CN117744501B - 考虑生态流量的水网系统调蓄节点优化调度与决策方法 - Google Patents
考虑生态流量的水网系统调蓄节点优化调度与决策方法 Download PDFInfo
- Publication number
- CN117744501B CN117744501B CN202410079990.6A CN202410079990A CN117744501B CN 117744501 B CN117744501 B CN 117744501B CN 202410079990 A CN202410079990 A CN 202410079990A CN 117744501 B CN117744501 B CN 117744501B
- Authority
- CN
- China
- Prior art keywords
- ecological
- runoff
- lunar
- constructing
- ecological flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 78
- 241000039077 Copula Species 0.000 claims abstract description 59
- 230000006870 function Effects 0.000 claims abstract description 57
- 238000005315 distribution function Methods 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 29
- 238000011160 research Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims description 58
- 238000010248 power generation Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000012360 testing method Methods 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 7
- 238000011835 investigation Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000010998 test method Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004907 flux Effects 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 2
- 235000013527 bean curd Nutrition 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 229910052760 oxygen Inorganic materials 0.000 description 2
- 239000001301 oxygen Substances 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001955 cumulated effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种考虑生态流量的水网系统调蓄节点优化调度与决策方法，包括如下步骤：确定研究区域，并获取研究数据；读取水文数据，提取年径流序列和月径流序列，构建年径流和月径流的Copula联合分布函数并求解，计算考虑年径流和月径流丰枯特性下的生态流量，构建生态调度情景集合；构建多目标优化调度模型，包括目标函数和约束条件；构建模型求解方法，求解所述多目标优化调度模型，获得可行解集合，构建决策方法，从可行解集合中选出至少一个解。本申请的方案能够大大提高生态流量计算的准确率和计算效率。
Description
技术领域
本发明涉及区域水网骨干调蓄节点优化调度方法，尤其是考虑生态流量的水网系统调蓄节点优化调度与决策方法。
背景技术
区域水网工程是以自然河湖水系为基础，引调水工程为通道，输配水渠系为脉络，骨干调蓄工程为节点，是解决水资源空间分布不均、提高受水区水资源保证率、缓解缺水地区水资源供需矛盾、实现水资源合理配置的有效措施，是促进缺水地区经济发展与水资源综合开发利用的重要途径。
区域水网骨干调蓄节点一般是由水库、水电站等组成，它们在水力发电、区域供水、航运、保护生态环境方面发挥着重要作用。然而，区域水网骨干调蓄节点的运行目标通常是多样的、相互竞争的，这给区域水网骨干调蓄节点的优化调度带来了巨大的挑战。特别是在当前全球气候变化和人类活动的影响下，水资源的时空分布发生了显著变化，导致区域水网骨干调蓄节点的运行条件更加复杂和不确定。因此，如何在考虑多个目标和不确定性的情况下，实现区域水网骨干调蓄节点的高效、可靠和可持续运行，是一个亟待解决的重要问题。
为了解决这一问题，学者们从不同的角度进行了大量的研究工作。其中，一个重要的方面是对区域水网骨干调蓄节点中生态因素的考虑。区域水网骨干调蓄节点的运行会对下游河流生态系统产生显著影响，如改变河流流量、温度、溶氧等水文生态参数，破坏河流生物栖息地，影响河流生物多样性和群落结构等。因此，在区域水网骨干调蓄节点优化调度中考虑生态因素，协调经济和生态效益，是实现区域水网骨干调蓄节点可持续发展的必要条件。目前，已有许多学者对区域水网骨干调蓄节点的生态运行进行了研究，主要包括以下几个方面：
生态流量需求分析：生态流量是指维持河流生态系统健康所需的最小流量。确定合理的生态流量需求是实现水电系统生态运行的基础。目前，常用的方法有基于物理栖息地模型（PHABSIM）、基于统计分析（IFIM）、基于专家意见（ELOHA）等。
水库生态调度模型：水库生态调度模型是指在考虑水库运行目标（如发电、防洪等）的同时，引入生态因素（如生态流量、温度、溶氧等）作为约束或目标，建立优化模型来求解最优或次优的水库出力或放水方案。目前，常用的方法有基于线性规划（LP）、非线性规划（NLP）、随机动态规划（SDP）、遗传算法（GA）、粒子群优化（PSO）等。
梯级水电站联合调度模型：梯级水电站联合调度模型是指在考虑梯级水电站之间相互关联和影响的情况下，建立优化模型来求解最优或次优的梯级出力或放水方案。与单个水库相比，梯级水电站具有更多的运行目标和约束条件，因此其优化问题更加复杂和高维。目前，常用的方法有基于混合整数规划（MIP）、多目标遗传算法（MOGA）、多目标粒子群优化（MOPSO）等。
发明内容
发明目的：提供一种考虑生态流量的水网系统调蓄节点优化调度与决策方法，以解决现有技术存在的上述问题。
技术方案：提供一种考虑生态流量的水网系统调蓄节点优化调度与决策方法，包括如下步骤：
步骤S1、确定研究区域，并获取研究数据，所述研究数据至少包括水文数据、水网系统调蓄节点数据；
步骤S2、读取水文数据，提取年径流序列和月径流序列，构建年径流和月径流的Copula联合分布函数并求解，计算考虑年径流和月径流丰枯特性下的生态流量，构建生态调度情景集合；
步骤S3、构建多目标优化调度模型，包括目标函数和约束条件；
步骤S4、构建模型求解方法，求解所述多目标优化调度模型，获得可行解集合，构建决策方法，从可行解集合中选出至少一个解。
根据本申请的一个方面，所述步骤S1包括：
步骤S11、确定研究区域，划定研究区域边界；
步骤S12、获取水文数据，包括年径流量、年降雨量、月径流量和日流量；获取水网系统调蓄节点，包括水位~库容曲线、正常蓄水位、死水位、最大下泄能力、装机容量、出力曲线和最小运行水头；
步骤S13、对获取的水文数据、水网系统调蓄节点数据进行预处理，包括填充缺失值和数据标准化。
根据本申请的一个方面，所述步骤S2包括：
步骤S21、读取水文数据，按照年度和月度分类汇总，得到年径流序列和月径流序列；
步骤S22、对水网系统各个调蓄节点的年径流序列和月径流序列进行边缘分布拟合，分别从预配置的边缘分布函数集合中筛选处概率分布函数，描述年径流和月径流的变化规律，并计算其参数；
步骤S23、对水网系统各个调蓄节点的年径流序列和月径流序列进行Copula联合分布构建，从预定的Copula函数集合中筛选Copula函数，描述年径流和月径流之间的相关性，并计算其参数；
步骤S24、求解Copula联合分布函数，得到不同丰枯程度下的年径流和月径流概率值，并根据预定规则确定生态流量值；
步骤S25、根据不同丰枯程度下的生态流量值，构建生态调度情景集合，包括基础生态情景、适宜生态情景和理想生态情景。
根据本申请的一个方面，所述步骤S3包括：
步骤S31、构建多目标优化调度模型，确定优化调度模型的目标函数，包括水网调蓄节点发电量最大、发电保证率最高和下游河道生态流量保证率最高；
步骤S32、构建优化调度模型的约束条件，包括水量平衡约束、水位约束、流量约束、出力约束和调度期初末时刻水位约束。
根据本申请的一个方面，步骤S4包括：
步骤S41、构建求解方法集合，并为每种求解方法设定参数；所述求解方法至少包括NSGA-Ⅱ、NSGA-Ⅲ和RVEA；
步骤S42、分别采用求解方法求解多目标调度模型，获得非劣解并取并集，得到可行解集；基于非劣解集构建Pareto前沿图，以展示不同目标之间的权衡关系，分析可行解集合的分布特征和多样性；
步骤S43、构建决策方法集合，并从可行解集中选出至少一个解。
根据本申请的一个方面，所述步骤S43进一步包括：
步骤S431、确定决策目标和偏好，并选择决策方法；
步骤S432、针对决策方法，计算每个可行解的决策值；
步骤S433、根据每个可行解的决策值，对可行解集合进行排序，得到一个优劣顺序；
步骤S434、根据优劣顺序，从可行解集合中选出至少一个解，作为最终决策方案。
根据本申请的一个方面，所述步骤S25还包括对生态流量值进行校正，具体包括：
步骤S251、根据Copula联合分布函数，生成至少一组可代表不同丰枯程度下的年径流和月径流的随机样本；
步骤S252、根据预配置规则对每个水文情景下的年径流和月径流进行生态流量分配，得到对应的年生态流量和月生态流量；
步骤S253、根据水文数据中的日流量与月径流的关系，对每个水文情景下的月生态流量进行插值或拟合，得到对应的日生态流量；
步骤S254、对每个水文情景下的年生态流量、月生态流量和日生态流量进行统计分析，计算其均值、方差、最大值和最小值，并绘制其分布图和频率图；
步骤S255、根据预测的生态流量与实际观测的生态流量进行对比分析，评估预测结果的准确性和可靠性，并计算其误差和概率。
根据本申请的一个方面，所述步骤S43包括：
步骤S43a、针对优化目标和调度方案，构建标准化初始矩阵；
步骤S43b、逐一计算每个指标下每个样本占该指标的比重，并计算该指标的熵权和各项指标的权重；
步骤S43c、构造规范化的加权矩阵，确定正负理想解；
步骤S43d、计算评价方案集内各方案相对正、负理想解方案的距离；计算各评价方案与正负理想解的相对贴近度。
根据本申请的一个方面，所述步骤S24还包括：
步骤S241、依序求解各个调蓄节点的Copula函数，计算每个调蓄节点的年月联合概率值，利用贝叶斯公式确定不同来水年情况下每个调蓄节点各月丰平枯的条件概率；
步骤S242、基于各个调蓄节点的连通关系和每个调蓄节点各月丰平枯的条件概率，重构生态流量时空分配，构建至少两个生态流量调配方案，形成生态调配方案集合；
步骤S243、调用生态流量调配方案，计算调配后各个调蓄节点新的丰平枯条件概率，判断是否低于阈值，并根据预定规则确定生态流量值。
根据本申请的一个方面，所述步骤S242进一步为：
根据各个调蓄节点的连通关系，确定生态流量调配的目标和约束；
根据各个调蓄节点的各月丰平枯的条件概率，生成不同水文情景下的年月径流和月生态流量的随机样本；
根据不同水文情景下的年月径流和月生态流量的随机样本，构建至少两个生态流量调配方案，形成生态调配方案集合。
根据本申请的另一个方面，考虑生态流量的水网系统调蓄节点优化调度与决策系统，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技术方案所述的考虑生态流量的水网系统调蓄节点优化调度与决策方法。
有益效果：本申请大大提高了考虑生态流量下的水力发电优化调度效率，提高了生态流量计算的准确性，相关优点将结合具体实施方式进行描述。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
具体实施方式
如图1所示，提供一种考虑生态流量的水网系统调蓄节点优化调度与决策方法，包括如下步骤：
步骤S1、确定研究区域，并获取研究数据，所述研究数据至少包括水文数据、水网系统调蓄节点数据；
通过确定研究区域，明确水网系统的结构和功能，以及水资源的分布和利用情况，为优化调度和决策提供背景信息。通过获取水文数据和水网系统调蓄节点数据，了解水网系统的运行状态和规律，为计算生态流量和构建优化调度模型提供必要的输入参数。
步骤S2、读取水文数据，提取年径流序列和月径流序列，构建年径流和月径流的Copula联合分布函数并求解，计算考虑年径流和月径流丰枯特性下的生态流量，构建生态调度情景集合；
通过提取年径流序列和月径流序列，可以反映水文数据的长期和短期变化特征，为生态流量的计算提供基础数据。通过构建年径流和月径流的Copula联合分布函数并求解，可以描述年径流和月径流之间的相关性和依赖性，为生态流量的计算提供概率分布信息。通过计算考虑年径流和月径流丰枯特性下的生态流量，可以量化河流的生态需水量和流态变化，为生态调度提供依据。通过构建生态调度情景集合，可以考虑不同的水文情势和生态目标，为优化调度和决策提供多种选择。
步骤S3、构建多目标优化调度模型，包括目标函数和约束条件；
通过构建多目标优化调度模型，可以综合考虑水网系统的多个目标和效益，如供水、防洪、发电和生态等，以及水网系统的多个约束和限制，如水量平衡、水质标准、生态流量等，从而实现水资源的高效利用和生态保护。
步骤S4、构建模型求解方法，求解所述多目标优化调度模型，获得可行解集合，构建决策方法，从可行解集合中选出至少一个解。
通过构建模型求解方法，可以克服水网系统调蓄节点优化调度问题的高维、非线性、不确定等特点，提高求解的效率和精度，为决策者提供多种可行的调度方案。
在本实施例中，更加注重河流的生态功能和目标，将生态流量作为一个重要的目标和约束，从而保护河流的生态系统和生物多样性；更加科学地计算生态流量，利用Copula理论和参数估计方法，描述年径流和月径流之间的概率分布信息，从而考虑水文变化的丰枯特性；更加灵活地进行生态调度，利用生态调度情景集合，考虑不同的水文年型和生态目标，从而适应水文变化和需求变化。生态调度情景集合引入水网系统调蓄节点优化调度与决策，从而更灵活地进行生态调度，考虑不同的水文年型和生态目标；多目标优化和决策的方法和指标综合应用于水网系统调蓄节点优化调度与决策，从而更有效地平衡水网系统的多个目标和效益，满足决策者的偏好和需求。
在本实施例中，单变量概率分布线型的选择是构建联合分布的第一步。针对径流数据而言，基于统计检验的结果分析，不同地区不同时段应该按照实际情况选择最适宜的分布形式。同时，结合检验方法的分析，最终确定边缘分布函数。
在我国水文频率分析中，常采用单变量概率分布进行分析，使用较为频繁的有以下几种单变量频率曲线分布线型。皮尔逊Ⅲ型分布、对数正态分布、广义极值分布、威布尔分布和Logistic分布。
如何在多种概率分布函数中选择最适宜的函数来代表变量的总体分布，我们需要对其进行假设检验。现阶段，常用的假设检验方法包括卡方分布、Kolmogorov-Smirnov检验、Andeson Darling检验、t检验、F检验等。
本实施例采用Kolmogorov-Smirnov检验及Andeson Darling检验进行检验，对水文站各月月均流量和年均流量的概率分布函数的选择提供依据。
Kolmogorov-Smirnov检验是基于经验分布函数的检验方法，通过检验数据的实际分布与指定理论分布的符合程度，最终确定该数据序列是否可由所指定理论分布表示。统计量D的表示如下：D=max{|F(xi)-(i-1)/n|,|F(xi)-i/n|}；1≤i≤n；
式中：F(x_i )为x的理论分布，n是样本长度，i为x降序后对应的序号。
Andeson Darling检验也属于基于经验分布的假设检验方法。该检验法能在样本数目较少的条件下，保持良好的检验性能。工程上选用统计量的离散形式进行计算。对变量序列间进行相依性度量在构建Copula联合分布前的必要步骤，由此来判断不同随机变量序列间的相关性。相关性度量方法有：Kendall相关系数τ、Spearman相关系数ρn、Pearson相关系数ρ等。选择Kendall相关系数τ对边缘概率分布进行分析。
Copula函数类型较多，包括Archimedean Copula函数、meta-elliptic Copula函数、Plackett函数以及经验Copula函数。Archimedean Copula函数的几种Copula函数形式包括：Gumbel-Hougaard Archimedean Copula、Frank Archimedean Copula、Cook-Johnson（Clayton） Archimedean Copula。
meta-elliptic Copula函数有以下几种：Gaussion Copula、Student-t Copula函数。
当确定各变量的边缘分布后，根据不同类型的Copula函数来连接不同变量的边缘分布，以构建联合分布函数。得到函数的参数便确定了Copula函数。依据选定的五种常用Copula函数，分别估计它们各自的参数值。可以采用极大似然法对Copula函数参数进行估计。
采用RMSE均方根误差和图形评价分析方法，选Copula函数，利用图形直观的描述拟合的好坏程度。将理论联合概率值和经验联合概率值绘制成散点图，若点较均匀地分布在45°线附近，则表示理论分布能较好地代表实际分布情况。
根据本申请的一个方面，所述步骤S1包括：
步骤S11、确定研究区域，划定研究区域边界；
比如可以选择一个具有多个水库、湖泊和河流的流域或子流域作为研究区域；确定研究区域的边界，包括上游边界和下游边界。比如，研究区域内最上游的水库、河流和湖泊的入库断面，下游边界是指研究区域内最下游的水库、河流和湖泊的出库断面。识别研究区域内的水网系统调蓄节点，包括水库、湖泊和河流等。
步骤S12、获取水文数据，包括年径流量、年降雨量、月径流量和日流量；获取水网系统调蓄节点，包括水位~库容曲线、正常蓄水位、死水位、最大下泄能力、装机容量、出力曲线和最小运行水头。
水文数据是指反映水文循环过程的数据，包括水量、水质、水温等。年径流量和年降雨量是指研究区域内每年的总径流量和总降雨量，月径流量和日流量是指研究区域内每月和每日的平均径流量。在本案例中，水文数据可以从水利部门或相关机构获取，或者利用水文模型进行模拟。
水网系统调蓄节点是指具有调蓄能力的水库和河流，它们的特征参数反映了水网系统的结构和功能。水位~库容曲线是指水库的水位与库容之间的关系曲线，反映了水库的容积特性。正常蓄水位是指水库在正常运行条件下的最高水位，死水位是指水库在枯水期的最低水位。最大下泄能力是指水库在防洪期的最大放水能力，装机容量是指水库的发电装机容量，出力曲线是指水库的水位与出力之间的关系曲线，反映了水库的发电特性。最小运行水头是指水库发电时的最低水头，反映了水库的运行限制。
步骤S13、对获取的水文数据、水网系统调蓄节点数据进行预处理，包括填充缺失值和数据标准化。
缺失值是指数据中存在的空值或异常值，它们会影响数据的完整性和可信度。填充缺失值的方法可以根据数据的特点和需求选择，如利用统计方法或机器学习方法填充缺失值。在本实施例中，当缺失值较少时，可以采用插值法或平均法进行填充。可以采用归一化方法将数据转换为[0,1]区间内的无量纲值。
根据本申请的一个方面，所述步骤S2包括：
步骤S21、读取水文数据，按照年度和月度分类汇总，得到年径流序列和月径流序列；年径流序列和月径流序列是指水网系统各个调蓄节点的年度和月度平均径流量。
步骤S22、对水网系统各个调蓄节点的年径流序列和月径流序列进行边缘分布拟合，分别从预配置的边缘分布函数集合中筛选处概率分布函数，描述年径流和月径流的变化规律，并计算其参数；一般来说各个调蓄节点的边缘分布是不一样的。边缘分布函数集合包括正态分布、对数正态分布、伽玛分布、威布尔分布、皮尔逊三型分布等常用的连续分布函数。根据水文数据的分布特征，可以采用最大似然估计法或矩估计法等参数估计方法，计算各个分布函数的参数，并采用柯尔莫哥洛夫-斯米尔诺夫检验法或安德森-达林检验法等拟合优度检验方法，选择最适合的分布函数作为边缘分布函数。
步骤S23、对水网系统各个调蓄节点的年径流序列和月径流序列进行Copula联合分布构建，从预定的Copula函数集合中筛选Copula函数，描述年径流和月径流之间的相关性，并计算其参数。
Copula函数集合包括高斯Copula、t-Copula、克莱顿Copula、弗兰克Copula、盖伯Copula等常用的Copula函数。根据水文数据的相关性特征，可以采用最大似然估计法或矩估计法等参数估计方法，计算各个Copula函数的参数，并采用赤池信息准则或贝叶斯信息准则等模型选择方法，选择最适合的Copula函数作为Copula联合分布函数。
步骤S24、求解Copula联合分布函数，得到不同丰枯程度下的年径流和月径流概率值，并根据预定规则确定生态流量值；
生态流量主要包括基础生态流量和关键生态流量。基础生态流量是指维持河流生态系统基本功能所需要的最小流量，关键生态流量是指维持河流生态系统关键功能所需要的特定流量。
步骤S25、根据不同丰枯程度下的生态流量值，构建生态调度情景集合，包括基础生态情景、适宜生态情景和理想生态情景。基础生态情景是指水网系统调蓄节点的下泄流量只能满足基础生态流量需求，适宜生态情景是指水网系统调蓄节点的下泄流量能够满足部分关键生态流量需求，理想生态情景是指水网系统调蓄节点的下泄流量能够满足全部关键生态流量需求。
根据本申请的一个方面，所述步骤S24还包括：
步骤S241、依序求解各个调蓄节点的Copula函数，计算每个调蓄节点的年月联合概率值，利用贝叶斯公式确定不同来水年情况下每个调蓄节点各月丰平枯的条件概率；
步骤S242、基于各个调蓄节点的连通关系和每个调蓄节点各月丰平枯的条件概率，重构生态流量时空分配，构建至少两个生态流量调配方案，形成生态调配方案集合；
步骤S243、调用生态流量调配方案，计算调配后各个调蓄节点新的丰平枯条件概率，判断是否低于阈值，并根据预定规则确定生态流量值。
根据本申请的一个方面，所述步骤S242进一步为：
根据各个调蓄节点的连通关系，确定生态流量调配的目标和约束；
根据各个调蓄节点的各月丰平枯的条件概率，生成不同水文情景下的年月径流和月生态流量的随机样本；
根据不同水文情景下的年月径流和月生态流量的随机样本，构建至少两个生态流量调配方案，形成生态调配方案集合。
根据本申请的一个方面，所述步骤S3包括：
步骤S31、构建多目标优化调度模型，确定优化调度模型的目标函数，包括水网调蓄节点发电量最大、发电保证率最高和下游河道生态流量保证率最高；
步骤S32、构建优化调度模型的约束条件，包括水量平衡约束、水位约束、流量约束、出力约束和调度期初末时刻水位约束。
在本实施例中，多目标函数的约束条件包括：
水量平衡约束：Vi,t+1=Vi,t+(Ii,t-Qi,t)×Δt-Ei,t-Li,t；Vi,t为i水库t时刻的蓄水量;Ii,t和Qi,t分别为i水库t时段的入库、出库流量；Ei,t和Li,t分别为i水库t时段的蒸发和泄漏水量。
水位约束Zi,t min≤Zi,t≤Zi,t max；式中：Zi,t min和Zi,t max分别为i水库t时刻的下限水位和上限水位。流量约束：Qi,t min≤Qi,t≤Qi,t max；式中：Qi,t min和Qi,t max分别为i水库t时段最小、最大下泄流量。出力约束：Ni,min≤Ni,t≤Ni,max式中：Ni,min和Ni,max分别为i电站t时段最小、最大出力。调度期初末时刻水位约束：Zi,1=Zi,T+1=Z*式中：Z*为i水库调度期初末时刻控制水位，通常取正常蓄水位。
根据本申请的一个方面，步骤S4包括：
步骤S41、构建求解方法集合，并为每种求解方法设定参数；所述求解方法至少包括NSGA-Ⅱ、NSGA-Ⅲ和RVEA；
步骤S42、分别采用求解方法求解多目标调度模型，获得非劣解并取并集，得到可行解集；基于非劣解集构建Pareto前沿图，以展示不同目标之间的权衡关系，分析可行解集合的分布特征和多样性；
步骤S43、构建决策方法集合，并从可行解集中选出至少一个解。
在本申请的另一实施例中，算法主要流程如下：
步骤1：根据结构化的方法产生参考点，考虑目标个数及在目标方向等分数，计算参考点的数目；
步骤2：初始化过程中随机生成大小为N的父代种群Pt；
步骤3：利用传统的交叉、变异等遗传操作生成大小为Ｎ的子代种群Qt，然后采用精英策略将子代种群与父代种群进行合并；
步骤4：对合并后的种群进行快速非支配排序，利用参考点策略，选择出N个个体，得到一组靠近参考点的优化解集。
步骤5：重复步骤2-4，直到达到停止标准，然后输出当前种群作为最终结果。
NSGA-III算法具有计算速度快、鲁棒性强、非劣最优解分布均匀等优点。同时，通过引入参考点方法，帕累托解集的多样性和收敛性得到了有效改善。
RVEA的主要流程如下：
步骤1：设置基本参数，种群初始化；
步骤2：设置中心向量Vc，偏好半径r，生成偏好向量；
步骤3：利用传统的交叉、变异等遗传操作生成子代种群，然后采用精英策略将子代种群与父代种群进行合并；
步骤4：目标值转化和群体划分。通过每个种群成员与N个参考向量中的一个进行关联，生成N个子种群。
步骤5：计算角度惩罚距离（APD），将子种群中具有最小APD值的个体作为精英保留者，传递到下一代。
步骤6：参考向量适应策略，求解下一代的第i个自适应参考向量.
步骤7：重复步骤3-6，直到达到停止标准，然后输出当前种群作为最终结果。
根据本申请的一个方面，所述步骤S43进一步包括：
步骤S431、确定决策目标和偏好，并选择决策方法；
步骤S432、针对决策方法，计算每个可行解的决策值；
步骤S433、根据每个可行解的决策值，对可行解集合进行排序，得到一个优劣顺序；
步骤S434、根据优劣顺序，从可行解集合中选出至少一个解，作为最终决策方案。
根据本申请的一个方面，所述步骤S25还包括对生态流量值进行校正，具体包括：
步骤S251、根据Copula联合分布函数，生成至少一组可代表不同丰枯程度下的年径流和月径流的随机样本；
步骤S252、根据预配置规则对每个水文情景下的年径流和月径流进行生态流量分配，得到对应的年生态流量和月生态流量；
步骤S253、根据水文数据中的日流量与月径流的关系，对每个水文情景下的月生态流量进行插值或拟合，得到对应的日生态流量；
步骤S254、对每个水文情景下的年生态流量、月生态流量和日生态流量进行统计分析，计算其均值、方差、最大值和最小值，并绘制其分布图和频率图；
步骤S255、根据预测的生态流量与实际观测的生态流量进行对比分析，评估预测结果的准确性和可靠性，并计算其误差和概率。
在本实施例中，通过综合考虑多种水文情景下的生态流量需求，不仅能够保证枯水期的最低生态流量，还能够反映丰水期的生态流量过程，从而更好地维护河流的生态功能和生物多样性。利用Copula联合分布函数，能够有效地描述年径流和月径流之间的相关性和依赖性，以及不同丰枯程度下的概率分布，从而生成更加合理和可信的随机样本，避免了传统方法中的假设和简化。能够预测出不同水文情景下的年生态流量、月生态流量和日生态流量，并进行统计分析和对比分析，评估其准确性和可靠性，为生态流量管理和水资源配置提供科学依据和决策支持。
根据本申请的一个方面，所述步骤S43包括：
步骤S43a、针对优化目标和调度方案，构建标准化初始矩阵；
步骤S43b、逐一计算每个指标下每个样本占该指标的比重，并计算该指标的熵权和各项指标的权重；
步骤S43c、构造规范化的加权矩阵，确定正负理想解；
步骤S43d、计算评价方案集内各方案相对正、负理想解方案的距离；计算各评价方案与正负理想解的相对贴近度。
熵权法仅依赖于数据本身的离散性，具有操作性和客观性强的特点。熵是信息论中对不确定性的一种度量，不确定性越大，熵就越大，反之亦然。在评价过程中，某指标的离散程度越大，则该指标的权重越大。
计算步骤如下：
步骤1、指标标准化，正向、负向指标分别采用公式4-8和公式4-9进行标准化。
步骤2、计算第j项指标下第i个样本值占该指标的比重pij；pij=aij/(∑n i=1aij )；
式中：aij为第j项指标下第i个样对应的数值。
步骤3、计算第j项指标的熵权：ej=-1/ln（n）∑n i=1（pijlnpij）,i=1,2,…n;j=1,2,…m式中：ej为第j项指标的熵权，介于0~1；1/lnn为信息熵系数。
步骤4、计算各项指标的权重uj；uj=(1-ej)/(∑m j=1 (1-ej)。
根据本申请的另一个方面，考虑生态流量的水网系统调蓄节点优化调度与决策系统，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技术方案所述的考虑生态流量的水网系统调蓄节点优化调度与决策方法。
在本申请的另一实施例中，对上述实施例的思路总结如下：基于概率加权FDC法，对各变量边缘函数进行选后，结合Copula函数构建年均流量与各月月均流量的联合分布函数，以此作为权重，结合初始生态流量，最终确定基本生态流量过程以及目标生态流量过程。具体过程主要包括：
计算联合概率值，将逐年年均流量系列划分为丰平枯组，划分依据为：丰组：年均流量频率PN<25%；平组：25%≤PN≤75%；枯组：PN>75%。同理，依据各月月均流量序列将12个月都划分为丰平枯组，划分依据为：丰组：月均流量频率PY<25%；平组：25%≤PY≤75%；枯组：PY>75%。
按照下述步骤对9种情况的联合概率值进行计算。
步骤一：年均流量序列及各月月均流量系列的边际分布参数估计和拟合度检验。在五种水文中常用的概率分布函数，选取拟合度最高的作为各自流量系列的边际函数分布。
步骤二：分析边缘函数间相关性。计算Kendall秩相关系数分析年月间的相关关系，分析建立联合概率分布函数的可行性。
步骤三：确定最优Copula函数。进行函数参数估计和拟合度检验，利用RMSE均方根误差法分析确定最优Copula函数。
步骤四：年均流量序列与各月月均流量序列联合分布概率、条件概率的计算。利用Copula函数计算出年月联合概率值，利用贝叶斯公式确定不同来水年情况下各月丰平枯的条件概率。计算公式如下式：P(Aij|Bk)=P(AijBk)/P(Bk)；i=1，2，…，12，分别表示12个月份；j=1，2，3，分别表示丰平枯3种典型月；k=1，2，3，分别表示丰平枯水3种典型年；其中P(B1)=0.25，P(B2)=0.5，P(B3)=0.25。
计算初始生态流量值：FDC法（流量历时曲线法），选取流量历时曲线90%或95%保证率对应流量作为基本生态流量的最小值。结合河流生态目标及河流水资源现状，本实施例选取90%保证率下的流量值作为河流基本生态流量值。在分析河流生态流量时，选用了保证率50%对应的流量值做为河流的目标生态流量值，由此本实施例选取50%保证率对应的流量作为河流的目标生态流量值。
对各月丰平枯等级内对应的日流量数据按照降序进行排列，构建各月丰平枯组等级内的日流量历时曲线，运用FDC法计算各月生态流量。利用历史流量资料构建各月流量历时曲线，将各月丰平枯等级内的日流量数据进行降序排列，构建日流量历时曲线，选取90%保证率对应的流量作为该分组级的基本生态流量，选取50%保证率对应的流量作为该分组的目标生态流量。重复同样的步骤，确定各月不同典型年下的生态流量。
计算最终丰平枯水年各月生态流量：
在确定不同年来水的条件概率值以及初始生态需水后，最终确定不同来水年下各月的生态需水需水量。Qik=P(Ai1│Bk)*Qi190%+P(Ai2│Bk)*Qi290%+P(Ai3|Bk)*Qi390%；
式中，Qik是指在第k种典型年下第i个月的生态流量；Qi190%是指在第k种典型年下第i月为丰水月时的初始生态流量；Qi290%是指在第k种典型年下第i月为平水月时的初始生态流量；Qi390%是指在第k种典型年下第i月为枯水月时的初始生态流量。
以上详细描述了本发明的选实施方式，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 (6)
1.考虑生态流量的水网系统调蓄节点优化调度与决策方法，其特征在于，包括如下步骤：
步骤S1、确定研究区域，并获取研究数据，所述研究数据至少包括水文数据、水网系统调蓄节点数据；
步骤S2、读取水文数据，提取年径流序列和月径流序列，构建年径流和月径流的Copula联合分布函数并求解，计算考虑年径流和月径流丰枯特性下的生态流量，构建生态调度情景集合；
步骤S3、构建多目标优化调度模型，包括目标函数和约束条件；
步骤S4、构建模型求解方法，求解所述多目标优化调度模型，获得可行解集合，构建决策方法，从可行解集合中选出至少一个解；
所述步骤S1包括：
步骤S11、确定研究区域，划定研究区域边界；
步骤S12、获取水文数据，包括年径流量、年降雨量、月径流量和日流量；获取水网系统调蓄节点，包括水位~库容曲线、正常蓄水位、死水位、最大下泄能力、装机容量、出力曲线和最小运行水头；
步骤S13、对获取的水文数据、水网系统调蓄节点数据进行预处理，包括填充缺失值和数据标准化；
所述步骤S2包括：
步骤S21、读取水文数据，按照年度和月度分类汇总，得到年径流序列和月径流序列；
步骤S22、对水网系统各个调蓄节点的年径流序列和月径流序列进行边缘分布拟合，分别从预配置的边缘分布函数集合中筛选处概率分布函数，描述年径流和月径流的变化规律，并计算其参数；
步骤S23、对水网系统各个调蓄节点的年径流序列和月径流序列进行Copula联合分布构建，从预定的Copula函数集合中筛选Copula函数，描述年径流和月径流之间的相关性，并计算其参数；
步骤S24、求解Copula联合分布函数，得到不同丰枯程度下的年径流和月径流概率值，并根据预定规则确定生态流量值；
步骤S25、根据不同丰枯程度下的生态流量值，构建生态调度情景集合，包括基础生态情景、适宜生态情景和理想生态情景；
所述步骤S3包括：
步骤S31、构建多目标优化调度模型，确定优化调度模型的目标函数，包括水网调蓄节点发电量最大、发电保证率最高和下游河道生态流量保证率最高；
步骤S32、构建优化调度模型的约束条件，包括水量平衡约束、水位约束、流量约束、出力约束和调度期初末时刻水位约束；
步骤S4包括：
步骤S41、构建求解方法集合，并为每种求解方法设定参数；所述求解方法至少包括NSGA-Ⅱ、NSGA-Ⅲ和RVEA；
步骤S42、分别采用求解方法求解多目标调度模型，获得非劣解并取并集，得到可行解集；基于非劣解集构建Pareto前沿图，以展示不同目标之间的权衡关系，分析可行解集合的分布特征和多样性；
步骤S43、构建决策方法集合，并从可行解集中选出至少一个解。
2.如权利要求1所述的考虑生态流量的水网系统调蓄节点优化调度与决策方法，其特征在于，所述步骤S43进一步包括：
步骤S431、确定决策目标和偏好，并选择决策方法；
步骤S432、针对决策方法，计算每个可行解的决策值；
步骤S433、根据每个可行解的决策值，对可行解集合进行排序，得到一个优劣顺序；
步骤S434、根据优劣顺序，从可行解集合中选出至少一个解，作为最终决策方案。
3.如权利要求2所述的考虑生态流量的水网系统调蓄节点优化调度与决策方法，其特征在于，所述步骤S25还包括对生态流量值进行校正，具体包括：
步骤S251、根据Copula联合分布函数，生成至少一组可代表不同丰枯程度下的年径流和月径流的随机样本；
步骤S252、根据预配置规则对每个水文情景下的年径流和月径流进行生态流量分配，得到对应的年生态流量和月生态流量；
步骤S253、根据水文数据中的日流量与月径流的关系，对每个水文情景下的月生态流量进行插值或拟合，得到对应的日生态流量；
步骤S254、对每个水文情景下的年生态流量、月生态流量和日生态流量进行统计分析，计算其均值、方差、最大值和最小值，并绘制其分布图和频率图；
步骤S255、根据预测的生态流量与实际观测的生态流量进行对比分析，评估预测结果的准确性和可靠性，并计算其误差和概率。
4.如权利要求2所述的考虑生态流量的水网系统调蓄节点优化调度与决策方法，其特征在于，所述步骤S43包括：
步骤S43a、针对优化目标和调度方案，构建标准化初始矩阵；
步骤S43b、逐一计算每个指标下每个样本占该指标的比重，并计算该指标的熵权和各项指标的权重；
步骤S43c、构造规范化的加权矩阵，确定正负理想解；
步骤S43d、计算评价方案集内各方案相对正、负理想解方案的距离；计算各评价方案与正负理想解的相对贴近度。
5.如权利要求1所述的考虑生态流量的水网系统调蓄节点优化调度与决策方法，其特征在于，所述步骤S24还包括：
步骤S241、依序求解各个调蓄节点的Copula函数，计算每个调蓄节点的年月联合概率值，利用贝叶斯公式确定不同来水年情况下每个调蓄节点各月丰平枯的条件概率；
步骤S242、基于各个调蓄节点的连通关系和每个调蓄节点各月丰平枯的条件概率，重构生态流量时空分配，构建至少两个生态流量调配方案，形成生态调配方案集合；
步骤S243、调用生态流量调配方案，计算调配后各个调蓄节点新的丰平枯条件概率，判断是否低于阈值，并根据预定规则确定生态流量值。
6.如权利要求5所述的考虑生态流量的水网系统调蓄节点优化调度与决策方法，其特征在于，所述步骤S242进一步为：
根据各个调蓄节点的连通关系，确定生态流量调配的目标和约束；
根据各个调蓄节点的各月丰平枯的条件概率，生成不同水文情景下的年月径流和月生态流量的随机样本；
根据不同水文情景下的年月径流和月生态流量的随机样本，构建至少两个生态流量调配方案，形成生态调配方案集合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079990.6A CN117744501B (zh) | 2024-01-19 | 2024-01-19 | 考虑生态流量的水网系统调蓄节点优化调度与决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410079990.6A CN117744501B (zh) | 2024-01-19 | 2024-01-19 | 考虑生态流量的水网系统调蓄节点优化调度与决策方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117744501A CN117744501A (zh) | 2024-03-22 |
| CN117744501B true CN117744501B (zh) | 2024-05-28 |
Family
ID=90256290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410079990.6A Active CN117744501B (zh) | 2024-01-19 | 2024-01-19 | 考虑生态流量的水网系统调蓄节点优化调度与决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744501B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118095973B (zh) * | 2024-04-29 | 2024-08-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种耦合降维理论的水文丰枯遭遇概率计算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033014A (zh) * | 2021-04-09 | 2021-06-25 | 北京师范大学 | 一种考虑多水源联合概率分布的区域可供水量估算方法 |
| CN116681312A (zh) * | 2023-07-28 | 2023-09-01 | 华中科技大学 | 一种面向生态的多目标水库优化调度决策方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115507822B (zh) * | 2022-06-09 | 2024-07-02 | 武汉大学 | 水文循环变异驱动下的洪水风险预测方法 |
-
2024
- 2024-01-19 CN CN202410079990.6A patent/CN117744501B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033014A (zh) * | 2021-04-09 | 2021-06-25 | 北京师范大学 | 一种考虑多水源联合概率分布的区域可供水量估算方法 |
| CN116681312A (zh) * | 2023-07-28 | 2023-09-01 | 华中科技大学 | 一种面向生态的多目标水库优化调度决策方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 基于年径流分类的水库优化调度函数研究;陈柯兵;郭生练;杨光;尹家波;钟逸轩;;水资源研究;20161215(06);全文 * |
| 陈柯兵 ; 郭生练 ; 杨光 ; 尹家波 ; 钟逸轩 ; .基于年径流分类的水库优化调度函数研究.水资源研究.2016,(06),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117744501A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
| Liang et al. | Sequence generative adversarial networks for wind power scenario generation | |
| Hakimi-Asiabar et al. | Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm | |
| Xiao et al. | A hybrid model based on data preprocessing for electrical power forecasting | |
| CN117744501B (zh) | 考虑生态流量的水网系统调蓄节点优化调度与决策方法 | |
| Liu et al. | A two-stage method of quantitative flood risk analysis for reservoir real-time operation using ensemble-based hydrologic forecasts | |
| CN112184479B (zh) | 一种水库群调度规则型式和参数对气候变化的适应性研究方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
| Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
| CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
| Zou et al. | Wind turbine power curve modeling using an asymmetric error characteristic-based loss function and a hybrid intelligent optimizer | |
| CN112711896B (zh) | 一种考虑多源预报误差不确定性的复杂水库群优化调度方法 | |
| Tian et al. | Multi-scenario model predictive control based on genetic algorithms for level regulation of open water systems under ensemble forecasts | |
| Pannocchia | Distributed model predictive control | |
| Yu et al. | Multi-objective robust optimization of reservoir operation for real-time flood control under forecasting uncertainty | |
| Zaman et al. | Multi-method based algorithm for multi-objective problems under uncertainty | |
| Zambelli et al. | Long-term hydropower scheduling based on deterministic nonlinear optimization and annual inflow forecasting models | |
| Zhu et al. | Wind power interval and point prediction model using neural network based multi-objective optimization | |
| Zhu et al. | Ultra-short-term wind power probabilistic forecasting based on an evolutionary non-crossing multi-output quantile regression deep neural network | |
| CN117196019B (zh) | 基于改进自适应遗传算法的新安江模型参数率定方法 | |
| Lafortune | Diagnosis of discrete event systems | |
| Sarada et al. | Comparison of day-ahead price forecasting in energy market using Neural Network and Genetic Algorithm | |
| Lang et al. | A novel two‐stage interval prediction method based on minimal gated memory network for clustered wind power forecasting | |
| CN111079066B (zh) | 一种水库群发电生态两目标竞争关系分析方法 | |
| Castañón | Dynamic noncooperative games |
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 |