CN118037002A - 水网系统中调水工程年度水资源调度计划编制方法及系统 - Google Patents
水网系统中调水工程年度水资源调度计划编制方法及系统 Download PDFInfo
- Publication number
- CN118037002A CN118037002A CN202410420921.7A CN202410420921A CN118037002A CN 118037002 A CN118037002 A CN 118037002A CN 202410420921 A CN202410420921 A CN 202410420921A CN 118037002 A CN118037002 A CN 118037002A
- Authority
- CN
- China
- Prior art keywords
- water
- runoff
- historical
- data
- adopting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 550
- 238000000034 method Methods 0.000 title claims abstract description 246
- 230000008569 process Effects 0.000 claims abstract description 119
- 238000003860 storage Methods 0.000 claims abstract description 65
- 238000013439 planning Methods 0.000 claims abstract description 13
- 230000008901 benefit Effects 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 18
- 238000012502 risk assessment Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 5
- 238000012067 mathematical method Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 description 15
- 230000007246 mechanism Effects 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 230000007812 deficiency Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000003054 catalyst Substances 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000013014 water-saving technology 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
- G06Q10/06313—Resource planning in a project environment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/043—Architecture, e.g. interconnection topology based on fuzzy logic, fuzzy membership or fuzzy inference, e.g. adaptive neuro-fuzzy inference systems [ANFIS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Automation & Control Theory (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明公开了一种水网系统中调水工程年度水资源调度计划编制方法及系统,收集历史径流数据,构建初始径流影响因子集并降维,得到历史径流影响因子集,计算所有历史径流影响因子的综合权重,采用切比雪夫距离计算得到初始径流过程;基于初始径流过程,采用PP‑K‑Means法识别得到相似径流过程,得到来水预报;分析蓄水工程水质风险,计算得到可调水量;设置全局约束条件和受水区本地约束条件,基于全局约束条件和受水区本地约束条件编制各受水区年度水资源调度计划。本发明与传统水资源调度计划编制方法相比,考虑了更多影响要素,得到更准确的来水预报,同时考虑了水质风险,协调了各受水区的供水效益。
Description
技术领域
本发明涉及水网系统中调水工程年度水资源调度计划编制方法。
背景技术
水网系统是以自然河湖为基础、引调排水工程为通道、调蓄工程为结点、智慧调控为手段,集水资源优化配置、流域防洪减灾、水生态系统保护等功能于一体的综合体系。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。
随着人口增长和经济发展,水资源管理变得愈发重要。调水工程年度水资源调度计划是水资源管理的一部分,是为了合理利用水资源、保障水资源供应,以及实现水资源的可持续利用。通过制定年度水资源调度计划,可以更好地规划和管理水资源的利用,提高水资源利用效率,确保各个领域的用水需求得到满足。同时,通过合理调度水资源,可以减少洪涝灾害和干旱的风险,提高水资源的安全性和稳定性,保护水生态系统,维护生态平衡。
目前常用的水资源调度计划编制方法只考虑了少数几个影响因子,缺乏全面性,过于依赖已有数据,采用的模型过于简化。未能充分考虑水资源系统的复杂性和不确定性,缺乏灵活度,不能及时调整计划以应对突发情况或变化的需求。
发明内容
发明目的,提供一种水网系统中调水工程年度水资源调度计划编制方法,以解决现有技术存在的上述问题。另一方面提供水网系统中调水工程年度水资源调度计划编制系统。
技术方案,根据本申请的一个方面,水网系统中调水工程年度水资源调度计划编制方法,其特征在于,包括如下步骤:
步骤S1、收集历史径流数据,构建初始径流影响因子集,采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集,计算所有历史径流影响因子的综合权重,基于历史径流影响因子的综合权重采用切比雪夫距离计算历史径流影响因子之间的距离,得到降雨预报,提取历史径流数据中对应的历史降雨数据与降雨预报最接近的一场降雨,所提取的历史降雨对应的径流过程即为初始径流过程;
步骤S2、基于初始径流过程,采用PP-K-Means法识别得到相似径流过程,对相似径流过程展延至调度期末,采用集成学习法结合初始径流过程和展延后的相似径流过程,得到来水预报;
步骤S3、计算调出区用水水量和蓄水工程蓄水水量,结合来水预报和预存储的调出区河道内用水水量,计算可调用水水量;
步骤S4、基于可调用水量设置全局约束条件,并构建受水区本地约束条件,基于全局约束条件和受水区本地约束条件编制各受水区年度水资源调度计划。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、收集历史径流数据,构建初始径流影响因子集,采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集;
步骤S12、采用直觉模糊数学法结合模糊逻辑法得到历史径流影响因子的综合主观权重值,依次采用加权平均法、层次分析法、模糊综合评价法、熵权法和TOPSIS法对历史径流影响因子赋权,基于模糊逻辑法得到历史径流影响因子的综合客观权重值,基于综合主观权重和综合客观权重,采用模糊逻辑法得到协调主客观的历史径流影响因子的综合权重;
步骤S13、基于历史径流影响因子的综合权重采用切比雪夫距离计算历史径流影响因子之间的距离,得到降雨预报,提取历史径流数据中对应的历史降雨数据与降雨预报最接近的一场降雨,所提取的历史降雨对应的径流过程即为初始径流过程。
根据本申请的一个方面,所述步骤S11进一步为:
步骤S11a、收集历史径流数据,构建初始径流影响因子集,包括:降水的水汽通道、南下冷空气、海气相互作用、青藏高原动力、热力作用和遥相关型;
步骤S11b、采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集。
根据本申请的一个方面,所述步骤S12进一步为:
步骤S12a、采用直觉模糊数学法结合模糊逻辑法得到历史径流影响因子的综合主观权重值;
步骤S12b、依次采用加权平均法、层次分析法、模糊综合评价法、熵权法和TOPSIS法对历史径流影响因子赋权,基于模糊逻辑法得到历史径流影响因子的综合客观权重值;
步骤S12c、基于综合主观权重和综合客观权重,采用模糊逻辑法得到协调主客观的历史径流影响因子的综合权重。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、基于初始径流过程,采用PP-K-Means法识别得到相似径流过程;
步骤S22、对相似径流过程展延至调度期末,得到展延后的相似径流过程;
步骤S23、采用集成学习法结合初始径流过程和展延后的相似径流过程,得到来水预报。
根据本申请的一个方面,所述步骤S21进一步为:
步骤S21a、采用PP模型对径流二元时间序列集进行降维;
步骤S21b、采用K-Means聚类算法对降维后的历史径流影响因子聚类;
步骤S21c、从历史径流数据中选取与初始径流过程历史径流影响因子聚类最接近的径流过程为相似径流过程。
根据本申请的一个方面,所述步骤S22进一步为:
步骤S22a、选取历史径流数据作为径流期内数据,选取历史相似径流作为径流期外数据;
步骤S22b、拼接径流期内与径流期外数据,以拼接处预报流量与相似流量的差值作为平移的距离,对相似径流过程进行平移,平移后的相似径流过程即为后续来水过程;
步骤S22c、结合相似径流过程和后续来水过程,得到展延后的相似径流过程。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、基于长短时记忆神经网络构建需水预测模型,提取历史需水数据输入需水预测模型计算得到调出区用水水量;
步骤S32、构建蓄水工程水质风险的风险因子序列及风险值序列,基于风险因子和风险值构建水质风险分析模型,通过水质风险分析模型分析所有蓄水工程的水质风险,计算所有低水质风险的蓄水工程的蓄水量总和,即为蓄水工程蓄水水量;
步骤S33、提取调出区河道内用水,结合来水预报、调出区用水水量和需水工程蓄水水量计算得到可调用水水量,所述可调用水水量为水网系统水量减去用水量,水网系统水量包括:来水预报来水水量和蓄水工程蓄水水量,用水量包括:调出区用水水量和调出区河道内用水水量。
根据本申请的一个方面,所述步骤S31进一步为:
步骤S31a、基于长短时记忆神经网络构建需水预测模型;
步骤S31b、提取历史用水数据,包括:用水量、降雨量、温度、季节,将历史用水数据分为训练集和测试集;
步骤S31c、将训练集输入需水预测模型进行训练,采用反向传播算法和优化器调整模型参数,使用测试集验证模型准确性,得到训练好的需水预测模型;
步骤S31d、提取历史需水数据输入需水预测模型计算得到调出区用水水量。
根据本申请的一个方面,所述步骤S32进一步为:
步骤S32a、构建蓄水工程水质风险的风险因子序列及风险值序列;
步骤S32b、基于水工程水质风险的风险因子序列及风险值序列确定核函数和带宽参数,采用选定的核函数和带宽参数对风险因子序列及风险值序列二维数据进行核密度估计计算,得到二维联合概率密度估计函数,即为水质风险分析模型;
步骤S32c、使用水质风险分析模型依次分析所有蓄水工程的水质风险,将水质高风险的蓄水工程去除,剩下的为水质低风险的蓄水工程;
步骤S32d、计算所有水质低风险的蓄水工程的蓄水总量,即为蓄水工程蓄水水量。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、以各受水区的供水效益最大化为水资源调度计划编制的目标,设置全局约束条件和受水区本地约束条件,其中全局约束条件包括可调用水;
步骤S42、将各受水区用水户总需水作为各受水区初级用水计划,采用全局约束条件依次对所有受水区的初级用水计划验证,满足全局约束条件的初级用水计划即为该受水区的水资源调度计划方案;不满足,进入步骤S43;
步骤S43、采用多标准决策分析对不满足全局约束条件的受水区初级用水计划进行调整,得到中级用水计划,各受水区依次采用本地约束条件验证受水区中级用水计划,满足受水区本地约束条件的中级用水计划即为该受水区的水资源调度计划方案;
步骤S44、对不满足受水区本地约束条件的中级用水计划的受水区,按照其基本用水量制定最终的用水计划,采用全局约束条件验证各受水区的最终用水计划,满足全局约束条件的最终用水计划即为该受水区的水资源调度计划方案;
步骤S45、不满足全局约束条件的受水区采用可利用水调整该受水区的最终用水计划,调整后的最终用水计划即为该受水区的水资源调度计划方案。
根据本申请的另一个方面,水网系统中调水工程年度水资源调度计划编制系统,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的水网系统中调水工程年度水资源调度计划编制方法。
有益效果,采用水网系统中调水工程年度水资源调度计划编制方法,实现了水资源的合理利用、保障用水需求、降低水灾风险以及保障了各个受水区的供水效益最大化。相关技术效果将在下文进行详细描述。
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,提出如下技术方案。根据本申请的一个方面,提供一种水网系统中调水工程年度水资源调度计划编制方法,其特征在于,包括如下步骤:
步骤S1、收集历史径流数据,构建初始径流影响因子集,采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集,计算所有历史径流影响因子的综合权重,基于历史径流影响因子的综合权重采用切比雪夫距离计算历史径流影响因子之间的距离,得到降雨预报,提取历史径流数据中对应的历史降雨数据与降雨预报最接近的一场降雨,所提取的历史降雨对应的径流过程即为初始径流过程;
步骤S2、基于初始径流过程,采用PP-K-Means法识别得到相似径流过程,对相似径流过程展延至调度期末,采用集成学习法结合初始径流过程和展延后的相似径流过程,得到来水预报;
步骤S3、计算调出区用水水量和蓄水工程蓄水水量,结合来水预报和预存储的调出区河道内用水水量,计算可调用水水量;
步骤S4、通过可调用水水量设置全局约束条件,并构建受水区本地约束条件,基于全局约束条件和受水区本地约束条件编制各受水区年度水资源调度计划。
在本实施例中,首先,影响因子的选择不仅考虑了降水、温度等常规因子,还纳入了与大气环流相关的水汽通道、冷空气等因子,提高了预测的物理机理性。其次,是PP-K-Means算法识别相似径流,再采用集成学习法融合初始径流和相似径流,多管齐下提升了预测准确性。来水预测的高准确性,为水资源优化调度提供最可靠的数据基础。
通过综合考虑来水量、蓄水库容、水质状况等影响因素,利用长短时记忆神经网络动态预测用水需求。特别是在蓄水能力分析中,采用了风险分析的方法评估水质风险,这是现有技术中没有的。通过精准掌握供需关系,能更好地协调枯水期和丰水期、上游和下游、不同用水部门间的水量分配,充分挖掘水资源的优化配置潜力。
通过采取多层次逐步优化的思路,先从全局出发制定初步方案,然后针对局部问题进行修正,最后根据缺水风险等级采取差异化的策略。这种全局和局部相结合的方式,能够在满足总体用水需求的同时,又兼顾各地区的实际情况,具有很强的灵活性和适应性。将主成分分析、聚类、神经网络、集成学习等多种先进算法融为一体,形成了完整的技术链条。在径流展延时,先用PP模型进行特征提取,再用K-Means进行相似径流识别,很好地解决了原始数据高维度的问题。类似地,在制定调度方案时,先用多目标优化模型框定全局方案,再用多准则分析对局部进行调整,两种方法优势互补。在技术架构上是机器算法为主导,但在一些关键环节如约束条件的设置、阈值的选取上,又嵌入了专家经验。这种人机结合的模式,一方面确保了机器算法的效率和精度,另一方面又赋予了方案一定的可解释性,有利于提高决策者对方案的认可度和执行力。
通过采用数据驱动、模型耦合等技术思路,可以支撑多个场景的应用。比如在水资源规划、防洪调度、水权交易等领域,都可以借鉴本方案的一些做法。
总的来说,这个水资源调度计划编制方案开创性地集成了多种前沿技术,在传统的水文模拟和调度模型基础上,大大提升了对不确定性的处理能力。通过多种算法的有机耦合,在来水预测、供需平衡分析、多层次调度等环节形成了协同效应,可以显著提高水资源配置的精准性和效率性。同时,也兼顾了方案的可解释性,增强了其可行性。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、收集历史径流数据,构建初始径流影响因子集,采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集;
UMAP在保留数据内在结构的基础上,将高维数据映射到低维空间,大大减少了后续计算的复杂度,提高了分析效率。与传统方法相比,UMAP能够更好地保持数据的局部结构和全局结构。在本实施例中,径流影响因子数据,涉及降水、温度、下垫面等多个物理量,数据往往呈现非线性、非高斯分布,且不同因子间存在复杂的交互作用。将UMAP引入径流影响因子分析领域,能够在不失真的情况下,提取数据的内在特征,去除冗余信息,这为后续的相似径流识别、径流预测等分析奠定了很好的数据基础。同时,降维后的数据维度大大降低,也减少了计算资源的消耗,提高了算法运行效率。
步骤S12、采用直觉模糊数学法结合模糊逻辑法得到历史径流影响因子的综合主观权重值,依次采用加权平均法、层次分析法、模糊综合评价法、熵权法和TOPSIS法对历史径流影响因子赋权,基于模糊逻辑法得到历史径流影响因子的综合客观权重值,基于综合主观权重和综合客观权重,采用模糊逻辑法得到协调主客观的历史径流影响因子的综合权重;
步骤S13、基于历史径流影响因子的综合权重采用切比雪夫距离计算历史径流影响因子之间的距离,得到降雨预报,提取历史径流数据中对应的历史降雨数据与降雨预报最接近的一场降雨,所提取的历史降雨对应的径流过程即为初始径流过程。
切比雪夫距离能够揭示径流数据的极端相似性,即强调各因子在最大差异处的相似程度。这对于径流分析很有针对性,因为径流过程往往受个别极端因子的影响较大,这种"极端相似性"比整体相似性更具有指示意义。因此在本实施例中,采用切比雪夫距离进行相似降雨挖掘,计算历史径流影响因子之间的距离,找到相似径流过程。
换句话说,在本实施例中,高维径流影响因子数据蕴含复杂的几何结构和拓扑关系,直接采用切比雪夫距离计算会面临"维度灾难"的问题。UMAP通过降维简化了数据的复杂性,使得在低维空间计算切比雪夫距离成为可能,它是切比雪夫距离发挥效用的"催化剂"。一方面,利用UMAP降维后的特征进行相似性度量,是对UMAP降维性能的检验;另一方面,通过切比雪夫距离得出的影响因子权重,又可以指导UMAP优化降维映射,使其更聚焦于关键影响因子。
更重要的是,UMAP降维与切比雪夫距离的完美配合,很好地契合了径流预测分析的内在需求。径流形成是一个复杂的物理过程,影响因素众多,因果关系错综复杂,采用常规的分析范式难以刻画其内在机理。本实施例巧妙地利用UMAP提取径流数据的内在模式,并用切比雪夫距离去衡量这种模式的相似性,进而实现对未知径流的预测,可以说是一种颇具创见的分析范式。综上所述,本实施例采用UMAP降维和切比雪夫距离权重计算方法,充分利用了两种算法的内在特性,既简化了问题的复杂性,又提升了径流预测的精准性。
在某个实施例中,具体为:
提取历史降雨数据和其对应的径流影响因子数据,将数据按照时间顺序排列,将降雨数据和径流影响因子对齐;
对于每一对历史径流影响因子数据,计算它们之间的切比雪夫距离,计算过程为:
DChebyshev(x,y)=maxi|xi-yi|;
对于每个历史径流影响因子数据,找到与其距离最近的K个历史径流影响因子数据,这些数据即为与当前数据相似的径流过程;
对每个历史径流影响因子数据,重复以上操作,找到相似的径流过程。
根据本申请的一个方面,所述步骤S11进一步为:
步骤S11a、收集历史径流数据,构建初始径流影响因子集,包括:降水的水汽通道、南下冷空气、海气相互作用、青藏高原动力、热力作用和遥相关型;
在本实施例中,充分考虑到了各个方面的影响因子对降雨的影响,能够使后续来水预报的结果更加准确。
步骤S11b、采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集。
UMPA是一种非线性降维算法,采用相似理论将高维数据映射到低纬度,同时尽可能地维持数据地全局和局部拓扑结构,UMPA在保持数据局部和全局结构、灵活性和适应性、计算效率以及泛化能力相比较于其他较为方法更加优秀,在本实施例中,所筛选出来地影响因子都是遥相关因子,本身物理联系不直接,因此采用UMPA法进行整体转化降维,计算效率更高。
在某个实施例中,具体为:
采用LLE算法对初始径流影响因子集进行降维,过程为:
minW∑i|xi-∑jwijxj|2;
其中,xi表示数据集中的第i个数据点,W是权重矩阵,wij表示第i个数据点与第j个数据点之间的权重;
采用PCA法对LLE降维后的数据进行进一步的降维,过程为:
maxv(1/n)∑n i=1(xi·v2);
其中,v是主成分方向,xi是数据点;
将LLE和PCA两步骤结合起来即为UMPA算法的整个过程。
根据本申请的一个方面,所述步骤S12进一步为:
步骤S12a、采用直觉模糊数学法结合模糊逻辑法得到历史径流影响因子的综合主观权重值;
主观赋权法中最常用的就是层次分析法,直觉魔化数学法相较于层次分析法,更加简洁易用,不需要大量的数据和计算,同时能够容纳专家的主观判断和经验,对于主观性较强的决策问题更为适用,能够更好地考虑不确定性和模糊性,具有很好地灵活性,因此在本实施例中,采用直觉模糊数学法对历史径流影响因子主观赋权。
步骤S12b、依次采用加权平均法、层次分析法、模糊综合评价法、熵权法和TOPSIS法对历史径流影响因子赋权,基于模糊逻辑法得到历史径流影响因子的综合客观权重值;
加权平均法、层次分析法、模糊综合评价法、熵权法和TOPSIS法这五种方法是客观赋权法中最好的方法,它们各有其优点,在本实施例中,同时采用五种客观赋权法对历史径流影响因子赋权,能够得到更全面的客观权重。
步骤S12c、基于综合主观权重和综合客观权重,采用模糊逻辑法得到协调主客观的历史径流影响因子的综合权重。
模糊逻辑法适用于处理模糊和不确定性信息的决策问题,能够有效地处理难以精确描述地情况和条件,模糊逻辑法能够容纳专家的主观判断和经验,对于主观性较强的决策问题更为适用,因此在本实施例中采用模糊逻辑法综合考虑主观权重和客观权重,得到综合权重。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、基于初始径流过程,采用PP-K-Means法识别得到相似径流过程;
步骤S22、对相似径流过程展延至调度期末,得到展延后的相似径流过程;
步骤S23、采用集成学习法结合初始径流过程和展延后的相似径流过程,得到来水预报。
根据本申请的一个方面,所述步骤S21进一步为:
步骤S21a、采用PP模型对径流二元时间序列集进行降维;
步骤S21b、采用K-Means聚类算法对降维后的历史径流影响因子聚类;
步骤S21c、从历史径流数据中选取与初始径流过程历史径流影响因子聚类最接近的径流过程为相似径流过程。
相似径流动态识别的实质是多元时间序列的相似性分析,具有高维的数据特征,且数据的高维特性随时间的推移而愈发显著,K-Means算法是一种点聚类算法,主要通过
样本点间的距离度量样本之间的亲疏程度实现聚类,无法直接对高维时间序列数据进行处理,而多元时间序列的聚类问题可通过降维的方式将序列聚类转化为点聚类问题,PP是用来处理和分析高维数据解决高维问题实现有效降维的方法,因此在本实施例中,基于PP模型和K-Means算法的特点,采用以PP模型为降维手段、K-Means算法为识别方法的相似径流动态识别方法。
在某个实施例中,具体为:
通过PP法找到合适的投影方向,将数据投影到低维空间中,过程为:
maxw [(WTXTXW)/(WTW)];
其中,w是投影方向,X是数据矩阵;
适用K-means算法对投影后的数据进行聚类,将数据点分为K个簇;
基于K-means聚类结果,将相同簇中的径流过程视为相似的过程,通过比较簇内数据点的特征来识别相似的径流过程。
根据本申请的一个方面,所述步骤S22进一步为:
步骤S22a、选取历史径流数据作为径流期内数据,选取历史相似径流作为径流期外数据;
步骤S22b、拼接径流期内与径流期外数据,以拼接处预报流量与相似流量的差值作为平移的距离,对相似径流过程进行平移,平移后的相似径流过程即为后续来水过程;
步骤S22c、结合相似径流过程和后续来水过程,得到展延后的相似径流过程。
在本实施例中,由于历史径流过程短于调度期,因此通过已有径流数据在历史数据库中辨识相似过程并进行展延是提升来水情势预见性的方法,采用展延径流过程制定来水预报可以弥补预报预见期过短带来的决策风险,相似径流展延的目的是弥补预见期以外的水量,便于提前做出决策,因此以历史径流数据作为径流期内数据,历史相似径流作为径流期外数据,以拼接点处预报流量与相似流量的差值作为平移的距离,对相似过程进行平移处理,平移后的相似过程为后续来水过程。
在本申请的另一实施例中,径流展延过程还可以为:
步骤S221、收集水文站点的逐日径流数据,建立时间序列数据库,进行数据清洗,剔除异常值和缺失值,保证数据质量,选择拟合和验证的时间范围,一般拟合期至少15年,验证期5年左右。
步骤S222、采用PP模型对径流时间序列进行特征提取和降维,利用K-Means聚类算法对降维后的特征向量进行聚类,确定相似径流类别,对于待展延的初始径流过程,计算其特征向量,找出最相似的历史径流类别;
步骤S223、将待展延的径流过程划分为已知径流期P1和展延期P2;在历史径流中,找出已知径流期P1最相似的一段径流作为相似径流片段;将相似径流片段的后续径流过程(展延期P2)提取出来。
步骤S224、计算已知径流期P1末端的径流量Q1和相似径流片段末端的径流量Q2,将相似径流片段的展延期P2整体平移,使其起点径流量等于Q1;平移后的展延期P2即为展延期的初步径流过程;
步骤S225、分析初步径流过程在水量、过程线形状等方面是否与已知径流期P1合理衔接,可采用动态规划、曲线拟合等方法对展延期径流过程进行优化调整,调整后的径流过程即为最终的径流展延结果。
在本实施例中,径流数据本质上是一种时间序列数据,具有高维度、非平稳等特点,直接进行相似性度量往往效果不佳。PP模型通过投影寻踪的方式,能够自适应地提取时间序列数据的低维特征表示,在保持数据本质结构的同时,大大降低了数据维度。将PP模型引入径流相似性分析,可以更准确、更高效地刻画不同径流过程之间的相似关系。径流过程通常呈现出一些典型的模式,如丰枯交替、峰值延迟等。但在实际数据中,这些模式往往混杂在一起,难以直接识别。K-Means作为一种经典的无监督聚类算法,可以自动将相似的径流过程归入同一类,从而发现其中的典型模式。与传统分类相比,K-Means更加客观和高效,也更能适应不同的数据特点。PP模型将原始的高维径流数据转化为低维特征表示,这不仅降低了后续聚类的计算复杂度,也使得聚类结果更加稳定和可靠。然后,K-Means在PP提取的低维特征上进行聚类,由于维度诅咒的影响大大减弱,聚类效果可以得到显著提升。
通过PP-K-Means识别出的相似径流,不仅可以用其历史数据扩充预测样本,还可以用其演变规律构建独立的预测模型。这就为集成学习提供了更多的模型选择,使得集成模型的构成更加丰富和全面。特别是那些在当前径流上效果不佳、但在相似径流上效果良好的模型,往往能够给集成预测带来有益的补充和改进。通过分析集成模型中各成分模型的权重和贡献,可以发现哪些相似径流的信息更有助于改进预测效果,进而优化相似径流的选择和组合。这种反馈机制使得相似径流的应用更加智能化和针对化,进一步提升了预测的性能。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、基于长短时记忆神经网络构建需水预测模型,提取历史需水数据输入需水预测模型计算得到调出区用水水量;
步骤S32、构建蓄水工程水质风险的风险因子序列及风险值序列,基于风险因子和风险值构建水质风险分析模型,通过水质风险分析模型分析所有蓄水工程的水质风险,计算所有低水质风险的蓄水工程的蓄水量总和,即为蓄水工程蓄水水量;
步骤S33、提取调出区河道内用水,结合来水预报、调出区用水水量和需水工程蓄水水量计算得到可调用水水量,所述可调用水水量为水网系统水量减去用水量,水网系统水量包括:来水预报来水水量和蓄水工程蓄水水量,用水量包括:调出区用水水量和调出区河道内用水水量。
根据本申请的一个方面,所述步骤S31进一步为:
步骤S31a、基于长短时记忆神经网络构建需水预测模型;
步骤S31b、提取历史用水数据,包括:用水量、降雨量、温度、季节,将历史用水数据分为训练集和测试集;
步骤S31c、将训练集输入需水预测模型进行训练,采用反向传播算法和优化器调整模型参数,使用测试集验证模型准确性,得到训练好的需水预测模型;
步骤S31d、提取历史需水数据输入需水预测模型计算得到调出区用水水量。
在本实施例中,采用长短时记忆神经网络构建需水预测模型,在处理时间序列数据时,能够捕捉数据中的长期依赖关系,对于需水预测这种具有时间相关性的问题效果更好,长短时记忆网络中的记忆单元可以保留长期记忆,有助于捕捉数据中的长期模式和规律,提高模型对需水变化的预测能力,同时能够处理不定长的序列数据,适用于需水预测中输入数据长度不固定的情况,具有很强的灵活性。
在某个实施例中,具体为:
将历史需水数据作为训练集;
使用历史需水数据训练LSTM模型,通过反向传播算法优化模型参数,计算过程为:
it=σ(Wi·[ht-1,xt]+bi);
ft=σ(Wf·[ht-1,xt]+bi);
ot=σ(Wo·[ht-1,xt]+bo);
gt=tanh(Wc·[ht-1,xt]+bc);
ct=ftΘct-1+itΘgt;
ht=otΘtanh(ct);
其中,it、ft、ot分别是输入门、遗忘门和输出门的门控向量,gt是候选记忆细胞,ct是记忆细胞状态,ht是LSTM单元的输出,σ是sigmoid函数,Θ表示逐元素乘法;
使用训练好的LSTM模型对未来的需水数据进行预测。
根据本申请的一个方面,所述步骤S32进一步为:
步骤S32a、构建蓄水工程水质风险的风险因子序列及风险值序列;
步骤S32b、基于水工程水质风险的风险因子序列及风险值序列确定核函数和带宽参数,采用选定的核函数和带宽参数对风险因子序列及风险值序列二维数据进行核密度估计计算,得到二维联合概率密度估计函数,即为水质风险分析模型;
步骤S32c、使用水质风险分析模型依次分析所有蓄水工程的水质风险,将水质高风险的蓄水工程去除,剩下的为水质低风险的蓄水工程;
步骤S32d、计算所有水质低风险的蓄水工程的蓄水总量,即为蓄水工程蓄水水量。
在本实施例中,考虑到水质风险对水生态安全的影响,高水质风险的蓄水工程中的水无法用于用水户使用,因此在计算蓄水量时,需要计算出各个蓄水工程中蓄水水质风险的高低,剔除掉高风险的蓄水工程,才能计算出可用水量。
现有风险分析方法大体分为两类,一类基于数据驱动方法,一类基于物理机制方法,基于数据驱动的风险分析法能够较好反映风险的随机特性,同时也能考虑多个风险因子的影响,但其分析过程主要依赖于历史长期数据,缺乏对风险发生物理机制的考虑,尤其难以预测未来工程调度调整后的风险变化情况,另一方面,基于物理机制模型的风险分析法虽然能较好反映风险发生的物理机制,但由于人为设置的风险情景有限,且往往是对各风险因子单独进行分析,无法准确反映风险事件的随机性和多风险因子相互作用属性,因此在本实施例中,兼顾数据驱动模型和物理机制模型的优点,构建风险因子序列及风险值序列时考虑了物理属性,在构建单因子分布和多因子联合概率分布时考虑了多因子作用属性和随机性,使用一种能同时反映风险的物理属性、多因子作用属性和随机性的风险分析方法,提升风险定量分析精度。
在本申请的另一实施例中,还包括缺水风险分析过程,具体如下:
步骤S321、构建缺水风险评价指标,选择能够反映缺水程度的关键指标,如缺水频率、缺水量、缺水率等;根据各地区实际情况,确定各指标的阈值和权重系数;构建缺水风险综合评价模型,如加权平均模型、灰色关联模型等
步骤S322、分析缺水影响因子,采用相关分析法,计算各影响因子与缺水指标间的相关系数矩阵;采用主成分分析法,提取影响因子的主成分,减少因子间的信息重叠;用回归分析法,建立影响因子与缺水指标间的定量关系模型;
步骤S323、预测缺水风险,根据水资源系统调度计算结果,预测未来各时段的可供水量,结合用水量预测结果,计算各时段的水量平衡,判断是否存在缺水风险,运用影响因子-缺水指标关系模型,预测未来缺水风险的变化趋势;
步骤S324、对各评价单元的缺水风险综合评价值进行空间插值分析,采用聚类分析法,将评价单元划分为不同的缺水风险等级,绘制缺水风险区划图,直观揭示缺水风险的空间分布规律;
步骤S325、针对不同缺水风险等级,制定差异化的风险防控措施和应急预案。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、、以各受水区的供水效益最大化为水资源调度计划编制的目标,设置受水区本地约束条件,基于可调用水水量设置全局约束条件;
步骤S42、各受水区将各自受水区用水户总需水作为该受水区初级用水计划,采用全局约束条件依次对所有受水区的初级用水计划验证是否满足全局约束条件,满足全局约束条件的初级用水计划即为该受水区的水资源调度计划方案;
步骤S43、对不满足全局约束条件的受水区初级用水计划采用多标准决策分析进行调整,得到各受水区的中级用水计划,依次验证各受水区的中级用水计划是否满足该受水区本地约束条件,满足受水区本地约束条件的中级用水计划即为该受水区的水资源调度计划方案;
步骤S44、对不满足受水区本地约束条件的中级用水计划的受水区,按照该受水区基本用水量制定最终的用水计划,依次验证各受水区的最终用水计划是否满足全局约束条件,满足全局约束条件的最终用水计划即为该受水区的水资源调度计划方案;
步骤S45、不满足全局约束条件的最终用水计划对应的受水区采用可利用水量调整该受水区的最终用水计划,调整后的最终用水计划即为该受水区的水资源调度计划方案。
在本实施例中,通过可利用水量实现水资源共享,通过节水技术和水资源管理措施减少用水量,减轻可利用水量的压力,使得更多的水资源用于不同受水区的供水,同时根据不同受水区的用水需求和优先级,调整可利用水量的分配,采取临时调控措施,确保重要用水区域的供水。
根据本申请的另一个方面,提供一种水网系统中调水工程年度水资源调度计划编制系统,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上述任一项所述的水网系统中调水工程年度水资源调度计划编制方法。
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 (12)
1.水网系统中调水工程年度水资源调度计划编制方法,其特征在于,包括如下步骤:
步骤S1、收集历史径流数据,构建初始径流影响因子集,采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集,计算所有历史径流影响因子的综合权重,基于历史径流影响因子的综合权重采用切比雪夫距离计算历史径流影响因子之间的距离,得到降雨预报,提取历史径流数据中对应的历史降雨数据与降雨预报最接近的一场降雨,所提取的历史降雨对应的径流过程即为初始径流过程;
步骤S2、基于初始径流过程,采用PP-K-Means法识别得到相似径流过程,对相似径流过程展延至调度期末,采用集成学习法结合初始径流过程和展延后的相似径流过程,得到来水预报;
步骤S3、计算调出区用水水量和蓄水工程蓄水水量,结合来水预报和预存储的调出区河道内用水水量,计算可调用水水量;
步骤S4、基于可调用水量设置全局约束条件,并构建受水区本地约束条件,基于全局约束条件和受水区本地约束条件编制各受水区年度水资源调度计划。
2.如权利要求1所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S1进一步为:
步骤S11、收集历史径流数据,构建初始径流影响因子集,采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集;
步骤S12、采用直觉模糊数学法结合模糊逻辑法得到历史径流影响因子的综合主观权重值,依次采用加权平均法、层次分析法、模糊综合评价法、熵权法和TOPSIS法对历史径流影响因子赋权,基于模糊逻辑法得到历史径流影响因子的综合客观权重值,基于综合主观权重和综合客观权重,采用模糊逻辑法得到协调主客观的历史径流影响因子的综合权重;
步骤S13、基于历史径流影响因子的综合权重采用切比雪夫距离计算历史径流影响因子之间的距离,得到降雨预报,提取历史径流数据中对应的历史降雨数据与降雨预报最接近的一场降雨,所提取的历史降雨对应的径流过程即为初始径流过程。
3.如权利要求2所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S11进一步为:
步骤S11a、收集历史径流数据,构建初始径流影响因子集,包括:降水的水汽通道、南下冷空气、海气相互作用、青藏高原动力、热力作用和遥相关型;
步骤S11b、采用UMAP法对初始径流影响因子集降维,得到历史径流影响因子集。
4.如权利要求2所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S12进一步为:
步骤S12a、采用直觉模糊数学法结合模糊逻辑法得到历史径流影响因子的综合主观权重值;
步骤S12b、依次采用加权平均法、层次分析法、模糊综合评价法、熵权法和TOPSIS法对历史径流影响因子赋权,基于模糊逻辑法得到历史径流影响因子的综合客观权重值;
步骤S12c、基于综合主观权重和综合客观权重,采用模糊逻辑法得到协调主客观的历史径流影响因子的综合权重。
5.如权利要求1所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S2进一步为:
步骤S21、基于初始径流过程,采用PP-K-Means法识别得到相似径流过程;
步骤S22、对相似径流过程展延至调度期末,得到展延后的相似径流过程;
步骤S23、采用集成学习法结合初始径流过程和展延后的相似径流过程,得到来水预报。
6.如权利要求5所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S21进一步为:
步骤S21a、采用PP模型对径流二元时间序列集进行降维;
步骤S21b、采用K-Means聚类算法对降维后的历史径流影响因子聚类;
步骤S21c、从历史径流数据中选取与初始径流过程历史径流影响因子聚类最接近的径流过程为相似径流过程。
7.如权利要求5所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S22进一步为:
步骤S22a、选取历史径流数据作为径流期内数据,选取历史相似径流作为径流期外数据;
步骤S22b、拼接径流期内与径流期外数据,以拼接处预报流量与相似流量的差值作为平移的距离,对相似径流过程进行平移,平移后的相似径流过程即为后续来水过程;
步骤S22c、结合相似径流过程和后续来水过程,得到展延后的相似径流过程。
8.如权利要求1所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S3进一步为:
步骤S31、基于长短时记忆神经网络构建需水预测模型,提取历史需水数据输入需水预测模型计算得到调出区用水水量;
步骤S32、构建蓄水工程水质风险的风险因子序列及风险值序列,基于风险因子和风险值构建水质风险分析模型,通过水质风险分析模型分析所有蓄水工程的水质风险,计算所有低水质风险的蓄水工程的蓄水量总和,即为蓄水工程蓄水水量;
步骤S33、提取调出区河道内用水,结合来水预报、调出区用水水量和需水工程蓄水水量计算得到可调用水水量,所述可调用水水量为水网系统水量减去用水量,水网系统水量包括:来水预报来水水量和蓄水工程蓄水水量,用水量包括:调出区用水水量和调出区河道内用水水量。
9.如权利要求8所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S31进一步为:
步骤S31a、基于长短时记忆神经网络构建需水预测模型;
步骤S31b、提取历史用水数据,包括:用水量、降雨量、温度、季节,将历史用水数据分为训练集和测试集;
步骤S31c、将训练集输入需水预测模型进行训练,采用反向传播算法和优化器调整模型参数,使用测试集验证模型准确性,得到训练好的需水预测模型;
步骤S31d、提取历史需水数据输入需水预测模型计算得到调出区用水水量。
10.如权利要求8所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S32进一步为:
步骤S32a、构建蓄水工程水质风险的风险因子序列及风险值序列;
步骤S32b、基于水工程水质风险的风险因子序列及风险值序列确定核函数和带宽参数,采用选定的核函数和带宽参数对风险因子序列及风险值序列二维数据进行核密度估计计算,得到二维联合概率密度估计函数,即为水质风险分析模型;
步骤S32c、使用水质风险分析模型依次分析所有蓄水工程的水质风险,将水质高风险的蓄水工程去除,剩下的为水质低风险的蓄水工程;
步骤S32d、计算所有水质低风险的蓄水工程的蓄水总量,即为蓄水工程蓄水水量。
11.如权利要求1所述的水网系统中调水工程年度水资源调度计划编制方法,其特征在于,所述步骤S4进一步为:
步骤S41、以各受水区的供水效益最大化为水资源调度计划编制的目标,设置全局约束条件和受水区本地约束条件,其中全局约束条件包括可调用水;
步骤S42、将各受水区用水户总需水作为各受水区初级用水计划,采用全局约束条件依次对所有受水区的初级用水计划验证,满足全局约束条件的初级用水计划即为该受水区的水资源调度计划方案;不满足,进入步骤S43;
步骤S43、采用多标准决策分析对不满足全局约束条件的受水区初级用水计划进行调整,得到中级用水计划,各受水区依次采用本地约束条件验证受水区中级用水计划,满足受水区本地约束条件的中级用水计划即为该受水区的水资源调度计划方案;
步骤S44、对不满足受水区本地约束条件的中级用水计划的受水区,按照其基本用水量制定最终的用水计划,采用全局约束条件验证各受水区的最终用水计划,满足全局约束条件的最终用水计划即为该受水区的水资源调度计划方案;
步骤S45、不满足全局约束条件的受水区采用可利用水调整该受水区的最终用水计划,调整后的最终用水计划即为该受水区的水资源调度计划方案。
12. 水网系统中调水工程年度水资源调度计划编制系统,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─11任一项所述的水网系统中调水工程年度水资源调度计划编制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410420921.7A CN118037002B (zh) | 2024-04-09 | 2024-04-09 | 水网系统中调水工程年度水资源调度计划编制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410420921.7A CN118037002B (zh) | 2024-04-09 | 2024-04-09 | 水网系统中调水工程年度水资源调度计划编制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118037002A true CN118037002A (zh) | 2024-05-14 |
CN118037002B CN118037002B (zh) | 2024-06-04 |
Family
ID=90989467
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410420921.7A Active CN118037002B (zh) | 2024-04-09 | 2024-04-09 | 水网系统中调水工程年度水资源调度计划编制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118037002B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015115675A1 (en) * | 2014-12-11 | 2015-08-06 | Suntory Holdings Limited | Assessment method of potential impacts on freshwater availability and program of the same |
KR102008962B1 (ko) * | 2018-03-07 | 2019-08-08 | 서울시립대학교 산학협력단 | 상수도시설의 최적 자산관리시스템 |
CN110598352A (zh) * | 2019-09-24 | 2019-12-20 | 中国水利水电科学研究院 | 一种流域来水的预报方法 |
CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及系统 |
CN111160430A (zh) * | 2019-12-19 | 2020-05-15 | 广东工业大学 | 一种基于人工智能算法的水资源优化配置方法 |
CN112633578A (zh) * | 2020-12-24 | 2021-04-09 | 国电电力发展股份有限公司和禹水电开发公司 | 一种引调水工程影响下梯级水库群优化调度方法 |
CN114580793A (zh) * | 2022-05-05 | 2022-06-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源互补以及局部调控的水环境优化方法及系统 |
CN115187052A (zh) * | 2022-07-08 | 2022-10-14 | 中水三立数据技术股份有限公司 | 一种基于长距离管网输水调度的水量分配方法 |
JP2023005281A (ja) * | 2021-06-28 | 2023-01-18 | 株式会社日立製作所 | 設計計画生成システム及び方法 |
CN117390477A (zh) * | 2023-09-04 | 2024-01-12 | 河海大学 | 一种智能分类的水文预报方法 |
CN117436727A (zh) * | 2023-12-18 | 2024-01-23 | 深圳中科超远科技有限公司 | 一种智能水利调度优化系统 |
CN117575297A (zh) * | 2024-01-16 | 2024-02-20 | 水利部水利水电规划设计总院 | 区域水网系统调水受水区供水水源组成的识别方法及系统 |
-
2024
- 2024-04-09 CN CN202410420921.7A patent/CN118037002B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015115675A1 (en) * | 2014-12-11 | 2015-08-06 | Suntory Holdings Limited | Assessment method of potential impacts on freshwater availability and program of the same |
KR102008962B1 (ko) * | 2018-03-07 | 2019-08-08 | 서울시립대학교 산학협력단 | 상수도시설의 최적 자산관리시스템 |
CN110619432A (zh) * | 2019-09-17 | 2019-12-27 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
CN110598352A (zh) * | 2019-09-24 | 2019-12-20 | 中国水利水电科学研究院 | 一种流域来水的预报方法 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及系统 |
CN111160430A (zh) * | 2019-12-19 | 2020-05-15 | 广东工业大学 | 一种基于人工智能算法的水资源优化配置方法 |
CN112633578A (zh) * | 2020-12-24 | 2021-04-09 | 国电电力发展股份有限公司和禹水电开发公司 | 一种引调水工程影响下梯级水库群优化调度方法 |
JP2023005281A (ja) * | 2021-06-28 | 2023-01-18 | 株式会社日立製作所 | 設計計画生成システム及び方法 |
CN114580793A (zh) * | 2022-05-05 | 2022-06-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源互补以及局部调控的水环境优化方法及系统 |
CN115187052A (zh) * | 2022-07-08 | 2022-10-14 | 中水三立数据技术股份有限公司 | 一种基于长距离管网输水调度的水量分配方法 |
CN117390477A (zh) * | 2023-09-04 | 2024-01-12 | 河海大学 | 一种智能分类的水文预报方法 |
CN117436727A (zh) * | 2023-12-18 | 2024-01-23 | 深圳中科超远科技有限公司 | 一种智能水利调度优化系统 |
CN117575297A (zh) * | 2024-01-16 | 2024-02-20 | 水利部水利水电规划设计总院 | 区域水网系统调水受水区供水水源组成的识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN118037002B (zh) | 2024-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tian et al. | Data driven parallel prediction of building energy consumption using generative adversarial nets | |
Du et al. | Deep learning with long short-term memory neural networks combining wavelet transform and principal component analysis for daily urban water demand forecasting | |
Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
Hakimi-Asiabar et al. | Deriving operating policies for multi-objective reservoir systems: application of self-learning genetic algorithm | |
CN116070971B (zh) | 河湖水系有序流动调控方法和系统 | |
Wei | A GA-weighted ANFIS model based on multiple stock market volatility causality for TAIEX forecasting | |
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 | |
CN116070886B (zh) | 水资源系统多维适应性调控方法及系统 | |
CN117035201B (zh) | 平原河网水工程集群多目标调度规则制定方法及系统 | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
CN112241607A (zh) | 一种基于仿真并考虑气候变化的水资源规划方法 | |
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. | Deep non-crossing probabilistic wind speed forecasting with multi-scale features | |
Zhu et al. | Stochastic multi-criteria decision making based on stepwise weight information for real-time reservoir operation | |
He et al. | A cooperative ensemble method for multistep wind speed probabilistic forecasting | |
Evsukoff et al. | Long-term runoff modeling using rainfall forecasts with application to the Iguaçu River Basin | |
CN117422165A (zh) | 一种基于低碳排放的城市输水系统水量预测方法及系统 | |
CN115271161A (zh) | 一种多能负荷短期预测方法 | |
Gwaivangmin et al. | Water demand prediction using artificial neural network for supervisory control | |
Peng et al. | Multi-objective optimization for flood interval prediction based on orthogonal chaotic NSGA-II and kernel extreme learning machine | |
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 | |
Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
Shiao et al. | Modeling and prediction of time-series-a case study with forex data | |
Guenoupkati et al. | Short-term electricity generation forecasting using machine learning algorithms: a case study of the Benin electricity community (CEB) | |
CN117874635A (zh) | 一种基于改进knn的多模型组合径流预报方法 |
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 |