CN117575289B - 水量-水质多目标协同的水库优化调度方法 - Google Patents
水量-水质多目标协同的水库优化调度方法 Download PDFInfo
- Publication number
- CN117575289B CN117575289B CN202410050295.7A CN202410050295A CN117575289B CN 117575289 B CN117575289 B CN 117575289B CN 202410050295 A CN202410050295 A CN 202410050295A CN 117575289 B CN117575289 B CN 117575289B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- water
- water supply
- supply line
- ecological system
- 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 452
- 238000000034 method Methods 0.000 title claims abstract description 76
- 238000012851 eutrophication Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 47
- 230000008859 change Effects 0.000 claims abstract description 18
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 33
- 239000013049 sediment Substances 0.000 claims description 32
- 238000003860 storage Methods 0.000 claims description 29
- 239000002352 surface water Substances 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 claims description 20
- 229910052757 nitrogen Inorganic materials 0.000 claims description 20
- 229910052698 phosphorus Inorganic materials 0.000 claims description 20
- 239000011574 phosphorus Substances 0.000 claims description 20
- 238000010248 power generation Methods 0.000 claims description 20
- 235000016709 nutrition Nutrition 0.000 claims description 17
- 230000035764 nutrition Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 14
- 239000002344 surface layer Substances 0.000 claims description 12
- 229930002868 chlorophyll a Natural products 0.000 claims description 11
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 7
- 239000010410 layer Substances 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000007599 discharging Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 3
- 238000001704 evaporation Methods 0.000 claims description 3
- 230000008595 infiltration Effects 0.000 claims description 3
- 238000001764 infiltration Methods 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 10
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 239000003344 environmental pollutant Substances 0.000 description 22
- 231100000719 pollutant Toxicity 0.000 description 22
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000002068 genetic effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 241000195493 Cryptophyta Species 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000005012 migration Effects 0.000 description 3
- 238000013508 migration Methods 0.000 description 3
- 230000002265 prevention Effects 0.000 description 3
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005791 algae growth Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000000356 contaminant Substances 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 150000003839 salts Chemical class 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 241000192710 Microcystis aeruginosa Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000005422 algal bloom Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000012010 growth Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010802 sludge Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06F2111/04—Constraint-based CAD
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Mathematical Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fluid Mechanics (AREA)
- Public Health (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种水量‑水质多目标协同的水库优化调度方法,属于生态环境技术领域。该方法包括:评价水库富营养化所造成的生态系统损失,构建生态系统损失预测模型;所述生态系统损失预测模型用于预测水库调度变化对库区及下泄水质超标所造成生态系统损失的影响;根据水量与水质保障目标,构建水库调度优化模型的目标函数;确定水库调度优化模型的约束条件;设置水库调度曲线及调度规则,确定待优化的调度参数;求解水库调度优化模型,确定最优水库调度方案。该方法兼顾库区水质、底泥及下泄水质条件,考虑了水质超标程度与所造成生态系统损失之间的非线性关系,优化结果有助于实现水库社会经济和生态环境效益双赢。
Description
技术领域
本申请涉及生态环境技术领域,具体地涉及一种水量-水质多目标协同的水库优化调度方法。
背景技术
水体富营养化是影响水库水质安全的全球性环境问题,威胁人类及水生态系统健康。水库调度通过改变水库水动力条件(水位、流速等),影响污染物的迁移转化过程及水质的时空动态变化,制定科学的水库调度策略有助于缓解水库富营养化问题,从而保障水质安全。
当前已有研究在水库调度中考虑了水质目标,通常以库区平均的污染物浓度或下泄口的污染物浓度为调控目标。然而,大型水库水质存在显著的时空差异,局部区域水力滞留时间较长,易于污染物累积并暴发水华。因此,水库富营养化防控需精准考虑此类区域的范围、持续时间及严重程度,而仅以库区平均水质或下泄口水质为调控目标无法满足这一需求。同时,底泥作为内源释放污染物,其对水质的影响愈加显著,底泥污染物释放具有明显的时空异质性,且受水库调度影响。然而,当前的水库调度方法大多忽略了调度对水体-底泥间污染物通量的显著影响,导致水质改善难以取得令人满意的效果。综合以上,水库水量与水质条件间存在紧密的联系,水库水位、下泄流量等条件直接影响供水和发电效益,同时影响污染物的迁移转化过程与水质的时空变化,因此,迫切需要统筹考虑水库水量与水质多目标间的关联性,建立多目标协同的水库优化调度方法。
发明内容
本申请实施方式的目的是提供一种水量-水质多目标协同的水库优化调度方法,该方法在确定水库最优调度方案时,考虑了水质超标造成的生态系统损失、水力发电量以及供水短缺的经济损失,同时,所建立的生态系统损失预测模型综合考虑了库区水质、底泥条件及下泄水质,该方法有助于实现水质改善、供水短缺损失降低与水力发电量提升目标协同优化,达成水库社会经济和生态环境效益双赢。
为了实现上述目的,本申请提供一种水量-水质多目标协同的水库优化调度方法,所述方法包括:
评价水库富营养化所造成的生态系统损失,构建生态系统损失预测模型;所述生态系统损失预测模型用于预测水库调度变化对库区及下泄水质超标所造成生态系统损失的影响;
根据水量与水质保障目标,构建水库调度优化模型的目标函数,所述水量与水质保障目标包括:水质超标导致的生态系统损失、水力发电量及供水短缺造成的经济损失;
确定水库调度优化模型的约束条件;
设置水库调度曲线及调度规则,确定待优化的调度参数;
求解水库调度优化模型,确定最优水库调度方案。
根据上述技术方案,生态系统损失预测模型中考虑了底泥因素,因而基于生态系统损失构建的水库调度优化模型的目标函数中也考虑了底泥因素,实现在水库调度中考虑水体与底泥间的污染物交换,能更有效地进行水体富营养化防控;同时,该方法考虑了水质超标程度与造成的生态系统损失间的非线性关系,通过统筹调控富营养化的面积、持续时间与严重程度,实现生态系统损失的最小化。
在本申请实施例中,评价水库富营养化所造成的生态系统损失,构建生态系统损失预测模型,包括:
基于水动力-富营养化-底泥过程耦合的水环境模型,获取模型训练数据集;
将水库水位和气温的日尺度时间序列数据作为模型的外部输入变量;
将富营养化造成的生态系统损失的日尺度时间序列数据作为模型的输出变量;
以带外源输入的非线性自回归神经网络模型作为基础模型,训练得到生态系统损失预测模型。
根据上述技术手段,基于水动力-富营养化-底泥过程耦合的水环境模型考虑底泥与水体界面的污染物交换过程,基于由此得到的模型训练数据,可以使训练得到的生态系统损失预测模型考虑底泥与水体界面的污染物交换过程;同时,在模型训练过程中,输入变量中的水库水位可以反映水文条件对水质时空动态变化的影响,气温变化会影响藻类生长与营养盐循环过程,基于此构建的模型可以更准确的预测生态系统损失。
在本申请实施例中,基于水动力-富营养化-底泥过程耦合的水环境模型,获取模型训练数据集,包括:
基于水动力-富营养化-底泥过程耦合的水环境模型生成预设数量的目标水库调度情景数据组;
采用卡尔森指数法评价各目标水库调度情景数据组的水体营养水平;
根据各目标水库调度情景数据组的水体营养水平评价各水库调度情景数据组的生态系统损失;
将各目标水库调度情景数据组与对应的生态系统损失组成模型训练数据集。
根据上述技术手段,基于水库水动力-富营养化-底泥过程耦合的水环境模型,考虑底泥与水体界面的污染物交换过程,融合水质的多维时空信息,考虑水体富营养化程度与其造成的生态系统损失之间的非线性关系,评价库区及下泄水质超标造成的生态损失。
在本申请实施例中,采用卡尔森指数法评价各目标水库调度情景数据组的水体营养水平,包括:水体营养水平表示为:
;
;
;
;
;
其中,TSIij是第i天第j个网格表层水体的营养水平指数;CChla,ij是第i天第j个网格表层水体中叶绿素a的浓度,单位为:mg/m3;CTN,ij和CTP,ij分别是第i天第j个网格表层水体中总氮和总磷的浓度,单位为:g/m3;rk为各指标k之间的相关性系数;wk为权重系数。
根据上述技术手段,综合考虑总氮、总磷与叶绿素a浓度,采用卡尔森指数法进行水体营养水平评价;考虑到藻类水华易发生在光照较强的水体表层,因此基于水环境模型导出的水体表层污染物浓度进行评价。
在本申请实施例中,所述生态系统损失包括:表层水体富营养化造成的生态系统损失和下泄口水质超标造成的生态系统损失;
表层水体富营养化造成的生态系统损失表示为:
;
下泄口水质超标造成的生态系统损失表示为:
;
其中,DE,ij是第i天第j个网格表层水体富营养化造成的生态系统损失;a是核算库区生态系统损失的常数;TSIt是富营养化阈值;DW,ir是第i天第r个下泄口水质超标造成的生态系统损失;b是核算下泄水质超标导致生态系统损失的常数;CTN,ir和CTP,ir分别是第i天第r个下泄口处的总氮和总磷浓度,单位为:g/m3;CTN,t和CTP,t为地表水水质标准阈值,单位为:g/m3;c1和c2为权重系数。
根据上述技术手段,综合考虑引起库区生态系统损失的不同方面实现生态系统损失的全面评价。
在本申请实施例中,所述根据水量与水质保障目标,构建水库调度优化模型的目标函数,包括:
根据水量与水质保障目标确定水库调度优化目标;
根据水库调度优化目标确定水库调度优化模型的目标函数。
根据上述技术手段,确定的目标函数能够兼顾多重水量与水质保障目标。
在本申请实施例中,水库调度优化目标包括:
最小化库区表层水体富营养化造成的生态系统年损失:
;
其中,DE是库区表层水体富营养化造成的生态系统年损失;Sij是第i天第j个网格的面积,单位为:m2;Si是第i天库区淹没面积,单位为:m2;n是模拟年的天数,单位为:天;m是整个模拟区域的网格数,单位为:个;DE,ij是第i天第j个网格表层水体富营养化造成的生态系统损失;
最小化水库因下泄水质超标造成的生态系统年损失:
;
其中,DW是水库因下泄水质超标造成的生态系统年损失;u为水库下泄口总数量,单位为:个;DW,ir是第i天第r个下泄口水质超标造成的生态系统损失;
最大化水库年水力发电量:
;
其中,HG是水库年总发电量,单位为:106KW•h;d是发电效率相关的常数;T是模拟年的时段数;hv为第v时段的发电水头,单位为:m;rp,v为第v时段的发电流量,单位为:m3/s;s为水库调度时间步长,单位为:s;
最小化水库因供水短缺造成的年经济损失:
;
其中,WS是水库因供水短缺所造成的年经济损失;g是核算供水短缺损失的常数;rs,v是第v时段的水库供水流量,单位为:m3/s;Gv为第v时段的用户需水量,单位为:m3。
根据上述技术手段,确定了不同水库调度优化目标的计算方式。
在本申请实施例中,根据水库调度优化目标确定水库调度优化模型的目标函数,包括:
对水库调度优化目标进行标准化;
对标准化后的水库调度优化目标进行加权计算,表示为:
;
其中,fi,min和fi,max(i=1,2,3,4)是每个目标可取得的最小值和最大值;e1、e2、e3、e4为权重指标。
根据上述技术手段,可以实现多个目标之间的权衡。
在本申请实施例中,所述约束条件包括:
水平衡:
;
其中,Sv+1和Sv分别是第v+1时段和第v时段的水库蓄水量,单位为:m3;Iv是第v时段的入流量,单位为:m3;Pv是第v时段的降水量,单位为:m3;Rv是第v时段的水库放水量,单位为:m3;Ev是第v时段蒸发造成的水损失,单位为:m3;Dv是第v时段底层下渗造成的水损失,单位为:m3;
水库库容限制:
;
其中,Smax是水库库容上限,单位为:m3;
水力发电限制:
;
其中,HG,min是管理者制定的可接受的最小年发电量,单位为:106KW•h;HG,max是最大年总发电量,单位为:106KW•h ;
水库防洪需求:
其中,LR,v为第v时段的水库蓄水位,单位为:m;LR,max为第v时段基于防洪需求确定的水库蓄水位上限,单位为:m。
在本申请实施例中,所述调度曲线包括:防洪控制线、正常供水线、削减供水线、临界供水线和死水位线;
所述调度规则包括:
当水库蓄水超过防洪控制线时,水库满足全部用水需求,同时放弃超出防洪控制线部分来水;当水库蓄水位于防洪控制线与正常供水线之间时,水库正常运行,满足全部用水需求;当水库蓄水位于正常供水线与削减供水线之间时,水库供水削减第一预设值;当水库蓄水位于削减供水线与临界供水线之间时,水库供水削减第二预设值;当水库蓄水位于临界供水线与死水位线之间时,水库供水削减第三预设值,当水库蓄水低于死水位线时,水库停止放水;
待优化的调度参数包括:正常供水线的常规水位、正常供水线的调度水位、削减供水线的常规水位、削减供水线的调度水位、临界供水线的常规水位、临界供水线的调度水位、正常供水线的常规水位、正常供水线的调度转折时间、削减供水线的调度转折时间以及临界供水线的调度转折时间。
根据上述技术手段,确定多条调度曲线,提升方法的普适性。
在本申请实施例中,所述待优化的调度参数满足如下约束条件:
;
;
;
;
;
;
其中,Lflood是防洪控制水位线,单位为:m;Ldead是死水位线,单位为:m;Tyear是一个模拟年的调度期总数;y1表示正常供水线的常规水位,y2表示正常供水线的调度水位,y3表示削减供水线的常规水位,y4表示削减供水线的调度水位,y5表示临界供水线的常规水位,y6表示临界供水线的调度水位,x1~x4表示正常供水线的调度转折时间,x5~x8表示削减供水线的调度转折时间,x9~x12表示临界供水线的调度转折时间。
根据上述技术手段,限定了不同调度参数需要满足的条件,避免确定的调度方案不具有实用性。
通过上述技术方案,基于水库水动力-富营养化-底泥过程耦合的水环境模型,考虑底泥与水体界面的污染物交换过程,融合水质的多维时空信息,考虑水体富营养化程度与其造成的生态系统损失之间的非线性关系,评价库区及下泄水质超标造成的生态损失;接着,构建人工神经网络模型,预测水库调度变化对库区及下泄水质超标所造成生态系统损失的影响;继而,确定水库调度多目标优化模型的目标方程及约束条件,设计水库调度曲线样式并确定待优化的调度参数;最后,采用遗传算法求解水库调度优化模型,最终确定多目标协同的最优水库调度方案。该申请的优势在于,兼顾库区和下泄水质,统筹考虑多个水质指标,基于水体富营养化影响的时间、范围及程度,全面评估水质超标造成的生态系统损失;实现水质改善、供水短缺损失降低与水力发电量提升目标协同优化,达成水库社会经济和生态环境效益双赢。
本申请实施方式的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本申请实施方式的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本申请实施方式,但并不构成对本申请实施方式的限制。在附图中:
图1是本申请一种实施方式提供的水量-水质多目标协同的水库优化调度方法流程图;
图2是本申请一种实施方式提供的水库调度曲线图。
具体实施方式
以下结合附图对本申请的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本申请,并不用于限制本申请。
当前考虑水质目标的水库调度方法常以库区平均的污染物浓度或下泄口处的污染物浓度为调控目标,忽略了大型水库水质的时空异质性以及水体-底泥界面污染物交换过程的复杂性,因而难以实现水库水质风险精准防控。
图1是本申请一种实施方式提供的水量-水质多目标协同的水库优化调度方法流程图。如图1所示,所述方法包括:
S1:评价水库富营养化所造成的生态系统损失,构建生态系统损失预测模型;所述生态系统损失预测模型用于预测水库调度变化对库区及下泄水质超标所造成生态系统损失的影响。
在本申请实施例中,评价水库富营养化所造成的生态系统损失,构建生态系统损失预测模型,包括:
S101:基于水动力-富营养化-底泥过程耦合的水环境模型,获取模型训练数据集,具体如下:
首先,基于水动力-富营养化-底泥过程耦合的水环境模型生成预设数量的目标水库调度情景数据组。水环境模型将水库水平面划分若干网格,并在垂向上将水库水体划分为若干层,以高时空分辨率模拟水库水质的动态变化。其中,底泥模块与水体模块耦合,从而模拟水体-底泥之间物质交换通量的变化。模型可输出库区不同位置水质和水动力指标逐日变化的模拟结果。在本申请实施例中,按照比例调整了水库的流入、流出和初始蓄水量,创建预设数量的水库调度情景,然后利用水环境模型在每个水库调度情境下运行一年(360天),模型模拟完成之后输出水库表层水体每个网格总氮、总磷与叶绿素a浓度逐日变化的时间序列数据,并在每个下泄口处分别挑选一个网格输出总氮和总磷浓度逐日变化的时间序列数据表征下泄水质,每个水库调度情景对应的数据作为一个水库调度情景数据,不同水库调度情景的数据组成目标水库调度情景数据组。
然后,采用卡尔森指数法评价各目标水库调度情景数据组的水体营养水平。考虑到各水质指标之间非一致性的时空响应,本申请摒弃单一指标,综合考虑总氮、总磷与叶绿素a浓度,采用卡尔森指数法进行水体营养水平评价,具体见公式(1)-(5)。考虑到藻类水华易发生在光照较强的水体表层,因此基于水环境模型导出的水体表层污染物浓度进行评价。
(1)
(2)
(3)
(4)
(5)
其中,TSIij是第i天第j个网格表层水体的营养水平指数;CChla,ij是第i天第j个网格表层水体中叶绿素a的浓度,单位为:mg/m3;CTN,ij和CTP,ij分别是第i天第j个网格表层水体中总氮和总磷的浓度,单位为:g/m3;rk为各指标k之间的相关性系数;wk为权重系数。
根据上述技术手段,综合考虑总氮、总磷与叶绿素a浓度,采用卡尔森指数法进行水体营养水平评价;考虑到藻类水华易发生在光照较强的水体表层,因此基于水环境模型导出的水体表层污染物浓度进行评价。
然后,根据各目标水库调度情景数据组的水体营养水平评价各水库调度情景数据组的生态系统损失。
采用TSIij评价库区水体的营养水平,当TSIij超过富营养化阈值时,则被定义为富营养化水体,超出阈值的比例用于表征富营养化程度。当富营养化程度较低时,所造成的生态系统损失较小,而当达到一定程度时,对生态系统的破坏是巨大的。因此,富营养化程度与其导致的生态系统损失之间是非线性关系。此外,考虑到下泄口处流速通常较快,不易发生藻类水华,然而氮磷浓度超标可能威胁供水安全和下游生态系统健康。因此,针对下泄水体,以总氮和总磷浓度评价下泄水质状况,当总氮、总磷浓度超过水质标准时则被定义为水质超标,超出标准值的比例用于表征下泄水质超标程度。水质超标程度与其导致的生态系统损失之间也是非线性的。因此,本申请选用二次方程评价库区和下泄水质超标造成的生态系统损失,如公式(6)-(7)。
(6)
(7)
其中,DE,ij是第i天第j个网格表层水体富营养化造成的生态系统损失;a是核算库区生态系统损失的常数;TSIt是富营养化阈值;DW,ir是第i天第r个下泄口水质超标造成的生态系统损失;b是核算下泄水质超标导致生态系统损失的常数;CTN,ir和CTP,ir分别是第i天第r个下泄口处的总氮和总磷浓度,单位为:g/m3;CTN,t和CTP,t为地表水水质标准阈值,单位为:g/m3;c1和c2为权重系数。
根据上述技术手段,综合考虑引起库区生态系统损失的不同方面实现生态系统损失的全面评价。
最后,将各目标水库调度情景数据组与对应的生态系统损失组成模型训练数据集。其中,模型的输入数据为目标水库调度情景数据组,而输出数据为生态系统损失对应的结果数据,模型训练的过程即训练模型的参数,使输入目标水库调度情景数据组后,可以得到对应的生态系统损失。
根据上述技术手段,基于水库水动力-富营养化-底泥过程耦合的水环境模型,考虑底泥与水体界面的污染物交换过程,融合水质的多维时空信息,考虑水体富营养化程度与其造成的生态系统损失之间的非线性关系,评价库区及下泄水质超标造成的生态损失。
S102:将水库水位和气温的日尺度时间序列数据作为模型的外部输入变量。
S103:将富营养化造成的生态系统损失的日尺度时间序列数据作为模型的输出变量;
S104:以带外源输入的非线性自回归神经网络模型作为基础模型,训练得到生态系统损失预测模型。
水库调度通过影响水位,进而影响水质的时空动态变化。另外,水温影响污染物的迁移转化过程且对藻类生长影响显著,而水温受气温影响。因此,本方法构建带外源输入的非线性自回归神经网络,以水库水位和气温的日尺度时间序列数据作为外部输入变量,将DE,ij和DW,ir分别作为输出变量,进而训练带外源输入的非线性自回归神经网络模型,分别预测水库调度变化对库区及下泄水质超标造成生态系统损失的影响。由于库区和下泄水质对水位与气温变化的响应是渐进的过程,存在时间滞后效应。因此,人工神经网络模型需要设置输入延时和输出延时,具体如公式(8)所示。(8)
其中,Dt是人工神经网络t时刻的输出,即水库富营养化和下泄水质超标分别造成的生态系统损失;WLt-1和ATt-1是人工神经网络t-1时刻的输入,即水位和气温;当前时刻水质受之前时刻水质及环境条件的影响,即存在时间滞后效应;nD是最大输出延迟阶数,建议设置为1:5~1:35;nWL和nAT是最大输入延迟阶数,建议均设置为1:15~1:60;隐藏神经元个数建议设置为10~15。
根据上述技术手段,基于水动力-富营养化-底泥过程耦合的水环境模型考虑底泥与水体界面的污染物交换过程,基于由此得到的模型训练数据,可以使训练得到的生态系统损失预测模型考虑底泥与水体界面的污染物交换过程;同时,在模型训练过程中,输入变量中的水库水位可以反映水文条件对水质时空动态变化的影响,气温变化会影响藻类生长与营养盐循环过程,基于此构建的模型可以更准确的预测生态系统损失。
S2:根据水量与水质保障目标,构建水库调度优化模型的目标函数,所述水量与水质保障目标包括:水质超标导致的生态系统损失、水力发电量及供水短缺造成的经济损失。
具体优化目标包括:1)最小化水库因库区表层水体富营养化造成的生态系统年损失;2)最小化水库因下泄水质超标造成的生态系统年损失;3)最大化水库年水力发电量;4)最小化水库因供水短缺造成的年经济损失。目标方程如下:
目标一:最小化库区表层水体富营养化造成的生态系统年损失。
(9)
其中,DE是库区表层水体富营养化造成的生态系统年损失;Sij是第i天第j个网格的面积,单位为:m2;Si是第i天库区的淹没面积,单位为:m2;n是模拟年的天数(天);m是整个模拟区域的网格数(个)。
目标二:最小化水库因下泄水质超标造成的生态系统年损失。
(10)
其中,DW是水库因下泄水质超标造成的生态系统年损失;u为水库下泄口总数量(个)。
目标三:最大化水库年水力发电量。
(11)
其中,HG是水库年总发电量(106KW•h);d是发电效率相关的常数;T是模拟年的时段数;hv为第v时段的发电水头(m);rp,v为第v时段的发电流量(m3/s);s为水库调度时间步长(s)。
目标四:最小化水库因供水短缺造成的年经济损失。
(12)
其中,WS是水库因供水短缺所造成的年经济损失;g是核算供水短缺损失的常数;rs,v是第v时段的水库供水流量(m3/s);Gv为第v时段的用户需水量(m3)。
最后,为实现多个目标之间的权衡,对所有目标函数进行标准化,并为每个目标设置权重系数,从而将多目标问题就转化为单目标问题,方程如下:
(13)
其中,fi,min和fi,max(i=1,2,3,4)是每个目标可取得的最小值和最大值。权重指标(e1、e2、e3、e4)根据水库管理者的目标优先级确定。
S3:确定水库调度优化模型的约束条件。
具体包括:1)水平衡;2)水库库容限制;3)水力发电限制;4)水库水位限制。
水平衡方程:
(14)
其中,Sv+1和Sv分别是第v+1时段和第v时段的水库蓄水量(m3);Iv是第v时段的入流量(m3);Pv是第v时段的降水量(m3);Rv是第v时段的水库放水量(m3);Ev是第v时段蒸发造成的水损失(m3);Dv是第v时段底层下渗造成的水损失(m3)。
水库库容限制:
(15)
其中,Smax是水库库容上限(m3)。
水力发电限制:
(16)
其中,HG,min是管理者制定的可接受的最小年发电量(106KW•h);HG,max是最大年总发电量(106KW•h)。
水库防洪需求:
(17)
其中,LR,v为第v时段的水库蓄水位(m);LR,max为第v时段基于防洪需求确定的水库蓄水位上限(m)。
S4:设置水库调度曲线及调度规则,确定待优化的调度参数。
为提升本申请方法的普适性,设计5条具有普适性的水库调度曲线,包括防洪控制线、正常供水线、削减供水线、临界供水线和死水位线,以上调度曲线将水库库容划分为若干区域,不同区域采用不同的调度规则。具体规则如下:当水库蓄水超过防洪控制线时,水库满足全部用水需求,同时放弃多余来水,从而控制水库水位不超过防洪控制线;当水库蓄水位于防洪控制线与正常供水线之间时,水库正常运行,满足全部用水需求;当水库蓄水位于正常供水线与削减供水线之间时,水库供水削减第一预设值;当水库蓄水位于削减供水线与临界供水线之间时,水库供水削减第二预设值;当水库蓄水位于临界供水线与死水位线之间时,水库供水削减第三预设值;当水库蓄水低于死水位线时,水库停止放水。第一预设值、第二预设值和第三预设值通常由水库管理者根据需求和经验确定。防洪控制线与死水位线通常在水库设计阶段已提前确定,因此,本申请方法聚焦优化正常供水线、削减供水线与临界供水线的位置,而这三条供水线可通过18个参数来表示。如图2所示,y1~y6分别用来表示正常供水线、削减供水线与临界供水线的上、下水位高度,x1~x12分别用来表示每条供水线的调度转折时间。这18个参数即为本申请中待优化的调度参数。优化过程中,以上参数需满足以下约束条件:
(18)
(19)
(20)
(21)
(22)
(23)
其中,Lflood是防洪控制水位线(m);Ldead是死水位线(m);Tyear是一个模拟年的调度期总数,y1表示正常供水线的常规水位,y2表示正常供水线的调度水位,y3表示削减供水线的常规水位,y4表示削减供水线的调度水位,y5表示临界供水线的常规水位,y6表示临界供水线的调度水位,x1~x4表示正常供水线的调度转折时间,x5~x8表示削减供水线的调度转折时间,x9~x12表示临界供水线的调度转折时间。
在本申请实施例中,第一预设值、第二预设值和第三预设值满足如下约束条件:
0<第一预设值<第二预设值<第三预设值<100。
S5:求解水库调度优化模型,确定最优水库调度方案。在本申请实施例中,采用遗传算法求解非线性、多目标、多约束的水库调度优化模型,以确定18个调度参数的最优值,从而确定最佳水库调度曲线,调度曲线可用于指导水库调度实践。遗传算法需设置的参数以及建议取值区间是:初始群体大小100~1000、最大迭代次数100~1000,交叉概率0.4~0.99和变异概率0.001~0.1。
根据上述技术方案,生态系统损失预测模型中考虑了底泥因素,因而基于生态系统损失构建的水库调度优化模型的目标函数中也考虑了底泥因素,实现在水库调度中考虑水体与底泥间的污染物交换,能更有效地进行水体富营养化防控。
下面以中国第二大水库(丹江口水库)为实施案例进一步说明本申请。
(1)基于水库水动力-富营养化-底泥过程耦合的水环境模型,融合多指标及多维时空信息,评价水库富营养化造成的生态系统损失。
水环境模型将丹江口水库水平面划分为10000个网格单元,垂直面上将水体均分为六层,分别模拟水库不同层不同网格单元的水质变化。按比例调整了水库的流入、流出和初始蓄水量,创建了16个不同流量的水库调度情景,利用水环境模型在每个调度情景下运行一年(360天),模型模拟完成之后输出水库表层水体每个网格总氮、总磷和叶绿素a浓度逐日变化的时间序列数据,并在陶岔口和大坝口附近分别挑选一个网格输出总氮和总磷浓度逐日变化的时间序列数据表征下泄水质。然后,根据公式(2)−(4)分别计算TSIChla,ij、TSITN,ij和TSITP,ij。通过相关性分析,以叶绿素a为基准量确定总氮、总磷和叶绿素a浓度之间的相关性系数。然后根据公式(5)计算各指标所占权重,经计算得到总氮、总磷和叶绿素a权重分别为0.32,0.17和0.51。即获得综合TSIij公式如下:
(24)
根据水体富营养化评价标准,将TSIt设置为50。丹江口水库是南水北调中线工程水源地,因此下泄口总氮和总磷浓度按照地表水Ⅲ类水标准,将CTN,t和CTP,t分别设置为1mg/L和0.05 mg/L,下泄口总氮和总磷之间的权重系数c1和c2均为0.5,即获得DE,ij和DW,ir公式如下: (25)
(26)
(2)建立人工神经网络模型,预测库区及下泄水质超标造成的生态系统损失。
考虑水质响应的时滞性和自相关性,构建带外源输入的非线性自回归神经网络模型。将水库水位和气温的日尺度时间序列数据作为模型的外部输入变量,富营养化造成的生态系统损失的日尺度时间序列数据作为输出变量。在16组时间序列数据中,随机抽取14组数据进行训练,剩下的两组数据用于训练后模型的最终检验。在训练过程中,数据将被随机分为训练子集、验证子集和测试子集。我们在多次训练中挑选最佳测试效果,最终确定将输入延迟设置为35天,输出延迟设置为10天,隐藏神经元设置为15个。最后,使用输出和目标之间的均方误差和相关性(回归R值)来评估带外源输入的非线性自回归神经网络模型的性能。同样,重复上述过程预测下泄水质超标造成的生态系统损失,并将输入延迟调整为50天。训练好的人工神经网络模型将与后续水库调度多目标优化模型耦合。
(3)确定水库调度优化模型的水量-水质目标方程
本申请考虑了四个优化目标:1)最小化水库因库区表层水体富营养化造成的生态系统年损失;2)最小化水库因下泄水质超标造成的生态系统年损失;3)最大化水库年水力发电量;4)最小化水库因供水短缺造成的年经济损失。根据水库实际运行状况,将丹江口水库调度步长设置为10天,模拟年共36个调度周期。确定水库调度的多目标优化方程,如公式(27)−(30)。
(27)
(28)
(29)
(30)
最后获得标准化目标函数方程如公式(31)所示
(31)
(4)建立水库调度规则曲线,管理水库放水
丹江口水库调度规则曲线分为防洪控制线、正常供水线、削减供水线、临界供水线和死水位线,以上调度曲线将水库库容划分为若干区域,不同区域采用不同的调度规则。当水库蓄水超过防洪控制线时,水库满足全部用水需求,同时放弃多余来水,从而控制水库水位不超过防洪控制线;当水库蓄水位于防洪控制线与正常供水线之间时,水库正常运行,满足全部用水需求;当水库蓄水位于正常供水线与削减供水线之间时,水库供水削减20%(即供水量是需求量的80%);当水库蓄水位于削减供水线与临界供水线之间时,水库供水削减30%(即供水量是需求量的70%);当水库蓄水位于临界供水线与死水位线之间时,水库供水削减60%(即供水量是需求量的40%),当水库蓄水低于死水位线时,水库停止放水。以上削减系数是基于丹江口现状调度规则来确定的。本申请方法聚焦优化正常供水线、削减供水线与临界供水线的位置,而这三条供水线可以通过18个参数来表示。y1~y6分别用来表示正常供水线、削减供水线与临界供水线上、下水位高度,x1~x12分别用来表示每条供水线的调度转折时间。
(5)采用遗传算法求解该非线性、多目标、多约束的优化模型
通过遗传算法求解该模型,遗传算法的参数设置如下:初始群体大小为500,最大迭代次数为500,交叉概率为0.6,变异概率为0.05,求解即可确定兼顾生态和社会经济效益的最优水库规则曲线。优化后的水库调度方案与现状方案相比,富营养化造成的生态系统损失降低了5%以上,发电量增加了约3.5%,而供水短缺所造成的经济损失小幅增加了约2.5%,总体上实现了兼顾社会经济与生态环境效益的总效益最大化。
以上结合附图详细描述了本申请的可选实施方式,但是,本申请实施方式并不限于上述实施方式中的具体细节,在本申请实施方式的技术构思范围内,可以对本申请实施方式的技术方案进行多种简单变型,这些简单变型均属于本申请实施方式的保护范围。另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本申请实施方式对各种可能的组合方式不再另行说明。
此外,本申请的各种不同的实施方式之间也可以进行任意组合,只要其不违背本申请实施方式的思想,其同样应当视为本申请实施方式所公开的内容。
Claims (3)
1.一种水量-水质多目标协同的水库优化调度方法,其特征在于,所述方法包括:
评价水库富营养化所造成的生态系统损失,构建生态系统损失预测模型;所述生态系统损失预测模型用于预测水库调度变化对库区及下泄水质超标所造成生态系统损失的影响;
根据水量与水质保障目标,构建水库调度优化模型的目标函数,所述水量与水质保障目标包括:水质超标导致的生态系统损失、水力发电量及供水短缺造成的经济损失;
确定水库调度优化模型的约束条件;
设置水库调度曲线及调度规则,确定待优化的调度参数;
求解水库调度优化模型,确定最优水库调度方案;
评价水库富营养化所造成的生态系统损失,构建生态系统损失预测模型,包括:
基于水动力-富营养化-底泥过程耦合的水环境模型,获取模型训练数据集;
将水库水位和气温的日尺度时间序列数据作为模型的外部输入变量;
将富营养化造成的生态系统损失的日尺度时间序列数据作为模型的输出变量;
以带外源输入的非线性自回归神经网络模型作为基础模型,训练得到生态系统损失预测模型;
基于水动力-富营养化-底泥过程耦合的水环境模型,获取模型训练数据集,包括:
基于水动力-富营养化-底泥过程耦合的水环境模型生成预设数量的目标水库调度情景数据组;
采用卡尔森指数法评价各目标水库调度情景数据组的水体营养水平;
根据各目标水库调度情景数据组的水体营养水平评价各水库调度情景数据组的生态系统损失;
将各目标水库调度情景数据组与对应的生态系统损失组成模型训练数据集;
采用卡尔森指数法评价各目标水库调度情景数据组的水体营养水平,包括:水体营养水平表示为:
TSIij=w1×TSIChla, i j+w2×TSITN,ij+w3×TSITP,ij;
TSIChla,ij=25.00+10.86×ln(CChla,ij);
TSITN,ij=54.53+16.94×ln(CTN,ij);
TSITP,ij=94.36+16.24×ln(CTP,ij);
其中,TSIij是第i天第j个网格表层水体的营养水平指数;CChla,ij是第i天第j个网格表层水体中叶绿素a的浓度,单位为:mg/m3;CTN,ij和CTP,ij分别是第i天第j个网格表层水体中总氮和总磷的浓度,单位为:g/m3;rk为各指标k之间的相关性系数;wk为权重系数;
所述水质超标的生态系统损失包括:表层水体富营养化造成的生态系统损失和下泄口水质超标造成的生态系统损失;
表层水体富营养化造成的生态系统损失表示为:
下泄口水质超标造成的生态系统损失表示为:
其中,DE,ij是第i天第j个网格表层水体富营养化造成的生态系统损失;a是核算库区生态系统损失的常数;TSIt是富营养化阈值;DW,ir是第i天第r个下泄口水质超标造成的生态系统损失;b是核算下泄水质超标导致生态系统损失的常数;CTN,ir和CTP,ir分别是第i天第r个下泄口处的总氮和总磷浓度,单位为:g/m3;CTN,t和CTP,t为地表水水质标准阈值,单位为:g/m3;c1和c2为权重系数;
所述根据水量与水质保障目标,构建水库调度优化模型的目标函数,包括:
根据水量与水质保障目标确定水库调度优化目标,所述水库调度优化目标包括:
最小化库区表层水体富营养化造成的生态系统年损失:
其中,DE是库区表层水体富营养化造成的生态系统年损失;Si是第i天库区的淹没面积,单位为:m2;Sij是第i天第j个网格的面积,单位为:m2;n是模拟年的天数,单位为:天;m是整个模拟区域的网格数,单位为:个;DE,ij是第i天第j个网格表层水体富营养化造成的生态系统损失;
最小化水库因下泄水质超标造成的生态系统年损失:
其中,DW是水库下泄水质超标造成的生态系统年损失;u为水库下泄口总数量,单位为:个;DW,ir是第i天第r个下泄口水质超标造成的生态系统损失;
最大化水库年水力发电量:
其中,HG是水库年总发电量,单位为:106KW·h;d是发电效率相关的常数;T是模拟年的时段数;hv为第v时段的发电水头,单位为:m;rp,v为第v时段的发电流量,单位为:m3/s;s为水库调度时间步长,单位为:s;
最小化水库因供水短缺造成的年经济损失:
其中,WS是水库因供水短缺所造成的年经济损失;g是核算供水短缺损失的常数;rs,v是第v时段的水库供水流量,单位为:m3/s;Gv为第v时段的用户需水量,单位为:m3;
根据水库调度优化目标确定水库调度优化模型的目标函数;
根据水库调度优化目标确定水库调度优化模型的目标函数,包括:
对水库调度优化目标进行标准化;
对标准化后的水库调度优化目标进行加权计算,表示为:
其中,fi,min和fi,max是每个目标可取得的最小值和最大值,i=1,2,3,4;e1、e2、e3、e4为权重指标;
所述约束条件包括:
水平衡:
Sv+1-Sv=Iv+pv-Rv-Ev-Dv;
其中,Sv+1和Sv分别是第v+1时段和第v时段的水库蓄水量,单位为:m3;Iv是第v时段的入流量,单位为:m3;Pv是第v时段的降水量,单位为:m3;Rv是第v时段的水库放水量,单位为:m3;Ev是第v时段蒸发造成的水损失,单位为:m3;Dv是第v时段底层下渗造成的水损失,单位为:m3;
水库库容限制:
Sv≤Smax;
其中,Smax是水库库容上限,单位为:m3;
水力发电限制:
HG,min≤HG≤HG,max;
其中,HG,min是管理者制定的可接受的最小年发电量,单位为:106KW·h;HG,max是最大年总发电量,单位为:106KW·h;
水库防洪需求:
LR,v≤LR,max
其中,LR,v为第v时段的水库蓄水位,单位为:m;LR,max为第v时段基于防洪需求确定的水库蓄水位上限,单位为:m。
2.根据权利要求1所述的水量-水质多目标协同的水库优化调度方法,其特征在于,所述调度曲线包括:防洪控制线、正常供水线、削减供水线、临界供水线和死水位线;
所述调度规则包括:
当水库蓄水超过防洪控制线时,水库满足全部用水需求,同时放弃超出防洪控制线部分来水;当水库蓄水位于防洪控制线与正常供水线之间时,水库正常运行,满足全部用水需求;当水库蓄水位于正常供水线与削减供水线之间时,水库供水削减第一预设值;当水库蓄水位于削减供水线与临界供水线之间时,水库供水削减第二预设值;当水库蓄水位于临界供水线与死水位线之间时,水库供水削减第三预设值,当水库蓄水低于死水位线时,水库停止放水;
待优化的调度参数包括:正常供水线的常规水位、正常供水线的调度水位、削减供水线的常规水位、削减供水线的调度水位、临界供水线的常规水位、临界供水线的调度水位、正常供水线的常规水位、正常供水线的调度转折时间、削减供水线的调度转折时间以及临界供水线的调度转折时间。
3.根据权利要求2所述的水量-水质多目标协同的水库优化调度方法,其特征在于,所述待优化的调度参数满足如下约束条件:
1≤x1≤x2≤x3≤x4≤Tyear;
1≤x5≤x6≤x7≤x8≤Tyear;
1≤x9≤x10≤x11≤x12≤Tyear;
y4≤y3≤y1≤Lflood;
Ldead≤y6≤y4≤y2≤y1≤Lflood;
Ldead≤y6≤y5≤y3;
其中,Lflood是防洪控制水位线,单位为:m;Ldead是死水位线,单位为:m;Tyear是一个模拟年的调度期总数;y1表示正常供水线的常规水位,y2表示正常供水线的调度水位,y3表示削减供水线的常规水位,y4表示削减供水线的调度水位,y5表示临界供水线的常规水位,y6表示临界供水线的调度水位,x1~x4表示正常供水线的调度转折时间,x5~x8表示削减供水线的调度转折时间,x9~x12表示临界供水线的调度转折时间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050295.7A CN117575289B (zh) | 2024-01-15 | 2024-01-15 | 水量-水质多目标协同的水库优化调度方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410050295.7A CN117575289B (zh) | 2024-01-15 | 2024-01-15 | 水量-水质多目标协同的水库优化调度方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575289A CN117575289A (zh) | 2024-02-20 |
CN117575289B true CN117575289B (zh) | 2024-05-03 |
Family
ID=89892052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410050295.7A Active CN117575289B (zh) | 2024-01-15 | 2024-01-15 | 水量-水质多目标协同的水库优化调度方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575289B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118195281A (zh) * | 2024-05-17 | 2024-06-14 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种分区管理的蓝藻活水调度方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111652528A (zh) * | 2020-06-30 | 2020-09-11 | 华南理工大学 | 一种水缸型水库总磷水质级别评价方法及系统 |
CN113837493A (zh) * | 2021-10-27 | 2021-12-24 | 广东工业大学 | 水库下游tdg浓度生成预测方法及装置 |
CN114881544A (zh) * | 2022-07-07 | 2022-08-09 | 中国长江三峡集团有限公司 | 一种水库流量调控方法、装置、电子设备及存储介质 |
CN115619120A (zh) * | 2022-09-05 | 2023-01-17 | 河海大学 | 一种面向恢复天然水文情势的水库调度方法 |
CN117094119A (zh) * | 2023-06-28 | 2023-11-21 | 大连理工大学 | 考虑发电、生态流量和表面水温的水库调度方法及计算机 |
-
2024
- 2024-01-15 CN CN202410050295.7A patent/CN117575289B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111652528A (zh) * | 2020-06-30 | 2020-09-11 | 华南理工大学 | 一种水缸型水库总磷水质级别评价方法及系统 |
CN113837493A (zh) * | 2021-10-27 | 2021-12-24 | 广东工业大学 | 水库下游tdg浓度生成预测方法及装置 |
CN114881544A (zh) * | 2022-07-07 | 2022-08-09 | 中国长江三峡集团有限公司 | 一种水库流量调控方法、装置、电子设备及存储介质 |
CN115619120A (zh) * | 2022-09-05 | 2023-01-17 | 河海大学 | 一种面向恢复天然水文情势的水库调度方法 |
CN117094119A (zh) * | 2023-06-28 | 2023-11-21 | 大连理工大学 | 考虑发电、生态流量和表面水温的水库调度方法及计算机 |
Also Published As
Publication number | Publication date |
---|---|
CN117575289A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117575289B (zh) | 水量-水质多目标协同的水库优化调度方法 | |
WO2021109848A1 (zh) | 一种考虑提升量的生态流量确定方法 | |
CN107506909B (zh) | 鱼类栖息地保护的梯级水库水电站群调度控制系统及方法 | |
CN106599995B (zh) | 一种根据海洋气象信息预测船舶航行气象因子的方法 | |
Xu et al. | Reservoir operation optimization for balancing hydropower generation and biodiversity conservation in a downstream wetland | |
CN111119282B (zh) | 一种针对供水管网的压力监测点优化布置方法 | |
Hu et al. | Multi-objective ecological reservoir operation based on water quality response models and improved genetic algorithm: A case study in Three Gorges Reservoir, China | |
CN111967666B (zh) | 一种江河湖水系综合协同调度系统及其调度方法 | |
CN111079086B (zh) | 一种基于多元联合分布的水资源系统多重风险评估方法 | |
CN101833609A (zh) | 一种面向河流生态流量维持的水库优化调度方法 | |
CN110163420B (zh) | 一种基于分解文化进化算法的多目标生态调度方法和系统 | |
CN101892647B (zh) | 一种基于水库调度的河流生态流量调控方法 | |
CN113379117B (zh) | 基于改进的精英保留策略遗传算法的闸坝群联合调度方法及系统 | |
CN109598408B (zh) | 一种兼顾用水公平性和重要性的年水量调度计划编制方法 | |
AU2021106540A4 (en) | Prediction method and system for river algal blooms | |
CN116011731A (zh) | 基于机器学习算法与雨洪数值模型的厂网河联合调度方法 | |
CN115186857A (zh) | 一种基于集成学习的神经网络水库水位预测方法 | |
CN115222105A (zh) | 考虑风险和效益博弈均衡的梯级电站调度优化方法及系统 | |
CN109919397A (zh) | 平原河网地区排涝容量校验优化方法 | |
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 | |
CN110188912B (zh) | 基于改进花粉算法的地表水和地下水联合调度优化方法 | |
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 | |
CN115356930A (zh) | 一种污水处理过程中的多目标优化控制系统及方法 | |
CN115619120A (zh) | 一种面向恢复天然水文情势的水库调度方法 | |
CN114528761A (zh) | 平原水网圩区-圩外系统滞蓄关系优化方法及系统 |
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 |