating groundwater flow in Kathajodi–Surua Inter-basin of Odisha, India | |
Afshar et al. | Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran | |
CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
CN116070971B (zh) | 河湖水系有序流动调控方法和系统 | |
CN111737853B (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 | |
CN102495937A (zh) | 一种基于时间序列的预测方法 | |
CN114036838B (zh) | 一种基于多层lstm神经网络的垂向水温模拟方法 | |
CN115507822A (zh) | 水文循环变异驱动下的洪水风险预测方法 | |
CN115374376B (zh) | 小水电生态影响监测评估方法与系统 | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
Bakken et al. | Simulation of river water temperatures during various hydro-peaking regimes | |
CN110334876A (zh) | 一种基于径流情势、水质及生物多要素的环境流量过程调控方法 | |
Tork et al. | A new framework of a multi-criteria decision making for agriculture water distribution system | |
Gui et al. | Simulation-based inexact fuzzy semi-infinite programming method for agricultural cultivated area planning in the Shiyang River Basin | |
Kwak et al. | A comparative study for water temperature modelling in a small basin, the Fourchue River, Quebec, Canada | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
CN116629640B (zh) | 高寒区水电梯级开发的生物生境影响评估方法及系统 | |
Dessie et al. | Scenario-based decision support for an integrated management of water resources | |
Jin et al. | Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths | |
Dou et al. | Simulation and control of the linked systems of water quantity–water quality–socio-economics in the Huaihe River basin | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
MEHTA et al. | REVIEW OF RESERVOIR OPERATION | |
Gebru | The role of reservoirs in drought mitigation in Ethiopia, Awash river basin |
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 |