CN117648828B - 河网水动力精准调控方法及系统 - Google Patents
河网水动力精准调控方法及系统 Download PDFInfo
- Publication number
- CN117648828B CN117648828B CN202410116529.3A CN202410116529A CN117648828B CN 117648828 B CN117648828 B CN 117648828B CN 202410116529 A CN202410116529 A CN 202410116529A CN 117648828 B CN117648828 B CN 117648828B
- Authority
- CN
- China
- Prior art keywords
- river network
- water quality
- hydrodynamic
- regulation
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 354
- 238000011156 evaluation Methods 0.000 claims abstract description 45
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000011160 research Methods 0.000 claims abstract description 24
- 238000004088 simulation Methods 0.000 claims abstract description 23
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 230000001276 controlling effect Effects 0.000 claims abstract description 13
- 230000001105 regulatory effect Effects 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 49
- 230000000694 effects Effects 0.000 claims description 28
- 238000005457 optimization Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 24
- 239000001301 oxygen Substances 0.000 claims description 24
- 229910052760 oxygen Inorganic materials 0.000 claims description 24
- 238000010168 coupling process Methods 0.000 claims description 18
- 230000008878 coupling Effects 0.000 claims description 17
- 238000005859 coupling reaction Methods 0.000 claims description 17
- 230000003993 interaction Effects 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 14
- 230000000737 periodic effect Effects 0.000 claims description 13
- 230000035945 sensitivity Effects 0.000 claims description 7
- 238000011144 upstream manufacturing Methods 0.000 claims description 7
- 238000001556 precipitation Methods 0.000 claims description 6
- 230000004069 differentiation Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000005311 autocorrelation function Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 7
- 239000000126 substance Substances 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000010206 sensitivity analysis Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000004382 visual function Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000002922 simulated annealing Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- FAPWRFPIFSIZLT-UHFFFAOYSA-M Sodium chloride Chemical group [Na+].[Cl-] FAPWRFPIFSIZLT-UHFFFAOYSA-M 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000008278 dynamic mechanism Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 239000008213 purified water Substances 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 239000013535 sea water Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000012732 spatial analysis Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- -1 water temperature Chemical compound 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
本发明公开了一种河网水动力精准调控方法及系统,包括获取预定区域的研究数据并预处理;基于研究数据进行初步分析模拟,获得N个重点调控时段;针对每一重点调控时段,提取河网中的关键节点和关键边;构建水动力水质模拟模型、率定模型参数并运行,得到河网的未来的水动力和水质状态,评估河网的水动力和水质风险和趋势;构建水力精准调控函数和约束条件,采用模型求解和优化算法进行求解水动力水质模拟模型,获得精准调控方案集合;依序调取精准调控方案集合中的调控方案并运行,采用预构建专家评估模块对精准调控方案进行评估。通过精准调控河道的水位和流量,改善河网水质、提高河网水体流动性,提高城市河网水环境承载能力。
Description
技术领域
本发明涉及水文水动力技术,尤其是一种河网水动力精准调控方法及系统。
背景技术
河网是由多条河流相互连接形成的复杂水系,是自然界中最常见的水文地貌形态之一。河网中水流的速度、方向、分布等水动力特性,对河网的水资源、水环境、水生态、水灾害等具有重要的影响。通过水利工程或其他手段,改变河网水动力的时空分布,以达到优化水资源配置、改善水质水量、保护水生态、防治水灾害等目的,是水动力调控的重要内容。河网水动力的精准调控,是当前水利科技创新的重要方向,也是解决河网区域水问题的有效途径。随着社会经济的发展和人口的增长,河网区域面临着一些挑战,传统的河网水动力调控方法已经难以适应河网区域的复杂变化和多元需求。因此,发展河网水动力精准调控方法及系统,是提高河网区域水安全、水效率、水可持续性的必然要求,也是促进河网区域绿色发展、生态文明建设的重要支撑。
例如,对于平原城市,一般水动力较弱,在纯天然状态下,河网水流基本按照阻力最小的路径流动,即从河宽较大的河道流走,因此,中小河道流动性极弱,其水环境承载力较低,需要依靠泵站抽排才能够实现水流的流动,因此,为了尽可能地让城市内部的中小河道能够在自流的状态下分配到优质水源,需要进行内部河网水位控制和水量分配研究,以实现对河网水动力的精准调控。
现有技术中,给出了一些解决方案,但是还存在诸多问题,包括:河网水动力的结构性调控技术,还没有充分考虑河网水动力的动态性和变异性,导致调控效果的时效性和适应性不强;河网水动力的非结构性调控技术,还没有充分考虑河网水动力的多维性和多元性,导致调控效果的全面性和协调性不高;河网水动力的调控技术,还没有充分考虑河网水动力的不确定性和风险性,导致调控效果的可靠性和安全性不高;河网水动力的调控技术,还没有充分考虑河网水动力的多目标、多尺度、多约束的综合管理需求,导致调控效果的优化性和灵活性不高。河网水动力优化模型的建立,还没有充分反映河网水动力的复杂性、非线性、不确定性等特点,导致优化模型的适应性和实用性不强;河网水动力优化技术的应用,还没有充分考虑河网水动力的动态性和变异性,导致优化方案的时效性和稳定性不高。
故需要进一步的研究和创新。
发明内容
发明目的,提供一种河网水动力精准调控方法及系统,以解决现有技术存在的问题。
技术方案,根据本申请的一个方面,提供一种河网水动力精准调控方法,用于平原城市河网水动力调控,包括如下步骤:
步骤S1、获取预定区域的研究数据并预处理,所述研究数据包括水文水质数据、河网基础数据和水动力数据;
步骤S2、基于研究数据进行初步分析模拟,提取研究区域内水动力和水质的变化周期,获得N个重点调控时段;针对每一重点调控时段,提取河网中的关键节点和关键边;N为自然数;
步骤S3、构建水动力水质模拟模型、率定模型参数并运行,得到河网的未来的水动力和水质状态,评估河网的水动力和水质风险和趋势;
步骤S4、构建水力精准调控函数和约束条件,采用模型求解和优化算法进行求解水动力水质模拟模型,获得精准调控方案集合;
步骤S5、依序调取精准调控方案集合中的调控方案并运行,采用预构建专家评估模块对精准调控方案进行评估。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、获取河网基础数据,提取河网水系结构,对河网水系和河网中的各个区域进行概化,形成河网的节点和边,形成水动力水质空间交互网络;
步骤S12、获取预定时长的水文水质数据和水动力数据,分别初步分析水质和水动力变化规律;
步骤S13、根据预设的交互模式和区域类型,为河网参数赋予不同的取值或权重,对参数进行空间差异化。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、利用傅里叶分析法对水质和水动力数据进行周期分析,确定河网水质和水动力的主要变化周期;
步骤S22、根据变化周期,将研究时段划分为若干个重点调控时段,每个重点调控时段的长度不超过预定时长;
步骤S23、针对每一周期,对河网水系结构进行拓扑分析,初步确定河网中的关键节点和关键边,作为调控的重点对象,提取各个周期内的相同的关键节点和关键边作为核心节点和核心边;
步骤S24、计算并分析河网水质和水动力的影响因素的敏感度,确定河网中的敏感参数和敏感区域,作为调控的重点指标;
步骤S25、综合考虑重点调控时段、重点对象和重点指标,确定河网水动力精准调控的目标和区域范围,以保证每一节点的水位、流量和水质达到预定标准,以及使各边的流速、水温和溶解氧达到最优值为目前,获取各个调控范围内各个周期的关键节点和关键边。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、读取河网基础数据,构建河网水动力数值模型并运行,获得河网水动力的时空分布数据;
步骤S32、读取河网水质数据,构建河网水质数值模型并运行,获得河网水质的时空分布数据;
步骤S33、根据河网水动力和水质的耦合关系,建立河网水动力水质耦合模型,实现水动力和水质的动态互馈,得到河网水动力水质的时空分布数据;
步骤S34、从研究数据中获取水文水质的实测数据,对河网水动力水质模型进行参数率定,并采用优化算法和误差分析法确定模型参数的最优值,使模拟结果与实测结果的误差最小;
步骤S35,根据河网水动力水质的预测需求,采用河网水动力水质模型进行预测,得到河网水动力水质的未来时空分布数据,评估河网水动力水质的风险和趋势,确定关键节点和关键边的影响范围。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、根据河网水动力精准调控的目标和范围,建立水力精准调控目标函数,并根据不同的调控目标,确定目标函数的权重、约束条件和优化范围;
步骤S42、根据河网水动力精准调控的重点对象,建立水力精准调控方案生成方法,包括结构性调控方案和非结构性调控方案,结构性调控方案包括河网的工程布局、设计参数和运行方式,非结构性调控方案包括河网的引排水量、闸门开度和泵站运行参数;
步骤S43、根据河网水动力精准调控的重点指标,建立水力精准调控方案评价方法,包括水动力效果评价和水环境效果评价;
步骤S44、根据河网水动力精准调控的目标函数、方案生成方法和方案评价方法,建立水力精准调控方案的多目标优化方法。
根据本申请的一个方面,所述步骤S5进一步为:
步骤S51,依序调取水力精准调控方案集合中的调控方案,将调控方案中的闸门开度和泵站运行控制量输入河网水动力水质耦合模型,得到河网水动力水质的时空分布数据;
步骤S52,利用水力精准调控方案评价方法,对河网水动力水质的时空分布数据进行评价,得到水动力效果评价值和水环境效果评价值,将评价值与水力精准调控目标函数进行比较,判断是否满足调控目标;
步骤S53,如果满足调控目标,则输出对应的水力精准调控方案,并结束;如果不满足调控目标,则继续调取下一个水力精准调控方案,重复步骤S51和S52,直到找到满足调控目标的水力精准调控方案或者遍历完所有的水力精准调控方案集合为止。
根据本申请的一个方面,所述步骤S11进一步为:
步骤S11a、将预定区域分成至少两个圩区,依序获取每个圩区的河网基础数据,基础数据至少包括河网的地理位置、高程、深度和坡度信息,以及与河网连通的水源信息;
步骤S11b、提取河网中各个河段和河流节点之间的拓扑关系,以及河网与圩区、水闸、泵站等水利工程设施之间的连接关系,形成河网水系结构;
步骤S11c、针对每个圩区,将河网的河段和河流节点进行合并或分割,提取河网中的自流河段,形成自流河段集合,提取无向节点,形成无向节点集合;
步骤S11d、构建邻接超矩阵,邻接超矩阵包括采用哈达玛积相乘的邻接矩阵、节点权重矩阵和节点方向矩阵;形成水动力水质空间交互网络。
根据本申请的一个方面,所述步骤S12进一步为:
步骤S12a、获取预定时长的水文水质数据和水动力数据;
步骤S12b、调用预配置的图自编码器模块,结合邻接超矩阵对河网中的每个节点和边的数据进行压缩和重构,得到生成的数据;
步骤S12c、计算生成数据和真实数据之间的欧氏距离和余弦相似度作为数据差异,获得图的重构误差,查找出与正常数据有差异超过阈值的节点和边;
步骤S12d、提取出超出阈值的节点和边,分析节点和边所在区域的水质和水动力变化规律。
根据本申请的一个方面,所述步骤S21进一步为:
步骤S21a、以时间为横轴,以水质或水动力的某一指标为纵轴,绘制出数据的波形图,将水质和水动力数据转换为时间序列;
步骤S21b、将时间序列进行傅里叶变换,将其从时域转换到频域,得到每个频率分量的幅值和相位,分解为不同频率、不同振幅、不同相位的正弦波的叠加,得到每个正弦波的傅里叶系数,即频域数据;
步骤S21c、对频域数据进行分析,找出傅里叶系数最大的M个正弦波,它们对应的频率就是水质和水动力数据的主要变化周期,并将水动力的主要变化周期与上游来水、区间降水和调控送水建立映射关系;M为正整数;
步骤S21d、对水质和水动力的时间序列数据进行小波变换,将其从时域转换到时频域,得到每个尺度和位置的小波系数;对小波变换的结果进行分析,找出小波系数最大的K个尺度和位置,它们对应的尺度就是水质和水动力数据的主要变化周期,对应的位置就是数据在不同时间段的变化情况;K为正整数;
步骤S21e、用自相关函数对周期分析的结果进行验证,检验周期分析的可信度和稳定性,排除偶然因素或者噪声的影响;将傅里叶变换和小波变换的结果进行综合,得到水质和水动力数据的主要变化周期,以及其对应的频率、幅值、尺度和位置;输出水动力变化的不同影响因素的周期数据。
根据本申请的另一个方面,提供一种河网水动力精准调控系统,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河网水动力精准调控方法。
有益效果,通过本发明,可以精准调控河道的水位和流量,对不同方案的水位、流量和水质观测结果进行分析,进而优化工程布置和工程调度方案,最终确定研究区域水环境提升优化方案,改善河网水质、提高河网水体流动性,提高城市河网水环境承载能力,从而达到提升城市河网水环境质量的目标。相关技术细节将在下文结合具体实施例进行详细描述。
附图说明
图1为本发明的流程图。
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,提供一种河网水动力精准调控方法,用于平原城市河网水动力调控,包括如下步骤:
步骤S1、获取预定区域的研究数据并预处理,所述研究数据包括水文水质数据、河网基础数据和水动力数据;
步骤S2、基于研究数据进行初步分析模拟,提取研究区域内水动力和水质的变化周期,获得N个重点调控时段;针对每一重点调控时段,提取河网中的关键节点和关键边;N为自然数;
步骤S3、构建水动力水质模拟模型、率定模型参数并运行,得到河网的未来的水动力和水质状态,评估河网的水动力和水质风险和趋势;
步骤S4、构建水力精准调控函数和约束条件,采用模型求解和优化算法进行求解水动力水质模拟模型,获得精准调控方案集合;
步骤S5、依序调取精准调控方案集合中的调控方案并运行,采用预构建专家评估模块对精准调控方案进行评估。
在本实施例中,通过对河网水系结构、水文水质数据、水动力数据、水动力水质耦合模型、水力精准调控函数和约束条件等的综合分析和优化,充分考虑水动力的动态性和变异性,使河网水动力和水质达到预定的标准和最优值,实现河网水动力和水质的时空分布的再构造,从而改善河网的水环境、水资源、水生态等多目标需求。通过对河网的变化周期、关键节点和关键边、敏感参数和敏感区域、重点调控时段、重点对象和重点指标等的提取和确定,使河网水动力和水质的调控更加有针对性和有效性,从而提高河网的水动力和水质的时效性和适应性。通过对河网水动力精准调控的目标函数、方案生成方法和方案评价方法的建立和求解,充分考虑河网水动力的多维性和多元性,使河网水动力和水质的调控更加全面和协调,从而提高河网的水动力和水质的可靠性和安全性。通过对河网水动力精准调控的智能模型和机理模型的等价原理和作用机理辨识方法的提出和应用,使河网水动力和水质的调控更加灵活和优化,从而提高河网的水动力和水质的优化性和灵活性。通过对河网的工程布局、设计参数和运行方式的优化,使河网的水动力更加符合自然规律和人工需求,从而提高河网的水动力的稳定性和均匀性。通过对河网的引排水量、闸门开度和泵站运行参数的调整,使河网的水动力更加适应外部条件和内部变化,从而提高河网的水动力的动态性和变异性。通过对河网水动力水质的预测、评估和控制,使河网的水动力更加可预测和可控,从而提高河网的水动力的可靠性和安全性。通过对河网水动力的多层次、多维度、多角度的分析和优化,使河网的水动力更加满足不同的目标、尺度和约束,从而提高河网的水动力的全面性和协调性。通过对河网水动力的复杂性、非线性、不确定性等特点的充分反映,使河网水动力优化模型更加适应河网的实际情况,从而提高河网水动力优化模型的适应性和实用性。通过对河网水动力的实时监测、反馈和调整,使河网水动力优化方案更加符合河网的当前状态,从而提高河网水动力优化方案的时效性和稳定性。
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、获取河网基础数据,提取河网水系结构,对河网水系和河网中的各个区域进行概化,形成河网的节点和边,形成水动力水质空间交互网络;
获取某城市区域的河网基础数据,包括河网的地理位置、高程、深度和坡度信息,以及与河网连通的水源信息。可以从水利局或者水利信息网等官方渠道获取这些数据,或者利用遥感和GIS技术进行获取和处理。
然后,需要提取河网中各个河段和河流节点之间的拓扑关系,以及河网与圩区、水闸、泵站等水利工程设施之间的连接关系,形成河网水系结构。可以利用图论和网络分析的方法,将河网抽象为一个有向图,其中节点表示河流节点或水利工程设施,边表示河段或水流方向。
接着,需要对河网水系和河网中的各个区域进行概化,形成河网的节点和边,形成水动力水质空间交互网络。可以根据河网的水动力特征,将河网划分为若干个圩区,每个圩区内的河段和河流节点进行合并或分割,提取河网中的自流河段,形成自流河段集合,提取无向节点,形成无向节点集合 。还可以构建邻接超矩阵,邻接超矩阵包括采用哈达玛积相乘的邻接矩阵、节点权重矩阵和节点方向矩阵,描述河网中节点和边的连接关系和水流特征。
步骤S12、获取预定时长的水文水质数据和水动力数据,分别初步分析水质和水动力变化规律;
获取预定时长的水文水质数据和水动力数据,包括河网中各个节点和边的流量、水位、水温、溶解氧、化学需氧量、氨氮等指标的时空分布。可以从水文信息中心或者水环境监测中心等官方渠道获取这些数据,或者利用水文站和水质站的监测数据进行获取和处理。
分别初步分析水质和水动力变化规律,找出河网中水质和水动力的影响因素和敏感参数,以及水质和水动力的变化周期和趋势。可以利用统计分析和数据挖掘的方法,对水质和水动力数据进行描述性分析、相关性分析、敏感性分析、周期性分析等,得到水质和水动力的基本特征和规律。
调用预配置的图自编码器模块,结合邻接超矩阵对河网中的每个节点和边的数据进行压缩和重构,得到生成的数据。可以利用深度学习和图神经网络的方法,建立图自编码器模型,描述河网中数据的压缩和重构。
步骤S13、根据预设的交互模式和区域类型,为河网参数赋予不同的取值或权重,对参数进行空间差异化。
根据预设的交互模式和区域类型,为河网参数赋予不同的取值或权重。根据河网的水动力和水质的耦合关系,将河网划分为不同的交互模式,如单向交互、双向交互。还可以根据河网的区域类型,将河网划分为不同的区域,如自然区域、人工区域、混合区域等。根据区域的水动力和水质的特征,为区域赋予不同的权重,如自然区域的权重较高,人工区域的权重较低,混合区域的权重介于两者之间。为河网参数赋予不同的取值或权重,包括河网的结构参数、水文参数、水质参数、水动力参数等。根据参数的重要性和敏感性,为参数赋予不同的取值或权重,如结构参数的取值或权重较固定,水文参数的取值或权重较变化,水质参数的取值或权重较敏感,水动力参数的取值或权重较复杂。对参数进行空间差异化,即根据不同的交互模式和区域类型,对不同的节点和边的参数进行调整和优化,使河网的水动力和水质更加符合预设的目标和标准。利用空间分析和优化算法的方法,对参数进行空间差异化,如空间插值、空间聚类、空间优化等。
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、利用傅里叶分析法对水质和水动力数据进行周期分析,确定河网水质和水动力的主要变化周期;
获取一个河网的水质和水动力数据,包括水位、流量、流速、水温、溶解氧等参数,数据的时间分辨率为1小时,数据的空间分辨率为每个节点或边。使用傅里叶分析法,将每个参数的时间序列转换为频域,分析其频谱,找出其主要的周期成分。对水位数据进行傅里叶变换(比如利用Python的scipy库中的fft函数),得到其频谱图。类似地,对其他参数进行傅里叶分析,得到其主要周期。傅里叶分析法可以有效地识别河网水质和水动力数据的周期性变化,为后续的调控时段划分提供依据,同时也可以反映河网水质和水动力的主要影响因素,为后续的敏感度分析提供参考。
步骤S22、根据变化周期,将研究时段划分为若干个重点调控时段,每个重点调控时段的长度不超过预定时长;
将研究时段按照水质和水动力数据的主要周期进行划分,例如,如果主要周期为N小时或天,可以将研究时段划分为若干个N小时或天的重点调控时段,每个时段内的数据具有相似的周期特征,便于进行调控分析。同时,要考虑预定时长的限制,即每个重点调控时段的长度不能超过能够进行有效调控的时间范围,例如,如果的调控手段是通过调节水闸的开度来改变水位和流量,那么的预定时长可能是几个小时或几天,而不是几个月或几年。
因此,需要根据实际情况,合理地确定重点调控时段的长度,使之既能够反映数据的周期性,又能够满足调控的可行性。重点调控时段的划分可以将研究时段分解为若干个相对简单的子问题,降低调控的复杂度,同时也可以提高调控的针对性,针对不同的时段采取不同的调控策略,提高调控的效果。
步骤S23、针对每一周期,对河网水系结构进行拓扑分析,初步确定河网中的关键节点和关键边,作为调控的重点对象,提取各个周期内的相同的关键节点和关键边作为核心节点和核心边;
对于每一个重点调控时段,可以对河网水系结构进行拓扑分析,利用图论中的一些指标,如度中心性、接近中心性、介数中心性等,来衡量每个节点或边在河网中的重要性和影响力,计算河网的拓扑指标(比如利用Python的networkx库中的函数),得到每个节点或边的中心性值,从结果可以看出,河网中有一些节点或边的中心性值较高,说明它们在河网中起着关键的作用,对河网的水质和水动力有较大的影响。因此,可以将这些节点或边作为调控的重点对象,优先考虑调节它们的水位、流量或水质。同时,也可以提取各个周期内的相同的关键节点或边,作为核心节点或核心边,作为调控的常规对象,保持它们的水位、流量或水质在合理的范围内。河网水系结构的拓扑分析可以有效地识别河网中的关键节点和关键边,为后续的调控目标和区域范围的确定提供依据,同时也可以提高调控的效率和精度,针对不同的节点或边采取不同的调控手段,提高调控的效果。
步骤S24、计算并分析河网水质和水动力的影响因素的敏感度,确定河网中的敏感参数和敏感区域,作为调控的重点指标;
为了确定河网中的敏感参数和敏感区域,需要对河网水质和水动力的影响因素进行敏感度分析,即评估各个因素对河网水质和水动力的影响程度和方向。例如,可以使用傅里叶分析法对水质和水动力数据进行周期分析,得到各个因素的周期分量,然后计算各个周期分量对河网水质和水动力的贡献率,作为敏感度的指标。从结果可知,河网水质和水动力的主要影响因素有流量、水位、水温、溶解氧、氨氮、总磷等,它们的周期分量有日变化、月变化、季节变化等,不同的周期分量对河网水质和水动力的贡献率不同,有的正向影响,有的负向影响。因此,可以根据敏感度的大小和方向,确定河网中的敏感参数和敏感区域,作为调控的重点指标。例如,如果的调控目标是提高河网的溶解氧水平,那么可以优先考虑影响溶解氧的敏感参数,如水温、流速等,以及敏感度较高的区域,如水深较浅、水流较缓的区域,进行调控措施的制定和实施。河网水质和水动力的影响因素的敏感度分析可以有效地识别河网中的敏感参数和敏感区域,为调控的重点指标的确定提供依据,同时也可以提高调控的效果,针对不同的影响因素和区域采取不同的调控措施,提高河网水质和水动力的水平。
步骤S25、综合考虑重点调控时段、重点对象和重点指标,确定河网水动力精准调控的目标和区域范围,以保证每一节点的水位、流量和水质达到预定标准,以及使各边的流速、水温和溶解氧达到最优值为目前,获取各个调控范围内各个周期的关键节点和关键边。可以综合考虑重点调控时段、重点对象和重点指标,确定河网水动力精准调控的目标和区域范围。例如,可以根据河网水质和水动力的预定标准,如水位、流量、水温、溶解氧等的最大值、最小值或最优值,以及河网水系结构的拓扑特征,如关键节点、关键边、核心节点、核心边等,确定河网水动力精准调控的目标和区域范围。可以将河网划分为若干个调控单元,每个调控单元包含一个或多个节点或边,根据各个调控单元的水质和水动力的实际情况和预定标准,确定各个调控单元的调控目标,如提高或降低水位、增加或减少流量、升高或降低水温、增加或减少溶解氧等,以及调控的区域范围,如调控单元的上游或下游、左岸或右岸、内部或外部等,以及调控的优先级,如高、中、低等,获取各个调控范围内各个周期的关键节点和关键边,作为调控的重点对象。河网水动力精准调控的目标和区域范围的确定可以有效地实现河网水质和水动力的优化,保证每一节点的水位、流量和水质达到预定标准,以及使各边的流速、水温和溶解氧达到最优值,同时也可以提高调控的精度和灵活性,针对不同的调控单元和区域采取不同的调控手段和策略,提高调控的效果。
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、读取河网基础数据,构建河网水动力数值模型并运行,获得河网水动力的时空分布数据;
从水利局或者水利信息网等官方渠道获取某区的河网基础数据,包括河网的地理位置、高程、深度和坡度信息,以及与河网连通的水源信息。这些数据是构建河网水动力数值模型的必要输入,可以用Excel或者GIS软件进行整理和存储。
利用一维水动力数值模型软件,如HEC-RAS、MIKE11等,根据河网基础数据,构建河网水动力数值模型。需要定义河网的结构和拓扑关系,设置河网的边界条件和初始条件,选择合适的水动力方程和求解方法,进行模型的校核和验证。
运行河网水动力数值模型,获得河网水动力的时空分布数据,包括河网中各个节点和边的流量、水位、流速等指标。可以利用模型软件的可视化功能,查看河网水动力的动态变化,分析河网水动力的特征和规律。
步骤S32、读取河网水质数据,构建河网水质数值模型并运行,获得河网水质的时空分布数据;
从水文信息中心或者水环境监测中心等官方渠道获取某区的河网水质数据,包括河网中各个节点和边的水温、溶解氧、化学需氧量、氨氮等指标的时空分布。这些数据是构建河网水质数值模型的必要输入,可以用Excel或者GIS软件进行整理和存储。
利用一维水质数值模型软件,如QUAL2K、WASP等,根据河网水质数据,构建河网水质数值模型。需要定义河网的结构和拓扑关系,设置河网的边界条件和初始条件,选择合适的水质方程和求解方法,进行模型的校核和验证。
运行河网水质数值模型,获得河网水质的时空分布数据,包括河网中各个节点和边的水温、溶解氧、化学需氧量、氨氮等指标。可以利用模型软件的可视化功能,查看河网水质的动态变化,分析河网水质的特征和规律。
步骤S33、根据河网水动力和水质的耦合关系,建立河网水动力水质耦合模型,实现水动力和水质的动态互馈,得到河网水动力水质的时空分布数据;
根据河网水动力和水质的耦合关系,建立河网水动力水质耦合模型。可以利用松耦合或紧耦合的方法,将河网水动力数值模型和河网水质数值模型进行耦合,实现水动力和水质的动态互馈。需要定义河网的结构和拓扑关系,设置河网的边界条件和初始条件,选择合适的耦合方程和求解方法,进行模型的校核和验证。
运行河网水动力水质耦合模型,得到河网水动力水质的时空分布数据,包括河网中各个节点和边的流量、水位、流速、水温、溶解氧、化学需氧量、氨氮等指标。可以利用模型软件的可视化功能,查看河网水动力水质的动态变化,分析河网水动力水质的特征和规律。
步骤S34、从研究数据中获取水文水质的实测数据,对河网水动力水质模型进行参数率定,并采用优化算法和误差分析法确定模型参数的最优值,使模拟结果与实测结果的误差最小;
从研究数据中获取水文水质的实测数据,包括河网中各个节点和边的流量、水位、流速、水温、溶解氧、化学需氧量、氨氮等指标的时空分布。这些数据是对河网水动力水质模型进行参数率定的必要输入,可以用Excel或者GIS软件进行整理和存储。
对河网水动力水质模型进行参数率定,即根据实测数据,调整模型中的参数值,使模拟结果与实测结果的误差最小。可以利用优化算法和误差分析法的方法,对模型中的参数进行率定,如遗传算法、模拟退火算法、灵敏度分析法、纳什效率系数法等。
确定模型参数的最优值,即根据参数率定的结果,选择使模拟结果与实测结果的误差最小的参数值,作为模型参数的最优值。可以利用模型软件的参数优化功能,或者自行编写程序,实现模型参数的最优化。
步骤S35,根据河网水动力水质的预测需求,采用河网水动力水质模型进行预测,得到河网水动力水质的未来时空分布数据,评估河网水动力水质的风险和趋势,确定关键节点和关键边的影响范围。
利用河网水动力水质模型,输入河网的几何、水文、水力、水质等数据,设置模拟的时间范围、时间步长、边界条件、初始条件、水质参数等,进行模拟计算;分析模拟结果,得到河网水动力水质的未来时空分布数据,评估河网水动力水质的风险和趋势,确定关键节点和敏感区域,为河网水环境管理提供科学依据。
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、根据河网水动力精准调控的目标和范围,建立水力精准调控目标函数,并根据不同的调控目标,确定目标函数的权重、约束条件和优化范围;
假如调控目标是提高河网中的水流速度和水质指标,调控范围是海曙区的河网,可以建立如下的目标函数:minf(x)=w1∑n i=1(vi-vi0)2+w2∑n i=1(ci-ci0)2;
其中,x是调控方案的决策变量,包括河网中各个水闸的开度、泵站的运行参数等;vi和ci分别是河网中第i个节点的水流速度和水质指标(如溶解氧、化学需氧量等);vi0和ci0分别是河网中第i个节点的水流速度和水质指标的目标值;w1和w2分别是水流速度和水质指标的权重系数,反映了不同调控目标的重要性;n是河网中节点的个数。
步骤S42、根据河网水动力精准调控的重点对象,建立水力精准调控方案生成方法,包括结构性调控方案和非结构性调控方案,结构性调控方案包括河网的工程布局、设计参数和运行方式,非结构性调控方案包括河网的引排水量、闸门开度和泵站运行参数;
确定目标函数的约束条件和优化范围,约束条件主要包括河网的水文水力平衡条件、水利工程设施的运行条件、水质标准等;优化范围主要包括决策变量的取值范围、目标函数的可行域等。例如,可以设置如下的约束条件和优化范围:
∑m j=1Qij=Qi+Ei,i=1,2,…,n;Qmin≤Qi≤Qmax,i=1,2,…,n;hmin≤hi≤hmax,i=1,2,…,n;
amin≤ai≤amax,i=1,2,…,m;ci≥cmin,i=1,2,…,n;
其中,Qij是河网中第i个节点到第j个节点的水流量;Qi是河网中第i个节点的净水流量;Ei是河网中第i个节点的水量平衡误差;hi是河网中第i个节点的水位;ai是河网中第i个水闸的开度;m是河网中水闸的个数;Qmin、Qmax、hmin、hmax、amin、amax、cmin分别是水流量、水位、水闸开度和水质指标的最小值和最大值,反映了河网的物理限制和水质要求。
步骤S43、根据河网水动力精准调控的重点指标,建立水力精准调控方案评价方法,包括水动力效果评价和水环境效果评价;
简单地,水动力效果评价可以为:根据河网的水动力模型,计算河网中各个节点和边的水流速度。水环境效果评价可以为:根据河网的水质模型,计算河网中各个节点和边的水质指标。
步骤S44、根据河网水动力精准调控的目标函数、方案生成方法和方案评价方法,建立水力精准调控方案的多目标优化方法。例如,假设有三个不同的调控方案,分别是A、B和C,可以根据水动力效果评价和水环境效果评价,给每个方案打分,然后比较分数,选择分数最高的方案作为最优方案。
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,依序调取水力精准调控方案集合中的调控方案,将调控方案中的闸门开度和泵站运行控制量输入河网水动力水质耦合模型,得到河网水动力水质的时空分布数据;
从水力精准调控方案集合中,选择一个合适的调控方案,作为初始方案。可以根据河网的水动力和水质的目标,以及水利工程设施的运行条件,采用多目标优化算法,如遗传算法、模拟退火算法等,生成一系列的可行方案,并从中选取一个较优的方案作为初始方案。将调控方案中的闸门开度和泵站运行控制量输入河网水动力水质耦合模型,得到河网水动力水质的时空分布数据。可以利用河网水动力模型,如HEC-RAS、MIKE系列软件等,模拟河网中的水位、流速、流量等水动力参数的变化,以及河网中的水温、溶解氧、化学需氧量、氨氮等水质参数的变化,得到河网水动力水质的时空分布数据 。
步骤S52,利用水力精准调控方案评价方法,对河网水动力水质的时空分布数据进行评价,得到水动力效果评价值和水环境效果评价值,将评价值与水力精准调控目标函数进行比较,判断是否满足调控目标;
利用水力精准调控方案评价方法,对河网水动力水质的时空分布数据进行评价,得到水动力效果评价值和水环境效果评价值。可以根据河网的水动力和水质的目标,以及水利工程设施的运行成本,建立水力精准调控方案的评价指标体系,包括水动力效果评价指标、水环境效果评价指标和水利工程运行成本评价指标,并采用多属性决策分析方法,如层次分析法、模糊综合评价法等,对河网水动力水质的时空分布数据进行评价,得到水动力效果评价值和水环境效果评价值 。
根据水力精准调控目标函数的定义,计算出调控方案的目标函数值,并与预设的目标函数阈值进行比较,判断是否满足调控目标。如果满足调控目标,则说明该调控方案是有效的,可以输出对应的水力精准调控方案,并结束;如果不满足调控目标,则说明该调控方案是无效的,需要继续调取下一个水力精准调控方案,重复步骤S51和S52,直到找到满足调控目标的水力精准调控方案或者遍历完所有的水力精准调控方案集合为止。
步骤S53,如果满足调控目标,则输出对应的水力精准调控方案,并结束;如果不满足调控目标,则继续调取下一个水力精准调控方案,重复步骤S51和S52,直到找到满足调控目标的水力精准调控方案或者遍历完所有的水力精准调控方案集合为止。
根据本申请的一个方面,所述步骤S11进一步为:
步骤S11a、将预定区域分成至少两个圩区,依序获取每个圩区的河网基础数据,基础数据至少包括河网的地理位置、高程、深度和坡度信息,以及与河网连通的水源信息;
步骤S11b、提取河网中各个河段和河流节点之间的拓扑关系,以及河网与圩区、水闸、泵站等水利工程设施之间的连接关系,形成河网水系结构;
步骤S11c、针对每个圩区,将河网的河段和河流节点进行合并或分割,提取河网中的自流河段,形成自流河段集合,提取无向节点,形成无向节点集合;
步骤S11d、构建邻接超矩阵,邻接超矩阵包括采用哈达玛积相乘的邻接矩阵、节点权重矩阵和节点方向矩阵;形成水动力水质空间交互网络。
在本实施例中,利用图论表示河流网络拓扑结构,并综合多源数据建立精细的空间交互模型。通过构建包含丰富拓扑和空间信息的河流网络数据,建立了水动力学和水质学过程的空间交互模型,支持多圩区复杂河网的高精度数值模拟,为水利水电工程提供重要的技术支持。
提取河段和节点之间的拓扑关系,能够还原河网的连接和流动方向,构建细致和准确的河流网络拓扑结构。识别河流网络中的自流河段,提取自流河段,这是模拟河流水动力学的关键。邻接超矩阵综合了河流网络的拓扑、权重和方向信息,为建立水动力学和水质传输的数学模型奠定基础。将整个模拟区域分成多个圩区,使得方法可以扩展到较大规模的复杂河网。提取河网与水闸、泵站等水利设施的连接,为研究水利枢纽工程的影响提供支持。
根据本申请的一个方面,所述步骤S12进一步为:
步骤S12a、获取预定时长的水文水质数据和水动力数据;
步骤S12b、调用预配置的图自编码器模块,结合邻接超矩阵对河网中的每个节点和边的数据进行压缩和重构,得到生成的数据;
步骤S12c、计算生成数据和真实数据之间的欧氏距离和余弦相似度作为数据差异,获得图的重构误差,查找出与正常数据有差异超过阈值的节点和边;
步骤S12d、提取出超出阈值的节点和边,分析节点和边所在区域的水质和水动力变化规律。
在本实施例中,实现对河流网络的水文水质数据进行异常检测。通过比较压缩-重构后的生成数据和真实数据的欧氏距离和余弦相似度,可以找出数据异常的节点和边。方法是在河流网络的拓扑图上进行检测,因此可以定位到责任河段和河节点。这比传统的站点检测数据更有针对性,提高了检测的精细化程度。同时使用了水文和水质数据,可以实现对两者异常的集成检测,支持检测水文和水质的联合异常。通过分析异常边和节点的水动力学变化规律,可以追踪和解释异常产生的动力学机理,分析异常的水动力学原因,对诊断和消除异常有帮助。运用了预配置的图自编码器,可以自动学习数据的高维特征表示,并进行非线性投影重构,借助图神经网络进行特征学习和数据压缩,提高了检测算法的健壮性。
总体来说,该方法集成了图论、机器学习和水文学领域的技术,实现了针对复杂河网的高精细异常检测和分析。主要的创新点在于构建基于拓扑结构的空间异常检测方法。
根据本申请的一个方面,所述步骤S21进一步为:
步骤S21a、以时间为横轴,以水质或水动力的某一指标为纵轴,绘制出数据的波形图,将水质和水动力数据转换为时间序列;
步骤S21b、将时间序列进行傅里叶变换,将其从时域转换到频域,得到每个频率分量的幅值和相位,分解为不同频率、不同振幅、不同相位的正弦波的叠加,得到每个正弦波的傅里叶系数,即频域数据;
步骤S21c、对频域数据进行分析,找出傅里叶系数最大的M个正弦波,它们对应的频率就是水质和水动力数据的主要变化周期,并将水动力的主要变化周期与上游来水、区间降水和调控送水建立映射关系;M为正整数;
步骤S21d、对水质和水动力的时间序列数据进行小波变换,将其从时域转换到时频域,得到每个尺度和位置的小波系数;对小波变换的结果进行分析,找出小波系数最大的K个尺度和位置,它们对应的尺度就是水质和水动力数据的主要变化周期,对应的位置就是数据在不同时间段的变化情况;K为正整数;
步骤S21e、用自相关函数对周期分析的结果进行验证,检验周期分析的可信度和稳定性,排除偶然因素或者噪声的影响;将傅里叶变换和小波变换的结果进行综合,得到水质和水动力数据的主要变化周期,以及其对应的频率、幅值、尺度和位置;输出水动力变化的不同影响因素的周期数据。
通过分析水动力周期,提取上游来水、区域降水、动力调水的周期,从而进行错峰调控,尽量使用上游来水和区域降水进行调控,从而利用自然的自洁能力。
在本实施例中,通过傅里叶变换和小波变换分别从频域和时频域分析周期, 提取水质和水动力时间序列的主要变化周期,实现了多角度的周期检测。将提取的水动力主要周期与上游来水、降水和调控送水等因素建立映射关系, 分析水动力变化的影响因素,可以分析不同因素对水动力变化的影响程度。小波变换可以定位序列在各个时间段的具体变化,实现精细化的时间分析实现对时间序列在不同时间段的分析。自相关分析可以检验分析结果是否具有统计学意义,避免由于噪声或偶然因素导致的假周期,通过自相关验证结果的可靠性。可以自动输出水动力变化的不同影响因素的参数化数据,为建立水文水动力模型提供重要输入。利用先进的信号处理技术,实现了水文水动力时间序列复杂变化规律的深入分析和参数提取。应用多种技术对问题进行不同侧面的分析,提高结果的准确性和可靠性。
根据本申请的另一个方面,提供一种河网水动力精准调控系统,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河网水动力精准调控方法。
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 (5)
1.河网水动力精准调控方法,用于平原城市河网水动力调控,其特征在于,包括如下步骤:
步骤S1、获取预定区域的研究数据并预处理,所述研究数据包括水文水质数据、河网基础数据和水动力数据;
步骤S2、基于研究数据进行初步分析模拟,提取研究区域内水动力和水质的变化周期,获得N个重点调控时段;针对每一重点调控时段,提取河网中的关键节点和关键边;N为自然数;
步骤S3、构建水动力水质模拟模型,率定水动力水质模拟模型的模型参数并运行水动力水质模拟模型,得到河网的未来的水动力和水质状态,评估河网的水动力和水质风险和趋势;
步骤S4、构建水力精准调控函数和约束条件,采用模型求解和优化算法进行求解水动力水质模拟模型,获得精准调控方案集合;
步骤S5、依序调取精准调控方案集合中的调控方案并运行,采用预构建专家评估模块对精准调控方案进行评估;
所述步骤S1进一步为:
步骤S11、获取河网基础数据,提取河网水系结构,对河网水系和河网中的各个区域进行概化,形成河网的节点和边,形成水动力水质空间交互网络;
步骤S12、获取预定时长的水文水质数据和水动力数据,分别初步分析水质和水动力变化规律;
步骤S13、根据预设的交互模式和区域类型,为河网参数赋予不同的取值或权重,对参数进行空间差异化;
所述步骤S2进一步为:
步骤S21、利用傅里叶分析法对水质和水动力数据进行周期分析,确定河网水质和水动力的主要变化周期;
步骤S22、根据变化周期,将研究时段划分为若干个重点调控时段,每个重点调控时段的长度不超过预定时长;
步骤S23、针对每一周期,对河网水系结构进行拓扑分析,初步确定河网中的关键节点和关键边,作为调控的重点对象,提取各个周期内的相同的关键节点和关键边作为核心节点和核心边;
步骤S24、计算并分析河网水质和水动力的影响因素的敏感度,确定河网中的敏感参数和敏感区域,作为调控的重点指标;
步骤S25、综合考虑重点调控时段、重点对象和重点指标,确定河网水动力精准调控的目标和区域范围,以保证每一节点的水位、流量和水质达到预定标准,以及使各边的流速、水温和溶解氧达到最优值为目标,获取各个调控范围内各个周期的关键节点和关键边;
所述步骤S3进一步为:
步骤S31、读取河网基础数据,构建河网水动力数值模型并运行,获得河网水动力的时空分布数据;
步骤S32、读取河网水质数据,构建河网水质数值模型并运行,获得河网水质的时空分布数据;
步骤S33、根据河网水动力和水质的耦合关系,建立河网水动力水质耦合模型,实现水动力和水质的动态互馈,得到河网水动力水质的时空分布数据;
步骤S34、从研究数据中获取水文水质的实测数据,对河网水动力水质模型进行参数率定,并采用优化算法和误差分析法确定模型参数的最优值,使模拟结果与实测结果的误差最小;
步骤S35,根据河网水动力水质的预测需求,采用河网水动力水质模型进行预测,得到河网水动力水质的未来时空分布数据,评估河网水动力水质的风险和趋势,确定关键节点和关键边的影响范围;
所述步骤S4进一步为:
步骤S41、根据河网水动力精准调控的目标和范围,建立水力精准调控目标函数,并根据不同的调控目标,确定目标函数的权重、约束条件和优化范围;
步骤S42、根据河网水动力精准调控的重点对象,建立水力精准调控方案生成方法,包括结构性调控方案和非结构性调控方案,结构性调控方案包括河网的工程布局、设计参数和运行方式,非结构性调控方案包括河网的引排水量、闸门开度和泵站运行参数;
步骤S43、根据河网水动力精准调控的重点指标,建立水力精准调控方案评价方法,包括水动力效果评价和水环境效果评价;
步骤S44、根据河网水动力精准调控的目标函数、方案生成方法和方案评价方法,建立水力精准调控方案的多目标优化方法;
所述步骤S5进一步为:
步骤S51,依序调取水力精准调控方案集合中的调控方案,将调控方案中的闸门开度和泵站运行控制量输入河网水动力水质耦合模型,得到河网水动力水质的时空分布数据;
步骤S52,利用水力精准调控方案评价方法,对河网水动力水质的时空分布数据进行评价,得到水动力效果评价值和水环境效果评价值,将评价值与水力精准调控目标函数进行比较,判断是否满足调控目标;
步骤S53,如果满足调控目标,则输出对应的水力精准调控方案,并结束;如果不满足调控目标,则继续调取下一个水力精准调控方案,重复步骤S51和S52,直到找到满足调控目标的水力精准调控方案或者遍历完所有的水力精准调控方案集合为止。
2.根据权利要求1所述的河网水动力精准调控方法,其特征在于,所述步骤S11进一步为:
步骤S11a、将预定区域分成至少两个圩区,依序获取每个圩区的河网基础数据,基础数据至少包括河网的地理位置、高程、深度和坡度信息,以及与河网连通的水源信息;
步骤S11b、提取河网中各个河段和河流节点之间的拓扑关系,以及河网与圩区、水闸、泵站之间的连接关系,形成河网水系结构;
步骤S11c、针对每个圩区,将河网的河段和河流节点进行合并或分割,提取河网中的自流河段,形成自流河段集合,提取无向节点,形成无向节点集合;
步骤S11d、构建邻接超矩阵,邻接超矩阵包括采用哈达玛积相乘的邻接矩阵、节点权重矩阵和节点方向矩阵;形成水动力水质空间交互网络。
3.根据权利要求2所述的河网水动力精准调控方法,其特征在于,所述步骤S12进一步为:
步骤S12a、获取预定时长的水文水质数据和水动力数据;
步骤S12b、调用预配置的图自编码器模块,结合邻接超矩阵对河网中的每个节点和边的数据进行压缩和重构,得到生成的数据;
步骤S12c、计算生成数据和真实数据之间的欧氏距离和余弦相似度作为数据差异,获得图的重构误差,查找出与正常数据有差异超过阈值的节点和边;
步骤S12d、提取出超出阈值的节点和边,分析节点和边所在区域的水质和水动力变化规律。
4.根据权利要求3所述的河网水动力精准调控方法,其特征在于,所述步骤S21进一步为:
步骤S21a、以时间为横轴,以水质或水动力的某一指标为纵轴,绘制出数据的波形图,将水质和水动力数据转换为时间序列;
步骤S21b、将时间序列进行傅里叶变换,将其从时域转换到频域,得到每个频率分量的幅值和相位,分解为不同频率、不同振幅、不同相位的正弦波的叠加,得到每个正弦波的傅里叶系数,即频域数据;
步骤S21c、对频域数据进行分析,找出傅里叶系数最大的M个正弦波,它们对应的频率就是水质和水动力数据的主要变化周期,并将水动力的主要变化周期与上游来水、区间降水和调控送水建立映射关系;M为正整数;
步骤S21d、对水质和水动力的时间序列数据进行小波变换,将其从时域转换到时频域,得到每个尺度和位置的小波系数;对小波变换的结果进行分析,找出小波系数最大的K个尺度和位置,它们对应的尺度就是水质和水动力数据的主要变化周期,对应的位置就是数据在不同时间段的变化情况;K为正整数;
步骤S21e、用自相关函数对周期分析的结果进行验证,检验周期分析的可信度和稳定性,排除偶然因素或者噪声的影响;将傅里叶变换和小波变换的结果进行综合,得到水质和水动力数据的主要变化周期,以及其对应的频率、幅值、尺度和位置;输出水动力变化的不同影响因素的周期数据。
5. 一种河网水动力精准调控系统,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4任一项所述的河网水动力精准调控方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116529.3A CN117648828B (zh) | 2024-01-29 | 2024-01-29 | 河网水动力精准调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410116529.3A CN117648828B (zh) | 2024-01-29 | 2024-01-29 | 河网水动力精准调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117648828A CN117648828A (zh) | 2024-03-05 |
CN117648828B true CN117648828B (zh) | 2024-04-02 |
Family
ID=90043603
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410116529.3A Active CN117648828B (zh) | 2024-01-29 | 2024-01-29 | 河网水动力精准调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117648828B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458359A (zh) * | 2019-08-13 | 2019-11-15 | 河海大学 | 一种基于未完全截污条件下的平原河网水量水质优化调控方法 |
CN111027264A (zh) * | 2019-12-03 | 2020-04-17 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 基于生态恢复目标的平原区城市河网水循环调控方法 |
CN111598754A (zh) * | 2020-04-23 | 2020-08-28 | 中国地质大学(武汉) | 基于水质模型的河网区水质断面污染贡献率核算方法 |
CN112632865A (zh) * | 2020-12-16 | 2021-04-09 | 中建三局第一建设工程有限责任公司 | 一种内河水系最优流速的调控方法 |
CN113158122A (zh) * | 2021-04-29 | 2021-07-23 | 东莞理工学院 | 一种基于动态水系连通度计算的城市水系水质改善方法 |
CN113343601A (zh) * | 2021-06-17 | 2021-09-03 | 黄河勘测规划设计研究院有限公司 | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 |
CN114240196A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于水动力-水质-生态模型的湖泊多水源调控方法 |
CN116070971A (zh) * | 2023-03-27 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河湖水系有序流动调控方法和系统 |
CN117236674A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市河网水动力精准调控和水环境提升方法及系统 |
-
2024
- 2024-01-29 CN CN202410116529.3A patent/CN117648828B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110458359A (zh) * | 2019-08-13 | 2019-11-15 | 河海大学 | 一种基于未完全截污条件下的平原河网水量水质优化调控方法 |
CN111027264A (zh) * | 2019-12-03 | 2020-04-17 | 安徽省(水利部淮河水利委员会)水利科学研究院(安徽省水利工程质量检测中心站) | 基于生态恢复目标的平原区城市河网水循环调控方法 |
CN111598754A (zh) * | 2020-04-23 | 2020-08-28 | 中国地质大学(武汉) | 基于水质模型的河网区水质断面污染贡献率核算方法 |
CN112632865A (zh) * | 2020-12-16 | 2021-04-09 | 中建三局第一建设工程有限责任公司 | 一种内河水系最优流速的调控方法 |
CN113158122A (zh) * | 2021-04-29 | 2021-07-23 | 东莞理工学院 | 一种基于动态水系连通度计算的城市水系水质改善方法 |
CN113343601A (zh) * | 2021-06-17 | 2021-09-03 | 黄河勘测规划设计研究院有限公司 | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 |
CN114240196A (zh) * | 2021-12-21 | 2022-03-25 | 中国科学院东北地理与农业生态研究所 | 一种基于水动力-水质-生态模型的湖泊多水源调控方法 |
CN116070971A (zh) * | 2023-03-27 | 2023-05-05 | 水利部交通运输部国家能源局南京水利科学研究院 | 河湖水系有序流动调控方法和系统 |
CN117236674A (zh) * | 2023-11-16 | 2023-12-15 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市河网水动力精准调控和水环境提升方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于水体自净能力的河网闸泵调控优化模型研究;莫祖澜;中国优秀硕士学位论文全文数据库;20140615;第1-79页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117648828A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
De Giorgi et al. | Error analysis of short term wind power prediction models | |
Xu et al. | Accurate and interpretable bayesian mars for traffic flow prediction | |
Wang et al. | An adaptive daily runoff forecast model using VMD-LSTM-PSO hybrid approach | |
Wei et al. | Improving prediction accuracy of river discharge time series using a Wavelet-NAR artificial neural network | |
CN115688579B (zh) | 一种基于生成对抗网络的流域多点水位预测预警方法 | |
Dimitrov | Surrogate models for parameterized representation of wake‐induced loads in wind farms | |
CN110296833B (zh) | 一种面向液压缸综合测试台的软测量方法及系统 | |
Li et al. | A novel combined prediction model for monthly mean precipitation with error correction strategy | |
CN108288231A (zh) | 一种分布式光伏接入对配电台区负荷特性影响的评估方法 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
Li et al. | Decomposition-ANN methods for long-term discharge prediction based on Fisher’s ordered clustering with MESA | |
Li et al. | An innovative combined model based on multi-objective optimization approach for forecasting short-term wind speed: A case study in China | |
Wang et al. | Hybrid deep learning model for short-term wind speed forecasting based on time series decomposition and gated recurrent unit | |
Ahmad et al. | Efficient energy planning with decomposition-based evolutionary neural networks | |
Drakaki et al. | Day-ahead energy production in small hydropower plants: uncertainty-aware forecasts through effective coupling of knowledge and data | |
Cai et al. | Gray wolf optimization-based wind power load mid-long term forecasting algorithm | |
Ho et al. | Multi-step-ahead water level forecasting for operating sluice gates in Hai Duong, Vietnam | |
Rego et al. | Mean shift densification of scarce data sets in short-term electric power load forecasting for special days | |
CN117648828B (zh) | 河网水动力精准调控方法及系统 | |
Chen-xu et al. | Auto regressive moving average (ARMA) prediction method of bank cash flow time series | |
Jiang et al. | Flood forecasting using an improved NARX network based on wavelet analysis coupled with uncertainty analysis by Monte Carlo simulations: a case study of Taihu Basin, China | |
Sørensen | Dynamic positioning control systems for ships and underwater vehicles | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
Sena et al. | A time-series forecasting-based prediction model to estimate groundwater levels in India | |
Xu et al. | Construction and simulation of economic statistics measurement model based on time series analysis and forecast |
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 |