CN110991687A - 一种基于经验模型的水资源调度优化方法 - Google Patents
一种基于经验模型的水资源调度优化方法 Download PDFInfo
- Publication number
- CN110991687A CN110991687A CN201910918899.8A CN201910918899A CN110991687A CN 110991687 A CN110991687 A CN 110991687A CN 201910918899 A CN201910918899 A CN 201910918899A CN 110991687 A CN110991687 A CN 110991687A
- Authority
- CN
- China
- Prior art keywords
- water
- reservoir
- water resource
- resource scheduling
- empirical model
- 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 303
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 9
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000007405 data analysis Methods 0.000 claims abstract description 3
- 238000001704 evaporation Methods 0.000 claims description 12
- 230000006378 damage Effects 0.000 claims description 10
- 238000005086 pumping Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000008020 evaporation Effects 0.000 claims description 3
- 239000012530 fluid Substances 0.000 claims description 3
- 230000002265 prevention Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 4
- 238000013468 resource allocation Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method 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
- 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
- G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
-
- 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
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种基于经验模型的水资源调度优化方法,包括以下步骤:S1:根据复杂网络拓扑结构动态组合技术将供水网络中的调度对象及其对应关系进一步概化为点、线、面的基本结图元构成的有向图;S2:对联网水厂的需水量进行预测,预测结果将作为制定水资源调度方案的边界条件;S3:通过历史数据分析获取水厂的需水特征时段,并使用LSTM‑RNN深度学习技术处理数据得到预测经验模型;该基于经验模型的水资源调度优化方法用以解决各用水部分在水资源短缺情况下的用水矛盾问题,以及现有技术中信息技术应用不充分、计算结果难以辅助水资源调度工作的问题。可极大程度上提高水资源调度的合理性和对调度业务的广泛应用性。
Description
技术领域
本发明涉及一种基于经验模型的水资源调度优化方法。
背景技术
随着中国社会经济的快速发展和城市化进程的加快,一些区域特别是城市的水资源供需矛盾更加突出。水资源配置是人类对水资源进行可持续开发利用的有效调控措施之一,能够促进水资源的合理利用,提高水资源利用效率,缓解流域或区域内水的供需矛盾,缓和生活、生产与生态用水之间的竞争态势,促进经济社会和生态环境之间协调发展。因此,建立一套适合区域经济可持续发展的水资源配置理论、技术及管理方法尤为重要。
为响应国家水利部信息化的工作指导方针,各水利部门正加大力度建设水利信息化***,已建的关于水资源信息利用部分在一下方面存在严重不足:
对信息技术在水资源业务应用的研究不充分,大多数水资源业务的数学模型还难以真正支持调度工程师进行调度工作。
水资源配置模型未能反映来水和蓄水的周期性规律影响,结果精度难以达到实际应用的要求。水资源配置面对的是将来的问题,来水和蓄水的不确定性是客观存在的,确定型方法的计算结果往往偏理想化,不可避免的与实际调度结果存在较大偏差。
上述缺点使得水资源调度配置信息化的应用比较差,没有信息化的技术手段的支撑,水资源的合理利用就难以实现
发明内容
本发明要解决的技术问题是提供一种用以解决各用水部分在水资源短缺情况下的用水矛盾问题,以及现有技术中信息技术应用不充分、计算结果难以辅助水资源调度工作的问题。可极大程度上提高水资源调度的合理性和对调度业务的广泛应用性的基于经验模型的水资源调度优化方法。
为解决上述问题,本发明采用如下技术方案:
一种基于经验模型的水资源调度优化方法,包括以下步骤:
S1:对供水网络进行概化,使其简洁明了的表达供水关系,并根据复杂网络拓扑结构动态组合技术将供水网络中的调度对象及其对应关系进一步概化为点、线、面的基本结图元构成的有向图;
S2:对联网水厂的需水量进行预测,预测结果将作为制定水资源调度方案的边界条件;
S3:水厂需水量与所在地的经济增长速度有较强的相关关系,采用通过历史数据分析来获取水厂的需水特征时段,并利用使用LSTM-RNN深度学习技术来处理数据得到经验模型;
S4:对水库自产水进行预测;
S5:通过水厂需水量预测和水库自产水预测预计上游来水过程以及水库当前的运行状态,用水量平衡可模拟出水库在未来时间段内的水位库容变化过程;
S6:计算出合理的调度方案是调整调度计划的依据。
作为优选,所述步骤S4对水库自产水进行预测的方法为:结合水文气象因素,在经验模型中引入降雨产生的水量因子,将预报降雨过程换算成自产水量,参与经验模型计算。通过从中国气象网站上获取未来时间段的降雨预报,结合降雨与径流系数可计算出水库的自产水量:
W自=P·F·α
其中,α为降雨径流转换系数,P为降雨量,F为集雨面积。
作为优选,所述步骤S5中用水量平衡可模拟出水库在未来时间段内的水位库容变化过程,当水库库容预测值不在水库供水安全或者防汛安全范围内运行时,***给出预警提醒。
作为优选,所述水库库容预测值根据公式
Vi+W引+W自产-W供-W蒸发-W渗漏=Vi+1;
将上式计算得到的未来时间段内的水库库容预测值与水库安全运行范围比较,当预测值不在安全范围内时说明供水调度可能发生供水安全破坏事件,需要调整调度计划。
作为优选,所述调度方案利用多目标调度模型来计算,以供水破坏深度最小、水资源单位预算与实际差额最小为目标函数,以水库水量平衡、水厂水量平衡、取水口水量平衡、泵站闸门设计规模约束和水库运行范围约束为主要约束条件,采用动态规划方法求解得出调度方案。
作为优选,所述目标函数为:
其中,Gji为第i时段供给水厂j的水量;Xji为第i时段水厂j的需水量;f为供水破坏深度;T为调度时段数目。DW为调度期内各水资源单位预算差额的总和;PWji为第i时段第j个水资源单位的计划供水量;RWji为第i个时段第j个水资源单位的实际供水量;n为水资源单位数量。
作为优选,所述水库水量平衡的约束方程为:
Vji+W引ji+W自产ji-W供ji-W蒸发ji-W渗漏ji=Vj,i+1;
其中,M1、M2分别为第j个水库的水资源数量、供水水厂的数量。
作为优选,所述水厂水量平衡的约束方程为:
W供ji,k表示给水厂j供水的水库k供给水厂的水量;W引ji,k表示水厂j从相连的水资源k取的水量。
所述取水口水量平衡的约束方程为:
WQi表示i时段总的水资源引水量,S为水资源个数;W引ji,k表示第i时段,第k个水库从水资源j的取水量。
作为优选,所述泵站闸门设计规模的约束方程为:
WBji≤WBMji;
W引ji≤WBMji;
WBji表示第i时段第j个泵站的抽水量,WBMji表示第i时段第j个泵站的最大抽水能力;W引ji表示第i时段第j个闸门的引水量;WSMji表示第i时段第j个闸门的最大引水能力
作为优选,所述水库运行范围的约束方程为:
VMji≤Vji≤VLji;
WGji≤WGMji;
VMji、VLji分别表示第j个水库在第i-1时段末的允许的最小、最大库容;WGji表示第j水库第i时段的供水量;WGMji表示第j水库第i时段的最大供水量。
本发明的有益效果为:具有较高的普适性,且实现了水资源调度预测结果的预警,充分利用信息技术,并从多方面考虑调度涉及的因素,可极大程度上减少供水调度中应急事件的发生,使水资源调度工作实现从被动到主动的转变。该方法计算出的调度结果更加精确、符合实际应用情况,可对调度业务提供切实可行的方案。
具体实施方式
下面对本发明的技术方案进行描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,对于本领域的技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些实施例获得其他的实施方式。
实施例1
一种基于经验模型的水资源调度优化方法,包括以下步骤:
S1:对供水网络进行概化,使其简洁明了的表达供水关系,并根据复杂网络拓扑结构动态组合技术将供水网络中的调度对象及其对应关系进一步概化为点、线、面的基本结图元构成的有向图;
S2:对联网水厂的需水量进行预测,预测结果将作为制定水资源调度方案的边界条件;
S3:水厂需水量与所在地的经济增长速度有较强的相关关系,采用通过历史数据分析来获取水厂的需水特征时段,并利用使用LSTM-RNN深度学习技术来处理数据得到经验模型;
S4:对水库自产水进行预测;
S5:通过水厂需水量预测和水库自产水预测预计上游来水过程以及水库当前的运行状态,用水量平衡可模拟出水库在未来时间段内的水位库容变化过程;
S6:计算出合理的调度方案是调整调度计划的依据。
实施例2
一种基于经验模型的水资源调度优化方法,包括以下步骤:
S1:根据复杂网络拓扑结构动态组合技术将供水网络中的调度对象及其对应关系进一步概化为点、线、面的基本结图元构成的有向图;对供水网络进行概化,使其简洁明了的表达供水关系,概化必须遵循各供水对象之间的上下游以及供给关系,并在***中建立关联矩阵进行存储。可使经验模型具有很高的扩展性,可根据实际供水***的变化灵活地调整关联矩阵,为之后***的扩展提供很好的条件。
S2:对联网水厂的需水量进行预测,预测结果将作为制定水资源调度方案的边界条件;水厂的需水量是水资源调度的基础和前提,预测精度直接影响整个地区水资源调度结果的合理性和可靠性。水厂作为原水***的终端用户,满足水厂供水需求是水资源调度最基本的目标,也是调度目标函数中衡量水厂破坏深度的重要指标。
S3:通过历史数据分析来获取水厂的需水特征时段,并利用使用LSTM-RNN深度学习技术来处理数据得到经验模型;
S4:对水库自产水进行预测;
S5:通过水厂需水量预测和水库自产水预测预计上游来水过程以及水库当前的运行状态,用水量平衡可模拟出水库在未来时间段内的水位库容变化过程;
S6:计算出合理的调度方案是调整调度计划的依据。
作为优选,步骤S4对水库自产水进行预测的方法为:结合水文气象因素,在经验模型中引入降雨产生的水量因子,将预报降雨过程换算成自产水量,参与经验模型计算。通过从中国气象网站上获取未来时间段的降雨预报,结合降雨与径流系数可计算出水库的自产水量:
W自=P·F·α
其中,α为降雨径流转换系数,P为降雨量,F为集雨面积。
作为优选,步骤S5中用水量平衡可模拟出水库在未来时间段内的水位库容变化过程,当水库库容预测值不在水库供水安全或者防汛安全范围内运行时,***给出预警提醒。
作为优选,所述水库库容预测值根据公式
Vi+W引+W自产-W供-W蒸发-W渗漏=Vi+1;
将上式计算得到的未来时间段内的水库库容预测值与水库安全运行范围比较,当预测值不在安全范围内时说明供水调度可能发生供水安全破坏事件,需要调整调度计划。
作为优选,水资源调度方案利用多目标调度模型来计算,以供水破坏深度最小、水资源单位预算与实际差额最小为目标函数,以水库水量平衡、水厂水量平衡、取水口水量平衡、泵站闸门设计规模约束和水库运行范围约束为主要约束条件,采用动态规划方法求解得出水资源调度方案。
作为优选,目标函数为:
其中,Gji为第i时段供给水厂j的水量;Xji为第i时段水厂j的需水量;f为供水破坏深度;T为调度时段数目。DW为调度期内各水资源单位预算差额的总和;PWji为第i时段第j个水资源单位的计划供水量;RWji为第i个时段第j个水资源单位的实际供水量;n为水资源单位数量。
作为优选,水库水量平衡的约束方程为:
Vji+W引ji+W自产ji-W供ji-W蒸发ji-W渗漏ji=Vj,i+1;
其中,M1、M2分别为第j个水库的水资源数量、供水水厂的数量。
作为优选,水厂水量平衡的约束方程为:
W供ji,k表示给水厂j供水的水库k供给水厂的水量;W引ji,k表示水厂j从相连的水资源k取的水量。
所述取水口水量平衡的约束方程为:
WQi表示i时段总的水资源引水量,S为水资源个数;W引ji,k表示第i时段,第k个水库从水资源j的取水量。
作为优选,所述泵站闸门设计规模的约束方程为:
WBji≤WBMji;
W引ji≤WBMji;
WBji表示第i时段第j个泵站的抽水量,WBMji表示第i时段第j个泵站的最大抽水能力;W引ji表示第i时段第j个闸门的引水量;WSMji表示第i时段第j个闸门的最大引水能力
作为优选,水库运行范围的约束方程为:
VMji≤Vji≤VLji;
WGji≤WGMji;
VMji、VLji分别表示第j个水库在第i-1时段末的允许的最小、最大库容;WGji表示第j水库第i时段的供水量;WGMji表示第j水库第i时段的最大供水量。
考虑水厂需水量与所在地的经济增长速度有较强的相关关系,在具体的实施例中,先获取到水厂最近3年供水水量数据,按照时间升序排列,创建输入样本并在0和1之间进行归一化,创建训练和测试集的目标输出并将其归一化到0-1之间,将数据转换为numpy数组以供经验模型使用,然后构建长短期记忆网络经验模型。在这个经验模型,使用了5层长短期记忆网络,每层512个神经元,然后在每个长短期记忆网络层之后有个0.25概率的丢失层,丢掉误差过大数据以防止过度拟合,训练50次后产生经验模型。保存已经训练后的经验模型,使用经验模型对要预测的数据进行预测,可以得到水厂的供水量的预测值,与真实的数值进行误差分析,公式为(真实值-预测值)/真实值,以梅林水厂为例子,使用2015年到2018年的供水数据作为学习样本,使用此方法预测2019年1月1日到30日的供水量,整体误差可以控制再10%内。
本发明的有益效果为:具有较高的普适性,且实现了水资源调度预测结果的预警,充分利用信息技术,并从多方面考虑调度涉及的因素,可极大程度上减少供水调度中应急事件的发生,使水资源调度工作实现从被动到主动的转变。该方法计算出的调度结果更加精确、符合实际应用情况,可对调度业务提供切实可行的方案。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何不经过创造性劳动想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于经验模型的水资源调度优化方法,其特征在于:包括以下步骤:
S1:根据复杂网络拓扑结构动态组合技术将供水网络中的调度对象及其对应关系概化为点、线、面的基本结图元构成的有向图;
S2:对联网水厂的需水量进行预测,预测结果将作为制定水资源调度方案的边界条件;
S3:通过历史数据分析获取水厂的需水特征时段,并使用LSTM-RNN深度学习技术处理数据得到经验模型;
S4:对水库自产水进行预测;
S5:通过水厂需水量预测和水库自产水预测预计上游来水过程以及水库当前的运行状态,用水量平衡模拟出水库在未来时间段内的水位库容变化过程;
S6:计算出水资源调度方案。
2.根据权利要求1所述的一种基于经验模型的水资源调度优化方法,其特征在于:所述步骤S4对水库自产水进行预测的方法为:结合水文气象因素,在经验模型中引入降雨产生的水量因子,将预报降雨过程换算成自产水量,参与经验模型计算。获取未来时间段的降雨预报,结合降雨与径流系数计算出水库的自产水量公式为:
W自=P·F·α
其中,α为降雨径流转换系数,P为降雨量,F为集雨面积。
3.根据权利要求2所述的一种基于经验模型的水资源调度优化方法,其特征在于:所述步骤S5中用水量平衡可模拟出水库在未来时间段内的水位库容变化过程,当水库库容预测值不在水库供水安全或者防汛安全范围内运行时,***给出预警提醒。
5.根据权利要求4所述的一种基于经验模型的水资源调度优化方法,其特征在于:所述调度方案利用多目标调度模型来计算,以供水破坏深度最小、水资源单位预算与实际差额最小为目标函数,以水库水量平衡、水厂水量平衡、取水口水量平衡、泵站闸门设计规模约束和水库运行范围约束为主要约束条件,采用动态规划方法求解得出水资源调度方案。
9.根据权利要求8所述的一种基于经验模型的水资源调度优化方法,其特征在于:所述泵站闸门设计规模的约束方程为:
WBji≤WBMji;
W引ji≤WBMji;
WBji表示第i时段第j个泵站的抽水量,WBMji表示第i时段第j个泵站的最大抽水能力;W引ji表示第i时段第j个闸门的引水量;WSMji表示第i时段第j个闸门的最大引水能力。
10.据权利要求8所述的一种基于经验模型的水资源调度优化方法,其特征在于:所述水库运行范围的约束方程为:
VMji≤Vji≤VLji;
WGji≤WGMji;
VMji、VLji分别表示第j个水库在第i-1时段末的允许的最小、最大库容;WGji表示第j水库第i时段的供水量;WGMji表示第j水库第i时段的最大供水量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918899.8A CN110991687B (zh) | 2019-09-26 | 2019-09-26 | 一种基于经验模型的水资源调度优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918899.8A CN110991687B (zh) | 2019-09-26 | 2019-09-26 | 一种基于经验模型的水资源调度优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110991687A true CN110991687A (zh) | 2020-04-10 |
CN110991687B CN110991687B (zh) | 2023-08-11 |
Family
ID=70081804
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910918899.8A Active CN110991687B (zh) | 2019-09-26 | 2019-09-26 | 一种基于经验模型的水资源调度优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110991687B (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734091A (zh) * | 2020-12-30 | 2021-04-30 | 中水智联(深圳)技术有限公司 | 一种水库水位模型预测方法 |
CN113112125A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的水资源管理方法及*** |
CN113159422A (zh) * | 2021-04-22 | 2021-07-23 | 宁波弘泰水利信息科技有限公司 | 一种城市供水动态预测、预警、分析方法 |
CN113222351A (zh) * | 2021-04-20 | 2021-08-06 | 南京南瑞水利水电科技有限公司 | 一种基于水体演进变化的城市应急供水精细化调度方法 |
CN113421028A (zh) * | 2021-07-21 | 2021-09-21 | 杭州玳数科技有限公司 | 资源水位监测平台及方法、终端设备及可读存储介质 |
CN113449993A (zh) * | 2021-06-29 | 2021-09-28 | 中国水利水电科学研究院 | 一种城市水源供水调度方法 |
CN113837475A (zh) * | 2021-09-27 | 2021-12-24 | 中水珠江规划勘测设计有限公司 | 有向图深度神经网络径流概率预报方法、***、设备及终端 |
CN115271453A (zh) * | 2022-07-29 | 2022-11-01 | 中国水利水电科学研究院 | 一种城市原水供水调配路径识别方法、***及可存储介质 |
CN115375199A (zh) * | 2022-10-24 | 2022-11-22 | 青岛研博电子有限公司 | 一种长距离智能供水调度方法及其*** |
CN115392693A (zh) * | 2022-08-24 | 2022-11-25 | 张粉霞 | 一种基于物联网的水资源调度预警装置及方法 |
CN116822877A (zh) * | 2023-06-29 | 2023-09-29 | 浪潮智慧科技有限公司 | 一种基于知识图谱的水资源分配方法、设备及介质 |
CN116862132A (zh) * | 2023-04-20 | 2023-10-10 | 南京田加心电子商务有限公司 | 基于大数据的资源调度方法 |
CN116882215A (zh) * | 2023-09-07 | 2023-10-13 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658287A (zh) * | 2018-12-27 | 2019-04-19 | 中国水利水电科学研究院 | 一种基于水资源时空均匀分配的流域水量调度方法 |
CN109800914A (zh) * | 2019-01-16 | 2019-05-24 | 河海大学 | 一种适用于滨海地区水资源的多目标优化调度方法 |
-
2019
- 2019-09-26 CN CN201910918899.8A patent/CN110991687B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109658287A (zh) * | 2018-12-27 | 2019-04-19 | 中国水利水电科学研究院 | 一种基于水资源时空均匀分配的流域水量调度方法 |
CN109800914A (zh) * | 2019-01-16 | 2019-05-24 | 河海大学 | 一种适用于滨海地区水资源的多目标优化调度方法 |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734091A (zh) * | 2020-12-30 | 2021-04-30 | 中水智联(深圳)技术有限公司 | 一种水库水位模型预测方法 |
CN113112125A (zh) * | 2021-03-22 | 2021-07-13 | 浙江和达科技股份有限公司 | 基于人工智能的水资源管理方法及*** |
CN113112125B (zh) * | 2021-03-22 | 2024-04-12 | 浙江和达科技股份有限公司 | 基于人工智能的水资源管理方法及*** |
CN113222351A (zh) * | 2021-04-20 | 2021-08-06 | 南京南瑞水利水电科技有限公司 | 一种基于水体演进变化的城市应急供水精细化调度方法 |
CN113159422A (zh) * | 2021-04-22 | 2021-07-23 | 宁波弘泰水利信息科技有限公司 | 一种城市供水动态预测、预警、分析方法 |
CN113449993A (zh) * | 2021-06-29 | 2021-09-28 | 中国水利水电科学研究院 | 一种城市水源供水调度方法 |
CN113449993B (zh) * | 2021-06-29 | 2022-02-08 | 中国水利水电科学研究院 | 一种城市水源供水调度方法 |
CN113421028A (zh) * | 2021-07-21 | 2021-09-21 | 杭州玳数科技有限公司 | 资源水位监测平台及方法、终端设备及可读存储介质 |
CN113837475B (zh) * | 2021-09-27 | 2024-04-05 | 中水珠江规划勘测设计有限公司 | 有向图深度神经网络径流概率预报方法、***、设备及终端 |
CN113837475A (zh) * | 2021-09-27 | 2021-12-24 | 中水珠江规划勘测设计有限公司 | 有向图深度神经网络径流概率预报方法、***、设备及终端 |
CN115271453A (zh) * | 2022-07-29 | 2022-11-01 | 中国水利水电科学研究院 | 一种城市原水供水调配路径识别方法、***及可存储介质 |
CN115271453B (zh) * | 2022-07-29 | 2023-06-16 | 中国水利水电科学研究院 | 一种城市原水供水调配路径识别方法、***及可存储介质 |
CN115392693A (zh) * | 2022-08-24 | 2022-11-25 | 张粉霞 | 一种基于物联网的水资源调度预警装置及方法 |
CN115375199A (zh) * | 2022-10-24 | 2022-11-22 | 青岛研博电子有限公司 | 一种长距离智能供水调度方法及其*** |
CN116862132A (zh) * | 2023-04-20 | 2023-10-10 | 南京田加心电子商务有限公司 | 基于大数据的资源调度方法 |
CN116822877A (zh) * | 2023-06-29 | 2023-09-29 | 浪潮智慧科技有限公司 | 一种基于知识图谱的水资源分配方法、设备及介质 |
CN116822877B (zh) * | 2023-06-29 | 2024-03-22 | 浪潮智慧科技有限公司 | 一种基于知识图谱的水资源分配方法、设备及介质 |
CN116882215A (zh) * | 2023-09-07 | 2023-10-13 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
CN116882215B (zh) * | 2023-09-07 | 2023-12-29 | 北京国信华源科技有限公司 | 一种多要素的自激励预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110991687B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991687B (zh) | 一种基于经验模型的水资源调度优化方法 | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控*** | |
CN111160430A (zh) | 一种基于人工智能算法的水资源优化配置方法 | |
CN108109076B (zh) | 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法 | |
CN105243502B (zh) | 一种基于径流区间预测的水电站调度风险评估方法及*** | |
CN102509173B (zh) | 一种基于马尔科夫链的电力***负荷准确预测方法 | |
CN106845669A (zh) | 基于指数平滑法预测电网年持续负荷的方法 | |
CN107766985A (zh) | 一种河口盐度预测方法 | |
CN112308270A (zh) | 一种长期用电负荷预测方法、装置及计算机实现*** | |
CN115271304A (zh) | 基于气候变化的跨流域调水工程优化调度方法 | |
CN115713448A (zh) | 基于汇水单元的流域水污染常规因子快速溯源方法 | |
CN117332908B (zh) | 一种耦合集合预报的梯级水库多目标优化调度方法及*** | |
CN116993030B (zh) | 变化条件下水库压咸补淡调度方法及*** | |
CN113723791A (zh) | 一种基于避咸蓄淡的城市供水分析方法及装置 | |
Heydari Kushalshah et al. | Hybrid modelling for urban water supply system management based on a bi-objective mathematical model and system dynamics: A case study in Guilan province. | |
CN117277304A (zh) | 考虑日出日落时间的光伏发电超短期功率预测方法、*** | |
CN116756498A (zh) | 一种基于lstm和分位数回归的径流概率预测算法 | |
Guo et al. | Electrical load forecasting based on LSTM neural networks | |
CN116485582A (zh) | 一种基于深度学习的供热优化调控方法及装置 | |
CN103729803A (zh) | 利用cfs集合预报产品的水电站中期滚动调度方法 | |
Sattari et al. | Operation analysis of Eleviyan irrigation reservoir dam by optimization and stochastic simulation | |
CN114358382B (zh) | 电力***等效惯量概率预测方法、装置、产品及存储介质 | |
CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
CN115577903A (zh) | 新能源对电网调峰影响的评估方法、装置、设备及介质 | |
Srinivasan et al. | Correlation analysis of solar power and electric demand |
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 |