CN116664340A - 一种适用于干旱地区的灌域级水量调度方法 - Google Patents
一种适用于干旱地区的灌域级水量调度方法 Download PDFInfo
- Publication number
- CN116664340A CN116664340A CN202310913963.XA CN202310913963A CN116664340A CN 116664340 A CN116664340 A CN 116664340A CN 202310913963 A CN202310913963 A CN 202310913963A CN 116664340 A CN116664340 A CN 116664340A
- Authority
- CN
- China
- Prior art keywords
- water
- water distribution
- crop
- real
- irrigation
- 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 590
- 238000003973 irrigation Methods 0.000 title claims abstract description 137
- 230000002262 irrigation Effects 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 124
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000008901 benefit Effects 0.000 claims abstract description 12
- 238000001556 precipitation Methods 0.000 claims description 46
- 230000008569 process Effects 0.000 claims description 31
- 238000004422 calculation algorithm Methods 0.000 claims description 26
- 230000002068 genetic effect Effects 0.000 claims description 19
- 238000005457 optimization Methods 0.000 claims description 13
- 230000005855 radiation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 7
- 230000008020 evaporation Effects 0.000 claims description 6
- 238000001704 evaporation Methods 0.000 claims description 6
- 238000012384 transportation and delivery Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 239000002689 soil Substances 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000013439 planning Methods 0.000 claims description 4
- 230000007812 deficiency Effects 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 230000004907 flux Effects 0.000 claims description 3
- 238000009736 wetting Methods 0.000 claims description 3
- 238000007740 vapor deposition Methods 0.000 claims description 2
- 238000013468 resource allocation Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000012821 model calculation Methods 0.000 description 7
- 238000007726 management method Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 235000003642 hunger Nutrition 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 108090000623 proteins and genes Proteins 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000037351 starvation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- 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
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
Abstract
本发明公开了一种适用于干旱地区的灌域级水量调度方法。它包括如下步骤，步骤一：作物需水计算；步骤二：优化配水计算；采用适用于干旱地区的灌域级水资源调度模型的优化配水模块计算年各灌域逐日计划用水；步骤三：实时配水；具体为：首先基于机器学习方法和作物需水模块估算的历史作物需水数据建模，再使用气象站的三天实时气象预报数据估算作物实时需水量；实时配水部分利用作物需水预测数据以及优化配水模块的计划用水数据作为输入，日计划用水作为用水计划对实时配水进行限制，结合多种实时配水方式得到最终的实时配水方案。本发明具有使水资源调度工作更加精细化、规范化、信息化的优点。
Description
技术领域
本发明涉及一种适用于干旱地区的灌域级水量调度方法。
背景技术
发展水资源科学高效调控及管理能力是下水资源配置的重点；
FAO-56 Penman-Monteith法是目前使用最为广泛的参考作物需水量计算方法，使用遥感数据计算蒸散发技术已经十分成熟。遗传算法由于其鲁棒性强、适应性好，在水资源优化计算能对目标函数高效寻优。长短期记忆人工神经网络（LSTM）是一种时间循环神经网络，在该方法中应用于作物需水的实时预测。干旱地区灌区的水资源配置以行政计划手段和经验估计为主，以往的相关技术大多为单一的优化算法，以经济指标或缺水最少为目标函数。对于农业需水量的预测，大多使用统计历史种植结构，根据经验作物需水计算灌区作物需水。实时调度方面采取逐级上报的方式，再根据灌区水量分配情况人工经验适当调整配水，但该传统的配水方式以及调度方法缺乏科学性，极易造成水资源的浪费、降低农业水资源的利用效率，农业水资源的利用效率低会使得原本就缺水的地区用水更加紧张；同时经验调度无法较为科学的应对干旱等特殊调度情景的发生；
因此，开发一种提高农业水资源的利用效率且提高配水方式以及调度方法科学性，实现水量实时合理高效分配的适用于干旱地区的灌域级水量调度方法很有必要。
发明内容
本发明的目的是为了克服背景技术的不足之处，而提供一种适用于干旱地区的灌域级水量调度方法，结合了机器学习、遗传算法开发了一套信息化水量调度方法，大大节约用水量，补充缺水量，减少弃水量，提高应用效果较，提高农业水资源的利用效率且提高配水方式以及调度方法科学性，实现水量实时合理高效分配；重点解决在制定好灌域计划用水后，实现水量实时合理高效分配的技术问题。
为了实现上述目的，本发明的技术方案为：一种适用于干旱地区的灌域级水量调度方法，其特征在于：包括如下步骤，
步骤一：作物需水计算；
采用适用于干旱地区的灌域级水资源调度模型的作物需水模块计算作物需水量；
步骤二：优化配水计算（本发明的配水计算过程在传统物理模型的基础上融入了遗传算法）；
采用适用于干旱地区的灌域级水资源调度模型的优化配水模块计算年各灌域逐日计划用水；作为实时配水的重要输入变量，该部分计算年各灌域逐日计划用水量；优化配水使用典型年月计划用水及作物需水，结合作物需水以及渠系参数，设置缺水量和配水波动情况最小的目标函数，再通过遗传算法寻优得到计算年各灌域逐日计划用水；
步骤三：实时配水；
采用适用于干旱地区的灌域级水资源调度模型的实时配水模块进行实时配水，具体为：
首先基于机器学习方法和作物需水模块估算的历史作物需水数据建模，再使用气象站的三天实时气象预报数据估算作物实时需水量；实时配水部分利用作物需水预测数据以及优化配水模块的计划用水数据作为输入，日计划用水作为用水计划对实时配水进行限制，结合多种实时配水方式得到最终的实时配水方案；
本发明针对干旱地区的特殊调度场景，在传统理论方法中融入了机器学习算法，同时与实际应用相结合，对部分的计算过程进行了应用化完善，最终得到了与实际情况结合较为紧密、便于落地实现且适用于干旱地区的灌域级水量调度方法。
在上述技术方案中，在步骤一中，作物需水量计算的具体方法为：
S11：计算整个灌区的参考作物蒸散发；
S12：确定灌区的作物种类并选择生育期长度；
S13：选定作物在此阶段的作物系数Kc；
S14：根据作物分布和面积确定灌域的综合作物系数或根据本阶段的湿润频率和气象条件调整综合作物系数Kc；
画出Kc的变化过程曲线，可以用一个时段平均值来代替一个阶段的作物系数值；
S15：综合作物系数与参考作物蒸散发/>相乘，得到每个灌域的作物需水量（如图2所示）；
具体计算公式为：
（1）
（2）
其中：2m气温；/>：饱和水汽压；/>：实际水汽压；/>：2m风速；/>：入射短波辐射；/>：净辐射；/>：土壤热通量；/>：湿度计常数；/>：作物需水量；/>：作物系数；/>：参考作物蒸散发；
为了计算逐日的计划用水数据，本发明方法首要计算的是各个灌区逐日的作物需水总量。首先需要确定灌域主要的经济作物的生长周期和占比，并使用联合国粮食和农业组织推荐的作物系数与彭曼蒙特斯公式计算出的各灌域参考作物蒸散发相乘，得到最终的各灌域作物需水水量。其中气象辐射数据由中国高时空分辨率地面气象要素驱动数据集提供。
在上述技术方案中，在步骤二中，优化配水计算，具体方法为：
根据计算年发布的各灌域逐月计划用水量，结合典型年历史作物需水数据，计算适合于计算年的计划用水量；
对于每月30或31日共12个灌域的计划用水量，需要采取合适的目标函数，根据目标结合不同约束条件，进行寻优计算。众多研究证明，在水资源配置中的多目标寻优计算中遗传算法是目前广泛应用的方法；
遗传算法（GA）是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。由于水资源配置涉及的影响因素很多，解空间中参变量与目标值之间的关系又非常复杂，遗传算法是已经公认的适用于水资源配置寻优问题的有效算法；
该方法中提出了三个假设：（1）每年的气候波动与典型年类似；（2）标准差可衡量计划用水的波动；（3）作物需水量越大的情况下缺水导致的整体经济损失越大。优化目标为：缺水损失最小同时减少配水波动。典型年的选取是根据历史年中取水河流来水流量，根据P-III型分布曲线确定典型年。优化配水计算时，月计划用水数据应使用计算年流域管理处下达的指标，该指标往往在年初灌溉期前发布，作物需水使用典型年的数据提前计算；
优化配水模块通过计算年各灌域逐日作物需水量，并利用作物需水以及渠系参数，设置缺水量和配水波动情况最小的目标函数，通过遗传算法寻优最小值得到各灌域逐日的计划用水数据（如图3所示）；具体计算方法为：
当灌域月作物需水大于月计划用水时，
；
当灌域月作物需水小于或等于月计划用水时，
；
通过遗传算法求解得到逐灌域逐日计划用水。
在上述技术方案中，在步骤三中，实时配水是本发明方法的最后一环，该部分使用实时的作物需水预测数据以及气象数据作为实时的输入部分，日计划用水作为用水计划对实时配水进行限制，同时在将灌域渠系行水时长、渠系最大最小流量限制考虑进去；
实时配水的具体方法为：
S31：实时作物需水预测；
由于历史数据无法使用到实时预测中，该部分使用气象局的预报数据；但辐射数据的缺失，需要通过机器学习手段预估作物需水量。LSTM（长短期记忆人工神经网络）是一种时间循环神经网络，是为了解决长序列训练过程中的梯度消失和梯度爆炸问题提出的。相比普通的RNN（循环神经网络），LSTM在更长的序列中有更好的表现，因此本发明方法使用LSTM处理数据缺失时的作物需水预测。LSTM的输入数据有日最高气温、最低气温、平均气温、风速、大气压、比湿、综合作物系数；输出数据为作物需水量；在本方法运用过程中，测试集的结果表现良好；
S32：降水处理；
以往的优化配置模型中很少有考虑到降水对于灌区的影响，本发明方法认为不同级别的降水对于作物需水存在不同天数的影响。降水的等级越高，降水影响的天数越长，按照降水等级被分摊为1、3日；小雨时，降水的影响为当天一天；大雨时，降水的影响为当天及往后两天，当天降水量按照5：3：2的比例向后分配；当降水超过8mm每天时，按照8mm规定当日降水；
水量分配的过程中考虑到坦化处理后的降水，若降水不能满足作物需水的所有灌溉，实时配水量减去降水；若降水能满足作物需水，则实时配水量为0；
S33：实时配水；
利用作物需水预测数据以及优化配水模块的计划用水数据作为输入，结合多种实时配水方式得到最终的实时配水方案。
在上述技术方案中，在S33中，实时配水方式有五种，分别为：
蓄水期配水：灌溉季节黄河来水往往不能满足配水需要；从最下游段的最下游片开始，由下到上逐灌域配水，实现集中向下游送水；若供小于求，则将预计引水量分配完毕为止；反之，则持续集中向下游送水直至满足全部蓄灌渠段的需水要求；该灌溉方法适合在灌溉前期使用；
差额比例配水：在灌溉期间，由于各用水渠段的气温、墒情及管理水平等的诸多因素不同，其已配水差额（计划配水量与已配水量的差值）也不尽相同，为了使灌区均衡受益，把各渠段已配水差额占其所在系统已配水差额的比例作为权重进行配水；即完成计划少的渠段下周多配；反之，下周少配；该方法适用于供水压力较小的阶段；
均衡比例配水I：用水高峰时段容易产生各用水单位之间的矛盾，与差额比例配水类似，将权重变为预达比例（已配水量和次日预配水量之和与计划配水量之比）进行配水；该方法适用于用水高峰时期供水不足的情况使用；
均衡比例配水II：为使灌区均衡受益，在灌溉后期或结束时，应使灌区用水的基本单位（灌域）都完成计划任务，使分配水量合理，与差额比例配水类似，将权重变为已配水比例（已配水量与计划配水量之比）进行配水；该方法适用于灌溉后期或结束时；
上下游顺序配水：当来水严重不足且不能满足上述配水方式时，为减少输水损失，使少量水发挥较大的经济效益，采取先上游、后下游的顺序配水方式；以灌域为单位、以各灌域的最大配水量为限制，由上到下逐灌域配水，直到将预测引水量分配完毕；该方法适用于极度缺水的情况。
在上述技术方案中，采用的适用于干旱地区的灌域级水资源调度模型，包括作物需水模块、优化配水模块、实时配水模块和应急调度模块；
作物需水模块，使用FAO推荐方法结合气象数据计算历史作物需水数据；
优化配水模块，利用作物需水模块输出的作物需水数据并结合灌域特性，输出计算年计划用水数据；
实时配水模块分为三部分，首先基于机器学习方法和作物需水模块估算的历史作物需水数据建模，再使用气象站的三天实时气象预报数据估算作物实时需水量；最后，实时配水部分利用本模块前两个部分得到的作物需水预测数据以及优化配水模块的计划用水数据作为输入，结合多种实时配水方式得到最终的实时配水方案；本发明所述水资源调度模型三个模块相互结合，在数据使用上层层递进，如图 1所示；本发明利用历史数据算出作物的需水量，再利用历史数据和算出的对应作物需水量训练LSTM模型，最后根据可获得相关参数数据作为LSTM模型的输入数据，得到对应的作物需水预测数据；
应急调度模块，它与实时配水模块并列，触发条件参考历史调度事件，在当年计划用水量小于历史正常年份来计划用水量的一定比例时，启动应急调度模块；该模块将优化配水模块的计划用水数据，机井数据作为输入，输出最终应急情况下的实时配水。本发明优化配水模块的计划用水数据作为输入，因为即使在特殊情况下，每个配水单元的需水总量原则上是不发生较大改变的，所以此处的计划用水数据即为配水量元的总配水量，它是在应急情况下保证配水较为公平的一个重要边界条件。
在上述技术方案中，适用于干旱地区的灌域级水资源调度模型的调用过程，包括如下步骤：
水资源调度系统基于java语言开发，模型平台基于R语言开发，集成方式上，采用java调用linux shell脚本，再由shell脚本调用R语言脚本实现模型计算；
用户在适用于干旱地区的灌域级水量调度系统中通过参数配置页面对各模型参数进行配置（如，对作物需水模块、优化配水模块、应急调度模块和实时配水模块的参数进行配置），配置完成后发起作物需水模块和优化配水模块模型调用；
适用于干旱地区的灌域级水资源调度模型则从数据库中抽取已有入库参数据作为输入，随后通过上述流程调用实时调度模型块的调度模型并发起计算，或在特殊情境下触发应急调度模块模型并发起计算；
计算完成后即输出结果并入库，所有模型计算闭环即完成。
本发明具有如下优点：
（1）遗传算法在水资源配置领域的应用重点在于目标函数的确定；本方法以灌域的农业用水水量为优化对象，考虑了缺水量和实时配水两个优化目标，本发明方法将遗传算法、机器学习、气象预报数据整合，设计的实时水资源配置方法能合理将年计划用水划分到每月各个灌域上，预测实时的作物需水，结合计划用水、降水数据与科学调度规则进行实时配水，能使水资源调度工作更加精细化、规范化、信息化（本发明的应用效果较好，能大大节约用水量，补充缺水量，减少弃水量，本发明能提高农业水资源的利用效率且提高配水方式以及调度方法科学性，实现水量实时合理高效分配）；解决了现有技术基于统计的作物需水计算，无法预测未来作物需水，使用经验数据人工实时配水是长期以来的经验性方法，但是无法满足水利信息化、建设集约型节水灌溉体系的需求，除上目前方法上存在的缺陷，大多数优化配水方法很少考虑到降水水量在实时调度过程中对于灌溉的补充（这些水量在缺水地区不能一律忽视）的缺陷；
（2）本发明方法利用历史遥感数据计算各灌域的作物需水量，根据水利厅下达计划用水量以及灌域渠系参数为约束，通过遗传算法计算得到灌域每月逐日的计划用水（水利厅下达的计划用水量给出的是整个灌域能使用的总体水量，本发明中的模型则是通过计算来得到配水单元的逐日最优用水量），使用机器学习预测实时配水时的作物需水，再接入气象预报数据结合不同情况下适用的配水方法下达实时合理高效配水水量（本发明与实际应用结合紧密，根据干旱地区意识灌域实际情况对一些计算过程做了更加有针对性地精细化处理）；
（3）本发明通过整合作物需水、优化配水与实时配水三大板块，设计出一套适合于实际应用的灌区实时水量调度方法；本发明方法适用于干旱地区的灌区，即80%保证率的年降水量在200mm以下且干燥度大于3.5的旱地农业区；在已提供年计划用水量以及历史的逐灌域逐月计划用水量情况下，针对各个灌域计算逐日的计划用水并结合气象数据实时合理高效分配，以达到精细化、规范化管理的目标。
附图说明
图1为本发明的技术路线图；
图2为本发明的作物需水计算流程图；
图3为本发明计划用水分配流程图；
图4为本发明调度模型集成拓扑关系图。
实施方式
下面结合附图详细说明本发明的实施情况，但它们并不构成对本发明的限定，仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
本发明适用于灌域是干旱地区，为根据干旱地区灌域特点有针对性的提出的实时调度方案：首先，根据现实调度场景能获取的数据有限这一现实因素，在传统计算模型中加入LSTM学习算法，利用LSTM模型来预测未来的作物需水量，以弥补因缺少辐射数据而不能根据传统计算方法对作物需水量进行估算的缺陷；第二，不同灌溉阶段选用不同的配水方式；本发明根据灌域不同时期灌溉要求变化较大以及为了使得模型计算结果更加符合实际灌溉各阶段的需要，实时配水模块不同灌溉阶段分别采用了5种不同的配水方式；第三，根据灌域实际降雨情况，将降雨对灌域内的影响进行了分级处理。本发明在传统的物理模型计算过程中，根据模型的实际应用场景，对模型计算过程进行了优化调整，使它更符合实际应用过程也更便于落地（即，相比其他方法，本发明与实际结合更为紧密、能更容易更好地在现实调度场景中被实际应用，本发明的应用效果较好，能大大节约用水量，补充缺水量，减少弃水量，本发明能提高农业水资源的利用效率且提高配水方式以及调度方法科学性，实现水量实时合理高效分配）。
参阅附图可知：一种适用于干旱地区的灌域级水量调度方法，包括如下步骤：
（1）作物需水计算：
彭曼蒙特斯（Penma-Monteith）公式是一种间接计算蒸散发的方法，它将能量平衡与空气动力学结合起来，联合国粮食和农业组织（FAO）为提高作物需水的计算精度，推荐使用参考作物需水量的概念，该公式的实际应用价值和精度都比较高，该公式为：
（1）
（2）
其中：2m气温；/>：饱和水汽压；/>：实际水汽压；/>：2m风速；/>：入射短波辐射；/>：净辐射；/>：土壤热通量；/>：湿度计常数；/>：作物需水量；/>：作物系数；：参考作物蒸散发；
为了计算逐日的计划用水数据，本方法首要计算的是各个灌区逐日的作物需水总量。首先需要确定灌域主要的经济作物的生长周期和占比，并使用联合国粮食和农业组织推荐的作物系数与彭曼蒙特斯公式计算出的各灌域参考作物蒸散发相乘，得到最终的各灌域作物需水水量；其中气象辐射数据由中国高时空分辨率地面气象要素驱动数据集提供；
本发明中作物系数-参考作物需水量法的具体计算步骤如图2所示，为：
1)计算参考作物蒸发蒸腾量ET0；
2)确定作物的生长发育阶段及各发育阶段的长度，选定作物在此阶段的作物系数Kc；
3)根据本阶段的湿润频率和气象条件调整Kc；
4)画出Kc的变化过程曲线，可以用一个时段平均值来代替一个阶段的作物系数值；
5) ET0乘以Kc得到Etc；
（2）优化配水计算：
在本项目中，在进行实时配水之前，需要根据计算年发布的各灌域逐月计划用水量，结合典型年历史作物需水数据，计算适合于计算年的计划用水量。如图3所示，对于每月30或31日共12个灌域的计划用水量，需要采取合适的目标函数，根据目标结合不同约束条件，进行寻优计算。众多研究证明，在水资源配置中的多目标寻优计算中遗传算法是目前广泛应用的方法。本模块通过计算年各灌域逐日作物需水量，并利用作物需水以及渠系参数，设置缺水量和配水波动情况最小的目标函数，通过遗传算法寻优最小值得到各灌域逐日的计划用水数据；
作为实时配水的重要输入变量，该部分计算年各灌域逐日计划用水量；优化配水使用典型年月计划用水及作物需水，结合作物需水以及渠系参数，设置缺水量和配水波动情况最小的目标函数，再通过遗传算法寻优得到计算年各灌域逐日计划用水；
遗传算法（GA）是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。由于水资源配置涉及的影响因素很多，解空间中参变量与目标值之间的关系又非常复杂，遗传算法是已经公认的适用于水资源配置寻优问题的有效算法；
该方法中提出了三个假设：（1）每年的气候波动与典型年类似；（2）标准差可衡量计划用水的波动；（3）作物需水量越大的情况下缺水导致的整体经济损失越大。优化目标为：缺水损失最小同时减少配水波动。典型年的选取是根据历史年中取水河流来水流量，根据P-III型分布曲线确定典型年。优化配水计算时，月计划用水数据应使用计算年流域管理处下达的指标，该指标往往在年初灌溉期前发布，作物需水使用典型年的数据提前计算；
由于水资源配置涉及的影响因素很多，可能包含自然和社会等多种不确定因素，本发明选用遗传算法来实现优化配水，实现在制定好灌域计划用水后，实现水量实时合理高效分配；解决了现有完全基于数理模型计算来得到最优配水方案，但单纯的数理模型计算结果无法满足应用需求，同时数理模型求解空间中参变量与目标值之间的关系也非常复杂的问题；
（3）实时配水：
实时配水是本方法的最后一环，该部分使用实时的作物需水预测数据以及气象数据作为实时的输入部分，日计划用水作为用水计划对实时配水进行限制，同时在将灌域渠系行水时长、渠系最大最小流量限制考虑进去；
1）实时作物需水预测
由于历史数据无法使用到实时预测中，该部分使用气象局的预报数据；但辐射数据的缺失，需要通过机器学习手段预估作物需水量。LSTM（长短期记忆人工神经网络）是一种时间循环神经网络，是为了解决长序列训练过程中的梯度消失和梯度爆炸问题提出的。相比普通的RNN（循环神经网络），LSTM在更长的序列中有更好的表现，因此本方法使用LSTM处理数据缺失时的作物需水预测。LSTM的输入数据有日最高气温、最低气温、平均气温、风速、大气压、比湿、综合作物系数。输出数据为作物需水量。在本方法运用过程中，测试集的结果表现良好。本发明的应用场景是：用模型预测得到作物需水量；由于在实际调度场景中缺少辐射数据，不能对实时的作物需水量进行估算，本发明用LSTM预测作物需水量，用机器学习的方法对实时的作物需水量进行估算，以使得本发明所构方法与实际应用更紧密衔接，便于落地；
2）降水处理
以往的优化配置模型中很少有考虑到降水对于灌区的影响，本方法认为不同级别的降水对于作物需水存在不同天数的影响。降水的等级越高，降水影响的天数越长，按照降水等级被分摊为1、3日。小雨时，降水的影响为当天一天；大雨时，降水的影响为当天及往后两天，当天降水量按照5,3,2的比例向后分配；当降水超过8mm每天时，按照8mm规定当日降水；
3）实时配水
在实时配水的过程中，本方法采用了5中不同的配水方式；
蓄水期配水：灌溉季节黄河来水往往不能满足配水需要。为了集中向下游送水，从最下游段的最下游片开始，由下到上逐灌域配水。若供小于求，则将预计引水量分配完毕为止；反之，则满足全部蓄灌渠段的需水要求。该灌溉方法适合在灌溉前期使用；
差额比例配水：在灌溉期间，由于各用水渠段的气温、墒情及管理水平等诸多因素不同，其已配水差额（计划配水量与已配水量的差值）也不尽相同，为了使灌区均衡受益，把各渠段已配水差额占其所在系统已配水差额的比例作为权重进行配水。即完成计划少的渠段下周多配；反之，下周少配。该方法适用于供水压力较小的阶段；
均衡比例配水（I）：用水高峰时段容易产生各用水单位之间的矛盾，与差额比例配水类似，将权重变为预达比例（已配水量和次日预配水量之和与计划配水量之比）进行配水；该方法适用于用水高峰时期供水不足的情况使用；
均衡比例配水（II）：为使灌区均衡受益，在灌溉后期或结束时，应使灌区用水的基本单位（灌域）都完成计划任务，使分配水量合理，与差额比例配水类似，将权重变为已配水比例（已配水量与计划配水量之比）进行配水。该方法适用于灌溉后期或结束时；
上下游顺序配水：当黄河来水严重不足不能满足上述配水方式时，为减少输水损失，使少量水发挥较大的经济效益，采取先上游、后下游的顺序配水方式。以灌域为单位、以各灌域的最大配水量为限制，由上到下逐灌域配水，直到将预测引水量分配完毕，该方法适用于极度缺水的情况；
水量分配的过程中还将考虑到坦化处理后的降水，若降水不能满足作物需水的所有灌溉，实时配水量应减去降水，若降水能满足作物需水，则实时配水量为0；
本发明采用的水资源调度模型包括作物需水模块、优化配水模块和实时配水模块，这三个模块相互结合，在数据使用上层层递进，如图 1所示；作物需水模块使用FAO推荐方法结合气象数据计算历史作物需水数据。优化配水模块利用作物需水模块输出的作物需水数据并结合灌域特性，输出计算年计划用水数据。实时配水模块分为三部分，首先基于机器学习方法和作物需水模块估算的历史作物需水数据建模，再使用气象站的三天实时气象预报数据估算作物实时需水量；实时配水部分利用作物需水预测数据以及优化配水模块的计划用水数据作为输入，结合多种实时配水方式得到最终的实时配水方案。应急调度模块使用优化配水模块的计划用水数据，机井数据作为输入，输出最终应急情况下的实时配水；
水资源调度系统基于java语言开发，模型平台基于R语言开发，集成方式上，采用java调用linux shell脚本，再由shell脚本调用R语言脚本实现模型计算；
水资源调度模型的调用过程如图 4所示：用户在水资源调度系统中通过参数配置页面对模型参数进行配置，配置完成后发起模型调用，系统则从数据库中抽取已有入参数据作为输入，随后通过上述流程调用调度模型并发起计算，计算完成后即输出结果并入库，模型计算闭环即完成。
实施例：现将本发明试用于宁夏某干旱引黄灌区进行灌域级水量调度为实施例对本发明进行详细说明，对本发明应用于其它干旱地区进行灌域级水量调度同样具有指导作用。
本实施例的测试选用2016年为典型年，2017年为计算年。在计算出引水量、相对缺水和相对弃水数据后，逐灌域对比结果显示：2017年历史总引水量为53.3亿m³，采用本发明方法优化后的引水量为45.5亿m³，节约用水达7.76亿立方米、占历史总引水的14.6%。2017年历史总缺水量为9.98亿m³，采用本发明方法优化后的总缺水量为6.5亿m³，补充缺水总量达3.4亿m³、占历史缺水总量的34.1%。2017年历史总弃水量为13.7亿m³，采用本发明方法优化后的总弃水量为4.4亿m³，减少弃水总量达9.26亿m³、占历史弃水总量的67.8%；
可以看出，本实施例采用本发明优化后，大大节约了用水量，补充了缺水量，减少了弃水量，可见，本发明的应用效果较好，能提高农业水资源的利用效率且提高配水方式以及调度方法科学性，实现水量实时合理高效分配。
本发明还成功地在新疆阿克陶某干旱地区的灌区进行成功试用，提高了该干旱地区农业水资源的利用效率且提高配水方式以及调度方法科学性，实现水量实时合理高效分配。
其它未说明的部分均属于现有技术。
Claims (7)
1.一种适用于干旱地区的灌域级水量调度方法，其特征在于：包括如下步骤，
步骤一：作物需水计算；
采用适用于干旱地区的灌域级水资源调度模型的作物需水模块计算作物需水量；
步骤二：优化配水计算；
采用适用于干旱地区的灌域级水资源调度模型的优化配水模块计算年各灌域逐日计划用水；
步骤三：实时配水；
采用适用于干旱地区的灌域级水资源调度模型的实时配水模块进行实时配水，具体为：
首先基于机器学习方法和作物需水模块估算的历史作物需水数据建模，再使用气象站的三天实时气象预报数据估算作物实时需水量；实时配水部分利用作物需水预测数据以及优化配水模块的计划用水数据作为输入，日计划用水作为用水计划对实时配水进行限制，结合多种实时配水方式得到最终的实时配水方案。
2.根据权利要求1所述的适用于干旱地区的灌域级水量调度方法，其特征在于：在步骤一中，作物需水量计算的具体方法为：
S11：计算整个灌区的参考作物蒸散发；
S12：确定灌区的作物种类并选择生育期长度；
S13：选定作物在此阶段的作物系数Kc；
S14：根据作物分布和面积确定灌域的综合作物系数或根据本阶段的湿润频率和气象条件调整综合作物系数Kc；
画出Kc的变化过程曲线，用一个时段平均值来代替一个阶段的作物系数值；
S15：综合作物系数与参考作物蒸散发/>相乘，得到每个灌域的作物需水量；
具体计算公式为：
（1）
（2）
其中：2m气温；/>：饱和水汽压；/>：实际水汽压；/>：2m风速；/>：入射短波辐射；：净辐射；/>：土壤热通量；/>：湿度计常数；/>：作物需水量；/>：作物系数；/>：参考作物蒸散发。
3.根据权利要求1或2所述的适用于干旱地区的灌域级水量调度方法，其特征在于：在步骤二中，优化配水计算，具体方法为：
根据计算年发布的各灌域逐月计划用水量，结合典型年历史作物需水数据，计算适合于计算年的计划用水量；
优化配水模块通过计算年各灌域逐日作物需水量，并利用作物需水以及渠系参数，设置缺水量和配水波动情况最小的目标函数，通过遗传算法寻优最小值得到各灌域逐日的计划用水数据。
4.根据权利要求3所述的适用于干旱地区的灌域级水量调度方法，其特征在于：在步骤三中， 实时配水的具体方法为：
S31：实时作物需水预测；
使用LSTM处理数据缺失时的作物需水预测；其中，LSTM的输入数据有日最高气温、最低气温、平均气温、风速、大气压、比湿、综合作物系数；输出数据为作物需水量；
S32：降水处理；
降水的等级越高，降水影响的天数越长，按照降水等级被分摊为1、3日；小雨时，降水的影响为当天一天；大雨时，降水的影响为当天及往后两天，当天降水量按照5：3：2的比例向后分配；当降水超过8mm每天时，按照8mm规定当日降水；
水量分配的过程中考虑到坦化处理后的降水，若降水不能满足作物需水的所有灌溉，实时配水量减去降水；若降水能满足作物需水，则实时配水量为0；
S33：实时配水；
利用作物需水预测数据以及优化配水模块的计划用水数据作为输入，结合多种实时配水方式得到最终的实时配水方案。
5.根据权利要求4所述的适用于干旱地区的灌域级水量调度方法，其特征在于：在S33中，实时配水方式有五种，分别为：
蓄水期配水：灌溉季节来水不能满足配水需要；从最下游段的最下游片开始，由下到上逐灌域配水，实现集中向下游送水；若供小于求，则将预计引水量分配完毕为止；反之，则持续集中向下游送水直至满足全部蓄灌渠段的需水要求；
差额比例配水：在灌溉期间，为了使灌区均衡受益，把各渠段已配水差额占其所在系统已配水差额的比例作为权重进行配水；即完成计划少的渠段下周多配；反之，下周少配；
均衡比例配水I：用水高峰时段容易产生各用水单位之间的矛盾，将权重变为预达比例进行配水；
均衡比例配水II：为使灌区均衡受益，在灌溉后期或结束时，使灌区用水的基本单位都完成计划任务，使分配水量合理，将权重变为已配水比例进行配水；
上下游顺序配水：当来水严重不足且不能满足上述配水方式时，为减少输水损失，使少量水发挥较大的经济效益，采取先上游、后下游的顺序配水方式；以灌域为单位、以各灌域的最大配水量为限制，由上到下逐灌域配水，直到将预测引水量分配完毕。
6.根据权利要求5所述的适用于干旱地区的灌域级水量调度方法，其特征在于：采用的适用于干旱地区的灌域级水资源调度模型，包括作物需水模块、优化配水模块、实时配水模块和应急调度模块；
作物需水模块，使用FAO推荐方法结合气象数据计算历史作物需水数据；
优化配水模块，利用作物需水模块输出的作物需水数据并结合灌域特性，输出计算年计划用水数据；
实时配水模块分为三部分，首先基于机器学习方法和作物需水模块估算的历史作物需水数据建模，再使用气象站的三天实时气象预报数据估算作物实时需水量；最后，实时配水部分利用本模块前两个部分得到的作物需水预测数据以及优化配水模块的计划用水数据作为输入，结合多种实时配水方式得到最终的实时配水方案；
应急调度模块，它与实时配水模块并列，触发条件参考历史调度事件，在当年计划用水量小于历史正常年份来计划用水量的一定比例时，启动应急调度模块；该模块将优化配水模块的计划用水数据以及机井数据作为输入，输出最终应急情况下的实时配水。
7.根据权利要求6所述的适用于干旱地区的灌域级水量调度方法，其特征在于：适用于干旱地区的灌域级水资源调度模型的调用过程，包括如下步骤：
用户在适用于干旱地区的灌域级水量调度系统中通过参数配置页面对各模型参数进行配置，配置完成后发起作物需水模块和优化配水模块模型调用；
适用于干旱地区的灌域级水资源调度模型则从数据库中抽取已有入库参数据作为输入，随后通过上述流程调用实时调度模型块的调度模型并发起计算，或在特殊情境下触发应急调度模块模型并发起计算；
计算完成后即输出结果并入库，所有模型计算闭环即完成。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913963.XA CN116664340B (zh) | 2023-07-25 | 2023-07-25 | 一种适用于干旱地区的灌域级水量调度方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310913963.XA CN116664340B (zh) | 2023-07-25 | 2023-07-25 | 一种适用于干旱地区的灌域级水量调度方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116664340A true CN116664340A (zh) | 2023-08-29 |
| CN116664340B CN116664340B (zh) | 2023-12-12 |
Family
ID=87715566
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310913963.XA Active CN116664340B (zh) | 2023-07-25 | 2023-07-25 | 一种适用于干旱地区的灌域级水量调度方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116664340B (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000305921A (ja) * | 1999-04-26 | 2000-11-02 | Toyo Electric Mfg Co Ltd | 遺伝的アルゴリズムを用いた水運用計画処理方法 |
| US20060235739A1 (en) * | 2005-04-18 | 2006-10-19 | United Parcel Service Of America, Inc. | Systems and methods for dynamically updating a dispatch plan |
| KR20150030447A (ko) * | 2013-09-12 | 2015-03-20 | 아이에스테크놀로지 주식회사 | 지능형 농업용수 관리시스템 및 그 일별 관개수량의 관리방법 |
| CN105528734A (zh) * | 2015-11-27 | 2016-04-27 | 中国科学院寒区旱区环境与工程研究所 | 一种多层水资源管理的水量分配方法 |
| CN106570627A (zh) * | 2016-11-02 | 2017-04-19 | 河海大学 | 一种未来气候条件下作物灌溉需水量计算方法 |
| CN106713342A (zh) * | 2017-01-06 | 2017-05-24 | 武汉大学 | 一种基于b/s架构的灌区配水综合管理系统及方法 |
| CN107808253A (zh) * | 2017-11-08 | 2018-03-16 | 福建四创软件有限公司 | 基于协调算法的灌区渠系实时配水方法 |
| CN110209077A (zh) * | 2019-05-05 | 2019-09-06 | 武汉大学 | 基于互联网的远程灌排系统实时动态监测系统 |
| CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
| CN110889553A (zh) * | 2019-11-26 | 2020-03-17 | 长江勘测规划设计研究有限责任公司 | 基于优化策略的实时配水方法 |
| US20200296906A1 (en) * | 2017-12-11 | 2020-09-24 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
| WO2021068540A1 (zh) * | 2019-10-12 | 2021-04-15 | 中国水利水电科学研究院 | 农业灌溉需水量预测方法 |
| CN112989560A (zh) * | 2021-01-25 | 2021-06-18 | 河南锐利特计算机科技有限公司 | 一种基于墒情气象数据计算农作物需水量的方法 |
| US20210368701A1 (en) * | 2020-05-29 | 2021-12-02 | China Institute Of Water Resources And Hydropower Research | System and method for optimal allocation of agricultural water based on water consumption control |
| CN113919746A (zh) * | 2021-11-09 | 2022-01-11 | 天津大学 | 一种灌区水资源精细化调度模型系统 |
| CN114638146A (zh) * | 2022-03-25 | 2022-06-17 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
| CN115860417A (zh) * | 2022-12-24 | 2023-03-28 | 西安建筑科技大学 | 一种农业水灌溉分配方法、系统及一种终端设备 |
-
2023
- 2023-07-25 CN CN202310913963.XA patent/CN116664340B/zh active Active
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000305921A (ja) * | 1999-04-26 | 2000-11-02 | Toyo Electric Mfg Co Ltd | 遺伝的アルゴリズムを用いた水運用計画処理方法 |
| US20060235739A1 (en) * | 2005-04-18 | 2006-10-19 | United Parcel Service Of America, Inc. | Systems and methods for dynamically updating a dispatch plan |
| KR20150030447A (ko) * | 2013-09-12 | 2015-03-20 | 아이에스테크놀로지 주식회사 | 지능형 농업용수 관리시스템 및 그 일별 관개수량의 관리방법 |
| CN105528734A (zh) * | 2015-11-27 | 2016-04-27 | 中国科学院寒区旱区环境与工程研究所 | 一种多层水资源管理的水量分配方法 |
| CN106570627A (zh) * | 2016-11-02 | 2017-04-19 | 河海大学 | 一种未来气候条件下作物灌溉需水量计算方法 |
| CN106713342A (zh) * | 2017-01-06 | 2017-05-24 | 武汉大学 | 一种基于b/s架构的灌区配水综合管理系统及方法 |
| CN107808253A (zh) * | 2017-11-08 | 2018-03-16 | 福建四创软件有限公司 | 基于协调算法的灌区渠系实时配水方法 |
| US20200296906A1 (en) * | 2017-12-11 | 2020-09-24 | The Texas A&M University System | Irrigation system control with predictive water balance capabilities |
| CN110209077A (zh) * | 2019-05-05 | 2019-09-06 | 武汉大学 | 基于互联网的远程灌排系统实时动态监测系统 |
| CN110689173A (zh) * | 2019-09-12 | 2020-01-14 | 黄河水利委员会黄河水利科学研究院 | 一种灌区农业灌溉用水需求决策方法及系统 |
| WO2021068540A1 (zh) * | 2019-10-12 | 2021-04-15 | 中国水利水电科学研究院 | 农业灌溉需水量预测方法 |
| CN110889553A (zh) * | 2019-11-26 | 2020-03-17 | 长江勘测规划设计研究有限责任公司 | 基于优化策略的实时配水方法 |
| US20210368701A1 (en) * | 2020-05-29 | 2021-12-02 | China Institute Of Water Resources And Hydropower Research | System and method for optimal allocation of agricultural water based on water consumption control |
| CN112989560A (zh) * | 2021-01-25 | 2021-06-18 | 河南锐利特计算机科技有限公司 | 一种基于墒情气象数据计算农作物需水量的方法 |
| CN113919746A (zh) * | 2021-11-09 | 2022-01-11 | 天津大学 | 一种灌区水资源精细化调度模型系统 |
| CN114638146A (zh) * | 2022-03-25 | 2022-06-17 | 西北农林科技大学 | 一种基于AquaCrop模型与SVR的作物灌溉需水量预测方法 |
| CN115860417A (zh) * | 2022-12-24 | 2023-03-28 | 西安建筑科技大学 | 一种农业水灌溉分配方法、系统及一种终端设备 |
Non-Patent Citations (10)
| Title |
|---|
| BAIGANG DU ET AL.: "Interval forecasting for urban water demand using PSO optimized KDE distribution and LSTM neural networks", APPLIED SOFT COMPUTING, pages 1 - 14 * |
| H. GAO ET AL.: "How can agricultural water production be promoted？ a review on machine learning for irrigation", JOURNAL OF CLEANER PRODUCTION, pages 1 - 16 * |
| LIU, C ET AL.: "Estimation of regional farmland irrigation water requirements and water balance in Northeast China", ENVIRONMENTAL SCIENCE AND POLLUTION RESEARCH, pages 71840 - 71856 * |
| S. YANG, ET AL: "Real-time reservoir operation using recurrent neural networks and inflow forecast from a distributed hydrological model", JOURNAL OF HYDROLOGY, pages 1 - 16 * |
| 张恒飞，辛黎东，梅粮飞，胡静宁: "宁夏引黄灌区水资源调度系统设计与实现", 中国水利学会2021学术年会论文集第四分册, pages 444 - 449 * |
| 李浩鑫: "基于水势调控的复杂灌溉系统水量分配理论与方法", CNKI博士学位论文全文库, pages 1 - 124 * |
| 柴福鑫;邱林;谢新民;: "灌区水资源实时优化调度", 水利学报, no. 06, pages 74 - 80 * |
| 田晶;郭生练;刘德地;洪兴骏;何绍坤;王乐;: "汉江中下游地区水资源多目标优化配置", 水资源研究, no. 03, pages 5 - 17 * |
| 肖文 等: "实现全过程一体化智能调度", 中国水利报, pages 1 * |
| 茆智, 李远华, 李会昌: "实时灌溉预报", 中国工程科学, no. 05, pages 27 - 36 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116664340B (zh) | 2023-12-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107506909B (zh) | 鱼类栖息地保护的梯级水库水电站群调度控制系统及方法 | |
| CN106951980B (zh) | 一种基于rcp情景的水库群适应性调度方法 | |
| CN109658287B (zh) | 一种基于水资源时空均匀分配的流域水量调度方法 | |
| CN110214506A (zh) | 水肥管控方法及系统 | |
| CN114202167B (zh) | 基于水循环模拟的多水源灌区灌溉用水量计量统计方法 | |
| CN106682810B (zh) | 巨型水电站动态投产下跨流域梯级水电站群长期运行方法 | |
| CN107808253B (zh) | 基于协调算法的灌区渠系实时配水方法 | |
| Azari et al. | Multi-objective optimization of the reservoir system operation by using the hedging policy | |
| CN105913146B (zh) | 南方湿润地区的水资源优化配置系统 | |
| CN109447405A (zh) | 一种承担调峰任务的一库多级式梯级库群短期计划制定方法 | |
| CN112785087B (zh) | 一种考虑水力响应特性的跨流域调水工程旬水量优化调度计划编制方法 | |
| CN102855524A (zh) | 多年调节水库年末消落水位预测方法及系统 | |
| CN112819332A (zh) | 一种基于全渠道输配的水量分配方法、装置及计算机设备 | |
| CN115796381B (zh) | 一种基于改进新安江模型的实际径流量预报方法 | |
| CN103197547A (zh) | 一种粒子群寻优的调峰炉热力站供热负荷优化调度方法 | |
| CN106228276A (zh) | 非充分灌溉条件下直接补渠的单泵站‑单水库系统水资源优化配置方法 | |
| CN110889553A (zh) | 基于优化策略的实时配水方法 | |
| CN115936756A (zh) | 一种考虑电网运行稳定性的水电厂发电控制方法 | |
| CN116029405A (zh) | 一种基于灌区渠系的多目标动态配水方法 | |
| CN109325610B (zh) | 一种面向多水源梯级泵站调水系统的分段线性调度方法 | |
| CN105260801B (zh) | 一种水电富集电网大规模电站群长期电力电量平衡分析方法 | |
| CN116664340B (zh) | 一种适用于干旱地区的灌域级水量调度方法 | |
| CN113837891A (zh) | 一种应对气候变化的大面积农灌区水资源均衡高效调配方法 | |
| CN117348400A (zh) | 一种水网多通道并联联动控制系统 | |
| CN117439194A (zh) | 一种水电光伏联合调峰方法及终端 |
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 |