CN117094119A - 考虑发电、生态流量和表面水温的水库调度方法及计算机 - Google Patents
考虑发电、生态流量和表面水温的水库调度方法及计算机 Download PDFInfo
- Publication number
- CN117094119A CN117094119A CN202310774016.7A CN202310774016A CN117094119A CN 117094119 A CN117094119 A CN 117094119A CN 202310774016 A CN202310774016 A CN 202310774016A CN 117094119 A CN117094119 A CN 117094119A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- water temperature
- power generation
- surface water
- flow
- 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
- 239000002352 surface water Substances 0.000 title claims abstract description 125
- 238000010248 power generation Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 57
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 188
- 238000005457 optimization Methods 0.000 claims abstract description 44
- 241000251468 Actinopterygii Species 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 81
- 230000006870 function Effects 0.000 claims description 34
- 239000002131 composite material Substances 0.000 claims description 14
- 238000004088 simulation Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 230000002222 downregulating effect Effects 0.000 claims description 10
- 230000001105 regulatory effect Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 2
- 241000195493 Cryptophyta Species 0.000 abstract description 13
- 238000010276 construction Methods 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 15
- 230000005855 radiation Effects 0.000 description 13
- 238000009826 distribution Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 241000209094 Oryza Species 0.000 description 7
- 235000007164 Oryza sativa Nutrition 0.000 description 7
- 235000009566 rice Nutrition 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000005273 aeration Methods 0.000 description 1
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 231100000331 toxic Toxicity 0.000 description 1
- 230000002588 toxic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 239000002351 wastewater Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Geometry (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种考虑发电、生态流量和表面水温的水库调度方法，涉及水库水环境管理技术领域，通过分析明确水库发电、生态流量和表面水温的多优化目标，并构建多目标优化模型，利用NSGAII多目标优化算法进行求解得到待优化参数的最优值；基于所述待优化参数的最优值对水库进行调度控制；本发明通过多目标优化方法量化水库发电、生态流量和表面水温之间的竞争协同关系，并通过分析选定能够平衡水库发电、生态流量和表面水温的水库调度规则，在保证水库发电量的同时，保障了水库下游鱼类的生长环境，同时降低了库区藻类过度繁殖的风险，促进了水库建设的可持续发展。
Description
技术领域
本发明涉及水库水环境管理技术领域，特别是涉及一种考虑发电、生态流量和表面水温的水库调度方法及计算机。
背景技术
水库建设在为社会经济发展提供大量电能的同时，也给生态环境带来了诸多负面影响。例如在水库调度过程中，会在汛期进行蓄水以提高发电量，但这使得汛期下游流量减小，如此不利于鱼类的洄游产卵，造成鱼类多样性显著降低，因此要求水库在进行发电调度时要满足最小的“生态流量”需求；同时水库蓄水还会造成库区夏季表面水温显著升高、垂向水温分层，使库区有毒蓝藻增多、深层水体缺氧、水质恶化等负面影响，对此，人们尝试探明水库水位和流量的变化对水温的影响，并尝试通过降低水位与增大下泄流量来减弱水温分层，从而缓解水温引发的环境问题，但这一定程度上也降低了发电量。
由此可见水库发电量、生态流量、表面水温之间存在复杂的竞争协同关系，如何平衡水库发电量、生态流量、表面水温之间的关系，是促进水库建设可持续发展的重中之重；然而，目前并没有一种能够量化三者之间复杂竞争协同关系，综合考虑水库发电、生态流量和表面水温的水库调度方法。
发明内容
本发明的目的是提供一种考虑发电、生态流量和表面水温的水库调度方法，平衡了水库调度中的发电量、生态流量和表面水温，促进了水库建设的可持续发展。
为实现上述目的，本发明提供了如下方案：
一种考虑发电、生态流量和表面水温的水库调度方法，所述水库调度方法包括以下步骤：
构建水库多目标优化调度模型；所述水库多目标优化调度模型包括最大水库发电量子目标函数、最大生态流量保证率子目标函数和最少高表面水温天数子目标函数；所述最大发电量子目标函数、所述最大生态流量保证率子目标函数和所述最少高表面水温天数子目标函数均为与水库调度规则中的待优化参数相关的函数。
采用NSGAII多目标优化算法，求解所述水库多目标优化调度模型，得到所述待优化参数的最优值。
基于所述待优化参数的最优值对水库进行调度控制。
可选地，所述水库调度规则中包括降低出力区、标准出力区、第一加大出力区及第二加大出力区，每一区间对应一出力控制线，每一出力控制线对应一蓄水量基础水量、一蓄水量下调时刻、一蓄水量下调后的水量、一蓄水量上调时刻以及一出力系数；各所述出力控制线对应的蓄水量基础水量、蓄水量下调时刻、蓄水量下调后的水量、蓄水量上调时刻以及出力系数组成所述待优化参数。
可选地，所述最大水库发电量子目标函数如下：
Pt＝3600×(QGt/R)ht
其中，HB为水库发电量，Pt为t月发电出力，Δt1为t月的总发电小时数，QGt为t月水库发电流量，R为水库发电耗水率，ht为t月上下游水位差。
可选地，t月发电出力计算公式如下：
其中，0<c1<1<c2<c3，Smin<St<Smax，St为t月月初蓄水量，Smin为水库允许最低库容，Smax为水库最大库容，Zone1为降低出力区，Zone2为标准出力区，Zone3为第一加大出力区，Zone4为第二加大出力区，Pg为水库发电保证出力。
可选地，所述最大生态流量保证率子目标函数如下：
其中，FR为生态流量保证率，a和b分别为鱼类产卵季的起始月份和结束月份，QRt为t月水库下泄流量，QReco为生态流量。
可选地，所述最少高表面水温天数子目标函数如下：
其中，TD为高表面水温天数，D为每年总天数，SWTd为d日的表面水温；所述高表面水温天数为表面水温大于等于25℃的天数。
可选地，所述水库调度方法还包括：
基于表面水温模拟模型计算水库表面水温；所述表面水温模拟模型根据气象数据、水文数据与水温的关系构建，所述水文数据包括入库流量、下泄流量以及水位。
可选地，所述利用NSGAII多目标优化算法，求解所述水库多目标优化模型，具体包括：
生成包括若干个个体的初始种群；所述初始种群中，每一个体对应一组水库调度规则中的待优化参数。
针对任一个体，计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数。
根据初始种群中各个体对应的发电量、生态流量保证率和高表面水温天数，对所述初始种群进行非支配排序与拥挤度排序。
将所述初始种群作为父代种群。
对所述父代种群中的个体进行选择操作、交叉操作和变异操作，得到子代种群。
将所述子代种群与所述父代种群进行合并，得到个体数为2N的复合种群。
对所述复合种群中的任一个体，计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数。
根据复合种群中各个体对应的发电量、生态流量保证率和高表面水温天数，对所述复合种群进行非支配排序与拥挤度排序，取前N个个体作为中间种群。
将所述中间种群作为新的父代种群，跳转到所述步骤“对所述父代种群中的个体进行选择操作、交叉操作和变异操作，得到子代种群”，直至达到预设迭代次数，得到最优个体。
可选地，在计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数时，满足下述约束：
St+1＝St+(QIt-QRt)·Δt2
QRt＝QGt+QSt
QRt,QGt,QSt,St≥0
QGt≤QGmax
Pt≤IC
式中，St+1为t+1月月初蓄水量，St为t月月初蓄水量，QIt为t月入库流量，QRt为t月下泄流量，Δt2为t月总发电秒数，QGt为t月发电流量，QSt为t月弃水流量，为水库最小下泄流量，/>为水库容许最大下泄流量，QGmax为水库最大发电流量，Pt为t月发电出力，IC为水库装机库容，C为发电出力保证率，Pmin为最小发电出力要求。
另一方面，本发明还提供了一种计算机，包括处理器和计算机程序，所述处理器在执行所述计算机程序时，实现如前文所述的水库调度方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种考虑发电、生态流量和表面水温的水库调度方法，通过分析明确水库发电、生态流量和表面水温的多优化目标，并构建多目标优化模型，利用NSGAII多目标优化算法进行求解得到待优化参数的最优值；基于所述待优化参数的最优值对水库进行调度控制；本发明通过多目标优化方法量化水库发电、生态流量和表面水温之间的竞争协同关系，并通过NSGII优化算法分析选定能够平衡水库发电、生态流量和表面水温的水库调度规则，在保证水库发电量的同时，保障了水库下游鱼类的生长环境，同时降低了库区藻类过度繁殖的风险，促进了水库建设的可持续发展。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种考虑发电、生态流量和表面水温的水库调度方法的流程图；
图2为本发明实施例1提供的水库调度方法中水库调度图的示意图；
图3为本发明实施例1提供的水库调度方法中步骤A2的流程图；
图4-6为本发明实施例1提供的水库调度方法中所绘制的Pareto解分布图；
图7为本发明实施例1提供的水库调度方法中三个典型方案B、Q、T的示意图；
图8为本发明实施例2提供的一种考虑发电、生态流量和表面水温的水库调度系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种考虑发电、生态流量和表面水温的水库调度方法，平衡了水库调度中的发电量、生态流量和表面水温，促进了水库建设的可持续发展。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例提供了一种考虑发电、生态流量和表面水温的水库调度方法，如图1所示，该方法包括以下步骤：
A1、构建水库多目标优化调度模型。水库多目标优化调度模型中包括最大水库发电量子目标函数、最大生态流量保证率子目标函数和最少高表面水温天数子目标函数；所述最大发电量子目标函数、所述最大生态流量保证率子目标函数和所述最少高表面水温天数子目标函数均为与水库调度规则中的待优化参数相关的函数。
A2、采用NSGAII多目标优化算法，求解水库多目标优化调度模型，得到待优化参数的最优值。
A3、基于待优化参数的最优值对水库进行调度控制。
在具体实施时，可以先根据水库数据资料，确定考虑生态环境进行水库调度发电的多个优化目标；所述水库数据资料包括水库工程资料、历史水库径流数据和历史气象数据。根据所收集的水库数据资料，分析水库环境问题，明确水库上下游生态环境问题，分析生态问题与水库流量、水温的关系。
所获取的水库工程资料可以包括水库的特征水位，水位-库容关系曲线，水库发电能力，水库发电耗水率曲线，水库调度约束条件等。水库径流资料为长时间序列的水库逐月入库流量。气象资料包括逐日气温、辐射、相对湿度和风速。需要分析的水库生态环境现有问题，主要包括下游鱼类种类，建库前后鱼类多样性变化情况，鱼类适宜生长条件，库区藻类的种类，藻密度，以及藻类的适宜生长条件等。
发电量目标是指对水库总发电量的要求，优化的目标是水库发电量最大，如下式所示：
Pt＝3600×(QGt/R)ht (2)
其中，HB为水库发电量，Pt为t月发电出力，Δt1为t月的总发电小时数，QGt为t月水库发电流量，R为水库发电耗水率，反映特定水位下产生单位发电量所需的流量，通常是已知的，ht为t月上下游水位差，也即平均水头，上游水位由当前蓄水量以及水位-库容关系曲线得到，下游水位则根据观测基本维持在某一固定数值。
其中t月发电出力计算公式如下式所示：
0<c1<1<c2<c3 (4)
Smin<St<Smax (5)
其中，St为t月月初蓄水量，Smin为水库允许最低库容，Smax为水库最大库容，Zone1为降低出力区，Zone2为标准出力区，Zone3为第一加大出力区，Zone4为第二加大出力区，Pg为水库发电保证出力；水库水电站在较长时段工作中，所能发出的相应于设计保证率的平均出力，称作该水电站的水库发电保证出力，在实际调度中，应尽可能按照水库发电保证出力的要求去发电。
生态流量保证率目标是指对生态流量保证率的要求，生态流量保证率是指水库下泄流量满足下游鱼类产卵需求的时长与鱼类产卵季总时长的比值，优化的目标是生态流量保证率最大，如下式所示：
其中，FR为生态流量保证率，a和b分别为鱼类产卵季(a月至b月)的起始月份和结束月份，QRt为t月水库下泄流量，QReco为生态流量。
高表面水温天数目标是指对水库一年内高表面水温天数的要求，一般来说水库表面水温高于25℃时，蓝藻生长速率达到最快，因此高表面水温天数就是指表面水温超过25℃的天数，优化的目标是高表面水温天数最少，如下式所示：
其中，TD为高表面水温天数，D为每年总天数，SWTd为d日的表面水温；所述高表面水温天数为表面水温大于等于25℃的天数。
为了保证最少高表面水温天数子目标函数计算准确，则需要保障表面水温模拟的准确，因此在本实施例中，水库调度方法还可以包括：
基于表面水温模拟模型计算水库表面水温；所述表面水温模拟模型根据气象数据、水文数据与水温的关系构建，所述水文数据包括入库流量、下泄流量以及水位，基于此模型使得模拟得到的表面水温更准确。
一般来说，水库调度规则可以进行图示，如图2所示的，水库调度规则中包括降低出力区、标准出力区、第一加大出力区及第二加大出力区，每一区间对应一出力控制线，每一出力控制线对应一蓄水量基础水量、一蓄水量下调时刻、一蓄水量下调后的水量、一蓄水量上调时刻以及一出力系数；各所述出力控制线对应的蓄水量基础水量、蓄水量下调时刻、蓄水量下调后的水量、蓄水量上调时刻以及出力系数组成所述待优化参数。
具体在本实施例中，蓄水量基础水量和蓄水量下调后的水量组成蓄水量变量组，蓄水量基础水量包括{z1,z3,z5}，蓄水量下调后的水量包括{z2,z4,z6}；蓄水量上调时刻和蓄水量下调时刻组成时间变量组{t1,t2}，t1和t2分别代表蓄水量下调时刻和蓄水量上调时刻；除标准出力区以外的各区间的出力系数组成出力系数组{c1,c2,c3}。
根据蓄水量变量组和所述时间变量组可以确定三条发电出力控制线。根据三条所述发电出力控制线、水库的允许最低水位库容和最大库容，可以将水库库容分为四个出力区即：降低出力区、标准出力区、第一加大出力区和第二加大出力区。如图2所示的，自下而上为降低出力区-Zone1、标准出力区-Zone2、第一加大出力区-Zone3和第二加大出力区-Zone4。
在月初蓄水量处于所述降低出力区时，按照c1作为出力系数确定水库发电出力要求；在月初蓄水量处于所述标准出力区时，按照1作为出力系数确定水库发电出力要求；在月初蓄水量处于所述第一加大出力区时，按照c2作为出力系数确定水库发电出力要求；在月初蓄水量处于所述第二加大出力区时，按照c3作为出力系数确定水库发电出力要求。
在本实施例中，如图3所示，步骤A2具体包括以下步骤：
A21、生成包括若干个个体的初始种群；所述初始种群中，每一个体对应一组水库调度规则中的待优化参数。对于水库调度规则中的待优化参数，在其各自的取值范围内随机生成，随机生成的各待优化参数共同组成初始种群中的一个个体。
A22、针对任一个体，计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数。
A23、根据初始种群中各个体对应的发电量、生态流量保证率和高表面水温天数，对初始种群进行非支配排序与拥挤度排序。
A24、将初始种群作为父代种群。
A25、对父代种群中的个体进行选择操作、交叉操作和变异操作，得到子代种群。
A26、将子代种群与父代种群进行合并，得到个体数为2N的复合种群。
A27、对复合种群中的任一个体，计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数。
A28、根据复合种群中各个体对应的发电量、生态流量保证率和高表面水温天数，对复合种群进行非支配排序与拥挤度排序，取前N个个体作为中间种群。
判断是否达到预设迭代次数，若未达到，则执行步骤A29；若达到，则将步骤A28得到的中间种群作为最优Pareto解集，在其中挑选得到最优个体。
A29、将中间种群作为新的父代种群，并跳转到步骤A25。
本实施例中，在计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数时，需满足下述约束：
St+1＝St+(QIt-QRt)·Δt2 (10)
式(10)中，St+1为t+1月月初蓄水量，St为t月月初蓄水量，QIt为t月入库流量，QRt为t月下泄流量，Δt2为计算时间步长，这里指计算t月总发电秒数。即t+1月的月初蓄水量应等于t月的月初蓄水量加上t月净泄水流量与当月小时数的成绩。
QRt＝QGt+QSt (11)
式(11)中，QGt为t月发电流量，QSt为t月弃水流量，即t月的下泄流量应为t月发电流量和t月弃水流量之和，一般来说QR＝QG，就是来水尽可能用来发电，但是当超过最大出力时，就产生了QS。
QRt, QGt, QSt, St≥0 (12)
式(12)表明下泄流量、发电流量、弃水流量和月初蓄水量均应大于等于0。
式(13)中，为水库最小下泄流量，/>为水库容许最大下泄流量，即下泄流量应该处于水库最小下泄流量和水库容许最大下泄流量之间。
QGt≤QGmax (14)
式(14)中，QGmax为水库最大发电流量，即约束发电流量应该小于最大发电流量，此时下泄流量中抛去发电流量若还有剩余，则为弃水流量。
Pt≤IC (15)
式(15)中，Pt为t月发电出力，IC为水库装机库容。
式(16)～式(17)中，C为发电出力保证率，Pmin为最小发电出力要求。
在具体实施时，在计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数时，需利用该个体对应的水库调度规则进行水库调度试算，可以具体包括以下步骤：
给定月初水库蓄水量St，在调度图中确定当前所在的发电出力区间，以及对应的发电出力要求Pt；假定月末水库蓄水量(即下个月月初蓄水量St+1)达到最大库容，并假定没有弃水量QSt，即QRt＝QGt，根据式(10)、式(11)和式(2)，结合月初蓄水量St与月内入库流量QIt，可以计算得到月内下泄流量QRt以及发电出力Pt。
如果该出力值Pt满足出力要求且不超过水库装机容量IC，则按照该出力进行发电；如果该出力值超过水库装机容量IC，则按装机容量IC进行发电，下泄流量QRt超过发电流量QGt的部分作为弃水流量QSt；如果该出力值小于发电出力要求，则降低月末水库蓄水量，即提高下泄流量QR，调整发电出力，直至满足出力要求；如果月末蓄水量降低至死库容，仍不满足出力要求，则按降至死库容对应的发电出力发电。
在完成当前月的试算后，进行下一月的出力计算；直至完成所有月份计算，得到水库每月的发电出力、下泄流量、蓄水量和水位。
根据每月发电出力和时间，计算总发电量；根据每月下泄流量和生态流量需求，计算生态流量保证率。另外将每月水位数据插值为逐日水位数据，结合每日气象数据(气温、辐射、相对湿度、风速)，利用表面水温模拟模型，计算每日表面水温，并根据式(8)和式(9)确定高表面水温天数。
本实施例中的表面水温模拟模型，是基于机器学习模型建立水动力学模型的代理模型，能够实现水温的快速准确模拟。主要流程包括：
首先，基于地形、气象(气温、辐射、相对湿度、风速)、水文(入库流量、下泄流量、水位)与水温(入流水温，坝前垂向水温)数据，建立水库Delft3D水动力学模型；然后，基于长序列气象与水文数据(气温、辐射、相对湿度、风速入库流量、下泄流量)，利用Delft3D水动力学模型生成长序列表面水温过程；然后，以气象和水位作为输入数据，表面水温作为输出数据，训练LSTM(Long Short-TermMemorynetworks)神经网络模型。
比如，基于水库地形数据、2014至2017年(短时序)逐日气象数据(气温、辐射、相对湿度、风速)、水文数据(入库流量、下泄流量、水位)以及水温数据(入流水温、坝前垂向水温)，建立水库Delft3D水动力学模型；然后，收集1980～2009年(长时序)水库当地气象(气温、辐射、相对湿度、风速)与水文资料(入库流量)，利用电站提供的水库调度图计算给定入库流量条件下的水库下泄流量过程；再基于1980～2009年(长时序)的气象、入库流量、入流水温与下泄流量数据，利用Delft3D模型模拟生成1980～2009年(长时序)水库表面水温数据；然后，利用1980～2009年(长时序)的气象(气温、辐射、相对湿度、风速)、水文(水位)与表面水温数据训练LSTM模型。
在得到训练好的LSTM神经网络模型后，由于在每一个体对应的调度规则下，根据水库的初始蓄水量以及每月的入库流量，我们可以得到每月的水库水位数据，通过对月度水库水位数据进行插值，可以得到每日的水库水位数据，将每日的水库水位数据以及每日的气象数据输入至训练好的LSTM神经网络模型，可以得到每日的水库表面水温数据。需要说明的是，水库水位数据是受调度规则影响的数据，每月的入库流量数据以及每日的气象数据为真实的历史数据，初始蓄水量则是人为预先给定的值，比如，在本实施例中，我们采用的是1980年到2009年30年的历史数据，具体来说，历史每月的入库流量数据可根据1980年到2009年30年水库上游河流的流量数据得到，初始蓄水量则预先设定为1980年初水库设计时的正常蓄水量的90％。
NSGAII多目标优化算法中，在判断达到预设迭代次数时，将步骤A28得到的中间种群作为最优Pareto解集，在其中挑选得到最优个体具体包括：
根据Pareto解集绘制得到各优化目标两两之间的Pareto解分布图。所绘制的Pareto解分布图如图4-图6所示，绘制每两个目标之间的Pareto解分布图之后，可以根据Pareto前沿曲线的分布范围，确定目标之间的竞争关系强度。根据各优化目标两两之间的Pareto解分布图，确定最优个体，得到最优的水库调度规则，也就是待优化参数的最优值；最优的水库调度规则为同时满足发电量目标、生态流量保证率目标和高表面水温天数目标的水库调度规则。根据所绘制的Pareto解分布图可以直观的了解到多目标之间的竞争协同关系，挑选在三个目标中均有比较好表现的调度方案来作为最优的水库调度方案。
得到最优的水库调度规则后，在具体应用时，步骤A3基于所述待优化参数的最优值对水库进行调度控制可以具体包括，给定初始蓄水量和逐月入流流量，依照水库调度规则就可以计算出每个月的水位和下泄流量过程。
下面结合一具体的案例，来对本实施例提供的一种考虑发电、生态流量和表面水温的水库调度方法进行说明：
本案例以糯扎渡水库为研究对象。糯扎渡水库位于澜沧江干流，云南省普洱市思茅区境内，针对糯扎渡水库的水库调度方法主要包括以下步骤：
B1、收集水库数据资料。从糯扎渡水电站获取水库工程资料，糯扎渡水库总库容237.03亿立方米，大坝最大坝高261.5米。死水位765米，防洪限制水位804米，正常蓄水位812米。总装机容量达585万千瓦，多年平均发电量239.12亿千瓦时。获取水库水位-库容关系曲线，水库发电耗水率曲线。获取径流数据，包括1980年至2009年共30年的逐月径流流量数据，由水电站提供。获取气象数据，包括1980年至2009年逐日气温、辐射、相对湿度、风速数据，从国家气象科学数据中心获取。
分析水库生态环境现有问题。糯扎渡水库建库后，鱼类产卵期下泄流量明显减小，造成下游鱼类多样性显著降低，根据现有研究，糯扎渡主要鱼类产卵季为7月至9月，对应的生态流量需求为2500m3/s；库区表面水温显著升高，表面水温最大值从23℃升至27℃，促进了蓝藻生长，夏季库区蓝藻密度升高。
根据水库生态环境现有问题，可以确定第一个优化目标为发电量最大；第二个优化目标为生态流量保证率最大，其中生态流量指7～9月下泄流量应满足2500m3/s；第三个优化目标为高表面水温天数最少，表达式分别如式(18)～式(23)所示：
Pt＝3600×QGt/R(ht) (19)
B2、构建水库多目标优化调度模型；水库多目标优化调度模型包括前述的最大水库发电量子目标函数、最大生态流量保证率子目标函数和最少高表面水温天数子目标函数。
根据水库资料，水电站保证出力Pg为240.6万千瓦根据糯扎渡径流过程，糯扎渡水库所在流域汛期在5月份至10月份左右，因此增加调度图时间变量约束：
4≤t1≤6 and 8≤t2≤11 (24)
也就是说，蓄水量上调时刻和蓄水量下调时刻应分别在汛期开始及汛期结束左右几个月内。水库调度过程中应满足的其他约束条件，如上文中式(10)～式(17)所示，在此不再赘述。其中水电站最大发电流量QGmax为3500m3/s，水库最大出力即装机容量IC为585万千瓦；水电站最小出力要求Pmin＝0.7Pg；发电保证率C＝50％。
基于水库调度图和入库流量数据，利用试算法计算每月发电出力、下泄流量与水位，进而计算发电量、生态流量保证率。
另外将每月水位数据插值为逐日水位数据，结合每日气象数据(气温、辐射、相对湿度、风速)，利用表面水温模拟模型，计算每日表面水温，并根据式(8)和式(9)确定高表面水温天数。
本案例中采用的表层水温模拟模型，建模过程如下：首先，基于糯扎渡地形数据、2014至2017年逐日气象数据(气温、辐射、相对湿度、风速)、水文数据(入库流量、下泄流量、水位)以及水温数据(入流水温、坝前垂向水温)，建立糯扎渡水库Delft3D水动力学模型；然后，收集1980～2009年当地气象(气温、辐射、相对湿度、风速)与水文资料(入库流量)，利用糯扎渡电站提供的水库调度图计算给定入库流量条件下的水库下泄流量过程；再基于气象、入库流量、入流水温与下泄流量数据，利用Delft3D模型模拟生成长序列表面水温数据；然后，利用气象(气温、辐射、相对湿度、风速)、水文(水位)与表面水温数据训练LSTM模型。LSTM模型包括一个输入层，一个LSTM层，一个全连接层，一个输出层，其中LSTM层包含30个LSTM单元。模型以过去60天的气温、辐射、相对湿度、风速、水位作为输入数据，预测当前表面水温。模型采用MSE(Mean Squared Error)作为损失函数，以Adam作为优化方法。经验证，训练得到的LSTM模型模拟的表面水温结果与Delft3D结果R2为0.99。
B3、使用NSGAII算法进行多目标优化问题求解：
随机生成初始化种群，种群内个体数为500。
对每一个个体，根据前述步骤进行模拟，得到每一个体对应的发电量、生态流量保证率以及高表面水温天数目标值，对初始种群进行非支配排序与拥挤度计算。将初始种群作为父代种群，对父代种群中的个体进行选择、交叉、变异，得到子代种群；多项式变异分布系数为20，变异率为0.09，交叉分布系数为20，交叉率为1.0。
在得到子代种群后，将子代种群与父代种群进行合并，得到个体数为2N的复合种群。然后对复合种群内个体进行模拟，非支配排序与拥挤度计算，生成个体数为N的中间种群。将中间种群作为新的父代种群，重复以上对父代种群中的个体进行选择、交叉、变异，得到子代种群的步骤，直至迭代次数达到2000，停止迭代，将最后的中间种群作为最终的Pareto解集。
根据优化所得到的Pareto解集，绘制每两个目标之间的Pareto解集分布图，如图4-图6所示，利用可视化技术分析多目标之间的竞争协同关系。采用如图7所示的三个典型方案B、Q、T：B-发电量最大方案，Q-生态保证率最大方案，T-高表面水温天数最少方案。
如图4所示，发电目标与水温目标之间存在强烈的竞争关系，Pareto前沿分布很广(黑色标记点)。整体而言，发电量越高，高表面水温天数越长。具体来说，T方案高表面水温天数只有65.1天，但对应的发电量只有208.3亿千瓦时。T方案具有最短的高表面水温天数，原因在于其维持比较低的水库水位，如图7所示，表层水与取水口之间距离较短，水库泄流扰动了表层至取水口之间的水体，减弱了水温分层，促进了垂向水体及热量的交换，从而使表层水温降低，高表面水温天数减小。相反，B方案具有最大的发电量，达到239.8亿千瓦时，但高表面水温天数也最长，达到119.8天。B方案维持比较高的水位，通过增加水头以提高发电量，然而高水位也会强化水温的分层，抑制垂向水体与热量交换，从而使表面水温升高，高表面水温天数相应增加。
如图5所示，发电和生态流量也存在竞争关系，Pareto前沿分布比较广。Q方案生态流量保证率最高，达到88％，对应的发电量为222.5亿千瓦时。整体上，发电量越高，生态流量保证率越低，原因在于高发电量方案以减小下泄流量为代价，提升水库水位(取水水头)以增加发电量。但生态流量与发电量也存在协同关系，对比Q与T方案，Q在产卵季具有比较高的水位(蓄水量)，因此在枯水年，当水库入库流量低于生态流量需求时，水库可以加大下泄流量以满足生态流量需求，相反T方案水位接近死水位，调控能力有限，在枯水年无法保障下游生态流量。
如图6所示，高表面水温天数与生态流量目标之间整体上呈现协同关系，高表面水温天数越小，生态流量保障率越大。但也存在一定的竞争关系。对比Q与T方案，Q方案水位较高以保障枯水年依然能满足生态流量，但高水位也促进了水温分层并提高了表面水温。
综上，本案例建议采用Q方案，其具有最大的生态流量保证率，同时平衡了发电量与高表面水温天数。同时考虑到Q方案依然具有92天高表面水温天数，因此防控蓝藻还需要其它配套措施，(1)控制水库营养盐输入，包括控制水库鱼类养殖的饲料投放，做好水库边坡水土保持工作等；(2)通过遮光等方式减少光照，同时降低表面水温；(3)通过曝气等手段破坏水温分层，降低表面水温；(4)监测库区蓝藻浓度，及时清除蓝藻。
本实施例通过多目标优化方法量化水库发电、生态流量和表面水温之间的竞争协同关系，并通过可视化分析选定能够平衡水库发电、生态流量和表面水温的调度规则，保障了水库下游鱼类的生长环境，同时降低了库区藻类过度繁殖的风险，达到促进水库建设可持续发展的效果；并结合对糯扎渡水库实际数据所进行的案例，印证了本实施例提供的水库调度方法的可行性及有效性。
实施例2：
此外，本发明实施例1的水库调度方法也可以借助于图8所示的水库调度系统的架构来实现。如图8所示，该水库调度系统可以包括优化目标确定模块M1、多目标优化模型构建模块M2、多目标优化模型求解模块M3、水库调度模块M4；一些模块还可以有用于实现其功能的子单元，例如在多目标优化模型求解模块M3中还包括种群生成单元、调度规则试算单元、非支配排序单元、拥挤度计算单元、交叉处理单元和变异处理单元等。当然，图8所示的架构只是示例性的，在实现不同的功能时，根据实际需要，可以省略图8示出的水库调度系统中的一个或至少两个组件。
实施例3：
本实施例中提供了一种计算机，计算机中包括处理器和计算机程序，所述处理器在执行所述计算机程序时，实现如前文所述的水库调度方法。
技术中的程序部分可以被认为是以可执行的代码和/或相关数据的形式而存在的“产品”或“制品”，通过计算机可读的介质所参与或实现的。有形的、永久的储存介质可以包括任何计算机、处理器、或类似设备或相关的模块所用到的内存或存储器。例如，各种半导体存储器、磁带驱动器、磁盘驱动器或者类似任何能够为软件提供存储功能的设备。
所有软件或其中的一部分有时可能会通过网络进行通信，如互联网或其他通信网络。此类通信可以将软件从一个计算机设备或处理器加载到另一个。例如：从视频目标检测设备的一个服务器或主机计算机加载至一个计算机环境的硬件平台，或其他实现系统的计算机环境，或与提供目标检测所需要的信息相关的类似功能的系统。因此，另一种能够传递软件元素的介质也可以被用作局部设备之间的物理连接，例如光波、电波、电磁波等，通过电缆、光缆或者空气等实现传播。用来载波的物理介质如电缆、无线连接或光缆等类似设备，也可以被认为是承载软件的介质。在这里的用法除非限制了有形的“储存”介质，其他表示计算机或机器“可读介质”的术语都表示在处理器执行任何指令的过程中参与的介质。
本文中应用了具体个例，但以上描述仅是对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；本领域的技术人员应该理解，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种考虑发电、生态流量和表面水温的水库调度方法，其特征在于，所述水库调度方法包括：
构建水库多目标优化调度模型；所述水库多目标优化调度模型包括最大水库发电量子目标函数、最大生态流量保证率子目标函数和最少高表面水温天数子目标函数；所述最大发电量子目标函数、所述最大生态流量保证率子目标函数和所述最少高表面水温天数子目标函数均为与水库调度规则中的待优化参数相关的函数；
采用NSGAII多目标优化算法，求解所述水库多目标优化调度模型，得到所述待优化参数的最优值；
基于所述待优化参数的最优值对水库进行调度控制。
2.根据权利要求1所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，所述水库调度规则中包括降低出力区、标准出力区、第一加大出力区及第二加大出力区，每一区间对应一出力控制线，每一出力控制线对应一蓄水量基础水量、一蓄水量下调时刻、一蓄水量下调后的水量、一蓄水量上调时刻以及一出力系数；各所述出力控制线对应的蓄水量基础水量、蓄水量下调时刻、蓄水量下调后的水量、蓄水量上调时刻以及出力系数组成所述待优化参数。
3.根据权利要求1所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，所述最大水库发电量子目标函数如下：
Pt＝3600×(QGt/R)ht
其中，HB为水库发电量，Pt为t月发电出力，Δt1为t月的总发电小时数，QGt为t月水库发电流量，R为水库发电耗水率，ht为t月上下游水位差。
4.根据权利要求3所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，t月发电出力计算公式如下：
其中，0<c1<1<c2<c3，Smin<St<Smax，St为t月月初蓄水量，Smin为水库允许最低库容，Smax为水库最大库容，Zone1为降低出力区，Zone2为标准出力区，Zone3为第一加大出力区，Zone4为第二加大出力区，Pg为水库发电保证出力。
5.根据权利要求1所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，所述最大生态流量保证率子目标函数如下：
其中，FR为生态流量保证率，a和b分别为鱼类产卵季的起始月份和结束月份，QRt为t月水库下泄流量，QReco为生态流量。
6.根据权利要求1所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，所述最少高表面水温天数子目标函数如下：
其中，TD为高表面水温天数，D为每年总天数，SWTd为d日的表面水温；所述高表面水温天数为表面水温大于等于25℃的天数。
7.根据权利要求6所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，所述水库调度方法还包括：
基于表面水温模拟模型计算水库表面水温；所述表面水温模拟模型根据气象数据、水文数据与水温的关系构建，所述水文数据包括入库流量、下泄流量以及水位。
8.根据权利要求1所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，所述利用NSGAII多目标优化算法，求解所述水库多目标优化模型，具体包括：
生成包括若干个个体的初始种群；所述初始种群中，每一个体对应一组水库调度规则中的待优化参数；
针对任一个体，计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数；
根据初始种群中各个体对应的发电量、生态流量保证率和高表面水温天数，对所述初始种群进行非支配排序与拥挤度排序；
将所述初始种群作为父代种群；
对所述父代种群中的个体进行选择操作、交叉操作和变异操作，得到子代种群；
将所述子代种群与所述父代种群进行合并，得到个体数为2N的复合种群；
对所述复合种群中的任一个体，计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数；
根据复合种群中各个体对应的发电量、生态流量保证率和高表面水温天数，对所述复合种群进行非支配排序与拥挤度排序，取前N个个体作为中间种群；
将所述中间种群作为新的父代种群，跳转到所述步骤“对所述父代种群中的个体进行选择操作、交叉操作和变异操作，得到子代种群”，直至达到预设迭代次数，得到最优个体。
9.根据权利要求8所述的考虑发电、生态流量和表面水温的水库调度方法，其特征在于，在计算得到每一个体对应的发电量、生态流量保证率和高表面水温天数时，满足下述约束：
St+1＝St+(QIt-QRt)·Δt2
QRt＝QGt+QSt
QRt,QGt,QSt,St≥0
QGt≤QGmax
Pt≤IC
式中，St+1为t+1月月初蓄水量，St为t月月初蓄水量，QIt为t月入库流量，QRt为t月下泄流量，Δt2为t月总发电秒数，QGt为t月发电流量，QSt为t月弃水流量，为水库最小下泄流量，/>为水库容许最大下泄流量，QGmax为水库最大发电流量，Pt为t月发电出力，IC为水库装机库容，C为发电出力保证率，Pmin为最小发电出力要求。
10.一种计算机，其特征在于，包括处理器和计算机程序，所述处理器在执行所述计算机程序时，实现权利要求1-9任一项所述的水库调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310774016.7A CN117094119B (zh) | 2023-06-28 | 2023-06-28 | 考虑发电、生态流量和表面水温的水库调度方法及计算机 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310774016.7A CN117094119B (zh) | 2023-06-28 | 2023-06-28 | 考虑发电、生态流量和表面水温的水库调度方法及计算机 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117094119A true CN117094119A (zh) | 2023-11-21 |
| CN117094119B CN117094119B (zh) | 2024-04-02 |
Family
ID=88776021
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310774016.7A Active CN117094119B (zh) | 2023-06-28 | 2023-06-28 | 考虑发电、生态流量和表面水温的水库调度方法及计算机 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117094119B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575289A (zh) * | 2024-01-15 | 2024-02-20 | 广东工业大学 | 水量-水质多目标协同的水库优化调度方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485366A (zh) * | 2016-10-31 | 2017-03-08 | 武汉大学 | 一种复杂梯级水库群蓄水期优化调度方法 |
| CN107506909A (zh) * | 2017-08-07 | 2017-12-22 | 河海大学 | 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 |
| CN110851977A (zh) * | 2019-11-06 | 2020-02-28 | 武汉大学 | 基于生态流量的供水-发电-生态多目标调度图优化方法 |
| CN115713154A (zh) * | 2022-11-17 | 2023-02-24 | 北京工业大学 | 一种基于改进型多目标遗传算法的水库调度优化方法 |
| US20230196114A1 (en) * | 2021-03-15 | 2023-06-22 | Hohai University | Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and nsga-ii algorithm |
-
2023
- 2023-06-28 CN CN202310774016.7A patent/CN117094119B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106485366A (zh) * | 2016-10-31 | 2017-03-08 | 武汉大学 | 一种复杂梯级水库群蓄水期优化调度方法 |
| CN107506909A (zh) * | 2017-08-07 | 2017-12-22 | 河海大学 | 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 |
| CN110851977A (zh) * | 2019-11-06 | 2020-02-28 | 武汉大学 | 基于生态流量的供水-发电-生态多目标调度图优化方法 |
| US20230196114A1 (en) * | 2021-03-15 | 2023-06-22 | Hohai University | Method for optimizing reservoir operation for multiple objectives based on graph convolutional neural network and nsga-ii algorithm |
| CN115713154A (zh) * | 2022-11-17 | 2023-02-24 | 北京工业大学 | 一种基于改进型多目标遗传算法的水库调度优化方法 |
Non-Patent Citations (8)
| Title |
|---|
| "Exploring the trade-offs among hydropower benefits, environmental flow, and surface water temperature in a large reservoir under deep uncertainty", 《JOURNAL OF HYDROLOGY》 * |
| LONGFAN WANG: "Impacts of Reservoir Operation on Hydrodynamic and Thermal Conditions in a Large Deep Reservoir and the Potential Ecological Impacts", 《ASCE》 * |
| LONGFAN WANGA 等: "Surface water temperature prediction in large-deep reservoirs using a long short-term memory model", 《ECOLOGICAL INDICATORS》 * |
| 戴凌全;王煜;蒋定国;王蒙蒙;郑铁刚;戴会超;: "基于NSGA-Ⅱ方法的三峡水库汛末蓄水期多目标生态调度研究", 水利水电技术, no. 01 * |
| 戴凌全;王煜;蒋定国;王蒙蒙;郑铁刚;戴会超;: "基于NSGA-Ⅱ方法的三峡水库汛末蓄水期多目标生态调度研究", 水利水电技术, no. 01, 20 January 2017 (2017-01-20) * |
| 杨芳丽;张小峰;谈广鸣;: "考虑生态调度的水库多目标调度模型初步研究", 武汉大学学报(工学版), no. 04 * |
| 王炎;李英海;权全;沈冰;: "考虑生态流量约束的三峡水库汛末提前蓄水方式研究", 水资源与水工程学报, no. 03 * |
| 艾学山;范文涛;: "水库生态调度模型及算法研究", 长江流域资源与环境, no. 03 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117575289A (zh) * | 2024-01-15 | 2024-02-20 | 广东工业大学 | 水量-水质多目标协同的水库优化调度方法 |
| CN117575289B (zh) * | 2024-01-15 | 2024-05-03 | 广东工业大学 | 水量-水质多目标协同的水库优化调度方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117094119B (zh) | 2024-04-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021109848A1 (zh) | 一种考虑提升量的生态流量确定方法 | |
| Tan et al. | Optimal distributed renewable generation planning: A review of different approaches | |
| CN103268366B (zh) | 一种适用于分散式风电场的组合风电功率预测方法 | |
| CN117094119B (zh) | 考虑发电、生态流量和表面水温的水库调度方法及计算机 | |
| Vonk et al. | Adapting multireservoir operation to shifting patterns of water supply and demand: A case study for the xinanjiang-fuchunjiang reservoir cascade | |
| Zhou et al. | Integrated optimization of hydroelectric energy in the upper and middle Yangtze River | |
| Ai et al. | Optimization of ecological reservoir operation rules for a northern river in China: Balancing ecological and socio-economic water use | |
| Dariane et al. | Crop pattern optimization in a multi-reservoir system by combining many-objective and social choice methods | |
| Leela Krishna et al. | Optimal multipurpose reservoir operation planning using Genetic Algorithm and Non Linear Programming (GA-NLP) hybrid approach | |
| CN117575289B (zh) | 水量-水质多目标协同的水库优化调度方法 | |
| CN114819753A (zh) | 一种促进鱼类产卵的梯级水库生态调度方法 | |
| CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及系统 | |
| Zhang et al. | Impact and prospects of water conservation on fish habitat and advances of ecobiology operation in Yangtze River, China: A review | |
| Wu et al. | Trade-offs in the water-energy-ecosystem nexus for cascade hydropower systems: a case study of the Yalong River, China | |
| Li et al. | Incorporating ecological adaptation in a multi-objective optimization for the Three Gorges Reservoir | |
| Le Ngo | Optimising reservoir operation: A case study of the Hoa Binh reservoir, Vietnam | |
| Wang | Application of fuzzy linear programming model in agricultural economic management | |
| Ewers | Combining hydrology and economics in a system dynamics approach: modeling water resources for the San Juan Basin | |
| Kong et al. | Ecological multi-objective joint optimized scheduling of cascade hydropower plants based on improved marine predators algorithm | |
| Wang et al. | Multi-reservoir system operation theory and practice | |
| CN112529247B (zh) | 基于支流水库联合补水的干流排沙优化调度方法和系统 | |
| CN107451697A (zh) | 一种基于复合数据修复的风功率预测方法 | |
| Zhao et al. | Multi-objective optimization of the Three Gorges cascaded reservoirs operation with emphasis on electricity generation and ecological requirements | |
| Wang et al. | Integrated hydrologic-economic modeling of coalitions of stakeholders for water allocation in the South Saskatchewan River Basin | |
| CN113505913B (zh) | 面向水生群落系统稳定性的水库优化调度决策方法和装置 |
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 |