CN116976529B - 基于供需预测动态校正的跨流域调水方法和系统 - Google Patents
基于供需预测动态校正的跨流域调水方法和系统 Download PDFInfo
- Publication number
- CN116976529B CN116976529B CN202311229714.5A CN202311229714A CN116976529B CN 116976529 B CN116976529 B CN 116976529B CN 202311229714 A CN202311229714 A CN 202311229714A CN 116976529 B CN116976529 B CN 116976529B
- Authority
- CN
- China
- Prior art keywords
- water
- water collecting
- collecting unit
- model
- demand
- 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 309
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012937 correction Methods 0.000 title claims abstract description 29
- 238000011160 research Methods 0.000 claims abstract description 60
- 239000008239 natural water Substances 0.000 claims abstract description 48
- 238000012216 screening Methods 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000004422 calculation algorithm Methods 0.000 claims description 37
- 230000008859 change Effects 0.000 claims description 31
- 230000035772 mutation Effects 0.000 claims description 30
- 238000005457 optimization Methods 0.000 claims description 22
- 230000002068 genetic effect Effects 0.000 claims description 13
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011161 development Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000009472 formulation Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 230000000739 chaotic effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 230000007480 spreading Effects 0.000 claims description 3
- 238000003892 spreading Methods 0.000 claims description 3
- 238000012800 visualization Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 2
- 238000003860 storage Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 10
- 239000013598 vector Substances 0.000 description 12
- 230000008569 process Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 4
- 230000006978 adaptation Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 239000008235 industrial water Substances 0.000 description 3
- 238000012546 transfer Methods 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008303 genetic mechanism Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
- 238000010200 validation analysis 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- G06Q10/06315—Needs-based resource requirements planning or 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Computational Mathematics (AREA)
- Algebra (AREA)
Abstract
本发明公开了一种供需预测及多点校正的跨流域调水方案制定方法及系统,构建研究区栅格流向矩阵,划分集水单元;选取研究区域内受变化环境影响小的天然集水单元率定模型参数,预测可供水量;筛选出关键驱动因子,构建需水预测模型;对需水量预测结果校正;优化调度模型构建与求解,优选并反演最优解,输出调水方案。本发明提高了制定跨流域调水方案的可靠性与调水效益。
Description
技术领域
本发明涉及跨流域调水方案制定方法,尤其是考虑提高供水量与需水量预测精准度的一种供需预测及多点校正的跨流域调水方案制定方法。
背景技术
跨流域调水是缓解水资源时空分布不均与日益增长的用水需求矛盾的有效手段,但是要制定合理的跨流域调水方案,就需要准确掌握可供水量和需水量。目前,对于可供水量和需水量的确定方法都存在一定的问题和缺陷。
对于可供水量,常用的方法有两种:一是选取丰、平、枯典型年的来水情况,制定相应的典型方案,供实际调水时参考;二是采用预报模型,预测来年的水资源情况。这两种方法都不能保证与实际情况完全吻合,因为水文情况具有随机性和不确定性,而且受到气候变化等因素的影响。特别是在平原水网区,由于地理特征复杂多变,常用的水文模型往往不能精确反映实际情况。具体而言,第一种方法是根据典型情况给出的方案,与实际情况相差较大,只能供实际调水参考;第二种方法实际上是利用水文模型预报第二年的水资源情况,准确与否取决于水文模型是否精准,目前常用的水文模型因为平原水网区的地理特征在调水区应用效果往往较差。
对于需水量,影响因子更加复杂难以准确预测,如人口、经济、社会、环境等。目前常使用的方法较为粗犷,是根据历史需水数据变化趋势外延获得未来的需水量,但这种方法忽略了需水结构和用水效率等因素的变化,常与实际情况有较大的出入。
因此,需要寻找更加科学合理的方法来确定可供水量和需水量。通过研究创新,解决现有技术存在的上述问题。
发明内容
发明目的,提供一种供需预测及多点校正的跨流域调水方案制定方法,以解决现有技术存在的上述问题。另一方面提供一种实现上述跨流域调水方案制定的系统。
技术方案,根据本申请的一个方面,基于供需预测动态校正的跨流域调水方法,包括如下步骤:
步骤S1、确定研究区域并栅格化,获取研究区域的研究数据,构建研究区域各栅格的流向矩阵,确定集水单元,并对集水单元进行划分和聚类;
步骤S2、针对每个集水单元,依序对其径流数据进行突变点检验,获得径流变化趋势和突变点的显著性水平数据并以此筛选出准天然集水单元;构建水文模型,并采用准天然集水单元的数据率定水文模型,采用率定后的水文模型预测可供水量,获得可供水量预测结果;
步骤S3、针对研究区域,筛选需水量的驱动因子并形成驱动因子集合,从驱动因子集合中筛选出关键驱动因子,构建需水预测模型,以关键驱动因子作为输入,预测研究区域的需水量,获得需水量预测结果;
步骤S4、构建自回归模型,以对需水量预测结果进行校正;
步骤S5、构建多目标优化调度模型并以研究数据、可供水量预测结果和需水量预测结果作为基础求解多目标优化调度模型,输出并优选调水方案。
根据本申请的一个方面,所述步骤S1进一步为:
步骤S11、确定跨流域调水系统涉及到的流域范围,形成研究区域并栅格化,提取研究区域的研究数据;所述研究数据包括DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据、人口密度数据、农业种植数据,以及社会经济发展数据;
步骤S12、从研究区域中提取土地类型为平原的栅格,形成平原栅格集合,按照预存储的方法对平原栅格进行编码,形成适用于平原水网区的包含多流向节点的栅格水网流向数据;
步骤S13、提取平原水网区的每一河流涉及的所有平原栅格,并从河流的下游往上游逐河段确认栅格流向;
步骤S14、提取平原水网区独立的集水单元并进行编码,所述独立集水单元包括
湖泊、水库、圩区和坡面;坡面集水单元的提取过程是通过遍历每条河段所在栅格,根据坡面栅格流向分别将汇入每条河段的栅格都按顺序标记为坡面集水单元的唯一标识编码,每个具有相同标识编码的栅格集合为一个集水单元;
步骤S16、构建各个集水单元之间拓扑关系;
步骤S17、逐一计算每个集水单元每个相邻栅格之间的欧式距离,设定聚类阈值,将集水单元聚类成若干个计算单元,每个计算单元包括至少一个集水单元。
根据本申请的一个方面,所述步骤S12还包括:
步骤S12a、基于编码后的平原栅格,构建平原栅格连通矩阵,查找具有两个以上流向的平原栅格,获取编码信息;
步骤S12b、针对每一平原栅格的每一流向,构建各个场景下的流向概率,形成流向概率集合。
根据本申请的一个方面,所述步骤S2进一步为:
步骤S21、采用MK趋势分析方法对各个集水单元出口径流数据进行趋势与突变点检验,获取趋势方向、大小和显著性水平,以及突变点及其显著性水平数据;
步骤S22、选取径流变化趋势的显著性水平小于阈值且突变点显著性水平小于阈值的集水区作为研究区域内受变化环境影响小的准天然集水单元,形成准天然集水单元集合;
步骤S23、构建水文模型,并逐一采用准天然集水单元的数据进行率定,获得率定后的参数;
步骤S24、计算其余的非天然集水单元与每一准天然集水单元的相似度,并降序排列,为每个非天然集水单元匹配一个相似度最大的准天然集水单元;
步骤S25、逐一将每个准天然集水单元率定好的参数展布至全流域其他与该准天然集水单元相似度最大的非天然集水单元中;
步骤S26、以计算单元为水文模型的水量平衡的最小计算单元,采用率定验证后的模型进行可供水量预测。
根据本申请的一个方面,步骤S22还包括:
判断是否存在径流变化趋势的显著性水平小于阈值且突变点显著性水平小于阈值的集水区,若存在,接着执行步骤S22至步骤S26,
若不存在,转至下述步骤:
步骤S27、构建径流变化趋势和突变点权重集,形成综合变化趋势判断模型,针对每一集水单元,通过综合变化趋势判断模型给出变化趋势综合得分,并升序排列;
步骤S28、取前K项综合变化趋势得分对应的集水单元,并逐一选取每个集水单元在时间上属于前期的研究数据,构建水文模型并采用属于前期的研究数据对水文模型进行率定,获得K个率定的水文模型;K为自然数;
步骤S29、采用K个率定的水文模型进行可供水量预测,并选出准确率最高的水文模型,基于该最优的水文模型进行可供水量预测。
根据本申请的一个方面,所述步骤S21进一步为:
步骤S21a、针对每一降水特征,分别采用MK趋势分析法和Sperman分析法计算统计量,判断是否存在趋势和突变点,并计算趋势的方向、大小、显著性水平,以及突变点的显著性水平;
步骤S21b、对MK趋势分析法和Sperman分析法的统计量进行相关性分析,判断相关性系数是否大于阈值,若大于阈值,则认定MK趋势分析法和Sperman分析法具有一致性;
步骤S21c、对MK趋势分析法和Sperman分析法的统计量进行现行回归分析,获得回归方程和回归系数;
基于回归方程和回归系数,计算MK~Sperman分析法的综合统计量,并计算趋势方向、大小和突变点;
或者,构建MK趋势分析法和Sperman分析法统计量权重集,计算新的统计量,计算趋势及其显著性。
根据本申请的一个方面,所述步骤S22进一步为:
步骤S22a、针对每一准天然集水区,通过拉丁超立方随机抽样法随机生成一组参数,代入水文模型中进行模拟,并比较模拟值与实测值的差异,优选参数范围;
步骤S22b、将不确定性因素反映在率定后的参数范围内,通过95PPU图实现可视化;
步骤S22c、将输出变量累积分布的2.5%和97.5%水平的两侧作为模拟效果极不理想的5%予以剔除;
步骤S22d、通过迭代运算,不断减小参数的不确定性范围,使模拟值不断与实测值相接近,直到模拟值与实测值相关系数大于阈值,且Nash Suttcliffe模型效率系数大于阈值为止。
根据本申请的一个方面,所述步骤S23进一步为:
步骤S23a、选取土地利用类型和土壤类型作为集水单元相似性指标,并进行归一化处理去除量纲不一致的影响;
步骤S23b、对于第K个非天然集水单元,基于相似性指标采用闵氏距离比较其与M个代表性水单元的相似程度;K,M为自然数;
步骤S23c、选取与其相似性最高的天然集水单元,将该天然集水单元对应的参数集扩展至第K个非天然集水单元;
步骤S23d、以此类推,完成全研究区域的参数展布。
根据本申请的一个方面,所述步骤S3进一步为:
步骤S31、从生活需水、生产需水和生态需水方面初选与需水量相关影响因子,形成需水量变化的驱动因子集合;
步骤S32、针对研究区内不同人口密度、农业种植和社会经济发展构建降水变化驱动因子筛选模型,对降水变化驱动因子进行二次筛选,获得各个降水变化阶段的关键驱动因子集。
步骤S33、以二次筛选出来的考虑人口密度、农业种植和社会经济发展空间差异的关键驱动因子,构建基于蚁群算法超参数优化的XGBoost模型,以关键驱动因子作为输入,需水量参数作为输出,对研究区域的需水量进行模拟。
根据本申请的一个方面,所述步骤S4进一步为:
步骤S41、根据集水单元需水量占研究区需水总量比例为权重,采用混沌映射以权重设置初始分布对集水单元进行有权重的随机抽样;
步骤S42、对抽取到的集水单元模拟需水量进行动态自适应自回归校正;
步骤S43、以抽取到的集水单元的校正量对该集水单元所在的一类集水单元进行校正。
根据本申请的一个方面,所述步骤S5进一步为:
步骤S51、以各集水单元缺水率最均匀和调水成本最低为目标函数,整个调水系统各个要素安全运行为约束条件,构建跨流域调水系统的多目标优化调度模型;
步骤S52、采用多种多目标遗传算法NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、ConstrainedNSGA-III、ENSGA-III和RVEA对构建起的多目标优化调度模型联合求解,获得非劣解集合;
步骤S53、采用理想点法、模糊优选法、模糊物元法对非劣解集联合决策,优选出跨流域调水系统的多目标优化调度模型最优解,以最优解反演跨流域调水方案,即获得最优跨流域调水方案。
根据本申请的另一个方面,一种供需预测及多点校正的跨流域调水方案制定系统,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技术方案所述的基于供需预测动态校正的跨流域调水方法。
有益效果包括,1. 采用供需预测及多点校正的跨流域调水方案制定方法,能够破解目前常用的来水典型年方案操作性不强的难题,同时研究区栅格流向矩阵的构建与对集水单元划分的优化破解了常用水文模型对调水区水文过程难以刻画的难题,提高了供水预测的精准性;2. 通过需水预测进行订正和优化,能够有效处理社会经济高速发展不确定因子繁多需水难以预测的问题,增强需水预测的鲁棒性;3. 通过供水和需水预测两方面的提升,制定的调水方案能够适应不同外界环境变化变化,提高调水方法的准确性、适应性和灵活性,提高调水方案的可靠性与调水效益。总之,本发明提出一种供需预测及多点校正的跨流域调水方法及系统,解决目前存在的上述问题,提高制定跨流域调水方案的可靠性与调水效益。
附图说明
图1是本发明的流程图。
图2是本发明步骤S1的流程图。
图3是本发明步骤S2的流程图。
图4是本发明步骤S3的流程图。
图5是本发明步骤S4的流程图。
图6是本发明步骤S5的流程图。
具体实施方式
如图1所示,提供一种供需预测及多点校正的跨流域调水方案制定方法,包括如下步骤:
步骤S1、确定研究区域并栅格化,获取研究区域的研究数据,构建研究区域各栅格的流向矩阵,划分集水单元;
研究区栅格流向矩阵的构建与对集水单元划分的优化破解了常用水文模型对调水区水文过程难以刻画的难题,提高了供水预测的精准性
步骤S2、依序对各个集水单元的径流数据进行突变点检验,获得径流变化趋势和突变点的显著性水平数据并以此筛选出准天然集水单元;构建水文模型,并采用准天然集水单元的数据率定水文模型,采用率定后的水文模型预测可供水量,获得可供水量预测结果;
步骤S3、针对研究区域,筛选需水量的驱动因子并形成驱动因子集合,从驱动因子集合中筛选出关键驱动因子,构建需水预测模型,以关键驱动因子作为输入,预测研究区域的需水量,获得需水量预测结果;
步骤S4、构建自回归模型,以对需水量预测结果进行校正;
步骤S5、构建多目标优化调度模型并以研究数据、可供水量预测结果和需水量预测结果作为基础求解多目标优化调度模型,输出并优选调水方案。
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、以跨流域调水系统涉及到的流域作为研究区,提取研究区域的DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据,按照数据库格式整理人口密度、农业种植、社会经济发展数据,形成研究区域的地势地形、地理要素、社会经济数据集;
步骤S12、提取研究区河流所在的栅格,对每个栅格相邻的8个栅格,从方向东开始依次采取二进制赋值编码,即东(1)、东南(2)、南(4)、西南(8)、西(16)、西北(32)、北(64)、东北(128),对于往复流或者交叉、分汊的情况采用二进制的“按位或”运算,如某栅格在不同的水位情况下存在东西向往复流则编码为17(东(1)、西(16)按位或运算),再如某栅格向东、东南、南方向分汊则编码为7(东(1)、东南(2)、南(4)按位或运算),因此栅格具有255个单/多流向编码,这255个编码对应了8个方向中任意个流向的组合,具备描述具有多条出流河段的节点流向的能力,因而适合用于平原水网区包含多流向节点的栅格水网流向表达;
在一些实施例中,所述步骤S12还包括:
步骤S12a、基于编码后的平原栅格,构建平原栅格连通矩阵,查找具有两个以上流向的平原栅格,获取编码信息;
步骤S12b、针对每一平原栅格的每一流向,构建各个场景下的流向概率,形成流向概率集合。
步骤S13、对于河流涉及的所有栅格的栅格流向从下游往上游逐河段进行确认;
步骤S14、对湖泊、水库、圩区和坡面集水单元这一类的独立的集水单元进行编码,编码由若干位数字组成(大于3位数且大于河段总数量,以保证不会和多流向编码值重复且足够存储所有集水单元),编码第一位是类型标识码,1代表坡面集水单元,2代表湖泊,3代表水库,4代表圩区,每个类型中剩余的几位数则从1开始对各个单元顺序编号;
目前国际上常用的水文模型对湖泊以及水库集水单元有简单概化描述但对平原河网中圩区这种特殊集水单元无法描述,在本实施例中采用二进制赋值编码对湖泊、水库、圩区和坡面集水单元进行编码,能够对上述集水单元进行精确描述;
步骤S15、坡面集水单元的提取是通过遍历每条河段所在栅格,根据坡面栅格流向分别将汇入每条河段的栅格都按顺序标记为坡面集水单元的唯一标识编码,每个具有相同标识编码的栅格集合即为一个集水单元;
步骤S16、构建集水单元之间拓扑关系;
步骤S17、计算每个集水区每个相邻栅格之间的弗雷歇距离,设定聚类阈值,划分计算单元,用于后续水文计算步骤。
根据本申请的一个方面,所述步骤S11进一步为:
步骤S11a、基于DEM栅格数据,计算每一栅格的平均坡向与平均坡度并储存,根据平均坡向获得初始的栅格流向;
步骤S11b、基于土壤类型栅格数据,计算每一栅格的土壤类型并储存;
步骤S11c、基于土地利用类型栅格数据,计算每一栅格的土地利用类型并储存。
根据本申请的一个方面,所述步骤S13进一步为:
步骤S13a、流域出口所在栅格的流向编码定义为0;
步骤S13b、沿着每条河段所在栅格,从其下游端点开始往上游逐个栅格定义,赋予单流向编码,使每个栅格都流向相邻的下游栅格;
步骤S13c、若遇到河段上游端点所在栅格流向已经赋值的情况,说明该栅格是多流向栅格,则采用多流向编码方法,将该棚格当前需要指定的流向编码和已定义的流向编码进行“按位或”运算得到多流向编码,并将该多流向编码替换已有的流向编码。
根据本申请的一个方面,所述步骤S15进一步为:
步骤S15a、从每一条河段下游端点所在栅格开始,将其标记为唯一标识编码;
步骤S15b、往上游逐栅格搜索,将汇流路径到达该栅格的栅格都标记为同一个唯一标识编码(遇到河段连接节点、湖泊出入口节点、水库出入口节点、水文站点或另一条河段所在栅格则不标记)。
步骤S15c、叠加上已有唯一标识编码的湖泊、水库和圩区栅格单元,通过搜索不同标识编码的栅格集合边界生成矢量结构的集水单元文件,划分集水单元共计N个。
根据本申请的一个方面,所述步骤S16进一步为:
步骤S16a、根据河流流向定义每个河流节点的上、下游节点
步骤S16b、从河流源节点开始搜索其下游节点对应的集水单元,记录对应的下游集水单元编码,直到搜索完所有河流节点为止,即完成了所有集水单元之间上下游拓扑关系的建立,并且每个集水单元可存储多个上游集水单元和下游集水单元,能满足平原河网区汇流或分流河网结构下的集水单元拓扑关系表达的要求。
根据本申请的一个方面,所述步骤S17进一步为:
步骤S17a、以土壤类型、土地利用类型、坡度为三维坐标,计算每个集水区每个相邻栅格之间的弗雷歇距离(Fréchet distance);
步骤S17b、设定聚类阈值,每个集水区内,将小于该阈值的相邻栅格视为具有同样的土壤类型、土地利用类型、坡度属性,将这些栅格栅格合并作为一个计算单元,并标注其土壤类型、土地利用类型、坡度属性值。
在本实施例中使用弗雷歇距离算法对集水单元进行聚类,设定聚类阈值,划分计算单元,相对与其他常用的聚类方法,弗雷歇距离对空间时序的曲线相似度评估具有准确率高、速度快、适应性强、鲁棒性好的优点。
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、采用MK~Sperman趋势分析方法对各个集水单元出口径流数据进行趋势与突变点检验,获取趋势方向、大小、显著性水平和突变点及其显著性水平数据;
步骤S22、选取径流变化趋势显著性水平小于0.2且突变点显著性水平小于0.2的集水区作为研究区域内受变化环境影响小的准天然区域,率定天然区域参数;
步骤S23、将M套天然集水单元率定好的参数展布至全流域其他N-M个集水单元;
步骤S24、以计算单元为水文模型的水量平衡的最小计算单元,采用率定验证后的模型进行可供水量预测。
根据本申请的一个方面,所述步骤S21进一步为:
步骤S21a、针对每一降水特征,分别采用MK趋势分析法和Sperman分析法计算统计量,判断是否存在趋势和突变点,并计算趋势的方向、大小、显著性水平和突变点的显著性水平;
步骤S21b、对MK趋势分析法和Sperman分析法的统计量进行相关性分析,判断相关性系数是否大于阈值,若大于阈值,则判断MK趋势分析法和Sperman分析法具有一致性;
步骤S21c、对MK趋势分析法和Sperman分析法的统计量进行现行回归分析,获得回归方程和回归系数;基于回归方程和回归系数,计算MK~Sperman分析法的综合统计量,并计算趋势方向、大小和突变点;或者,构建MK趋势分析法和Sperman分析法统计量权重集,计算新的统计量,计算趋势及其显著性。
根据本申请的一个方面,所述步骤S22进一步为:
步骤S22a、针对每一天然集水区,通过拉丁超立方随机抽样法(Latin-Hypercubesimulations)随机生成一组参数,代入水文模型中进行模拟,并比较模拟值与实测值的差异,优选参数范围;
步骤S22b、将各类不确定性因素反映在率定后的参数范围内,通过95PPU(95%prediction uncertainty)图实现可视化;
步骤S22c、将输出变量累积分布的2.5%和97.5%水平的两侧作为模拟效果极不理想的5%予以剔除;
步骤S22d、通过多次迭代运算,不断减小参数的不确定性范围,使模拟值不断与实测值相接近,直到模拟值与实测值相关系数大于0.8,且Nash Suttcliffe模型效率系数大于0.7为止。
在进一步的实施例中,步骤S22还包括:
判断是否存在径流变化趋势的显著性水平小于阈值且突变点显著性水平小于阈值的集水区,若存在,接着执行步骤S22至步骤S26,
若不存在,转至下述步骤:
步骤S27、构建径流变化趋势和突变点权重集,形成综合变化趋势判断模型,针对每一集水单元,通过综合变化趋势判断模型给出变化趋势综合得分,并升序排列;
步骤S28、取前K项综合变化趋势得分对应的集水单元,并逐一选取每个集水单元在时间上属于前期的研究数据,构建水文模型并采用属于前期的研究数据对水文模型进行率定,获得K个率定的水文模型;K为自然数;
步骤S29、采用K个率定的水文模型进行可供水量预测,并选出准确率最高的水文模型,基于该最优的水文模型进行可供水量预测。
在本实施例中对各个集水区出口径流数据进行检验时对于其是否有显著变化进行判断并对其是否受到人类活动影响所造成结果误差进行分析,在排除受影响区域后率定天然区域参数,相对于现有率定参数方法而言,能够更加精确地选定天然区域,避免异参同效。
根据本申请的一个方面,所述步骤S23进一步为:
步骤S23a、选取土地利用类型和土壤类型作为集水单元相似性指标,并进行归一化处理去除量纲不一致的影响;
步骤S23b、对于第K个非天然集水单元,基于相似性指标采用弗雷歇距离比较其与M个代表性水单元的相似程度;
步骤S23c、选取与其相似性最高的天然集水单元,将该天然集水单元对应的参数集扩展至第K个非天然集水单元;
步骤S23d、以此类推,完成全研究区参数展布。
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、从生活需水、生产需水、生态需水方面初选与需水量相关影响因子,形成需水量变化的驱动因子集合;
生活用水包括城镇用水和农村用水,根据具体位置定额不同;生产用水包括第一产业用水、第二产业用水以及第三产业用水,根据GDP产值来分配用水额;生态用水一般是给定一个最低值,但近年来随着环境保护越来越受重视,这一部分的配水额度也在逐年增加。
步骤S32、针对研究区内不同人口密度、农业种植、社会经济发展构建降水变化驱动因子筛选模型,对降水变化驱动因子进行二次筛选,获得各个降水变化阶段的关键驱动因子集。
步骤S33、以二次筛选出来的考虑人口密度、农业种植、社会经济发展空间差异的关键驱动因子,构建基于蚁群算法(ACA)超参数优化的XGBoost模型,以关键驱动因子作为输入,需水量参数作为输出,对研究区域的需水量进行模拟。
超参数优化目的是寻找使算法在验证集上表现性能最佳的超参数组合。超参数与一般模型参数不同,需在模型训练前设置,如模型学习率、SVM的惩罚系数及ANN的层数等,在本实施例中使用蚁群算法(ACA)对XGBoost机器学习算法进行超参数优化。其计算流程如下:
1.获取校正数据点集,并将数据集分为训练集和测试集;
2.设定SVR待优化超参数范围;
3.对训练集进行多次贝叶斯寻优;
4.交叉验证结果平均值最优所对应的参数即为最佳参数;
5.利用最佳参数训练SVR校正模型;
6.检验模型泛化能力,对预测结果进行评价。
机器学习算法在处理大数据集方面表现出卓越的性能,但几乎所有机器学习模型中均包含多个超参数这些超参数对算法效果影响很大。因此,机器学习模型中超参数的设定至关重要,直接影响到机器学习模型的模拟效果及泛化能力。
根据本申请的一个方面,所述步骤S32进一步为:
步骤S32a、将以行政区为单位划分的需水驱动因子按照面积比拟法换算到集水单元;
步骤S32b、构建基于蚁群算法(ACA)超参数优化的XGBoost模型,以需水变化驱动因子作为输入,需水量参数作为输出,对每个集水单元的需水量进行模拟;
步骤S32c、通过计算获得需水量变化驱动因子的重要度和敏感度数据,并构建需水变化驱动因子筛选的综合判别准则,获得每个集水单元需水变化驱动的敏感因子;
步骤S32d、以人口密度、农业种植、社会经济发展为特征因子对集水单元进行相似性分析与聚类分析,将特征相似的集水单元归纳为一类,对每类集水单元分别筛选至少部分敏感因子作为关键驱动因子。
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、根据集水单元需水量占研究区需水总量比例为权重,采用混沌映射以权重设置初始分布对集水单元进行有权重的随机抽样;
步骤S42、对抽取到的集水单元模拟需水量进行动态自适应自回归校正;
步骤S43、以抽取到的集水单元的校正量对该集水单元所在的一类集水单元进行校正。
根据本申请的一个方面,所述步骤S42进一步为:
步骤S42a、重复抽样,计算抽取到的集水单元的误差,得到样本库;
步骤S42b、采用最小信息准则(Akaike Information Criterion,AIC)、贝叶斯信息量(Bayesian Information Criterion,BIC)、最终预报误差准则(Final PredictionError,FPE)三种方法对自回归模型定阶,交叉验证。自回归模型阶数太小,模拟效果和稳定性不佳;阶数太大,模型计算量呈平方递增,并可能导致过拟合现象发生。因此选择合适的阶数至关重要。
步骤S42c、根据建立好的样本库和最优阶数,构建自回归模型,按照时间顺序建立误差系列之间的线性回归函数关系;
步骤S43c、采用步骤S22相同的步骤率定回归系数;
步骤S43d、计算下一预测时刻模型预测的误差,以计算误差的相反数作为预测值的校正值。
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、以各集水单元缺水率最均匀、调水成本最低为目标函数,整个调水系统各个要素安全运行为约束条件,构建跨流域调水系统的多目标优化调度模型;
步骤S52、采用多种多目标遗传算法NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、ConstrainedNSGA-III、ENSGA-III、RVEA对构建起的多目标优化调度模型联合求解,获得非劣解集合;
GA是一种借鉴生物学中的自然选择和遗传机制寻找优化解的算法,在收敛速度、解集空间的多样性和寻优能力等方面优于线性规划、非线性规划和随机动态规划等传统数学优化算法,是第一个应用于优化操作领域的进化算法。第一代遗传算法是矢量评价遗传算法(VEGA),它针对不同的目标对每个子群进行评价,使遗传算法首次应用于多目标优化问题。然而,VEGA容易收敛于对某一目标特别好但对其他目标很差的解决方案。此后,学者们针对适配度分配过程、精英化和种群多样化机制以及收敛性开发了大量的多目标遗传算法(MOGA),如NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、Constrained NSGA-III、ENSGA-III、RVEA等。
NSGA-Ⅲ算法是在在NSGA-Ⅱ算法基础上,引入参考点方法,增强种群的多样性,克服了上一代算法拥挤距离不适用于高维空间的缺点,使算法在高维优化问题具有较好的表现。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算法是多目标遗传算法中最现代的算法,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是一个基于参考向量的算法,类似NSGA-Ⅲ算法,由Cheng等[40]于2016年提出,其原理是基于分解的方法,如MOEA/D。参考向量不仅可以将多目标问题分解成单目标子问题,还可以考虑用户偏好进行帕累托前沿区域目标搜索。该算法的三个主要组成部分为子代生成、参考向量引导选择和参考向量适应,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。
作为多目标遗传算法中最现代的算法,其参考向量自适应策略在处理目标函数没有标准化的优化问题时表现出很高的效率,且能表达用户偏好。
在本实施例中采用多种多目标遗传算法对构建的多目标优化调度模型求解,不同的算法得到不同的解集在不同应用情景下优势不同,因此选择多种遗传算法对多目标优化调度模型进行联合求解,相对于单一算法而言能够得到更加全面的非劣解集合。
步骤S53、采用理想点法、模糊优选法、模糊物元法对非劣解集联合决策,优选出跨流域调水系统的多目标优化调度模型最优解,以最优解反演跨流域调水方案,即可得到最优跨流域调水方案。
理想点法(TOPSIS)又称优劣解距离法,该方法根据指标的性质和决策矩阵,分别确定一组最优的正理想方案和一组最劣的负理想方案,然后通过比较各方案距正、负理想方案的欧式距离来评判方案的优劣程度,据此实现多方案优选,理想点法具有计算简便、易于理解、实用性和可操作性强等优势,理想点法的特点在于其同时考虑了各候选方案与正、负理想点之间的距离,使得方案之间具有更高的辨识度;
模糊优选法是基于模糊集理论提出的一种多属性决策方法。该方法认为‘优’与‘劣’这一对立概念的划分在方案决策过程中并不存在绝对清晰的界限,具有中间过渡性,即客观存在的模糊性,其基本思想是通过相对隶属度和目标函数的极小化来确定各方案对优的隶属度,据此实现方案排序;
物元分析法是研究物元和求解不相容问题的一种方法,其理论框架由研究物元及其变化的物元理论和建立在可拓集合基础上的数学工具两个部分组成,主要思想是将解决问题的过程形式化,从而建立起相应的物元模型。模糊物元法是基于物元分析理论的一种多属性决策方法,该方法将模糊集理论与物元分析理论相结合,在物元分析的基础上还考虑了研究对象的模糊特性;
在本实施例中采用以上三种方法对上一步骤得出的非劣解集进行联合决策,更加全面地优选出跨流域调水系统的多目标优化调度模型的最优解,再以最优解去反演跨流域调水方案最后得到最优跨流域调水方案。
在一些实施例中,为了提高预测的准确性和可靠性,采用多源数据融合的方式来进行数据采集。
具体包括:收集观测数据,包括卫星观测、地面测量或区域气候模型,并对其进行预处理以确保其质量和一致性;采用卡尔曼滤波器、集成卡尔曼滤波器或粒子滤波器,将观测数据与水文模型输出相结合,并更新水文模型的初始条件和参数。运行更新后的水文模型生成新的预报结果,并使用均方根误差、平均绝对误差或相关系数等验证方法评估其准确性和可靠性。
在一些实施例中,对于方案优选还可以采用如下方法:
识别并量化评价不同流域调水方案绩效的标准和指标,如供水可靠性、调水成本、水质保护、生态保护和社会公平;采用层次分析法、熵值法或模糊综合评价等方法,根据各标准和指标的相对重要性或偏好程度,赋予其权重;采用TOPSIS、ELECTRE或PROMETHEE等多准则决策分析算法,根据各准则和指标的得分对跨流域调水方案进行排序;根据排名结果并考虑可行性、鲁棒性或利益相关者参与等其他因素,选择最佳的跨流域调水方案。
在步骤S5中,还可以采用博弈模型来进行方案优选,具体如下:
定义跨流域调水的参与者(利益相关者)、他们的策略(调水方案)、他们的收益(收益或成本)以及他们的信息(偏好或信念);
构建博弈模型来表征跨流域调水过程中各参与者之间的策略互动和冲突;
利用博弈论方法(如纳什均衡、子博弈完美均衡或进化稳定策略)求解博弈模型,找到跨流域调水各参与者的最优或均衡策略;
分析跨流域调水各参与者的最优或均衡策略的属性和含义,如效率、稳定性、公平性。
在步骤S1a中,可以将DEM网格数据与遥感影像相结合,以提高土地类型平原网格的精度和分辨率。
在步骤S3a中,可以使用坡度、坡向或植被覆盖度作为相似性指标,以更全面地反映流域单元的水文特征。
在步骤S4b中,以采用人工神经网络、支持向量机、随机森林等机器学习方法,根据历史数据对模拟需水量进行校正。
根据本申请的另一个方面,提供一种供需预测及多点校正的跨流域调水方案制定系统,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一种供需预测及多点校正的跨流域调水方案制定方法。
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.基于供需预测动态校正的跨流域调水方法,其特征在于,包括如下步骤:
步骤S1、确定研究区域并栅格化,获取研究区域的研究数据,构建研究区域各栅格的流向矩阵,确定集水单元,并对集水单元进行划分和聚类;
步骤S2、针对每个集水单元,依序对其径流数据进行突变点检验,获得径流变化趋势和突变点的显著性水平数据并以此筛选出准天然集水单元;构建水文模型,并采用准天然集水单元的数据率定水文模型,采用率定后的水文模型预测可供水量,获得可供水量预测结果;
步骤S3、针对研究区域,筛选需水量的驱动因子并形成驱动因子集合,从驱动因子集合中筛选出关键驱动因子,构建需水预测模型,以关键驱动因子作为输入,预测研究区域的需水量,获得需水量预测结果;
步骤S4、构建自回归模型,以对需水量预测结果进行校正;
步骤S5、构建多目标优化调度模型并以研究数据、可供水量预测结果和需水量预测结果作为基础求解多目标优化调度模型,输出调水方案;
所述步骤S1进一步为:
步骤S11、确定跨流域调水系统涉及到的流域范围,形成研究区域并栅格化,提取研究区域的研究数据;所述研究数据包括DEM栅格数据、土壤类型栅格数据、土地利用类型栅格数据、人口密度数据、农业种植数据,以及社会经济发展数据;
步骤S12、从研究区域中提取土地类型为平原的栅格,形成平原栅格集合,按照预存储的方法对平原栅格进行编码,形成适用于平原水网区的包含多流向节点的栅格水网流向数据;
步骤S13、提取平原水网区的每一河流涉及的所有平原栅格,并从河流的下游往上游逐河段确认栅格流向;
步骤S14、提取平原水网区独立的集水单元并进行编码,所述独立集水单元包括
湖泊、水库、圩区和坡面;坡面集水单元的提取过程是通过遍历每条河段所在栅格,根据坡面栅格流向分别将汇入每条河段的栅格都按顺序标记为坡面集水单元的唯一标识编码,每个具有相同标识编码的栅格集合为一个集水单元;
步骤S15、构建各个集水单元之间拓扑关系;
步骤S16、逐一计算每个集水单元每个相邻栅格之间的欧式距离,设定聚类阈值,将集水单元聚类成若干个计算单元,每个计算单元包括至少一个集水单元;
所述步骤S2进一步为:
步骤S21、采用MK趋势分析方法对各个集水单元出口径流数据进行趋势与突变点检验,获取趋势方向、大小和显著性水平,以及突变点及其显著性水平数据;
步骤S22、选取径流变化趋势的显著性水平小于阈值且突变点显著性水平小于阈值的集水区作为研究区域内受变化环境影响小的准天然集水单元,形成准天然集水单元集合;
步骤S23、构建水文模型,并逐一采用准天然集水单元的数据进行率定,获得率定后的参数;
步骤S24、计算其余的非天然集水单元与每一准天然集水单元的相似度,并降序排列,为每个非天然集水单元匹配一个相似度最大的准天然集水单元;
步骤S25、逐一将每个准天然集水单元率定好的参数展布至全流域其他与该准天然集水单元相似度最大的非天然集水单元中;
步骤S26、以计算单元为水文模型的水量平衡的最小计算单元,采用率定验证后的模型进行可供水量预测;
所述步骤S3进一步为:
步骤S31、从生活需水、生产需水和生态需水方面初选与需水量相关影响因子,形成需水量变化的驱动因子集合;
步骤S32、针对研究区内不同人口密度、农业种植和社会经济发展构建降水变化驱动因子筛选模型,对降水变化驱动因子进行二次筛选,获得各个降水变化阶段的关键驱动因子集;
步骤S33、以二次筛选出来的考虑人口密度、农业种植和社会经济发展空间差异的关键驱动因子,构建基于蚁群算法超参数优化的XGBoost模型,以关键驱动因子作为输入,需水量参数作为输出,对研究区域的需水量进行模拟;
所述步骤S4进一步为:
步骤S41、根据集水单元需水量占研究区需水总量比例为权重,采用混沌映射以权重设置初始分布对集水单元进行有权重的随机抽样;
步骤S42、对抽取到的集水单元模拟需水量进行动态自适应自回归校正;
步骤S43、以抽取到的集水单元的校正量对该集水单元所在的一类集水单元进行校正;
所述步骤S5进一步为:
步骤S51、以各集水单元缺水率最均匀和调水成本最低为目标函数,整个调水系统各个要素安全运行为约束条件,构建跨流域调水系统的多目标优化调度模型;
步骤S52、采用多种多目标遗传算法NSGA-Ⅱ、SVR-NSGA-II、NSGA-Ⅱ、ConstrainedNSGA-III、ENSGA-III和RVEA对构建起的多目标优化调度模型联合求解,获得非劣解集合;
步骤S53、采用理想点法、模糊优选法、模糊物元法对非劣解集联合决策,筛选出跨流域调水系统的多目标优化调度模型最优解,以最优解反演跨流域调水方案,即获得最优跨流域调水方案。
2.如权利要求1所述的基于供需预测动态校正的跨流域调水方法,其特征在于,所述步骤S21进一步为:
步骤S21a、针对每一降水特征,分别采用MK趋势分析法和Sperman分析法计算统计量,判断是否存在趋势和突变点,并计算趋势的方向、大小、显著性水平,以及突变点的显著性水平;
步骤S21b、对MK趋势分析法和Sperman分析法的统计量进行相关性分析,判断相关性系数是否大于阈值,若大于阈值,则认定MK趋势分析法和Sperman分析法具有一致性;
步骤S21c、对MK趋势分析法和Sperman分析法的统计量进行现行回归分析,获得回归方程和回归系数;
基于回归方程和回归系数,计算MK~Sperman分析法的综合统计量,并计算趋势方向、大小和突变点;
或者,构建MK趋势分析法和Sperman分析法统计量权重集,计算新的统计量,计算趋势及其显著性。
3.如权利要求2所述的基于供需预测动态校正的跨流域调水方法,其特征在于,所述步骤S22进一步为:
步骤S22a、针对每一准天然集水区,通过拉丁超立方随机抽样法随机生成一组参数,代入水文模型中进行模拟,并比较模拟值与实测值的差异,选出最优的参数范围;
步骤S22b、将不确定性因素反映在率定后的参数范围内,通过95PPU图实现可视化;
步骤S22c、将输出变量累积分布的2.5%和97.5%水平的两侧作为模拟效果极不理想的5%予以剔除;
步骤S22d、通过迭代运算,不断减小参数的不确定性范围,使模拟值不断与实测值相接近,直到模拟值与实测值相关系数大于阈值,且Nash Suttcliffe模型效率系数大于阈值为止。
4.如权利要求3所述的基于供需预测动态校正的跨流域调水方法,其特征在于,所述步骤S23进一步为:
步骤S23a、选取土地利用类型和土壤类型作为集水单元相似性指标,并进行归一化处理去除量纲不一致的影响;
步骤S23b、对于第K个非天然集水单元,基于相似性指标采用闵氏距离比较其与M个代表性水单元的相似程度;K,M为自然数;
步骤S23c、选取与其相似性最高的天然集水单元,将该天然集水单元对应的参数集扩展至第K个非天然集水单元;
步骤S23d、以此类推,完成全研究区域的参数展布。
5. 一种供需预测及多点校正的跨流域调水方案制定系统,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任一项所述的基于供需预测动态校正的跨流域调水方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229714.5A CN116976529B (zh) | 2023-09-22 | 2023-09-22 | 基于供需预测动态校正的跨流域调水方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311229714.5A CN116976529B (zh) | 2023-09-22 | 2023-09-22 | 基于供需预测动态校正的跨流域调水方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116976529A CN116976529A (zh) | 2023-10-31 |
CN116976529B true CN116976529B (zh) | 2023-12-26 |
Family
ID=88477061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311229714.5A Active CN116976529B (zh) | 2023-09-22 | 2023-09-22 | 基于供需预测动态校正的跨流域调水方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116976529B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094516B (zh) * | 2023-08-24 | 2024-02-23 | 中国水利水电科学研究院 | 一种基于固定效应模型的城市群月生活需水量预测方法 |
CN117709197B (zh) * | 2023-12-18 | 2024-08-20 | 中节能数字科技有限公司 | 流域水质污染物扩散模型参数智能率定方法、设备及介质 |
CN117592758B (zh) * | 2024-01-16 | 2024-04-12 | 陕西省水利电力勘测设计研究院 | 一种多个跨流域调水格局的联合调度方法 |
CN118153734B (zh) * | 2024-01-19 | 2024-09-06 | 水利部水利水电规划设计总院 | 水网调蓄工程群多目标优化调度规则提取方法 |
CN118627858A (zh) * | 2024-08-09 | 2024-09-10 | 浙江中控信息产业股份有限公司 | 一种供水系统的多水源协同调度系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548546A (zh) * | 2022-02-18 | 2022-05-27 | 郑州大学 | 一种调水工程水量的优化调度方法 |
CN115907436A (zh) * | 2023-01-10 | 2023-04-04 | 河海大学 | 基于量质耦合预报的水资源水环境调控方法和系统 |
CN116070886A (zh) * | 2023-04-04 | 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 | 水资源系统多维适应性调控方法及系统 |
CN116485584A (zh) * | 2023-06-21 | 2023-07-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区大底坡河流wee协同调控方法及系统 |
CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
-
2023
- 2023-09-22 CN CN202311229714.5A patent/CN116976529B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548546A (zh) * | 2022-02-18 | 2022-05-27 | 郑州大学 | 一种调水工程水量的优化调度方法 |
CN115907436A (zh) * | 2023-01-10 | 2023-04-04 | 河海大学 | 基于量质耦合预报的水资源水环境调控方法和系统 |
CN116070886A (zh) * | 2023-04-04 | 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 | 水资源系统多维适应性调控方法及系统 |
CN116485584A (zh) * | 2023-06-21 | 2023-07-25 | 水利部交通运输部国家能源局南京水利科学研究院 | 高寒区大底坡河流wee协同调控方法及系统 |
CN116630122A (zh) * | 2023-07-24 | 2023-08-22 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于水文-生态响应关系的湖泊生态水力调控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116976529A (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
Behera et al. | Prediction based mean-value-at-risk portfolio optimization using machine learning regression algorithms for multi-national stock markets | |
Beh et al. | Robust optimization of water infrastructure planning under deep uncertainty using metamodels | |
CN113705877B (zh) | 基于深度学习模型的实时月径流预报方法 | |
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 | |
Wang et al. | Enhancing robustness of monthly streamflow forecasting model using embedded-feature selection algorithm based on improved gray wolf optimizer | |
CN109214503B (zh) | 基于kpca-la-rbm的输变电工程造价预测方法 | |
Shu et al. | Homogeneous pooling group delineation for flood frequency analysis using a fuzzy expert system with genetic enhancement | |
CN112418491B (zh) | 一种水库剩余拦沙库容动态配置方法 | |
CN110276700A (zh) | 水资源优化配置方法、装置、设备及存储介质 | |
CN116415742B (zh) | 风光水电系统两阶段随机多属性决策方法及系统 | |
CN113033081A (zh) | 一种基于som-bpnn模型的径流模拟方法及系统 | |
Wątróbski et al. | New multi-criteria method for evaluation of sustainable RES management | |
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 | |
CN117808214A (zh) | 水利工程数据分析系统 | |
CN118469157A (zh) | 基于大数据分析的河流综合管理系统 | |
Tang et al. | Leveraging socioeconomic information and deep learning for residential load pattern prediction | |
Feng | Machine Learning-Based Renewable and Load Forecasting in Power and Energy Systems | |
Fortuna et al. | One day ahead prediction of wind speed class by statistical models | |
Wang et al. | Research on House Price Forecast Based on Hyper Parameter Optimization Gradient Boosting Regression Model | |
CN118153734B (zh) | 水网调蓄工程群多目标优化调度规则提取方法 | |
CN118691060B (zh) | 区域水资源配置与调度系统动态建模方法及系统 | |
CN118014325B (zh) | 水网系统中调蓄工程调度规则提取方法及系统 | |
Wan et al. | An estimation framework for economic cost of land use based on artificial neural networks and principal component analysis with R | |
Peacock | A value-function based method for incorporating ensemble forecasts in real-time optimal reservoir operations |
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 |