CN117236673B - 城市水网多尺度防洪排涝联合优化调度方法和系统 - Google Patents
城市水网多尺度防洪排涝联合优化调度方法和系统 Download PDFInfo
- Publication number
- CN117236673B CN117236673B CN202311526227.5A CN202311526227A CN117236673B CN 117236673 B CN117236673 B CN 117236673B CN 202311526227 A CN202311526227 A CN 202311526227A CN 117236673 B CN117236673 B CN 117236673B
- Authority
- CN
- China
- Prior art keywords
- water
- model
- flood control
- network
- scheduling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 448
- 238000005457 optimization Methods 0.000 title claims abstract description 99
- 238000000034 method Methods 0.000 title claims abstract description 70
- 230000000694 effects Effects 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 10
- 230000003993 interaction Effects 0.000 claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims description 45
- 230000008878 coupling Effects 0.000 claims description 35
- 238000010168 coupling process Methods 0.000 claims description 35
- 238000005859 coupling reaction Methods 0.000 claims description 35
- 238000003062 neural network model Methods 0.000 claims description 29
- 238000011156 evaluation Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 19
- 241000039077 Copula Species 0.000 claims description 17
- 238000012512 characterization method Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 16
- 238000004088 simulation Methods 0.000 claims description 15
- 238000005315 distribution function Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000002776 aggregation Effects 0.000 claims description 11
- 238000004220 aggregation Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 230000003595 spectral effect Effects 0.000 claims description 8
- 210000000476 body water Anatomy 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000011524 similarity measure Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000013439 planning Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 11
- 238000003860 storage Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000013468 resource allocation Methods 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002068 genetic effect Effects 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000003631 expected effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000012851 eutrophication Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种城市水网多尺度防洪排涝联合优化调度方法和系统，包括如下步骤：确定城市区域范围，获取多尺度的基础数据，并预处理；构建城市水网的水文水动力模型，调用至少部分基础数据作为输入数据，模拟城市水网的水位水量变化，并分析各个情景下的内涝风险；构建防洪排涝优化调度模型，确定调度目标和约束条件；采用预配置的优化算法求解防洪排涝优化调度模型，获得至少两个尺度下的优化调度方案集合；针对每个尺度，从每个优化调度方案集合中筛选出最优调度方案，并将最优调度方案对应的防洪调度效果展示在人机交互界面。本发明提高了防洪排涝联合优化调度的速度和准确率，解决了高城镇化城区防洪排涝的技术难题。
Description
技术领域
本发明涉及防洪优化调度方法，尤其是一种城市水网多尺度防洪排涝联合优化调度方法。
背景技术
城市水网是指城市内的河道、湖泊、水库、闸坝、泵站等水利设施组成的水资源配置和防洪排涝的综合体系。城市水网的优化调度是指根据城市水网的结构特点、水文气象条件、防洪排涝标准、供水需求等因素，综合考虑水量、水质、水力、水生态等多目标，通过调整水利设施的运行方式和参数，实现城市水网的最优运行状态，达到防洪安全、供水保障、水环境改善、水资源利用等目的的过程。
城市水网的优化调度具有多尺度、多目标、多约束、多时空变化等特点，是一个复杂的非线性动态优化问题。随着城市化进程的加快，城市水网的规模和复杂度不断增加，城市水网的优化调度面临着越来越多的挑战，如：城市水网的结构和功能日趋复杂，涉及多种水利设施和水文单元，需要考虑各种水力联系和水量平衡，以及水网内外的水文气象影响；城镇化率高的地方往往面临水资源短缺和不均衡的问题，需要突破传统的行政区划分配方式，建立全流域一体化、智慧化的动态配置机制，更精准地实现水资源配置的空间平衡。另外还存在自然调蓄空间不足、排水设施建设滞后、应急管理能力不强等问题，导致城市内涝频发，影响人民群众生命财产安全和城市正常运行等问题。城市水网的优化调度需要满足多种目标和约束，如防洪安全、供水保障、水环境改善、水资源利用等，这些目标之间可能存在冲突和竞争，需要进行合理的权衡和协调；城市水网的优化调度需要适应多种时空尺度的变化，如季节变化、降雨变化、用水变化等，需要进行动态的调整和更新，以及与实时监测和预报相结合；城市水网的优化调度需要考虑多种不确定性和随机性，如水文气象的不确定性、水利设施的运行不确定性、用水需求的不确定性等，需要进行风险分析和评估，以及采取相应的措施和策略。
总之，镇化水网区河湖连通状况受经济社会发展影响较大，河湖水系格局演变历程较为复杂，存在河网结构破坏、功能发挥受限、流域、区域、城市不同层面协调难度大等问题。我国城市河网区主要集中在长江、淮河、海河、珠江下游，经济发达，GDP占全国40%以上，人口密集、城镇化率高，地势低洼、河网密布、水利工程众多。城市河网区水体流量小、河网水体流动性差，水环境容量小，河流自净能力差。随着工业化与城镇化的快速发展，城市防洪保安需求高、任务重且上游区与下游区、相邻城市之间存在洪涝风险转移的问题；城市河道被挤占，河网分割、水系畅通性差，城市河道淤积严重；污染物入河量远远超过河道纳污能力，水功能区达标率低，河道水体感官差，河网生态系统不断退化，水体富营养化严重，水环境污染日益加剧。面对日益严重的水系问题，高城镇化区河湖水系连通系统如何保障区域水安全、有效适应并支撑区域经济社会发展和生态文明建设、如何提出适宜的河湖水系连通综合治理技术是近几年研究的热点和重点。
目前，国内外已有一些关于城市水网优化调度的研究成果，主要包括以下几个方面：城市水网的数学模型和算法。但是目前还没有形成一个完整的城市水网优化调度的理论体系和方法体系，也没有一个通用的城市水网优化调度的软件系统和平台，能够适应不同城市水网的特点和需求，实现城市水网的高效、安全、可靠、智能的优化调度。
因此，研究和开发一种城市水网多尺度防洪排涝联合优化调度方法和系统，具有重要的理论意义和实际价值。
发明内容
发明目的，提供一种城市水网多尺度防洪排涝联合优化调度方法，以解决现有技术存在的上述问题。
技术方案，根据本申请的一个方面，提供一种城市水网多尺度防洪排涝联合优化调度方法，包括如下步骤：
步骤S1、确定城市区域范围，获取多尺度的基础数据，并预处理；
步骤S2、构建城市水网的水文水动力模型，调用至少部分基础数据作为输入数据，模拟城市水网的水位水量变化，并分析各个情景下的内涝风险；
步骤S3、构建防洪排涝优化调度模型，确定调度目标和约束条件，调度目标至少包括最小化内涝面积、最大化供水保障和最优化水生态环境，约束条件包括水网结构约束、水利工程运行约束和水资源管理约束；
步骤S4、采用预配置的优化算法求解防洪排涝优化调度模型，获得至少两个尺度下的优化调度方案集合；
步骤S5、针对每个尺度，从每个优化调度方案集合中筛选出最优调度方案，并将最优调度方案对应的防洪调度效果展示在人机交互界面。
根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、获取城市所在区域的数字高程模型，并根据预定目标确定城市区域范围；
步骤S12、采集城市水网的基础数据并预处理，所述基础数据至少包括河网数据、管网数据、水文数据、水动力数据、水利工程数据、水资源管理数据和水生态环境数据；
步骤S13、根据待运行的防洪排涝联合优化调度模型的输入要求，对获取的基础数据进行预处理，使数据符合模型的格式和精度要求，所述预处理包括数据清洗、数据转换、数据归一化和数据插补。
根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、根据城市水网的特点，从预配置的水文水动力模型集合中选择对应的水文水动力模型，并建立水文水动力与神经网络耦合模型；所述水文水动力与神经网络耦合模型为SWMM-GCN-LSTM-attention耦合模型；
步骤S22、调用至少部分基础数据作为水文水动力模型的输入，并将水文水动力模型的输出作为神经网络模型的输入，获得水文水动力与神经网络耦合模型的输出，并与实测值进行比较，优化水文水动力与神经网络耦合模型的参数，直至符合预期值；
步骤S23、采用优化后的水文水动力与神经网络耦合模型初步模拟城市水网的水位水量变化，并初步分析各个情景下的内涝风险。
根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、根据城市水网的特点，从调度模型集合中选择或构建防洪排涝优化调度模型；所述调度模型集合至少包括如下种类的模型：线性规划模型、非线性规划模型、动态规划模型、整数规划模型、随机规划模型、模糊规划模型、多目标规划模型、多阶段规划模型、多层规划模型、或多尺度规划模型；
步骤S32、根据防洪排涝优化调度模型的特点和水文水动力与神经网络耦合模型的初步模拟结果，判断是否需要调整神经网络模型的结构，若需要，采用Geo-GCN方法或谱聚类方法，生成新的水网图结构，并调整神经网络模型，使之能够与新的水网图结构适配；
步骤S33、确定调度目标和约束条件，调度目标至少包括最小化内涝面积、最大化供水保障和最优化水生态环境，约束条件包括水网结构约束、水利工程运行约束和水资源管理约束。
根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、根据水文水动力与神经网络耦合模型的特点，从预配置的优化算法集合中调取优化算法；
步骤S42、根据优化算法的原理和要求，确定优化算法的参数，以保证优化算法的收敛性、稳定性和效率；
步骤S43、根据优化算法的流程运行优化算法，求解防洪排涝优化调度模型，输出至少两个尺度下的优化调度方案集合，每个尺度下的优化调度方案集合包括多个可行的调度方案。
根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、根据防洪调度的目标和指标，评价各个尺度下的每个调度方案的防洪效果，输出各个调度方案的防洪效果评价结果，包括防洪效果等级、防洪效果指数和防洪效果评价；
步骤S52、根据防洪效果评价结果，采用多目标决策方法，从每个尺度下的优化调度方案集合中筛选出最优调度方案；
步骤S53、将每个尺度下的最优调度方案和对应的防洪效果展示在人机交互界面上，以便用户查看和分析。
根据本申请的一个方面，所述步骤S32中Geo-GCN方法的过程进一步为：
计算水网拓扑中的各个水网节点之间的几何距离，作为节点之间的相似度度量；为每个节点选择k个最近邻的水网节点，作为其邻居，构建一个k近邻图，其中边的权重为水网节点之间的相似度，对k近邻图进行归一化，得到一个新的邻接矩阵，用于水网拓扑的神经网络的聚合操作，k为自然数；
所述步骤S32中谱聚类方法的过程进一步为：
计算水网拓扑图的拉普拉斯矩阵，以描述图的结构特征；对拉普拉斯矩阵进行特征分解，得到特征值和特征向量，按照特征值的大小排序，选择前m个最小的特征值对应的特征向量，作为水网节点的新的特征表示；对水网节点的新的特征表示进行归一化，得到一个新的特征矩阵，用于水网拓扑的神经网络的输入，m为自然数。
根据本申请的一个方面，所述步骤S32中，调整神经网络模型的过程进一步为：
对水网拓扑中的各个水网节点的原始特征进行线性变换，得到水网节点自身的表征，用于保留节点的自身信息；对水网节点的原始特征和邻接矩阵进行图卷积操作，得到邻居聚合的表征，用于捕捉节点的局部信息；对水网节点自身的表征和邻居聚合的表征进行拼接，得到水网节点的完整表征，用于下一层的输入；对每一层的水网节点表征进行加权求和，得到水网节点的最终表征。
根据本申请的一个方面，所述步骤S11还包括：
步骤S11a、获取城市边界及城市所处流域的数字高程模型；
步骤S11b、查找城市区域河网下游是否存在影响河网水位和流向的水体，所述水体包括江河、湖泊和海洋；
步骤S11c、建立河网水位与水体水位的Copula联合分布函数，并估计函数参数，获得优化后的Copula联合分布函数；
步骤S11d、采用优化后的Copula联合分布函数计算水体水位和河流水位的条件概率，根据条件概率值评估城市水网的防洪排涝能力，给出防洪排涝能力量化值；
步骤S11e、根据防洪排涝能力量化值将城市区域范围划分为至少两个区域。
根据本申请的另一个方面，一种城市水网多尺度防洪排涝联合优化调度系统，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城市水网多尺度防洪排涝联合优化调度方法。
有益效果，能够实现城市水网的多尺度协同调度，即在不同的空间尺度（如流域、区域、城市等）和时间尺度（如年、月、日、时等）下，综合考虑各类水利工程（如闸泵、水库、河道等）的运行状态和调度目标，实现水资源的优化配置和利用，提高城市水网的调控能力和效率，能够适配不同地区城市水网的特点和需求。
能够有效降低城市内涝风险，提高城市防洪排涝能力。通过构建城市水网的水文水动力模型，模拟城市水网的水位水量变化，分析各个情景下的内涝风险，为防洪排涝优化调度提供科学依据。
解决了现有水文水动力模型与神经网络模型耦合中的异配问题，大大提高了准确率。通过优化调度方案，保障城市的生产生活用水和生态环境用水，提高城市水网的水质水量，改善城市水环境。
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。
图6是本发明步骤S5的流程图。
具体实施方式
如图1所示，根据本申请的一个方面，提供一种城市水网多尺度防洪排涝联合优化调度方法，包括如下步骤：
步骤S1、确定城市区域范围，获取多尺度的基础数据，并预处理；
步骤S2、构建城市水网的水文水动力模型，调用至少部分基础数据作为输入数据，模拟城市水网的水位水量变化，并分析各个情景下的内涝风险；
步骤S3、构建防洪排涝优化调度模型，确定调度目标和约束条件，调度目标至少包括最小化内涝面积、最大化供水保障和最优化水生态环境，约束条件包括水网结构约束、水利工程运行约束和水资源管理约束；
步骤S4、采用预配置的优化算法求解防洪排涝优化调度模型，获得至少两个尺度下的优化调度方案集合；
步骤S5、针对每个尺度，从每个优化调度方案集合中筛选出最优调度方案，并将最优调度方案对应的防洪调度效果展示在人机交互界面。
在本实施例中，首先，根据城市区域范围，获取多尺度的基础数据，并进行预处理，使数据符合模型的格式和精度要求，为模拟和调度提供数据支撑。其次，根据城市水网的特点，选择或构建水文水动力与神经网络耦合模型，调用基础数据作为输入，获得水网的水位水量变化输出，并与实测值进行比较，优化模型的参数，直至符合预期值，为调度提供模拟支撑。再次，根据城市水网的特点，选择或构建防洪排涝优化调度模型，确定调度目标和约束条件，根据水文水动力与神经网络耦合模型的输出，判断是否需要调整神经网络模型的结构，若需要，采用Geo-GCN方法或谱聚类方法，生成新的水网图结构，并调整神经网络模型，使之能够与新的水网图结构适配，为调度提供模型支撑。最后，根据水文水动力与神经网络耦合模型的特点，从预配置的优化算法集合中调取优化算法，确定优化算法的参数，运行优化算法，求解防洪排涝优化调度模型，输出至少两个尺度下的优化调度方案集合，为调度提供算法支撑。然后，根据防洪调度的目标和指标，评价各个尺度下的每个调度方案的防洪效果，输出防洪效果评价结果，为调度提供评价支撑。最后，根据防洪效果评价结果，采用多目标决策方法，从每个尺度下的优化调度方案集合中筛选出最优调度方案，并将最优调度方案和对应的防洪效果展示在人机交互界面上，为调度提供展示支撑。
通过构建水文水动力与神经网络耦合模型，能够准确模拟城市水网的水位水量变化，分析各个情景下的内涝风险，为防洪排涝优化调度提供科学依据。这种模型能够克服传统水文水动力模型的局限性，如计算复杂度高、参数不确定性大、数据需求量大等，提高了模拟的精度和效率。通过构建防洪排涝优化调度模型，能够综合考虑多个尺度、多个目标、多个约束条件，实现城市水网的防洪排涝联合优化调度，生成最优调度方案，并将调度效果展示在人机交互界面上，为决策者提供参考和支持。该模型能够充分发挥城市水网的水资源配置、防洪减灾、水生态保护等多种功能，实现防洪排涝效果的最大化。通过采用多目标决策方法，能够评价各个尺度下的每个调度方案的防洪效果，输出防洪效果等级、指数和评价，为调度方案的筛选和优化提供依据。这种方法能够综合反映调度方案的防洪效果，考虑了防洪效果的多样性和不确定性，提高了评价的客观性和合理性。
如图2所示，根据本申请的一个方面，所述步骤S1进一步为：
步骤S11、获取城市所在区域的数字高程模型，并根据预定目标确定城市区域范围；
数字高程模型用于反映地形高程变化的数据，用来划分流域、确定水系、分析地形特征等。可以从国家地理信息系统或其他数据源获取数字高程模型，也可以利用遥感技术自行获取。根据预定目标可以确定城市区域范围，即要进行防洪排涝联合优化调度的水网范围，以及与之相关的上游和下游区域。可以根据城市行政边界、水系分界线、水资源管理区域等因素，确定城市区域范围。
步骤S12、采集城市水网的基础数据并预处理，所述基础数据至少包括河网数据、管网数据、水文数据、水动力数据、水利工程数据、水资源管理数据和水生态环境数据；
基础数据是进行防洪排涝联合优化调度的必要输入，可以从不同的数据源获取，如水利部门、气象部门、环保部门、规划部门等。需要对这些数据进行预处理，包括数据清洗、数据转换、数据归一化和数据插补等，以消除数据的错误、缺失、不一致、冗余等问题，使数据符合模型的格式和精度要求。例如，可以对河网数据进行拓扑检查和修正，对管网数据进行连接性检查和修正，对水文数据进行异常值检测和剔除，对水动力数据进行单位转换和归一化，对水利工程数据进行参数校核和更新，对水资源管理数据进行规则提取和编码，对水生态环境数据进行指标筛选和权重赋值等。
步骤S13、根据待运行的防洪排涝联合优化调度模型的输入要求，对获取的基础数据进行预处理，使数据符合模型的格式和精度要求，所述预处理包括数据清洗、数据转换、数据归一化和数据插补。防洪排涝联合优化调度模型主要包括水文水动力模型和优化调度模型两部分。水文水动力模型是用于模拟城市水网的水位水量变化的物理模型和神经网络模型，它需要输入水网的结构参数、水文气象条件、水利工程运行状态等数据。优化调度模型是用于优化城市水网的防洪排涝效果的数学模型，它需要输入水网的调度目标、约束条件、评价指标等数据。需要根据防洪排涝联合优化调度模型的输入要求，对获取的基础数据进行预处理，使数据符合模型的格式和精度要求。例如，可以对水网的结构参数进行网格划分和离散化，对水文气象条件进行插值和外推，对水利工程运行状态进行编码和解码，对调度目标进行量化和标准化，对约束条件进行线性化和松弛化，对评价指标进行归一化和加权等。
本实施例通过多源数据采集和综合分析，能够获取城市水网的基础数据，包括水网的结构、水文、水动力、水利工程、水资源管理、水生态环境等方面的数据，为防洪排涝联合优化调度提供数据支撑。通过数据清洗、数据转换、数据归一化和数据插补等预处理方法，能够消除数据的错误、缺失、不一致、冗余等问题，使数据符合模型的格式和精度要求，为防洪排涝联合优化调度提供数据保障。通过水文水动力模型和优化调度模型的协同求解，能够综合考虑多个尺度、多个目标、多个约束条件，实现城市水网的防洪排涝联合优化调度，生成最优调度方案，并对调度方案的防洪排涝效果进行评价，为决策者提供参考和支持。这种方法能够充分发挥城市水网的水资源配置、防洪减灾、水生态保护等多种功能，实现防洪排涝效果的最大化。
根据本申请的一个方面，所述步骤S11还包括：
步骤S11a、获取城市边界及城市所处流域的数字高程模型；
可以利用遥感技术，如卫星影像、雷达干涉等，获取城市边界及城市所处流域的数字高程模型，也可以利用国家地理信息系统或其他数据源提供的数字高程模型，对城市边界及城市所处流域进行裁剪和拼接，得到所需的数字高程模型。数字高程模型的分辨率和精度应满足防洪排涝联合优化调度模型的要求。
步骤S11b、查找城市区域河网下游是否存在影响河网水位和流向的水体，所述水体包括江河、湖泊和海洋。可以利用数字高程模型，结合水文地理资料，分析城市区域河网下游的水文特征，确定是否存在影响河网水位和流向的水体，如江河的汇流、湖泊的倒灌、海洋的潮汐等。如果存在这样的水体，需要获取其水位和流量等数据，以便进行后续的数据处理和模型求解。
步骤S11c、建立河网水位与水体水位的Copula联合分布函数，并估计函数参数，获得优化后的Copula联合分布函数；Copula函数是一种用于描述多变量随机变量之间的相关性的函数，可以用来构建多变量的联合分布函数。可以利用历史观测数据，选择合适的Copula函数，如Gumbel-Hougaard Copula、Clayton Copula、Frank Copula等，建立河网水位与水体水位的Copula联合分布函数，并利用极大似然法等方法，估计函数参数，获得优化后的Copula联合分布函数。这样就可以利用Copula联合分布函数，模拟河网水位与水体水位的联合变化，分析其对城市水网防洪排涝能力的影响。
步骤S11d、采用优化后的Copula联合分布函数计算水体水位和河流水位的条件概率，根据条件概率值评估城市水网的防洪排涝能力，给出防洪排涝能力量化值。可以利用优化后的Copula联合分布函数，计算在不同水体水位下，河流水位超过防洪标准的条件概率，或者在不同河流水位下，水体水位超过防洪标准的条件概率，作为城市水网的防洪排涝能力的评价指标。可以根据条件概率值的大小，给出防洪排涝能力量化值，如高、中、低等，以便进行后续的数据处理和模型求解。
步骤S11e、根据防洪排涝能力量化值将城市区域范围划分为至少两个区域。可以根据防洪排涝能力量化值，将城市区域范围划分为至少两个区域，如排涝高风险区和排涝低风险区，或者排涝高风险区、排涝中风险区和排涝低风险区等。这样就可以针对不同区域的防洪排涝能力，制定不同的防洪排涝联合优化调度策略，提高调度效率和效果。
如图3所示，根据本申请的一个方面，所述步骤S2进一步为：
步骤S21、根据城市水网的特点，从预配置的水文水动力模型集合中选择对应的水文水动力模型，并建立水文水动力与神经网络耦合模型；所述水文水动力与神经网络耦合模型为SWMM-GCN-LSTM-attention耦合模型；
水文水动力模型用于模拟水网的水量水质变化，可以分为一维、二维和三维等类型，根据水网的复杂程度和计算精度的要求，选择合适的模型。神经网络模型用于捕捉水网的动态特性和非线性关系，提高模型的预测能力和泛化能力。水文水动力与神经网络耦合模型是将两种模型进行有机结合，利用水文水动力模型的物理机制和神经网络模型的数据学习能力，实现水网的精细化模拟和优化调度。SWMM模型用于模拟城市水网的水量水质变化，包括降雨径流、河道流量、管网流量、水位等参数。SWMM模型的输入包括水网的拓扑结构、水文参数、水力参数、降雨数据等，输出为水网的水量水质状态。GCN模型用于提取城市水网的空间特征，包括水网的拓扑关系、水位水量分布等。GCN模型的输入为SWMM模型的输出，输出为水网的空间特征向量。LSTM模型用于提取城市水网的时间特征，包括水网的动态变化、周期性规律等。LSTM模型的输入为GCN模型的输出，输出为水网的时间特征向量。attention是一种注意力机制模型，用于加权融合城市水网的空间特征和时间特征，提高模型的关注度和灵敏度。attention模型的输入为GCN模型和LSTM模型的输出，输出为水网的综合特征向量。通过多目标优化模型，根据水网的综合特征向量生成最优的调度方案，包括闸门开度、泵站开关、水库水位等控制变量。
步骤S22、调用至少部分基础数据作为水文水动力模型的输入，并将水文水动力模型的输出作为神经网络模型的输入，获得水文水动力与神经网络耦合模型的输出，并与实测值进行比较，优化水文水动力与神经网络耦合模型的参数，直至符合预期值。
利用历史数据或实时数据，作为水文水动力模型的输入，模拟水网的水量水质变化，并将模拟结果作为神经网络模型的输入，训练神经网络模型的参数，使其能够准确地预测水网的未来状态，并生成最优的调度方案。可以利用实测数据，对比模型的输出和实际情况，评估模型的误差和精度，不断优化模型的参数，直至达到预期的效果。
步骤S23、采用优化后的水文水动力与神经网络耦合模型初步模拟城市水网的水位水量变化，并初步分析各个情景下的内涝风险。
利用优化后的水文水动力与神经网络耦合模型，根据不同的降雨情景，模拟城市水网的水位水量变化，并根据水位超过防洪标准的概率，评估各个区域的内涝风险，给出内涝风险等级，如高、中、低等。
在本申请的另一实施例中，所述步骤S23初步分析各个情景下的内涝风险的过程还包括：
步骤S23a、针对每一场景，获取城市水网的水位水量变化模拟结果，并渲染于GIS模型中；
步骤S23b、根据预设阈值，为每一场景划分风险区域，并记录风险区域等级，将每一场景下的各个风险区域的等级降序排列；
步骤S23c、建立各个风险区域的风险等级出现的概率与场景参数的映射关系。可以采用神经网络或贝叶斯网络实现。
比如针对降雨场景进行模拟，大致流程如下：
根据不同的降雨情景，如小雨、中雨、大雨、暴雨等，计算城市水网的内涝深度和内涝范围，进而评估城市水网的内涝风险等级，如低风险、中风险、高风险、极高风险等。目的是为了了解城市水网在不同的降雨情景下的防洪排涝能力和薄弱环节，为后续的风险区划分和调度方案生成提供参考。
利用城市水网的地理信息，如行政区划、道路网、建筑物分布等，将城市水网划分为若干个网格，每个网格的大小可以根据数据的精度和计算的效率进行调整，一般为100米×100米或200米×200米。然后，根据每个网格的内涝深度和内涝范围，计算每个网格的内涝风险等级，如低风险、中风险、高风险、极高风险等。目的是为了获取城区各个地方的内涝风险的空间分布，为后续的风险区划分和调度方案生成提供数据支持。
利用聚类分析等方法，根据每个网格的内涝风险等级，将城市水网划分为不同的风险区，如低风险区、中风险区、高风险区、极高风险区等。每个风险区包含若干个网格，每个网格的内涝风险等级相同或相近。目的是为了将城市水网的内涝风险进行分类和区分，为后续的调度方案生成提供依据。
如图4所示，根据本申请的一个方面，所述步骤S3进一步为：
步骤S31、根据城市水网的特点，从调度模型集合中选择或构建防洪排涝优化调度模型；所述调度模型集合至少包括如下种类的模型：线性规划模型、非线性规划模型、动态规划模型、整数规划模型、随机规划模型、模糊规划模型、多目标规划模型、多阶段规划模型、多层规划模型、或多尺度规划模型；
多尺度耦合模型用于协调和整合水网的不同尺度的调度方案，实现水网的多尺度防洪排涝联合优化调度。多尺度耦合模型的输入包括大尺度规划模型、中尺度规划模型和小尺度规划模型的输出，输出为水网的最优调度方案，包括水网的最优供水量、最优排水量、最优蓄水量、最优水位等。
大尺度规划模型可用于模拟和优化水网的总体水量水质变化，包括水网的总入流、总出流、总蓄水量、总水位等参数。大尺度规划模型的输入包括水网的拓扑结构、水文参数、水力参数、降雨数据、水利工程参数等，输出为水网的总体调度方案，包括水网的总供水量、总排水量、总蓄水量、总水位等。
中尺度规划模型用于模拟和优化水网的局部水量水质变化，包括水网的分区入流、分区出流、分区蓄水量、分区水位等参数。中尺度规划模型的输入包括水网的分区结构、水文参数、水力参数、降雨数据、水利工程参数等，输出为水网的分区调度方案，包括水网的分区供水量、分区排水量、分区蓄水量、分区水位等。
小尺度规划模型用于模拟和优化水网的细节水量水质变化，包括水网的单元入流、单元出流、单元蓄水量、单元水位等参数。小尺度规划模型的输入包括水网的单元结构、水文参数、水力参数、降雨数据、水利工程参数等，输出为水网的单元调度方案，包括水网的单元供水量、单元排水量、单元蓄水量、单元水位等。
步骤S32、根据防洪排涝优化调度模型的特点和水文水动力与神经网络耦合模型的初步模拟结果，判断是否需要调整神经网络模型的结构，若需要，采用Geo-GCN方法或谱聚类方法，生成新的水网图结构，并调整神经网络模型，使之能够与新的水网图结构适配；
水网的图结构即水网的节点和边的分布和连接方式，它决定了神经网络模型的输入和输出的维度和形式。根据水网的实际情况和调度需求，可能需要对水网的图结构进行调整，以提高神经网络模型的预测能力和泛化能力。采用Geo-GCN方法，该方法用于生成新的水网图结构，具体步骤如下：
利用水文水动力与神经网络耦合模型的初步模拟结果，计算水网的节点和边的重要性，即节点和边对水网的水量水质变化的影响程度，作为水网的地理空间信息。
利用地理空间信息，对水网的节点和边进行聚类，将相似的节点和边分为一组，形成新的水网图结构，即将原来的水网图分解为若干个子图，每个子图包含一组节点和边。
利用新的水网图结构，调整神经网络模型的输入和输出，使之能够与新的水网图结构适配，即将原来的神经网络模型分解为若干个子模型，每个子模型对应一个子图，实现水网的多尺度神经网络模拟。
步骤S33、确定调度目标和约束条件，调度目标至少包括最小化内涝面积、最大化供水保障和最优化水生态环境，约束条件包括水网结构约束、水利工程运行约束和水资源管理约束。调度目标是指水网的防洪排涝联合优化调度的期望效果，约束条件是指水网的防洪排涝联合优化调度的限制因素。具体地，最小化内涝面积：即使水网的各个区域的水位不超过防洪标准，避免发生内涝灾害，保障城市安全。最大化供水保障：即使水网的各个区域的供水量满足生活、工业、农业等用水需求，保障城市用水。最优化水生态环境：即使水网的各个区域的水质达到或优于国家标准，保障城市水环境。水网结构约束：即水网的节点和边的数量、位置、连接方式等不可改变，保持水网的拓扑结构不变。水利工程运行约束：即水利工程的运行参数（如闸门开度、泵站流量、水库水位等）必须满足工程设计和安全要求，不能超出工程的运行范围和能力。水资源管理约束：即水资源的分配和利用必须遵守国家和地方的相关法律法规和政策，不能违反水权和水量的约定，不能损害水资源的可持续利用。
根据本申请的一个方面，所述步骤S32中Geo-GCN方法的过程进一步为：
计算水网拓扑中的各个水网节点之间的几何距离，作为节点之间的相似度度量；为每个节点选择k个最近邻的水网节点，作为其邻居，构建一个k近邻图，其中边的权重为水网节点之间的相似度，对k近邻图进行归一化，得到一个新的邻接矩阵，用于水网拓扑的神经网络的聚合操作，k为自然数；
所述步骤S32中谱聚类方法的过程进一步为：
计算水网拓扑图的拉普拉斯矩阵，以描述图的结构特征；对拉普拉斯矩阵进行特征分解，得到特征值和特征向量，按照特征值的大小排序，选择前m个最小的特征值对应的特征向量，作为水网节点的新的特征表示；对水网节点的新的特征表示进行归一化，得到一个新的特征矩阵，用于水网拓扑的神经网络的输入，m为自然数。
根据本申请的一个方面，所述步骤S32中，调整神经网络模型的过程进一步为：
对水网拓扑中的各个水网节点的原始特征进行线性变换，得到水网节点自身的表征，用于保留节点的自身信息；对水网节点的原始特征和邻接矩阵进行图卷积操作，得到邻居聚合的表征，用于捕捉节点的局部信息；对水网节点自身的表征和邻居聚合的表征进行拼接，得到水网节点的完整表征，用于下一层的输入；对每一层的水网节点表征进行加权求和，得到水网节点的最终表征。
在本实施例中，通过更新水网拓扑，解决现有技术存在的异配问题。解决了传统的基于水网拓扑的神经网络模型忽略水网节点之间的空间关系和结构特征的问题，提高了水网拓扑的神经网络模型的性能和可靠性。实现了水利系统的状态监测和预测的自动化和智能化，提高了水利系统的运行效率和安全性。具体如下：
采用Geo-GCN方法，利用水网节点之间的几何距离作为相似度度量，构建k近邻图，用于水网拓扑的神经网络的聚合操作。这样可以有效地捕捉水网节点之间的空间关系，提高神经网络的表达能力和泛化能力。采用谱聚类方法，利用水网拓扑图的拉普拉斯矩阵进行特征分解，得到水网节点的新的特征表示，用于水网拓扑的神经网络的输入。这样可以有效地降低水网拓扑图的维度，提取水网节点的结构特征，增强神经网络的学习效率和准确性。采用调整神经网络模型，利用水网节点自身的表征和邻居聚合的表征进行拼接，得到水网节点的完整表征，用于下一层的输入；对每一层的水网节点表征进行加权求和，得到水网节点的最终表征。这样可以有效地融合水网节点的自身信息和局部信息，提高神经网络的预测能力和稳定性。
如图5所示，根据本申请的一个方面，所述步骤S4进一步为：
步骤S41、根据水文水动力与神经网络耦合模型的特点，从预配置的优化算法集合中调取优化算法；
水文水动力与神经网络耦合模型利用水质数据的空间相关性构建神经网络模型，实现对河流水质的实时预测和异常事件预警。预配置的优化算法集合包括梯度下降法、遗传算法、粒子群算法、量子粒子群优化算法等。在某些场景下可以选择遗传算法作为优化算法，因为它具有全局搜索能力，能够避免陷入局部最优解，同时能够处理非线性、多峰和高维的优化问题。
步骤S42、根据优化算法的原理和要求，确定优化算法的参数，以保证优化算法的收敛性、稳定性和效率；
步骤S43、根据优化算法的流程运行优化算法，求解防洪排涝优化调度模型，输出至少两个尺度下的优化调度方案集合，每个尺度下的优化调度方案集合包括多个可行的调度方案。根据水库和河道的水文水动力特性，以及防洪控制点的水位或流量限制，建立用于求解最优的水库出库流量和闸门开度的数学模型。每个方案都可以实现防洪排涝的目的，但可能有不同的优劣程度。在某个场景下，根据不同的降雨历时和强度，分别建立了24小时和48小时两个尺度下的防洪排涝优化调度模型，利用遗传算法求解，输出了两个尺度下的优化调度方案集合，每个尺度下包括10个可行的调度方案。
在本实施例中，通过对不同尺度的模型进行集成学习，可以提高优化算法的效率。
模型解决了现有技术存在的研究区域的地形复杂，河道纵横交错，水库和河道之间存在着复杂的水力联系，因此需要考虑水库和河道的联合调度，同时需要考虑不同降雨历时和强度下的不同洪水过程，以及不同防洪控制点的不同约束条件，造成求解复杂的问题。
在本申请的另一实施例中，所述步骤43中输出至少两个尺度下的优化调度方案集合的过程进步为：
步骤S43a、针对每一调度场景，获取场景参数，根据各个风险区域的风险等级出现的概率与场景参数的映射关系，遍历当前场景下风险区域加权之和最小的K种调度方案；
步骤S43b、查找K种调度方案中，每一区域的风险等级是否超出阈值，若超出，则剔除该调度方案，形成可行的调度方案集合；
步骤S43c、通过预配置的规则和专家系统删除可行的调度方案集合中缺陷方案，形成带优选的可行方案集合。
在某些实施例中，可以利用降雨数据或上游来水数据，如降雨量、降雨强度、降雨持续时间等，判断当前或未来的降雨情景，如小雨、中雨、大雨、暴雨等。然后，根据降雨情景和风险区的对应关系，快速查找可能发生内涝的风险区域，如小雨对应低风险区、中雨对应中风险区、大雨对应高风险区、暴雨对应极高风险区等。目的是为了根据降雨径流的级别，快速定位城市水网的重点防洪排涝区域，为后续的调度方案生成提供方向。
如图6所示，根据本申请的一个方面，所述步骤S5进一步为：
步骤S51、根据防洪调度的目标和指标，评价各个尺度下的每个调度方案的防洪效果，输出各个调度方案的防洪效果评价结果，包括防洪效果等级、防洪效果指数和防洪效果评价。确定防洪调度的目标和指标，例如保证下游安全、减少上游淹没、提高水资源利用率等。然后，需要根据不同的时间尺度(如日、周、月等)和空间尺度(如单个水库、分区水库群、全流域水库群等)生成多个调度方案，每个方案包含各个水库的出库流量和水位变化。需要根据一些评价方法，如模糊综合评价法、层次分析法、灰色关联分析法等，对每个调度方案的防洪效果进行评价，输出各个调度方案的防洪效果评价结果，包括防洪效果等级(如优、良、中、差等)、防洪效果指数(如0-1之间的数值，越接近1表示防洪效果越好)和防洪效果评价(如文字描述的优缺点、建议等)。
步骤S52、根据防洪效果评价结果，采用多目标决策方法，从每个尺度下的优化调度方案集合中筛选出最优调度方案；多目标决策方法综合考虑各个方面的影响，找到最符合需求的方案。有些常用的多目标决策方法有:线性加权法、主要目标法、逼近目标法、目标规划法、理想点法、多目标规划法等。也可以根据的偏好和实际情况，选择合适的方法，或者综合运用多种方法，进行方案的比较和选择。
步骤S53、将每个尺度下的最优调度方案和对应的防洪效果展示在人机交互界面上，以便用户查看和分析。本实施例可以解决如何在多个冲突的目标之间进行权衡，如何在有限的水资源和库容条件下，实现防洪调度的最优化，如何在不同的时间和空间尺度下，进行水库群的联合调度等问题。本实施例可以提高防洪调度的科学性和合理性，减少防洪调度的风险和损失，提高水资源的利用率和效益，提高用户的满意度和信任度等。
在一些实施例中，还可以使用卷积LSTM网络来建立城市水网的水文-水力模型，利用卷积操作来捕捉空间相关性，利用LSTM单元来捕捉时间依赖性，实现对城市水网的水量水位变化的高精度模拟。或者使用Transformer网络来确定城市水网的防洪排涝优化调度目标和约束条件，利用自注意力机制来建模时空数据的长期依赖性，利用多头注意力机制来平衡多目标的优先级，实现对城市水网的多功能性和多维性的反映。还可以使用QPSO-BiLSTM网络来设计城市水网的防洪排涝优化调度模型，利用量子粒子群优化算法来寻找最优的调度参数，利用双向LSTM网络来建模时空数据的双向传播特性，实现对城市水网的联合调度的优化。或者采用SSA-LSTM网络来开发城市水网的防洪排涝优化调度系统，利用奇异谱分析算法来提取时空数据的主要成分，利用LSTM网络来预测未来的时空数据，实现对城市水网的实时、预报、模拟等多种调度模式的支持。如果使用奇异谱分析算法，具体流程如下：将水文水动力时空数据按照一定的窗口长度划分为多个子序列，将这些子序列作为矩阵的列向量，形成一个轨迹矩阵；对轨迹矩阵进行奇异值分解，得到若干个奇异值和对应的左右奇异向量，将每个奇异值和对应的奇异向量相乘，得到若干个子矩阵；根据预定的原则，将子矩阵分为若干个组，每个组代表一种信号成分，如趋势、周期、噪声等。对每个组中的子矩阵进行对角线平均化，得到若干个子序列，将同一组中的子序列相加，得到该组的重构序列。
也可以先获得一组非劣解，每个解对应一种调度方案，然后根据不同的情景和决策者的偏好，从非劣解集中选择最适合的调度方案，实施调度控制，实现城市水网多尺度防洪排涝联合优化调度。
根据本申请的另一个方面，一种城市水网多尺度防洪排涝联合优化调度系统，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城市水网多尺度防洪排涝联合优化调度方法。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (4)
1.城市水网多尺度防洪排涝联合优化调度方法，其特征在于，包括如下步骤：
步骤S1、确定城市区域范围，获取多尺度的基础数据，并预处理；
步骤S2、构建城市水网的水文水动力模型，调用至少部分基础数据作为输入数据，模拟城市水网的水位水量变化，并分析各个情景下的内涝风险；
步骤S3、构建防洪排涝优化调度模型，确定调度目标和约束条件，调度目标至少包括最小化内涝面积、最大化供水保障和最优化水生态环境，约束条件包括水网结构约束、水利工程运行约束和水资源管理约束；
步骤S4、采用预配置的优化算法求解防洪排涝优化调度模型，获得至少两个尺度下的优化调度方案集合；
步骤S5、针对每个尺度，从每个优化调度方案集合中筛选出最优调度方案，并将最优调度方案对应的防洪调度效果展示在人机交互界面；
所述步骤S1进一步为：
步骤S11、获取城市所在区域的数字高程模型，并根据预定目标确定城市区域范围；
步骤S12、采集城市水网的基础数据并预处理，所述基础数据至少包括河网数据、管网数据、水文数据、水动力数据、水利工程数据、水资源管理数据和水生态环境数据；
步骤S13、根据待运行的防洪排涝联合优化调度模型的输入要求，对获取的基础数据进行预处理，使数据符合模型的格式和精度要求，所述预处理包括数据清洗、数据转换、数据归一化和数据插补；
所述步骤S2进一步为：
步骤S21、根据城市水网的特点，从预配置的水文水动力模型集合中选择对应的水文水动力模型，并建立水文水动力与神经网络耦合模型；所述水文水动力与神经网络耦合模型为SWMM-GCN-LSTM-attention耦合模型；
步骤S22、调用至少部分基础数据作为水文水动力模型的输入，并将水文水动力模型的输出作为神经网络模型的输入，获得水文水动力与神经网络耦合模型的输出，并与实测值进行比较，优化水文水动力与神经网络耦合模型的参数，直至符合预期值；
步骤S23、采用优化后的水文水动力与神经网络耦合模型初步模拟城市水网的水位水量变化，并初步分析各个情景下的内涝风险；
所述步骤S3进一步为：
步骤S31、根据城市水网的特点，从调度模型集合中选择或构建防洪排涝优化调度模型；所述调度模型集合至少包括如下种类的模型：线性规划模型、非线性规划模型、动态规划模型、整数规划模型、随机规划模型、模糊规划模型、多目标规划模型、多阶段规划模型、多层规划模型、或多尺度规划模型；
步骤S32、根据防洪排涝优化调度模型的特点和水文水动力与神经网络耦合模型的初步模拟结果，判断是否需要调整神经网络模型的结构，若需要，采用Geo-GCN方法或谱聚类方法，生成新的水网图结构，并调整神经网络模型，使之能够与新的水网图结构适配；
步骤S33、确定调度目标和约束条件，调度目标至少包括最小化内涝面积、最大化供水保障和最优化水生态环境，约束条件包括水网结构约束、水利工程运行约束和水资源管理约束；
所述步骤S4进一步为：
步骤S41、根据水文水动力与神经网络耦合模型的特点，从预配置的优化算法集合中调取优化算法；
步骤S42、根据优化算法的原理和要求，确定优化算法的参数，以保证优化算法的收敛性、稳定性和效率；
步骤S43、根据优化算法的流程运行优化算法，求解防洪排涝优化调度模型，输出至少两个尺度下的优化调度方案集合，每个尺度下的优化调度方案集合包括多个可行的调度方案；
所述步骤S5进一步为：
步骤S51、根据防洪调度的目标和指标，评价各个尺度下的每个调度方案的防洪效果，输出各个调度方案的防洪效果评价结果，包括防洪效果等级、防洪效果指数和防洪效果评价；
步骤S52、根据防洪效果评价结果，采用多目标决策方法，从每个尺度下的优化调度方案集合中筛选出最优调度方案；
步骤S53、将每个尺度下的最优调度方案和对应的防洪效果展示在人机交互界面上，以便用户查看和分析；
所述步骤S11还包括：
步骤S11a、获取城市边界及城市所处流域的数字高程模型；
步骤S11b、查找城市区域河网下游是否存在影响河网水位和流向的水体，所述水体包括江河、湖泊和海洋；
步骤S11c、建立河网水位与水体水位的Copula联合分布函数，并估计函数参数，获得优化后的Copula联合分布函数；
步骤S11d、采用优化后的Copula联合分布函数计算水体水位和河流水位的条件概率，根据条件概率值评估城市水网的防洪排涝能力，给出防洪排涝能力量化值；
步骤S11e、根据防洪排涝能力量化值将城市区域范围划分为至少两个区域；
所述多尺度包括时间尺度和空间尺度。
2.如权利要求1所述的城市水网多尺度防洪排涝联合优化调度方法，其特征在于，所述步骤S32中Geo-GCN方法的过程进一步为：
计算水网拓扑中的各个水网节点之间的几何距离，作为节点之间的相似度度量；为每个节点选择k个最近邻的水网节点，作为其邻居，构建一个k近邻图，其中边的权重为水网节点之间的相似度，对k近邻图进行归一化，得到一个新的邻接矩阵，用于水网拓扑的神经网络的聚合操作，k为自然数；
所述步骤S32中谱聚类方法的过程进一步为：
计算水网拓扑图的拉普拉斯矩阵，以描述图的结构特征；对拉普拉斯矩阵进行特征分解，得到特征值和特征向量，按照特征值的大小排序，选择前m个最小的特征值对应的特征向量，作为水网节点的新的特征表示；对水网节点的新的特征表示进行归一化，得到一个新的特征矩阵，用于水网拓扑的神经网络的输入，m为自然数。
3.如权利要求2所述的城市水网多尺度防洪排涝联合优化调度方法，其特征在于，所述步骤S32中，调整神经网络模型的过程进一步为：
对水网拓扑中的各个水网节点的原始特征进行线性变换，得到水网节点自身的表征，用于保留节点的自身信息；对水网节点的原始特征和邻接矩阵进行图卷积操作，得到邻居聚合的表征，用于捕捉节点的局部信息；对水网节点自身的表征和邻居聚合的表征进行拼接，得到水网节点的完整表征，用于下一层的输入；对每一层的水网节点表征进行加权求和，得到水网节点的最终表征。
4.一种城市水网多尺度防洪排涝联合优化调度系统，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3任一项所述的城市水网多尺度防洪排涝联合优化调度方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526227.5A CN117236673B (zh) | 2023-11-16 | 2023-11-16 | 城市水网多尺度防洪排涝联合优化调度方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311526227.5A CN117236673B (zh) | 2023-11-16 | 2023-11-16 | 城市水网多尺度防洪排涝联合优化调度方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117236673A CN117236673A (zh) | 2023-12-15 |
| CN117236673B true CN117236673B (zh) | 2024-01-26 |
Family
ID=89098897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311526227.5A Active CN117236673B (zh) | 2023-11-16 | 2023-11-16 | 城市水网多尺度防洪排涝联合优化调度方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117236673B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117649058B (zh) * | 2024-01-29 | 2024-04-26 | 广东广宇科技发展有限公司 | 一种用于城市排涝的水利引导优化方法、系统及存储介质 |
| CN117808650B (zh) * | 2024-02-29 | 2024-05-14 | 南京信息工程大学 | 一种基于Transform-Flownet和R-FPN的降水预测方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872063A (zh) * | 2019-02-11 | 2019-06-11 | 南昌工程学院 | 平原城市河网防洪、排涝、活水联合优化调度方法及系统 |
| CN109948235A (zh) * | 2019-03-14 | 2019-06-28 | 南京大学 | 水资源调度与精准化配置方法 |
| CN112101818A (zh) * | 2020-10-13 | 2020-12-18 | 南昌工程学院 | 一种适用于复杂水力联系的海绵城市洪涝优化调度方法 |
| CN113204927A (zh) * | 2021-06-08 | 2021-08-03 | 中国水利水电科学研究院 | 一种针对城市降雨洪涝过程的不同尺度分级嵌套模拟方法 |
| 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 |
| CN116911699A (zh) * | 2023-09-14 | 2023-10-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市洪涝灾害应对韧性的精细化动态评估方法和系统 |
| CN117010726A (zh) * | 2023-09-29 | 2023-11-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 用于城市防洪的智慧预警方法及系统 |
-
2023
- 2023-11-16 CN CN202311526227.5A patent/CN117236673B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109872063A (zh) * | 2019-02-11 | 2019-06-11 | 南昌工程学院 | 平原城市河网防洪、排涝、活水联合优化调度方法及系统 |
| CN109948235A (zh) * | 2019-03-14 | 2019-06-28 | 南京大学 | 水资源调度与精准化配置方法 |
| CN112101818A (zh) * | 2020-10-13 | 2020-12-18 | 南昌工程学院 | 一种适用于复杂水力联系的海绵城市洪涝优化调度方法 |
| CN113204927A (zh) * | 2021-06-08 | 2021-08-03 | 中国水利水电科学研究院 | 一种针对城市降雨洪涝过程的不同尺度分级嵌套模拟方法 |
| 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 |
| CN116911699A (zh) * | 2023-09-14 | 2023-10-20 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市洪涝灾害应对韧性的精细化动态评估方法和系统 |
| CN117010726A (zh) * | 2023-09-29 | 2023-11-07 | 水利部交通运输部国家能源局南京水利科学研究院 | 用于城市防洪的智慧预警方法及系统 |
Non-Patent Citations (11)
| Title |
|---|
| An Urban Water Extraction Method Combining Deep Learning and Google Earth Engine;Yudie Wang; Zhiwei Li; Chao Zeng;IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing;第13卷(第2020期);769 – 782 * |
| Research on Multi-scale Urban Flood Model Based on Data Fusion;Haocheng Huang; Weihong Liao; Xiaohui Lei; Hao Wang;2021 7th International Conference on Hydraulic and Civil Engineering & Smart Water Conservancy and Intelligent Disaster Reduction Forum (ICHCE & SWIDR);122-126 * |
| RS and GIS based urban flood-control management system;Yun Bai; Changchun Wu; Liuxin Li; Yang Liu; Mingyi Du;2012 IEEE International Geoscience and Remote Sensing Symposium;2755-2758 * |
| Towards an AI-driven framework for multiscale urban flood resilience planning and design;Xinyue Ye, Shaohua Wang, Zhipeng Lu;Computational Urban Science;第11卷(第2021期);1-12 * |
| 利用洪涝模型进行城市内涝风险快速识别与预警;徐美;刘舒;孙杨;姚永慧;;武汉大学学报(信息科学版);第45卷(第08期);1185-1194 * |
| 城市水系功能治理方法及应用;郭怀成; 王金凤; 刘永; 毛国柱; 王真;地理研究(第04期);596-605 * |
| 城市河湖闸泵群防洪排涝优化调度模型研究;梁益闻;中国硕士学位论文全文数据库 (工程科技Ⅱ辑)(第06期);C038-328 * |
| 多尺度分级河网模型在江苏省太湖地区的应用研究;吴时强;黎东洲;范子武;刘国庆;乌景秀;中国防汛抗旱;第33卷(第08期);1-6+18 * |
| 平原河网水系连通多尺度评价及调控对策研究;尚钊仪;中国博士学位论文全文数据库 (工程科技Ⅱ辑)(第05期);C037-3 * |
| 水域生态系统的时间尺度与空间尺度;李煜，夏自强;河海大学学报（自然科学版）;第35卷(第02期);168-171 * |
| 江苏数字孪生水网建设与预报调度一体化应用初探;刘国庆;范子武;廖轶鹏;杨光;黎东洲;中国水利(第03期);60-65 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117236673A (zh) | 2023-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Alizadeh et al. | A novel attention-based LSTM cell post-processor coupled with bayesian optimization for streamflow prediction | |
| CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
| CN104408900A (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
| CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
| CN114492233B (zh) | 一种基于webGIS平台及考虑综合利用要求的流域水模拟方法 | |
| CN109271465A (zh) | 一种基于云计算的水文数据分析及展示方法 | |
| Mohammad-Azari et al. | State-of-art of genetic programming applications in water-resources systems analysis | |
| Cai et al. | Flood forecasting in urban reservoir using hybrid recurrent neural network | |
| Wu et al. | Local and global Bayesian network based model for flood prediction | |
| CN117236674A (zh) | 城市河网水动力精准调控和水环境提升方法及系统 | |
| Zhou et al. | Integrated dynamic framework for predicting urban flooding and providing early warning | |
| Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
| Wang et al. | Rapid prediction of urban flood based on disaster-breeding environment clustering and Bayesian optimized deep learning model in the coastal city | |
| Zhou et al. | A deep-learning-technique-based data-driven model for accurate and rapid flood predictions in temporal and spatial dimensions | |
| Jalili et al. | Multi-objective Optimization of water resources in real time based on integration of NSGA-II and support vector machines | |
| Heydari Kushalshah et al. | Hybrid modelling for urban water supply system management based on a bi-objective mathematical model and system dynamics: A case study in Guilan province. | |
| Wang et al. | The prediction of water level based on support vector machine under construction condition of steel sheet pile cofferdam | |
| Ehtearm et al. | Predicting hydropower production using deep learning CNN-ANN hybridized with gaussian process regression and salp algorithm | |
| Wang et al. | A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis | |
| CN116756498A (zh) | 一种基于lstm和分位数回归的径流概率预测算法 | |
| Jin et al. | Integration of an improved transformer with physical models for the spatiotemporal simulation of urban flooding depths | |
| Chourushi et al. | A critical review of hydrological modeling practices for flood management | |
| Li et al. | Resilience Assessment of Urban Distribution Network Under Heavy Rain: A Knowledge-Informed Data-Driven Approach (April 2023) | |
| Ekhtiari et al. | Optimizing the dam site selection problem considering sustainability indicators and uncertainty: An integrated decision-making approach | |
| Daming et al. | Evaluation method of sponge city potential based on neural network and fuzzy mathematical evaluation |
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 |