CN117035201A - 平原河网水工程集群多目标调度规则制定方法及系统 - Google Patents

平原河网水工程集群多目标调度规则制定方法及系统 Download PDF

Info

Publication number
CN117035201A
CN117035201A CN202311295594.9A CN202311295594A CN117035201A CN 117035201 A CN117035201 A CN 117035201A CN 202311295594 A CN202311295594 A CN 202311295594A CN 117035201 A CN117035201 A CN 117035201A
Authority
CN
China
Prior art keywords
water
scheduling
engineering
model
jiqun
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
Application number
CN202311295594.9A
Other languages
English (en)
Other versions
CN117035201B (zh
Inventor
曹明霖
王腊春
马劲松
张阳
刘园园
马彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University
Original Assignee
Nanjing University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University filed Critical Nanjing University
Priority to CN202311295594.9A priority Critical patent/CN117035201B/zh
Publication of CN117035201A publication Critical patent/CN117035201A/zh
Application granted granted Critical
Publication of CN117035201B publication Critical patent/CN117035201B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2431—Multiple classes
    • 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
    • G06N3/048—Activation functions
    • 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
    • G06N3/0499—Feedforward networks
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Economics (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Strategic Management (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种平原河网水工程集群多目标调度规则制定方法及系统，构建平原河网水工程集群整体模拟模型；拟合水情（上游来水流量）和雨情（研究区内降雨量）联合概率分布，随机抽样获取海量情景；构建平原河网水工程集群多目标优化调度模型，并耦合整体模拟模型，进行模拟计算与求解，获得海量情景下水工程集群优化调度方案样本集；基于不同情景下水工程集群优化调度方案样本，提炼最优调度策略的规律性信息，制定平原河网水工程集群多目标调度规则。本发明与传统水资源调配方案制定方法相比，能够制定更加符合实际情况的水工程集群调度方案，制定出的水工程集群调度方案在实际生产应用中可操作性更强，提高了水资源调配的效益。

Description

平原河网水工程集群多目标调度规则制定方法及系统
技术领域
本发明涉及水工程集群多目标调度规则制定方法，尤其是考虑海量情景寻优与平原河网复杂性的水工程集群多目标调度规则制定方法。
背景技术
平原河网工程群是指在平原地区建设的一系列用于引、提、调水的水工程，包括蓄水工程、跨区域调水工程、输水工程、灌溉工程等。这些水工程承担着防洪、供水、水环境、水生态等多方面的任务，往往这些任务存在竞争或矛盾关系，因此制定水工程的多目标调度规则指导水工程高效运行至关重要。然而，平原河网工程群具有以下几个特点，给多目标调度规则的制定带来了巨大的挑战：
大规模的水利工程群导致维数灾难。水工程承担着防洪、供水、水环境、水生态等多方面的任务，往往这些任务存在这竞争或者矛盾关系，因此制定水工程的多目标调度规则指导水工程高效运行至关重要。然而水工程日益增多，形成了规模化的水工程集群，多目标调度问题的维度不断上升，引发了“维数灾”。平原河网用于引、提、调水的水工程数量巨大，这个问题在平原河网上尤为凸显，是制定平原河网水工程集群多目标调度规则的难点之一，面对高维复杂系统，传统的调度方法难以有效处理。
对水工程群所在流域水文水动力过程的描述存在较大困难，由于平原河网区地势平缓集水区区分不明显，河湖水系复杂存在交叉、环装、往复流河流，不同类型的水工程繁多，因此现有的水文水动力模型难以直接应用。同时，平原河网工程群由多个不同类型的水工程组成，这些工程彼此相互关联，构成了一个复杂的耦合系统。例如，蓄水工程可以通过引水补充自身库容，也可以通过输水向其他工程提供补充；跨区域调水工程可以在不同区域之间实现水资源优化配置；灌溉工程可以利用各种类型的水源满足农业用水需求，同时也会影响流域内的径流和地下水补给等。这些耦合关系使得平原河网工程群中各个子系统之间存在着协作或竞争关系，需要综合考虑各个子系统的目标和约束条件，实现整体优化。
平原河网水工程集群工程体系复杂，包含蓄水工程和跨区域调水工程，工程彼此相互关联，水源不仅可通过引水补水，彼此之间还能相机补水，故水源不仅要考虑自身的决策过程，还要考虑与其它水源的配合，最大限度的发挥工程的整体效益。另外，平原河网区受气候变化和人类活动的影响，流域内的降雨、径流、蒸发等水文要素具有较大的时空变化性。同时，由于平原河网区地下水与地表水之间存在密切的相互作用，地下水位也会随着地表水位和抽取量的变化而波动。这些因素使得平原河网区的水文水动力过程具有较强的动态性和非线性性，给对流域内的水量和水质状态的描述和预测带来了困难。
平原河网水工程集群多目标调度规则的提取方法存在困难。目前常用的方法是调度图法和调度函数法。面对具有复杂拓扑关系的高维水资源系统，调度图刻画能力不足难以胜任。传统的调度函数法则是多输入单输出的表达形式，如果分水源、分决策类别逐月提取调度函数，工作量大，所要提炼的调度函数繁多，调度规则简单、便捷的优越性难以体现；如果逐水源、逐决策类别提取调度函数，割裂了水源之间的相互配合关系，所得结果难以准确捕捉联合调度决策的规律信息，特别是水源之间的联合供水关系。决策信息之间嵌套关联，水源各自补水或水源间相机补水影响水源之间的联合供水，水源之间的联合供水反过来又影响水源自身补水及水源之间的相机补水，决策信息之间相互嵌套、相互关联。受到自然和人为因素的影响，还存在着多种不确定性。例如，降雨量、径流量、蒸发量等气象要素具有随机性；地下水位、地表水位、输送管道压力等状态变量具有误差；供需关系、用户偏好、政策法规等人为因素具有模糊性。这些不确定性给平原河网工程群多目标调度规则的制定带来了风险和挑战。
因此，需要进一步的研发创新，以解决现有技术存在的上述问题。
发明内容
发明目的，提供一种平原河网水工程集群多目标调度规则制定方法，以解决现有技术存在的上述问题。另一方面提供平原河网水工程集群多目标调度规则制定的系统。
技术方案，平原河网水工程集群多目标调度规则制定方法，包括如下步骤：
步骤S1、确定研究区域并采集研究数据，构建用于平原河网水工程集群模拟的平原河网整体模拟模型；
步骤S2、拟合水情和雨情联合概率分布，形成水情和雨情联合概率分布模型，随机抽样获取预定个模拟情景和对应每个模拟情景的模拟参数；
步骤S3、构建平原河网水工程集群多目标优化调度模型，并耦合平原河网整体模拟模型，基于各个模拟情景下的模拟参数进行模拟计算与求解，获得预定个水工程集群优化调度方案，形成水工程集群优化调度方案样本集合；
步骤S4、基于不同模拟情景下的水工程集群优化调度方案样本，提炼调度策略的规律性信息，制定平原河网水工程集群多目标调度规则。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、收集研究区域的研究数据，所述研究数据包括数字水网数据、DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据、人口密度数据、农业种植数据、社会经济发展数据以及耗水数据；
步骤S12、将研究区域的DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据导入ArcSWAT模块，生成研究区初始水系并划分研究区域成为N个子流域，构建初始的SWAT水文模型SWATV0，记为第一水文模型SWATV0；其中，N为自然数；
步骤S13、基于数字水网数据生成数字水网坐标系，并将数字水网坐标系转换成与划分的初始水系一致，根据数字水网数据校正初始水系，对平原水网存在往复流的河道增加第二流向属性，并在水系上加入水库、水闸、泵站、取水和排水节点，修正第一水文模型SWATV0，获得第一次改进的SWAT模型SWATV1，记为第二水文模型SWATV1；
步骤S14、针对第二水文模型SWATV1中每一个子流域增加取~用~耗~排模块，得到第二次改进模型SWATV2，记为第三水文模型SWATV2；
步骤S15、针对第三水文模型SWATV2中每一个水工程，构建调度运行模块，替换原有的水工程计算规则，得到第三次改进模型SWATV3，记为第四水文模型SWATV3。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、分别构建上游来水流量和研究区内降水量的边际分布，并通过拟合上游来水流量和研究区内降雨量的边际分布形成水情和雨情的联合概率分布，对拟合效果进行交叉检验，选取拟合度最高的分布作为水情和雨情的边际分布，并采用极大似然估计方法确定所选分布的参数；
步骤S22、采用Kendall相关系数、Spearman相关系数和Pearson相关系数交叉验证水情和雨情分析边缘函数间相关性，分析建立联合概率分布函数的置信水平；
步骤S23、构建水情和雨情的最优Copula函数；
步骤S24、采用DREAM算法以水情和雨情联合概率分布为先验分布，对水情和雨情的组合进行随机抽样，获取预定数量个模拟情景。
根据本申请的一个方面，所述步骤S23进一步为：
步骤S23a、采用包括ClaytonCopula、Gumbel-HougaardCopula、FrankCopula、t-Copula、GuassianCopula在内的Copula联合分布函数来分别构建水情和雨情的联合概率分布，并采用极大似然估计确定相应的参数；
步骤S23b、在确定Copula联合分布函数的参数值后，分别计算各自的理论联合概率值，计算水情和雨情的经验联合概率值，将计算得到的理论联合概率值与经验联合概率值绘制散点图，对Copula联合分布函数的拟合效果图进行比较，通过直观的比较理论联合概率值和经验联合概率值的拟合的优劣程度；
步骤S23c、对Copula联合分布函数进行初步拟合优度评价；同时，基于经验Copula函数，考察Copula联合分布函数的均方根误差RMSE，最终确定最优Copula联合分布函数。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、按丰、平、枯超越概率对水情和雨情的情景进行分类；
步骤S32、针对每一类情景设置水工程集群多目标优化调度的整体优化目标，以目标函数的形式表达，并以各个水工程安全运行为基本约束条件；
步骤S33、针对每一类情景，再将水工程集群按调度目标进行分类，并制定各工程启用标准；
步骤S34、针对每一类情景、每一类水工程，设置第四水文模型SWATV3，分别设置水工程调度运行模块中的目标函数，并以水工程自身特征参数值设置相应的约束条件；
步骤S35、以预定个模拟情景的模拟参数为输入，对整体模拟模型进行模拟计算，并耦合多目标遗传算法对水工程集群多目标优化调度模型迭代求解，获得预定个情景下水工程集群优化调度方案样本集。
根据本申请的一个方面，所述步骤S35进一步为：
步骤S35a、以预定个模拟情景的模拟参数为输入，对整体模拟模型进行模拟计算，模拟结果作为水工程集群多目标优化调度模型的输入，驱动优化调度模型；
步骤S35b、分别采用多种多目标遗传算法NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、ConstrainedNSGA-III、ENSGA-III、RVEA对构建起的多目标优化调度模型联合求解，获得非劣解集合；
步骤S35c、采用理想点法、模糊优选法和模糊物元法对非劣解集进行联合决策，优选出跨流域调水系统的多目标优化调度模型最优解；
步骤S35d、采集最优解对应的调度方案，作为模拟情景下的调度方案样本。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、设置整个平原河网水工程集群系统中的湖泊时段初水位、水库时段初水位、湖泊时段入湖径流、水库时段入库径流、片区需水量为状态变量，设置湖泊时段供水量、水工程时段供水量、水工程时段引水量为决策变量；
步骤S42、构建水工程集群调度规则提取BP人工神经网络模型，并基于不同情景下优化调度方案样本提取水工程集群调度规则；
步骤S43、修正提取的水工程集群调度规则，获得最终调度规则。
根据本申请的一个方面，所述步骤S42进一步为：
步骤S42a、根据状态变量设置BP人工神经网络的输入层，根据决策变量设置BP人工神经网络的输出层，隐含层数选定为a，采用RobertHecht-Nielsen公式给定隐含层节点数的初值，激励函数选取Sigmoid函数，自适应学习效率初值取b，构建水工程集群多目标调度规则提取的BP人工神经网络；
步骤S42b、将海量情景与对应的优化调度方案样本整理成BP神经网络的训练、校验样本，为提高网络的训练效率，将样本输入系列和输出系列进行归一化处理；
步骤S42c、将前三分之二的样本用作BP人工神经网络训练，后三分之一的样本用作BP人工神经网络校验，调整BP人工神经网络参数直至训练和校验阶段模拟结果与实际结果满足相关性大于c，纳什效率系数大于d；a、b、c和d为实数；
步骤S42d、采用训练和校验好的BP人工神经网络训练，基于不同情景下优化调度方案样本，提取水工程集群调度规则。
根据本申请的一个方面，所述步骤S43进一步为：
步骤S43a、同一时段，当湖泊接受其它水源补水的同时自身存在弃水时，若补水量大于弃水量则按补水量减去弃水量进行补水，若补水量小于弃水量则不补水；
步骤S43b、若受水区得到的供水量大于自身需水量，则根据各供水水源的供水比例缩减水源供水量，直至供需平衡；
步骤S43c、若时段引供水量超过了工程能力，则按上限控制，缩减相关水量；
步骤S43d、湖泊时段水量平衡计算结束后，若湖泊水位低于当月的下限水位，则酌情减少该水源的供水或加大补水，直至蓄水达到下限水位。
根据本申请的另一个方面，提供一种海量情景寻优的平原河网水工程集群多目标调度规则制定系统，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平原河网水工程集群多目标调度规则制定方法。
有益效果，采用平原河网水工程集群多目标调度规则制定方法，能够破解目前常用的水工程集群多目标调度规则制定方法在平原河网适应性不强的难题，同时拟合水情（上游来水流量）和雨情（研究区内降雨量）联合概率分布，随机抽样获取海量情景，针对情景寻优，而不是对全可行域寻优，在不损失精度的情况下极大地降低了求解维度；在原始SWAT模型的基础上增加了取-用-耗-排模块、改进了水工程模拟模块，提出改进的SWATV3模型，并耦合多目标优化调度模型，解决了目前现有水文水动力模型或优化调度模型难以准确模拟平原河网水工程集群所在流域及其自身调度过程的难题；利用BP人工神经网络多输入多输出的特性，基于不同情景下水工程集群优化调度方案样本，提取平原河网水工程集群多目标调度规则，解决了现有调度规则提取方法在平原河网水工程集群多目标调度规则提取上不适用的难题。
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
如图1所示，提出如下技术方案。根据本申请的一个方面，提供一种平原河网水工程集群多目标调度规则制定方法，其特征在于，包括如下步骤：
步骤S1、构建平原河网水工程集群整体模拟模型；
步骤S2、拟合水情（上游来水流量）和雨情（研究区内降雨量）联合概率分布，随机抽样获取海量情景；
步骤S3、构建平原河网水工程集群多目标优化调度模型，并耦合整体模拟模型，进行模拟计算与求解，获得海量情景下水工程集群优化调度方案样本集；
步骤S4、基于不同情景下水工程集群优化调度方案样本，提炼最优调度策略的规律性信息，制定平原河网水工程集群多目标调度规则。
根据本申请的一个方面所述步骤S1进一步为：
步骤S11、收集研究区域的数字水网数据、DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据，收集人口密度、农业种植、社会经济发展数据，耗水数据；
步骤S12、将研究区域的DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据导入ArcSWAT模块，生成研究区初始水系并划分研究区域成为N个子流域，构建初始的SWAT水文模型SWATV0；
步骤S13、将数字水网坐标系转换成与划分的初始水系一致，根据数字水网校正初始水系，对平原水网存在往复流的河道增加第二流向属性，并在水系上加入水库、水闸、泵站、取水、排水节点，修正SWATV0，获得第一次改进的SWAT模型SWATV1；
步骤S14、针对SWATV1中每一个子流域增加取~用~耗~排模块，得到第二次改进模型SWATV2；
步骤S15、针对SWATV2中每一个水工程，构建调度运行模块，替换原有的水工程计算规则，得到第三次改进模型SWATV3。
平原河网区地势平缓，集水区区分不明显，河湖水系复杂存在交叉、环装、往复流河流，不同类型的水工程繁多，现有的水文动力模型无法准确模拟平原河网水工程集群所在流域。
所述步骤S13进一步包括：
步骤S13a、基于数字水网构建基础水网拓扑，将水网拓扑中的节点进行分类，得到第一类节点和第二类节点，其中第一类节点为包含单项流动属性的节点，第二类节点为包含两种或以上流动属性的节点；
步骤S13b、为第二类类节点配置流向概率参数，形成流向概率集合；
步骤S13c、基于预配置的模型进行预训练，获得水网拓扑的主干流向拓扑，并采集主干流向拓扑的第一类节点和第二类节点的参数；
步骤S13d、基于主干流向拓扑的节点参数，修改SWATV0，获得第一次改进的SWAT模型SWATV1。
在本实施例中，在原版SWAT模型（SWATV0）的基础上修正了河流增加了水工程，构建出水文模型SWATV1，但其在取~用~耗~排模拟方面与原版SWAT模型一样，只能设置一个多年平均取水量，这种简化处理方法首先没有考虑取水量年际变化，无法反映人工取水量随着社会经济活动增强不断增加的事实；第二，缺失对水资源取~用~耗~排过程的模拟；第三，历史取用水资料往往难以获得，未来的用水需求更是要通过社会经济、人口、用水效率等数据估算，但模型无法直接接入这些数据。为解决上述问题，针对SWATV1中每一个子流域增加取~用~耗~排模块，构建水文模型SWATV2，其在水工程模拟方面与原版SWAT模型一样，提供了三种方式：第一种是按给定的实际日/月下泄流量计算；第二种是根据给定正常库容或水位，超过即出流；第三种是目标蓄水量法计算出流。三种方法均无法模拟水工程的优化调度过程。
因此在进一步的实施例中，针对SWATV2中每一个水工程，构建调度运行模块，替换原有的水工程计算规则，得到第三次改进模型SWATV3。
气象数据包括降水、气温、风速、湿度以及辐射，将气象数据特别是降水数据以及土壤属性数据、土壤类型数据、土地利用类型数据、地形数据输入水文模型SWATV3中，根据土壤数据、DEM、土地利用来划分水文计算单元，每一个水文计算单元在一定阈值下具有相同的土壤类型、土壤属性、土地利用类型和坡度，每一个水文计算单元就是一个计算单元，每一个集水区具有若干个水文计算单元，在计算单元里进行水量平衡计算，得到径流数据，再根据实际情况以一个或多个取水点作为取-用-耗-排模块的输入节点，以对应的排水节点作为取-用-耗-排模块的输出节点。针对每一个具有优化调度功能的水工程配置9套不同参数对应不同的9类情景，在计算过程中根据雨情和水情丰枯情况自动调用参数，其中参数包括水工程的启闭状态、调度目标以及约束条件。按照上下游的关系从上游第一个计算单元开始逐计算单元、逐取-用-耗-排模块、逐水工程依次进行水量平衡计算直至集水区的出口，获得集水区的径流过程和水资源利用过程。
根据本申请的一个方面所述步骤S14进一步为：
步骤S14a、以1日为计算步长，读取SWATV2中水源的可供水量，所述水源包括河道、水库、地下水、子流域外水源，然后依据社会经济数据计算需水量，以其中较小值确定取水量；
步骤S14b、将取水数据传递给用水子模块，计算生活用水、生产以及生态等的分配水量，其中生活用水包括城市和农村用水、生产包括第一、第二以及第三产业；
步骤S14c、根据各类行业用水量和耗水率计算对应的耗水量，模拟排水量；
步骤S14d、逐日循环计算。
根据本申请的一个方面所述步骤S15进一步为：
步骤S15a、水工程模块的输入为上游入流量，经过水工程调蓄，输出水工程出流量，采用目标函数和约束条件的形式定义水工程的运行过程；
步骤S15b、设置水工程特征参数，对约束条件赋值；
步骤S15c、以1小时为计算步长，在t+1时刻，通过读取t时刻的水工程的入流量、水位（库容）计算t+1时刻的出流量，并写入结果；
步骤S15d、如此循环整个计算时长。
根据本申请的一个方面所述步骤S2进一步为：
步骤S21、分别采用皮尔逊Ⅲ型分布、对数正态分布、广义极值分布、威布尔分布、Logistic分布拟合水情和雨情的边际分布，采用Kolmogorov-Smirnov检验和AndesonDarling检验对拟合效果进行交叉检验，选取拟合度最高的分布作为水情和雨情的边际分布，并采用极大似然估计方法确定所选分布的参数；
在本实施例中对雨情与水情流量进行边缘函数的拟合工作，选用水文中常见的五种边缘分布函数（P-Ⅲ分布、LOGN分布、GEV分布、Weibull分布、Logistic分布）对其进行拟合，最终确定各流量序列的最优边缘分布函数。
通过极大似然估计法确定年均流量序列及各月月均流量序列的五种分布函数各自的参数值，利用Kolmogorov-Smirnov检验及AndesonDarling检验对各时间序列流量数据的五种概率分布函数进行检验。通过比较五种概率密度函数原假设成立的概率值，最终确定水情与雨情的最优边缘分布函数，通过对边缘分布函数的拟合优选，选出拟合度最好的函数类型作为该变量的分布函数，为后续的联合概率分布函数的构建准确性服务。
步骤S22、采用Kendall相关系数、Spearman相关系数、Pearson相关系数交叉验证水情和雨情分析边缘函数间相关性，分析建立联合概率分布函数的置信水平；
对上一步骤计算得出的边缘分布函数进行检验，通常采用Kendall相关系数、Spearman相关系数或者Pearson相关系数，单独采用其中一种相关系数方法计算会存在误判的可能。
因此在本实施例中，同时采用Kendall相关系数、Spearman相关系数、Pearson相关系数分别确定雨情与水情各自边缘分布函数后，对两变量间相关性进行检验，计算各自相关系数，取三者几何空间重心作为综合相关系数。综合相关系数小于0.5认为水情和雨情序列之间的相关性较差，表明两种数据的同步性较差；综合相关系数大于0.5，认为相关系数较高，水情和雨情来水同频的可能性较高，即若水情处于丰水年时，雨情属于丰水或平水的可能性较大，但处于枯水可能性不能完全忽视。
步骤S23、构建水情和雨情的最优Copula函数；
步骤S24、采用DREAM算法以水情和雨情联合概率分布为先验分布，对水情+雨情的组合进行随机抽样，获取海量情景（大于预定数量M个模拟情景，或者说M大于预定值），
在一些实施例中，可以通过如下过程实现：
初始化DREAM算法的参数，包括马尔可夫链的数量、长度、初始值、步长因子、交叉概率等。
这些参数可以根据具体问题的特点和要求进行调整，一般来说，马尔可夫链的数量和长度越大，算法的探索能力越强，但是计算时间也越长；步长因子和交叉概率则影响算法的收敛速度和稳定性。
对每一条马尔可夫链，从先验分布中随机生成一个初始状态，即一个水情和雨情的组合。如果先验分布是均匀分布，则可以直接生成一个随机数；如果先验分布是其他类型的分布，则可以使用反函数法或拒绝采样法等方法生成一个随机数。
对每一条马尔可夫链，使用差分进化方法生成一个候选状态，即一个新的水情和雨情的组合。差分进化方法是一种基于差分向量和交叉操作的优化方法，其原理是利用两个已有状态之间的差异来更新当前状态。
对每一条马尔可夫链，使用Metropolis准则判断是否接受候选状态或保持当前状态。Metropolis准则是一种基于后验概率和接受概率的决策方法，其原理是优先选择后验概率较高的状态，同时也给予后验概率较低的状态一定的机会。
重复上述步骤，直到每一条马尔可夫链达到预设的长度。这样就得到了一个马尔可夫链矩阵，每一行代表一条马尔可夫链，每一列代表一个水情和雨情的组合。
对马尔可夫链矩阵进行一些必要的处理，如去除烧入期、降采样、合并等，以减少自相关性和冗余性。这样就得到了一个随机数矩阵，每一行代表一个水情和雨情的组合，每一列代表一个水情或雨情的变量。
对随机数矩阵中的每一个元素，使用反函数法将其转换为对应的水情或雨情变量的值。反函数法是一种根据概率分布函数生成随机数的方法，其原理是将随机数作为概率分布函数的累积分布函数值，求解其对应的自变量值。例如，如果上游来水流量服从正态分布N(100,10)，则可以使用反函数法将随机数转换为上游来水流量的值。
对转换后的随机数矩阵中的每一行，进行一些必要的检验和修正，以保证其符合实际情况和物理规律。例如，可以检验上游来水流量是否大于下游来水流量，是否满足质量守恒等条件，如果不满足，则进行相应的调整或舍弃。
将经过检验和修正后的随机数矩阵作为海量情景的数据集，用于后续的模拟计算和优化求解。
具体地，在某个实施例中，还可以通过如下过程实现：
步骤S24a、根据水情和雨情的联合概率分布函数，生成一个随机数矩阵，每一行代表一个水情和雨情的组合，每一列代表一个水情或雨情的变量。例如，如果水情有两个变量（上游来水流量和下游来水流量），雨情有一个变量（降雨量），则随机数矩阵有三列，每一行表示一个（上游来水流量，下游来水流量，降雨量）的组合。
步骤S24b、对随机数矩阵中的每一个元素，使用反函数法将其转换为对应的水情或雨情变量的值。反函数法是一种根据概率分布函数生成随机数的方法，其原理是将随机数作为概率分布函数的累积分布函数值，求解其对应的自变量值。例如，如果上游来水流量服从正态分布N(100,10)，则可以使用反函数法将随机数转换为上游来水流量的值。
步骤S24c：对转换后的随机数矩阵中的每一行，进行一些必要的检验和修正，以保证其符合实际情况和物理规律。例如，可以检验上游来水流量是否大于下游来水流量，是否满足质量守恒等条件，如果不满足，则进行相应的调整或舍弃。
步骤S24d：将经过检验和修正后的随机数矩阵作为海量情景的数据集，用于后续的模拟计算和优化求解。
根据本申请的一个方面所述步骤S23进一步为：
步骤S23a、采用ClaytonCopula、Gumbel-HougaardCopula、FrankCopula、t-Copula、GuassianCopula五种分布函数来构建水情和雨情的联合概率分布，并采用极大似然估计确定相应的参数；
步骤S23b、在确定五种Copula函数的参数值后，分别计算各自的理论联合概率值，计算水情和雨情的经验联合概率值，将计算得到的理论联合概率值与经验联合概率值绘制散点图，对五种Copula函数的拟合效果图进行比较，通过直观的比较理论联合概率值和经验联合概率值的拟合的优劣程度；
步骤S23c、对Cupula函数进行初步拟合优度评价；同时，基于经验Copula函数，考察五种分布函数的均方根误差RMSE，最终确定最优Copula函数。
Copula函数是构建联合分布的一种有效方法，它的优势在于能够灵活地构造边缘分布为任意分布的水文变量联合分布，边缘分布和相关性结构可以分开考虑，适用于正负相关性的计算。在本实施例中利用Copula函数构建雨情与水情流量的联合概率分布函数，为后续流量过程的计算提供相应的概率权重值。
单变量概率分布线型的选择是构建联合分布的第一步。针对径流数据而言，基于统计检验的结果分析，不同雨情与水情应该按照实际情况选择最适宜的分布形式。同时，结合检验方法的分析，最终确定边缘分布函数。
当确定各变量的边缘分布后，根据不同类型的Copula函数来连接不同变量的边缘分布，以构建联合分布函数。得到函数的参数便确定了Copula函数。依据选定的五种常用Copula函数，分别估计它们各自的参数值。本实施例中采用极大似然法对Copula函数参数进行估计。
基于雨情与水情流量序列的边缘分布，利用水文中常见的Copula函数，ClaytonCopula、Gumbel-HougaardCopula、FrankCopula、t-Copula、GuassianCopula五种分布函数来构建年均流量序列与各月月均流量序列的联合概率分布。并通过与经验Copula函数进行平方欧式距离计算进行拟合优度检验，确定最优联合概率分布函数。
(xi,yi),（i=1,2,…,n）是取自二维总体(X,Y)的样本。
记X,Y的经验分布函数分别为Fn(x)和Gn(y)，则样本的经验Copula函数如下：
Cn（u，v）=（1/n）∑n i=1（I[Fn(xi≤u)]*I[Gn(yi≤v)]）；
式中：u,v∈[0,1]，I是示性函数，当Fn(X_i)≤u时，I=1，否则为0。
基于经验Copula函数，考察ClaytonCopula、FrankCopula、Gumbel-HougaardCopula、t-Copula、GuassianCopula五种分布函数的均方根误差RMSE，所得到的5个数值分别反映了5类函数的拟合情况，数值越小，则表示该类Copula函数能更好地拟合数据。
在Copula函数使用过程中，还存在注入参数估计困难、模型选择主观性和高维情况相下复杂性的问题。上述实施例已经进行了描述，提供了解决方案。在本申请的另一实施例中，给出一种Copula函数参数估计、模型选择和高维处理的交叉验证方法，具体数据处理流程如下：
步骤1：采集或读取多变量数据，多变量数据包括水情、雨情、气温、风速等变量，变量可以来自于观测站、卫星、模型等来源；
步骤2：对多变量数据中的每个变量单独进行分析，确定它们的边缘分布；边缘分布可以是正态分布、对数正态分布、威布尔分布等分布，边缘分布可以用来描述变量的概率特征，如均值、方差、偏度等；
具体地，对于每个变量，首先绘制其直方图或密度图，观察其大致的分布形状，如是否对称、是否有峰值、是否有长尾等。然后根据其形状选择一个合适的候选分布，如正态分布、对数正态分布、威布尔分布等。对于每个变量和候选分布，使用最大似然法或矩估计法等方法来估计其参数值，如均值、方差、形状参数等。然后根据其参数值计算其边缘概率密度函数或边缘概率分布函数。对于每个变量和候选分布，使用信息准则或拟合优度检验等方法来评价其拟合效果，如AIC、BIC、KS检验等。然后根据其评价结果选择一个最优或次优的边缘分布作为输出。
步骤3：采用核方法估计copula参数，用一种非参数方法来估计copula函数的参数；
copula函数的参数包括相关系数、尺度参数等，参数可以用来描述变量之间的相关性强度和形式。即采用一种非参数方法来描述变量之间的相关性，而不需要假设copula函数的具体形式。
对于每一对变量(X,Y)，首先计算它们的经验分布函数FX(x)和FY(y)，以及它们的经验Copula函数C(u,v)，其中u=FX(x)，v=FY(y)。经验分布函数和经验copula函数可以通过对数据进行排序和插值得到。对于每一对变量(X,Y)，选择一个合适的核函数K(u,v)，如高斯核、多项式核、指数核等，并确定其带宽参数h。核函数可以用来衡量两个点之间的相似度或距离，带宽参数可以用来控制核函数的平滑程度。核函数和带宽参数可以根据数据特征和目标效果进行选择和调整。对于每一对变量(X,Y)，接着利用核函数K(u,v)和带宽参数h来近似Copula函数C(u,v)和边缘分布FX(x)和FY(y)。近似方法可以采用核密度估计法或核回归法等方法。对于每一对变量(X,Y)，最后根据近似得到的copula函数{C}(u,v)和边缘分布{F}X(x)和{F}Y(y)来计算copula函数的参数，如相关系数、尺度参数等。计算方法可以采用最大似然法或矩估计法等方法。
步骤4：采用交叉验证选择copula模型，采用评估模型泛化能力的方法来选择copula函数的类型；
copula函数的类型包括ClaytonCopula、Gumbel-HougaardCopula、FrankCopula等类型，类型可以用来描述变量之间的相关性结构，如上尾相关、下尾相关、对称相关等，
逐一针对候选的copula函数类型，首先确定其参数范围和取值间隔。然后在参数范围内遍历所有可能的参数值，对于每一个参数值，构造相应的copula函数。将多变量数据随机划分为K个大小相同的互斥子集（K为交叉验证的折数），每次随机地选择K-1份作为训练集，剩下的1份做测试集。当这一轮完成后，重新随机选择K-1份来训练数据。重复若干轮（小于K）之后，得到K个训练集和测试集的组合，K为大于1的自然数。对于每一个训练集和测试集的组合，利用训练集中的数据来估计copula函数的参数（如果有多个参数，则采用固定其他参数，只优化一个参数的方法），然后利用估计得到的Copula函数和边缘分布来计算测试集中数据的联合概率密度或联合概率分布，并根据其计算对数似然函数或其他评价指标。对于每一个copula函数，在所有训练集和测试集的组合上得到K个评价指标值（如对数似然函数值），将这K个值取平均得到该copula函数在该参数值下的平均评价指标值。在所有可能的参数值中选择使得平均评价指标值最大（或最小）的参数值作为该copula函数类型下最优的参数值。对于每一种候选的copula函数类型，在所有可能的参数值中选择使得平均评价指标值最大（或最小）的参数值和对应的copula函数作为该类型下最优的copula函数。在所有候选的copula函数类型中选择使得平均评价指标值最大（或最小）的类型和对应的copula函数作为最终的输出。
步骤5：采用变量选择筛选重要变量，构建并采用筛选出重要变量的方法来降低模型维度，增加模型解释性，减少模型复杂度。
变量选择是一种基于统计检验、正则化惩罚、机器学习等方法来评价变量重要性并剔除不重要变量的方法，它可以提高模型效率和稳健性；
针对每个变量，首先计算其与其他变量的相关系数矩阵。相关系数可以用来衡量两个变量之间的线性相关程度，其取值范围为[-1,1]，绝对值越大表示相关性越强。然后计算其与目标变量（如频率指标）的相关系数。目标变量可以是需要进行频率分析的指标，如联合概率、联合分位数、联合风险值等。目标变量与其他变量的相关系数可以用来衡量其他变量对目标变量的影响程度，其取值范围为[-1,1]，绝对值越大表示影响越大。接着计算其方差膨胀因子VIF。方差膨胀因子可以用来衡量一个变量是否受到其他变量的多重共线性影响，越接近1表示影响越小。最后综合考虑其与其他变量的相关系数、与目标变量的相关系数和方差膨胀因子，根据一定的标准或阈值来判断其是否为重要变量。重要变量可以保留，不重要变量可以剔除，从而得到筛选后的重要变量和对应的边缘分布和多变量数据。
步骤6：采用分解技术构造高维copula函数，用一种将高维copula函数分解为低维copula函数的方法来简化copula函数的构造和估计，分解技术是一种利用copula函数的结构特点，如嵌套性、混合性、条件混合性等，来将高维copula函数表示为低维copula函数的组合或条件概率的方法，它可以减少copula函数的参数数量和计算量；
对于筛选后的重要变量，首先确定其维度N和顺序，例如N=5，顺序为水情、气温、雨情、风速、湿度。然后根据其顺序将其转化为均匀分布的随机变量。对于均匀分布的随机变量，选择合适的分解方法，如嵌套法、混合法或条件混合法，确定其结构和层次，例如使用嵌套法，将高维copula函数分解为两层结构，第一层为二元copula函数，第二层为三元copula函数。对于每一层的低维copula函数，接着选择一个合适的copula类型，如ClaytonCopula、Gumbel-HougaardCopula、FrankCopula等，并根据步骤4中选择的评价指标和方法来估计其参数值，例如使用交叉验证法和对数似然函数作为评价指标，选择ClaytonCopula作为第一层copula类型，并估计其形状参数，选择Gumbel-HougaardCopula作为第二层copula类型，并估计其形状参数。最后根据选择的copula类型和估计得到的参数值来构造相应的copula函数，并将其组合成高维copula函数作为输出。
步骤7：采用稀疏技术压缩高维数据，用一种利用数据的稀疏性来降低复杂性的方法来压缩高维数据，稀疏技术是一种利用数据中的零元素或接近零元素，减少数据的存储和计算量，提高数据的压缩和恢复效果的方法。稀疏技术可以基于阈值、奇异值、字典等方法进行。对于高维copula函数，首先确定其结构和层次，使用嵌套法将高维copula函数分解为两层结构，第一层为二元copula函数，第二层为三元copula函数。对于每一层的低维copula函数，然后选择一个合适的稀疏化方法，如Lasso、Ridge、ElasticNet等，并确定其正则化参数。稀疏化方法可以用来对copula函数中的参数进行惩罚或约束，从而使得一些不重要或冗余的参数变为0或接近0。正则化参数可以用来控制稀疏化方法的强度或平衡。稀疏化方法和正则化参数可以根据数据特征和目标效果进行选择和调整。接着利用稀疏化方法和正则化参数来优化copula函数中的参数值（如果有多个参数，则采用固定其他参数，只优化一个参数的方法），然后利用优化得到的参数值来构造稀疏化后的copula函数，并将其组合成稀疏化后的高维copula函数作为输出。
步骤8：基于copula函数进行频率分析，用copula函数来进行频率分析，频率分析包括计算多变量的联合概率、联合分位数、联合风险值等指标，指标可以用来评估多变量的风险和不确定性。
针对稀疏化后的高维copula函数，首先确定其结构和层次，使用嵌套法将高维copula函数分解为两层结构，第一层为二元copula函数，第二层为三元copula函数。针对每一层的低维copula函数，然后根据其类型和参数值来计算其在给定点处的概率密度值或累积分布值。对于每一层的低维copula函数，接着根据其在给定点处的概率密度值或累积分布值来计算多变量在给定点处的联合概率密度值或累积分布值。对于多变量的联合概率密度值或累积分布值，最后根据其计算多变量的包括联合分位数和联合风险值在内的指标。
需要说明的是，步骤4至步骤8的数据处理过程，也可以用在上述实施例中。在此不再详述。
根据本申请的一个方面所述步骤S3进一步为：
步骤S31、按超越概率<25%（丰）、25%≤超越概率≤75%（平）、超越概率>75%（枯）对水情+雨情情景分类，共分为9类，即水情丰雨情丰、即水情丰雨情平、即水情丰雨情枯、即水情平雨情丰、即水情平雨情平、即水情平雨情枯、即水情枯雨情丰、即水情枯雨情平、即水情枯雨情枯；
步骤S32、针对每一类情景设置水工程集群多目标优化调度的整体优化目标，以目标函数的形式表达，并以各个水工程安全运行为基本约束条件；
步骤S33、针对每一类情景，再将水工程集群按调度目标进行分类，分为取水工程，调水工程以及防洪工程以及兼顾供水和防洪的综合工程，并制定各工程启用标准，如汛期来水较多，此时不需要考虑供水不足的问题，可以关闭调水工程，非汛期不需要考虑防洪可以关闭部分防洪工程；
步骤S34、针对每一类情景、每一类水工程，设置SWATV3分别设置水工程调度运行模块中的目标函数，并以水工程自身特征参数值设置相应的约束条件；
步骤S35、以海量情景为驱动，对整体模拟模型进行模拟计算，并耦合多目标遗传算法对水工程集群多目标优化调度模型迭代求解，获得海量情景下水工程集群优化调度方案样本集。
根据本申请的一个方面所述步骤S35进一步为：
步骤S35a、以海量情景为驱动，对整体模拟模型进行模拟计算，模拟结果作为水工程集群多目标优化调度模型的输入，驱动优化调度模型；
步骤S35b、采用多种多目标遗传算法NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、ConstrainedNSGA-III、ENSGA-III、RVEA对构建起的多目标优化调度模型联合求解，获得非劣解集合；
NSGA-Ⅲ算法主要流程如下：
步骤1）：根据结构化的方法产生参考点，考虑目标个数及在目标方向等分数，计算参考点的数目；
步骤2）：初始化过程中随机生成大小为N的父代种群Pt；
步骤3）：利用传统的交叉、变异等遗传操作生成大小为N的子代种群Qt，然后采用精英策略将子代种群与父代种群进行合并；
步骤4）：对合并后的种群进行快速非支配排序，利用参考点策略，选择出N个个体，得到一组靠近参考点的优化解集。
步骤5）：重复步骤2至4，直到达到停止标准，然后输出当前种群作为最终结果。
NSGA-III算法是多目标遗传算法中最现代的算法，其引入参考点方法，增强种群的多样性，克服了上一代算法拥挤距离不适用于高维空间的缺点，使算法在高维优化问题具有较好的表现，具有计算速度快、鲁棒性强、非劣最优解分布均匀等优点。同时，通过引入参考点方法，帕累托解集的多样性和收敛性得到了有效改善。
RVEA是一个基于参考向量的算法，类似NSGA-Ⅲ算法，该算法的三个主要组成部分为子代生成、参考向量引导选择和参考向量适应，主要流程如下：
步骤1）：设置基本参数，种群初始化；
步骤2）：设置中心向量Vc，偏好半径r，生成偏好向量；
步骤3）：利用传统的交叉、变异等遗传操作生成子代种群，然后采用精英策略将子代种群与父代种群进行合并；
步骤4）：目标值转化和群体划分。通过每个种群成员与N个参考向量中的一个进行关联，生成N个子种群。
步骤5）：计算角度惩罚距离（APD），将子种群中具有最小APD值的个体作为精英保留者，传递到下一代。
步骤6）：参考向量适应策略，求解下一代的第i个自适应参考向量.
步骤7）：重复步骤3至6，直到达到停止标准，然后输出当前种群作为最终结果。
RVEA作为多目标遗传算法中最现代的算法，其参考向量自适应策略在处理目标函数没有标准化的优化问题时表现出很高的效率，且能表达用户偏好。
在本实施例中采用多种不同的多目标遗传算法对构建起的多目标优化调度模型联合求解，能够避免单一算法有遗漏的情况发生，获得更全面的非劣解集合以供后续计算得到更加准确的结果。
步骤S35c、采用理想点法、模糊优选法、模糊物元法对非劣解集联合决策，优选出跨流域调水系统的多目标优化调度模型最优解；
理想点法（TOPSIS）又称优劣解距离法，该方法根据指标的性质和决策矩阵，分别确定一组最优的正理想方案和一组最劣的负理想方案，然后通过比较各方案距正、负理想方案的欧式距离来评判方案的优劣程度，据此实现多方案优选，理想点法具有计算简便、易于理解、实用性和可操作性强等优势，理想点法的特点在于其同时考虑了各候选方案与正、负理想点之间的距离，使得方案之间具有更高的辨识度；
模糊优选法是基于模糊集理论提出的一种多属性决策方法。该方法认为‘优’与‘劣’这一对立概念的划分在方案决策过程中并不存在绝对清晰的界限，具有中间过渡性，即客观存在的模糊性，其基本思想是通过相对隶属度和目标函数的极小化来确定各方案对优的隶属度，据此实现方案排序；
物元分析法是研究物元和求解不相容问题的一种方法，其理论框架由研究物元及其变化的物元理论和建立在可拓集合基础上的数学工具两个部分组成，主要思想是将解决问题的过程形式化，从而建立起相应的物元模型。模糊物元法是基于物元分析理论的一种多属性决策方法，该方法将模糊集理论与物元分析理论相结合，在物元分析的基础上还考虑了研究对象的模糊特性；
在本实施例中同时采用以上三种方法对得出的非劣解集进行联合决策，能够优选出最优的多目标优化调度模型。
步骤S35d、将优化调度对上一次模拟径流量的改变值传回整理模拟模型，再次进行整体模拟，再将模拟结果驱动优化调度模型，如此迭代计算，直至优化调度对上一次模拟径流量的改变值小于预设的阈值，迭代计算结束；
步骤S35e、采集最后一次的调度方案作为本次情景下的调度方案样本。
根据本申请的一个方面所述步骤S4进一步为：
步骤S41、设置整个平原河网水工程集群系统中的湖泊时段初水位、水库时段初水位、湖泊时段入湖径流、水库时段入库径流、片区需水量为状态变量，设置湖泊时段供水量、水工程时段供水量、水工程时段引水量为决策变量；
步骤S42、构建水工程集群调度规则提取BP人工神经网络模型，并基于不同情景下优化调度方案样本提取水工程集群调度规则；
步骤S43、修正提取的水工程集群调度规则，获得最终调度规则。
根据本申请的一个方面所述步骤S42进一步为：
步骤S42a、根据状态变量设置BP人工神经网络的输入层，根据决策变量设置BP人工神经网络的输出层，隐含层数选定为1，采用RobertHecht-Nielsen公式给定隐含层节点数的初值，激励函数选取Sigmoid函数，自适应学习效率初值取0.5，构建水工程集群多目标调度规则提取的BP人工神经网络；
步骤S42b、将海量情景与对应的优化调度方案样本整理成BP神经网络的训练、校验样本，为提高网络的训练效率，将样本输入系列和输出系列进行归一化处理；
步骤S42c、将前三分之二的样本用作BP人工神经网络训练，后三分之一的样本用作BP人工神经网络校验，调整BP人工神经网络参数直至训练和校验阶段模拟结果与实际结果，结果满足相关性大于0.7，纳什效率系数大于0.6；
步骤S42d、采用训练和校验好的BP人工神经网络训练，基于不同情景下优化调度方案样本，提取水工程集群调度规则。
运用BP人工神经网络提炼水工程集群多目标调度规则，本质上是建立决策变量与状态变量之间的统计相关关系，所得调度规则并不具有实际的物理意义，所以调度规则的某些模拟运行结果并不一定合理，如某一湖泊补水的同时存在弃水，这是不合理的，因此在本实施例中对调度规则不合理的运行结果进行修正。
根据本申请的一个方面所述步骤S43进一步为：
步骤S43a、同一时段，当湖泊接受其它水源补水的同时自身存在弃水时，若补水量大于弃水量则按补水量减去弃水量进行补水，若补水量小于弃水量则不补水；
步骤S43b、若受水区得到的供水量大于自身需水量，则根据各供水水源的供水比例缩减水源供水量，直至供需平衡；
步骤S43c、若时段引供水量超过了工程能力，则按上限控制，缩减相关水量；
步骤S43d、湖泊时段水量平衡计算结束后，若湖泊水位低于当月的下限水位，则酌情减少该水源的供水或加大补水，直至蓄水达到下限水位。
在进一步的实施例中，如需要更高分辨率的数据，可以根据研究区域的实际情况，选择合适的数据源和数据类型，如卫星遥感数据、无人机航拍数据、地面监测数据等，以提高数据的空间和时间分辨率。例如，可以使用MODIS卫星数据获取每日的降雨量、蒸发量、植被指数等数据，可以使用无人机航拍数据获取更精细的DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据等。
还可以对模拟模型进行灵敏度分析和不确定性分析：使用一些常用的灵敏度分析方法，如莫里斯法、索贝尔法、方差分解法等，对模型中的各个参数进行灵敏度评价，以确定哪些参数对模型输出有较大的影响。使用一些常用的不确定性分析方法，如蒙特卡罗法、贝叶斯法、模糊理论法等，对模型中的各个参数进行不确定性量化，以评估模型输出的可信度和稳健度。
在步骤S2中，除了使用Kendall相关系数、Spearman相关系数、Pearson相关系数等常用的相关性检验方法外，还可以使用一些其他的统计检验方法，如偏相关系数、共整合检验、因果关系检验等，以验证水情和雨情分析边缘函数间相关性。同时，还可以使用一些常用的拟合优度检验方法，如Kolmogorov-Smirnov检验、Anderson-Darling检验、Shapiro-Wilk检验等，以验证拟合效果和参数估计的有效性。
也可以使用更多的Copula函数：除了使用ClaytonCopula、Gumbel-HougaardCopula、FrankCopula、t-Copula、GuassianCopula等常用的Copula函数外，还可以使用一些其他的Copula函数，如ArchimedeanCopula族中的Ali-Mikhail-HaqCopula、JoeCopula等，以及非ArchimedeanCopula族中的PlackettCopula、Husler-ReissCopula等，以增加模型的灵活性和适应性。
在步骤S3中，可以使用更多的目标函数和约束条件：根据流域内的多方利益和需求，可以设置更多的目标函数和约束条件，以反映流域内的多目标优化调度问题。例如，可以设置防洪目标函数为最小化洪峰流量或最大化洪水安全系数；供水目标函数为最大化供水量或最小化供水缺口；水环境目标函数为最小化污染物浓度或最大化水质指标；水生态目标函数为最大化生态需水量或最小化生态损失等。同时，可以设置一些其他的约束条件，如水工程之间的协调约束、水资源利用效率约束、社会经济发展约束等。
或者使用更多的多目标优化算法和决策方法：除了使用NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、ConstrainedNSGA-III、ENSGA-III、RVEA等常用的多目标优化算法外，还可以使用一些其他的多目标优化算法，如SPEA2、MOEA/D、MOPSO等，以提高求解效率和质量。同时，除了使用理想点法、模糊优选法、模糊物元法等常用的决策方法外，还可以使用一些其他的决策方法，如层次分析法、TOPSIS法、VIKOR法等，以提高决策合理性和可靠性。
在步骤S4中，除了使用BP人工神经网络等常用的机器学习方法外，还可以使用一些其他的机器学习方法，如支持向量机、随机森林、深度神经网络等，以提高规则的准确性和普适性。这些方法可以利用更多的特征和更复杂的结构来拟合数据中的规律性信息，同时也可以利用一些技术来防止过拟合和欠拟合，如正则化、交叉验证、集成学习等。
在本申请的另一实施例中，可以使用Mike11、HEC-RAS等模型来提高提高模拟精度和灵活性。具体的数据处理流程如下：
创建新的研究模块，导入研究区域的数字水网数据、DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据等。
编辑河网结构，包括河道长度、宽度、坡度、糙率等参数，以及水库、水闸、泵站、取水和排水节点等水工建筑物的位置和属性。编辑河道断面，包括断面形状、高程、位置等参数，以及桥梁、涵管等水工建筑物的几何尺寸和位置。模拟流域产汇流过程，包括降雨、蒸发、下渗、径流等过程，以及取~用~耗~排模块来模拟人类活动对水资源的影响。模拟河网水动力过程，包括水位、流量、流速等参数的时空变化，以及水工建筑物的调度运行规则。查看和分析模拟结果，包括水面线图、流量图、剖面图等，并导出所需的数据和图形。
除了使用专家知识、历史经验、模拟验证等常用的规则修正方法外，还可以使用一些其他的规则修正方法，如规则简化、规则剪枝、规则融合等，以提高规则的合理性和可操作性。这些方法可以利用一些技术来消除或减少规则中的冗余和矛盾，如信息增益、信度测试、置信度测试等。
根据本申请的另一个方面，提供一种基于海量情景寻优的平原河网水工程集群多目标调度规则制定系统，其特征在于，包括：
至少一个处理器；以及
与至少一个所述处理器通信连接的存储器；其中，
所述存储器存储有可被所述处理器执行的指令，所述指令用于被所述处理器执行以实现上述任一项所述的平原河网水工程集群多目标调度规则制定方法。
总之，本发明提出了一种平原河网水工程集群多目标调度规则制定方法及系统，解决目前存在的上述问题，提高平原河网水工程集群多目标调度规则的可操作性和调度效益。
针对第一个难题，拟合水情（上游来水流量）和雨情（研究区内降雨量）联合概率分布，随机抽样获取海量情景，针对情景寻优，而不是对全可行域寻优，在不损失精度的情况下极大地降低了求解维度。
针对第二和第三个难题，在原始SWAT模型的基础上增加了取-用-耗-排模块、改进了水工程模拟模块，提出改进的SWATV3模型，并耦合多目标优化调度模型，对整个系统进行全过程的模拟，通过迭代求解获得平原河网水工程集群多目标调度方案。
针对第三个和第四个难题，本发明利用BP人工神经网络多输入多输出的特性，基于不同情景下水工程集群优化调度方案样本，提炼最优调度策略的规律性信息，制定平原河网水工程集群多目标调度规则。
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.平原河网水工程集群多目标调度规则制定方法，其特征在于，包括如下步骤：
步骤S1、确定研究区域并采集研究数据，构建用于平原河网水工程集群模拟的平原河网整体模拟模型；
步骤S2、拟合水情和雨情联合概率分布，形成水情和雨情联合概率分布模型，随机抽样获取预定个模拟情景和对应每个模拟情景的模拟参数；
步骤S3、构建平原河网水工程集群多目标优化调度模型，并耦合平原河网整体模拟模型，基于各个模拟情景下的模拟参数进行模拟计算与求解，获得预定个水工程集群优化调度方案，形成水工程集群优化调度方案样本集合；
步骤S4、基于不同模拟情景下的水工程集群优化调度方案样本，提炼调度策略的规律性信息，制定平原河网水工程集群多目标调度规则。
2.如权利要求1所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S1进一步为：
步骤S11、收集研究区域的研究数据，所述研究数据包括数字水网数据、DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据、人口密度数据、农业种植数据、社会经济发展数据以及耗水数据；
步骤S12、将研究区域的DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据导入ArcSWAT模块，生成研究区初始水系并划分研究区域成为N个子流域，构建初始的SWAT水文模型SWATV0，记为第一水文模型SWATV0；其中，N为自然数；
步骤S13、基于数字水网数据生成数字水网坐标系，并将数字水网坐标系转换成与划分的初始水系一致，根据数字水网数据校正初始水系，对平原水网存在往复流的河道增加第二流向属性，并在水系上加入水库、水闸、泵站、取水和排水节点，修正第一水文模型SWATV0，获得第一次改进的SWAT模型SWATV1，记为第二水文模型SWATV1；
步骤S14、针对第二水文模型SWATV1中每一个子流域增加取~用~耗~排模块，得到第二次改进模型SWATV2，记为第三水文模型SWATV2；
步骤S15、针对第三水文模型SWATV2中每一个水工程，构建调度运行模块，替换原有的水工程计算规则，得到第三次改进模型SWATV3，记为第四水文模型SWATV3。
3.如权利要求1所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S2进一步为：
步骤S21、分别构建上游来水流量和研究区内降水量的边际分布，并通过拟合上游来水流量和研究区内降雨量的边际分布形成水情和雨情的联合概率分布，对拟合效果进行交叉检验，选取拟合度最高的分布作为水情和雨情的边际分布，并采用极大似然估计方法确定所选分布的参数；
步骤S22、采用Kendall相关系数、Spearman相关系数和Pearson相关系数交叉验证水情和雨情分析边缘函数间相关性，分析建立联合概率分布函数的置信水平；
步骤S23、构建水情和雨情的最优Copula函数；
步骤S24、采用DREAM算法以水情和雨情联合概率分布为先验分布，对水情和雨情的组合进行随机抽样，获取预定数量个模拟情景。
4.如权利要求3所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S23进一步为：
步骤S23a、采用包括ClaytonCopula、Gumbel-HougaardCopula、FrankCopula、t-Copula、GuassianCopula在内的Copula联合分布函数来分别构建水情和雨情的联合概率分布，并采用极大似然估计确定相应的参数；
步骤S23b、在确定Copula联合分布函数的参数值后，分别计算各自的理论联合概率值，计算水情和雨情的经验联合概率值，将计算得到的理论联合概率值与经验联合概率值绘制散点图，对Copula联合分布函数的拟合效果图进行比较，通过直观的比较理论联合概率值和经验联合概率值的拟合的优劣程度；
步骤S23c、对Copula联合分布函数进行初步拟合优度评价；同时，基于经验Copula函数，考察Copula联合分布函数的均方根误差RMSE，最终确定最优Copula联合分布函数。
5.如权利要求1所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S3进一步为：
步骤S31、按丰、平、枯超越概率对水情和雨情的情景进行分类；
步骤S32、针对每一类情景设置水工程集群多目标优化调度的整体优化目标，以目标函数的形式表达，并以各个水工程安全运行为基本约束条件；
步骤S33、针对每一类情景，再将水工程集群按调度目标进行分类，并制定各工程启用标准；
步骤S34、针对每一类情景、每一类水工程，设置第四水文模型SWATV3，分别设置水工程调度运行模块中的目标函数，并以水工程自身特征参数值设置相应的约束条件；
步骤S35、以预定个模拟情景的模拟参数为输入，对整体模拟模型进行模拟计算，并耦合多目标遗传算法对水工程集群多目标优化调度模型迭代求解，获得预定个情景下水工程集群优化调度方案样本集。
6.如权利要求5所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S35进一步为：
步骤S35a、以预定个模拟情景的模拟参数为输入，对整体模拟模型进行模拟计算，模拟结果作为水工程集群多目标优化调度模型的输入，驱动优化调度模型；
步骤S35b、分别采用多种多目标遗传算法NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、ConstrainedNSGA-III、ENSGA-III、RVEA对构建起的多目标优化调度模型联合求解，获得非劣解集合；
步骤S35c、采用理想点法、模糊优选法和模糊物元法对非劣解集进行联合决策，优选出跨流域调水系统的多目标优化调度模型最优解；
步骤S35d、采集最优解对应的调度方案，作为模拟情景下的调度方案样本。
7.如权利要求1所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S4进一步为：
步骤S41、设置整个平原河网水工程集群系统中的湖泊时段初水位、水库时段初水位、湖泊时段入湖径流、水库时段入库径流、片区需水量为状态变量，设置湖泊时段供水量、水工程时段供水量、水工程时段引水量为决策变量；
步骤S42、构建水工程集群调度规则提取BP人工神经网络模型，并基于不同情景下优化调度方案样本提取水工程集群调度规则；
步骤S43、修正提取的水工程集群调度规则，获得最终调度规则。
8.如权利要求7所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S42进一步为：
步骤S42a、根据状态变量设置BP人工神经网络的输入层，根据决策变量设置BP人工神经网络的输出层，隐含层数选定为a，采用RobertHecht-Nielsen公式给定隐含层节点数的初值，激励函数选取Sigmoid函数，自适应学习效率初值取b，构建水工程集群多目标调度规则提取的BP人工神经网络；
步骤S42b、将海量情景与对应的优化调度方案样本整理成BP神经网络的训练、校验样本，为提高网络的训练效率，将样本输入系列和输出系列进行归一化处理；
步骤S42c、将前三分之二的样本用作BP人工神经网络训练，后三分之一的样本用作BP人工神经网络校验，调整BP人工神经网络参数直至训练和校验阶段模拟结果与实际结果满足相关性大于c，纳什效率系数大于d；a、b、c和d为实数；
步骤S42d、采用训练和校验好的BP人工神经网络训练，基于不同情景下优化调度方案样本，提取水工程集群调度规则。
9.如权利要求7所述的平原河网水工程集群多目标调度规则制定方法，其特征在于，所述步骤S43进一步为：
步骤S43a、同一时段，当湖泊接受其它水源补水的同时自身存在弃水时，若补水量大于弃水量，则按补水量减去弃水量进行补水；若补水量小于弃水量，则不补水；
步骤S43b、若受水区得到的供水量大于自身需水量，则根据各供水水源的供水比例缩减水源供水量，直至供需平衡；
步骤S43c、若时段引供水量超过了工程能力，则按上限控制，缩减相关水量；
步骤S43d、湖泊时段水量平衡计算结束后，若湖泊水位低于当月的下限水位，则减少该水源的供水或加大补水，直至蓄水达到下限水位。
10.基于海量情景寻优的平原河网水工程集群多目标调度规则制定系统，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至9任一项所述的平原河网水工程集群多目标调度规则制定方法。
CN202311295594.9A 2023-10-09 2023-10-09 平原河网水工程集群多目标调度规则制定方法及系统 Active CN117035201B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311295594.9A CN117035201B (zh) 2023-10-09 2023-10-09 平原河网水工程集群多目标调度规则制定方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311295594.9A CN117035201B (zh) 2023-10-09 2023-10-09 平原河网水工程集群多目标调度规则制定方法及系统

Publications (2)

Publication Number Publication Date
CN117035201A true CN117035201A (zh) 2023-11-10
CN117035201B CN117035201B (zh) 2023-12-08

Family

ID=88637731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311295594.9A Active CN117035201B (zh) 2023-10-09 2023-10-09 平原河网水工程集群多目标调度规则制定方法及系统

Country Status (1)

Country Link
CN (1) CN117035201B (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575297A (zh) * 2024-01-16 2024-02-20 水利部水利水电规划设计总院 区域水网系统调水受水区供水水源组成的识别方法及系统
CN117852723A (zh) * 2024-03-04 2024-04-09 安徽金海迪尔信息技术有限责任公司 一种大型水库工程生态调度方案的确定方法
CN117910711A (zh) * 2024-03-20 2024-04-19 长江水利委员会长江科学院 均衡风险与效益的汛期水位智能动态控制模型的构建方法
CN117952260A (zh) * 2024-01-19 2024-04-30 水利部水利水电规划设计总院 基于模拟与优化的水网系统水流多层次调配方法及系统
CN118014326A (zh) * 2024-04-09 2024-05-10 水利部水利水电规划设计总院 水网系统中江河流域水资源调度计划编制方法及系统
CN118095973A (zh) * 2024-04-29 2024-05-28 水利部交通运输部国家能源局南京水利科学研究院 一种耦合降维理论的水文丰枯遭遇概率计算方法
CN118153734A (zh) * 2024-01-19 2024-06-07 水利部水利水电规划设计总院 水网调蓄工程群多目标优化调度规则提取方法
CN118657356A (zh) * 2024-08-20 2024-09-17 河海大学 流域大规模复杂防洪系统实时风险调度方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073387A1 (en) * 2011-09-15 2013-03-21 Stephan HEATH System and method for providing educational related social/geo/promo link promotional data sets for end user display of interactive ad links, promotions and sale of products, goods, and/or services integrated with 3d spatial geomapping, company and local information for selected worldwide locations and social networking
CN113626923A (zh) * 2021-08-16 2021-11-09 河海大学 一种平原河网区域水资源调度精准率计算与提升方法
CN115271304A (zh) * 2022-05-18 2022-11-01 西安理工大学 基于气候变化的跨流域调水工程优化调度方法
CN115577906A (zh) * 2022-09-09 2023-01-06 河海大学 一种河网-湖荡耦合区域联合优化调度方案的评价方法
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130073387A1 (en) * 2011-09-15 2013-03-21 Stephan HEATH System and method for providing educational related social/geo/promo link promotional data sets for end user display of interactive ad links, promotions and sale of products, goods, and/or services integrated with 3d spatial geomapping, company and local information for selected worldwide locations and social networking
CN113626923A (zh) * 2021-08-16 2021-11-09 河海大学 一种平原河网区域水资源调度精准率计算与提升方法
CN115271304A (zh) * 2022-05-18 2022-11-01 西安理工大学 基于气候变化的跨流域调水工程优化调度方法
CN115577906A (zh) * 2022-09-09 2023-01-06 河海大学 一种河网-湖荡耦合区域联合优化调度方案的评价方法
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

Non-Patent Citations (13)

* Cited by examiner, † Cited by third party
Title
JIAXUN GUO, LACHUN WANG, LONG YANG, JIANCAI DENG: "Spatial-temporal characteristics of nitrogen degradation in typical Rivers of Taihu Lake Basin, China", SCIENCE OF THE TOTAL ENVIRONMENT, vol. 713, pages 1 - 8 *
MINGLIN CAO; WEIFENG LIU; BIN XU; LACHUN WANG; YANG ZHANG; YU ZHANG: "Multi-scenario optimization model for operation of inter-basin water transfer-supply systems considering cost–benefit relationships", JOURNAL OF WATER AND CLIMATE CHANGE, vol. 14, no. 08, pages 2872 *
TAO WU, BAOLIN SU, HUAXIN WU, SHENGRUI WANG: "Scenario optimization of water supplement and outflow management in the Yilong Lake based on the EFDC model", HYDROLOGY RESEARCH, vol. 53, no. 04, pages 519 - 531 *
YU-HU ZHANG; HAI-FENG JIA; CONG YANG: "Assessment of spatial-temporal variations in surface water quality of Luzhi river system in Plain River-Net Areas, Suzhou, China", 2011 INTERNATIONAL CONFERENCE ON REMOTE SENSING, ENVIRONMENT AND TRANSPORTATION ENGINEERING, pages 2002 - 2005 *
倪晋;虞邦义;顾李华;李京兵;: "淮河中游汛期――非汛期洪污调度数学模型", 水利水电技术, no. 07, pages 136 - 143 *
徐大伟;: "浅谈平原河网地区防洪系统的调度", 吉林水利, no. 08, pages 37 - 39 *
曹明霖;徐斌;王腊春;储晨雪;杜宝义: "跨区域调水多水源水库群系统供水联合优化调度多情景优化模型研究与应用", 南水北调与水利科技, vol. 17, no. 06, pages 54 - 61 *
曾春芬;马劲松;杨树滩;耿建萍;常本春;王腊春;: "南水北调东线江苏段水资源优化调度与配置研究新探", 江苏水利, no. 05, pages 43 - 46 *
李天成;钟平安;吴业楠;朱非林;曹明霖;马彪: "基于产流机制的中长期径流预测RBF神经网络模型研究", 水力发电, vol. 43, no. 03, pages 13 - 17 *
葛铭坤;: "平原河网水利工程精细化管理研究", 珠江水运, no. 07, pages 15 - 16 *
陈吉江;阮登泉: "滨海平原河网闸群优化调度设计", 浙江水利科技, vol. 48, no. 05, pages 54 - 58 *
雷四华;刘恒;吴永祥;钟华平;: "以调水线路为轴的区域水资源实时分析技术探讨", 南水北调与水利科技, no. 01, pages 18 - 21 *
马超;唐志波;徐奎;贺蔚;赵明: "平原地区城市河网水环境改善的补水调度策略研究——以天津市中心城区河网为例", 南水北调与水利科技, vol. 15, no. 06, pages 81 - 87 *

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117575297A (zh) * 2024-01-16 2024-02-20 水利部水利水电规划设计总院 区域水网系统调水受水区供水水源组成的识别方法及系统
CN117575297B (zh) * 2024-01-16 2024-04-23 水利部水利水电规划设计总院 区域水网系统调水受水区供水水源组成的识别方法及系统
CN117952260A (zh) * 2024-01-19 2024-04-30 水利部水利水电规划设计总院 基于模拟与优化的水网系统水流多层次调配方法及系统
CN118153734A (zh) * 2024-01-19 2024-06-07 水利部水利水电规划设计总院 水网调蓄工程群多目标优化调度规则提取方法
CN117852723A (zh) * 2024-03-04 2024-04-09 安徽金海迪尔信息技术有限责任公司 一种大型水库工程生态调度方案的确定方法
CN117852723B (zh) * 2024-03-04 2024-05-28 安徽金海迪尔信息技术有限责任公司 一种大型水库工程生态调度方案的确定方法
CN117910711A (zh) * 2024-03-20 2024-04-19 长江水利委员会长江科学院 均衡风险与效益的汛期水位智能动态控制模型的构建方法
CN118014326A (zh) * 2024-04-09 2024-05-10 水利部水利水电规划设计总院 水网系统中江河流域水资源调度计划编制方法及系统
CN118014326B (zh) * 2024-04-09 2024-05-31 水利部水利水电规划设计总院 水网系统中江河流域水资源调度计划编制方法及系统
CN118095973A (zh) * 2024-04-29 2024-05-28 水利部交通运输部国家能源局南京水利科学研究院 一种耦合降维理论的水文丰枯遭遇概率计算方法
CN118657356A (zh) * 2024-08-20 2024-09-17 河海大学 流域大规模复杂防洪系统实时风险调度方法及系统

Also Published As

Publication number Publication date
CN117035201B (zh) 2023-12-08

Similar Documents

Publication Publication Date Title
CN117035201B (zh) 平原河网水工程集群多目标调度规则制定方法及系统
CN108304668B (zh) 一种结合水文过程数据和历史先验数据的洪水预测方法
CN106650767B (zh) 基于聚类分析和实时校正的洪水预报方法
Hakimi-Asiabar et al. Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm
CN108764515A (zh) 一种耦合数值气象水文集合预报的水库调度风险决策方法
CN113705877B (zh) 基于深度学习模型的实时月径流预报方法
CN112418491B (zh) 一种水库剩余拦沙库容动态配置方法
CN110942194A (zh) 一种基于tcn的风电预测误差区间评估方法
CN116976529B (zh) 基于供需预测动态校正的跨流域调水方法和系统
Liao et al. Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique
Li et al. A novel hybrid model for multi-step ahead photovoltaic power prediction based on conditional time series generative adversarial networks
Lopes et al. Artificial neural networks approaches for predicting the potential for hydropower generation: a case study for Amazon region
CN113554466A (zh) 一种短期用电量预测模型构建方法、预测方法和装置
CN115115125A (zh) 基于深度学习融合模型的光伏功率区间概率预测方法
CN115310532A (zh) 一种基于时空关联混合深度学习模型的流域多点预测预警方法
CN115310536A (zh) 基于神经网络和gcn深度学习模型的水库水位预测预警方法
CN115329930A (zh) 一种基于混合深度学习模型的洪水过程概率预报方法
Ma et al. A hybrid deep learning model based on feature capture of water level influencing factors and prediction error correction for water level prediction of cascade hydropower stations under multiple time scales
Ni et al. An improved attention-based bidirectional LSTM model for cyanobacterial bloom prediction
CN117808214A (zh) 水利工程数据分析系统
Ghose et al. Performance Evaluation of hybrid ANFIS model for Flood Prediction
Badyalina et al. Streamflow estimation at ungauged basin using modified group method of data handling
CN118017482A (zh) 基于预测误差特征提取的灵活性爬坡容量需求分析方法
Ünes Dam reservoir level modeling by neural network approach: A case study
CN113112085A (zh) 一种基于bp神经网络的新能源场站发电负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant