CN116029405A - 一种基于灌区渠系的多目标动态配水方法 - Google Patents
一种基于灌区渠系的多目标动态配水方法 Download PDFInfo
- Publication number
- CN116029405A CN116029405A CN202210341508.2A CN202210341508A CN116029405A CN 116029405 A CN116029405 A CN 116029405A CN 202210341508 A CN202210341508 A CN 202210341508A CN 116029405 A CN116029405 A CN 116029405A
- Authority
- CN
- China
- Prior art keywords
- water
- water distribution
- canal
- flow
- channel
- 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.)
- Pending
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 205
- 238000009826 distribution Methods 0.000 title claims abstract description 91
- 230000002262 irrigation Effects 0.000 title claims abstract description 44
- 238000003973 irrigation Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012384 transportation and delivery Methods 0.000 claims abstract description 44
- 230000006870 function Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 10
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000007246 mechanism Effects 0.000 claims abstract description 7
- 230000002776 aggregation Effects 0.000 claims abstract description 3
- 238000004220 aggregation Methods 0.000 claims abstract description 3
- 238000012544 monitoring process Methods 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 9
- 239000002689 soil Substances 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 238000013480 data collection Methods 0.000 claims description 3
- 230000009193 crawling Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000000087 stabilizing effect Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000007726 management method Methods 0.000 abstract description 4
- 230000006872 improvement Effects 0.000 description 10
- 238000004088 simulation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 241000254173 Coleoptera Species 0.000 description 1
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 241000270722 Crocodylidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- LNNWVNGFPYWNQE-GMIGKAJZSA-N desomorphine Chemical compound C1C2=CC=C(O)C3=C2[C@]24CCN(C)[C@H]1[C@@H]2CCC[C@@H]4O3 LNNWVNGFPYWNQE-GMIGKAJZSA-N 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- 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
- Flow Control (AREA)
Abstract
本发明公开了一种基于灌区渠系的多目标动态配水方法,包括:对数据归集和初始化,基于数据清洗机制消除不完整数据、重复数据;同时,考虑到闸门操作次数过多对渠系输水损失、输水过程中流量衔接不稳定的情况,构建渠系配水流量约束、最大轮期约束、水量平衡约束、上级渠道引水流量约束等约束,构建的动态配水的三个目标函数,即闸门操作次数最小化模型、渠系输水损失最小化模型、渠道输水平稳模型;设定综合考虑三个目标函数的适应度函数,寻找使适应度函数最小的可行解,获得渠系各干渠的动态配水最优方案。本发明能够通过模型优化,选择当前优化状态下的最优解,从而降低闸门开关次数,降低渠系输水损失,减少灌区管理成本,保证渠系高效运行。
Description
技术领域
本发明涉及优化调度技术领域,具体涉及一种基于灌区渠系的多目标动态配水方法。
背景技术
浙江省拥有相对丰富的水资源,但存在时空分布不均,季节性缺水严重等“先天”缺陷,制约着灌区经济的整体发展。目前主要依靠人工经验进行水资源调度,导致灌区的水资源常常得不到优化配置,从而造成整个灌区农业作物产量减产,无法满足农作物精准灌溉的需求,而且还造成了不可忽视的环境问题,因而需要一种灌区渠系的科学合理动态配水方法。
目前针对灌区水资源配置问题,国内众多学者开展了这方面的研究,例如田桂林等人提出一种基于天牛须搜索算法的渠系优化配水模型,通过优化渗漏量,解决高维渠系优化配水问题;李彤姝等人提出一种基于多目标粒子群算法的渠系优化模型,将水流过渡平稳和输水损失最小作为优化目标,能够实现配水贴近实际并合理调整流量大小;贺建文等人提出一种基于NSGA-Ⅱ遗传算法的灌区优化配水模型,解决灌区水资源利用效率低,管理水平不高的问题;郭珊珊等人针对渠系配水传统人工调度难以统筹优化的问题,充分考虑配水持续时间的不确定性,提出一种基于多目标多变量渠系优化配水模型,能够实现集中、高效配水;潘琦等人提出一种基于渠系输水模拟与土壤水量平衡模拟的两级渠系优化配水模型,通过输水渗漏损失的渠系优化配水模型与土壤水量平衡模拟模型耦合,达到节水增产的效果。
上述学者虽然对灌区水资源配置进行了相关研究,但是没有考虑闸门操作次数过多产生的流量衔接不稳定问题,没有综合考虑闸门操作次数、渠系输水损失和渠道输水过程的流量变化,导致灌区动态配水调度效率低,难以较好解决灌区生产和生态用水之间、上下游不同灌片之间的用水矛盾。
发明内容
针对现有技术中存在的不足之处,本发明提供一种基于灌区渠系的多目标动态配水方法,其根据水资源动态情况,优化确定灌区水资源在不同时空的配水方案,统筹协调解决灌区生产和生态用水之间、上下游不同灌片之间的用水矛盾,实现灌区水资源优化配置、优化调度、优化利用。
本发明公开了一种基于灌区渠系的多目标动态配水方法,包括:
对不同类型数据进行归集和初始化;
基于数据清洗机制,对数据进行预处理;
根据渠道运行要求,构建渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束;
建立闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型;
初始化各项参数,随机生成多个可行解;
判断每一个可行解是否满足渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束;
若均满足,则对闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型进行无量纲化和权重赋值,构建适应度函数;
计算每一个可行解的适应度函数值,并选择适应度函数值越小的可行解作为当前迭代的最优可行解;
若当前迭代次数大于最大迭代次数,则输出当前的最优方案;
若当前迭代次数不大于最大迭代次数,则更新每一个可行解,迭代次数+1,并继续上述可行解是否满足约束的判断步骤。
作为本发明的进一步改进,所述对不同类型数据进行归集和初始化,包括:
将实时监测数据和灌区基础数据,保存并归集于数据库中,完成数据归集和初始化;其中,所述实时监测数据包括水雨情实时监测数据以及水质、气温、土壤墒情、闸站工况、监控视频的实时监测数据,数据采集的方式包括数据同步、人工录入和爬虫爬取。
作为本发明的进一步改进,所述基于数据清洗机制,对数据进行预处理;包括:
将归集和初始化后的数据转换为统一格式;
查询并替换不完整数据;
删除重复的字符数据段。
作为本发明的进一步改进,
所述查询并替换不完整数据,包括:
将不完整数据距离最近的K个邻居,将K个邻居数据的平均值替换该不完整数据,K≥2;
所述删除重复的字符数据段,包括:
计算任两个字符数据段之间的匹配相似度S相似:
式中,dist(Sx,Sw)为字符数据段x和字符数据段w之间的距离,V(Sx,Sw)为字符数据段x和字符数据段w的平均字符数;
其中,
Sx={Sx1,Sx2ΛSxn}
Sw={Sw1,Sw2ΛSwn}
式中,Sx为字符数据段x,Sw为字符数据段w,Sxn为字符数据段x的第n个字符,Swn为字符数据段w的第n个字符,Len(Sx)为字符数据段x长度,Len(Sw)为字符数据段w长度;
当两字符数据段匹配相似度大于相似度阈值时,则为两个字符数据段重复,删除其中一个字符数据段。
作为本发明的进一步改进,
所述渠系配水流量约束为:
αqd%≤qd≤qd%
式中,qd为第d条渠系实际配水流量,qd%为第d条渠系设计流量,α为最低设计流量的参数;
所述最大轮期约束为:
td≤tmax
式中,td为第d条渠系的总配水时间,tmax为允许最大总配水时间;
所述水量平衡约束为:
所述引水流量约束为:
式中,Qd-1为第d-1渠道的引水流量,η为上级渠道水利用系数。
作为本发明的进一步改进,
所述闸门次数最小化模型为:
s.t.约束条件:
渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束
式中,Nz为总干渠、干渠及支渠闸门操作总次数,COUNTIF为闸门操作计数函数,Qz为总干渠流量,d为干渠渠道序号,nq为干渠渠道总数;
所述渠系损失最小化模型为:
minW损=W总损+W干损+W支损
s.t.约束条件:
渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束
式中,W损为灌区各级渠系输水总损失水量,W总损为灌区总干渠输水损失水量,W干损为灌区参与输水的干渠损失水量,W支损为灌区参与配水的支渠损失水量;
所述渠道输水平稳模型为:
min SCV=C总V+C干V
s.t.约束条件:
渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束
式中,SCV为总干渠和干渠的输水过程流量变异系数,C总V为总干渠的流量变异系数,C干V为各条干渠的流量变异系数。
作为本发明的进一步改进,所述初始化各项参数,随机生成多个可行解;包括:
初始化当前迭代次数t=1,总迭代次数T,随机生成M×m个可行解yij:
yi,j=rand(SAj-XAj)+SAj
式中,yij为可行解矩阵中第i行第j个可行解,rand为0-1之间的随机数,XAj为yi,j所对应的下界,SAj为yi,j所对应的上界;
根据M×m个可行解,获得可行解矩阵Y:
式中,M为可行解矩阵中可行解的数量,m为给定问题的维度大小。
作为本发明的进一步改进,
若可行解不满足渠系配水流量约束,则当qd大于qd%时,将qd直接赋值为qd%;当qd小于αqd%时,将qd直接赋值为αqd%;
若可行解不满足最大轮期约束,则将td直接赋值为tmax;
若可行解不满足水量平衡约束,则修改下级渠段的配水流量,使其满足水量平衡约束;
若可行解不满足引水流量约束,则修改各下级渠道的净流量,使各下级渠道的净流量之和为Qη。
作为本发明的进一步改进,所述适应度函数为:
式中,f为适应度函数,λ1为闸门操作次数目标函数的权重,λ2为渠系输水损失目标函数的权重,λ3为渠道输水平稳目标函数的权重。
作为本发明的进一步改进,所述若当前迭代次数不大于最大迭代次数,则更新每一个可行解;包括:
若当前迭代次数t小于等于T/4,T为总迭代次数,则更新可行解的公式为:
式中,yi,j(t+1)为下一次迭代的可行解i的第j个元素,Aj为最优可行解中的第j个元素,β为敏感参数,μ为0-1的随机数,Ri,j为缩减函数,ξi,j为第i个解中第j个位置的狩猎算子,Ri,j为缩减函数;
若当前迭代次数t大于T/4且小于等于T/2,则更新可行解的公式为:
式中,r1为一个随机数,取值在[1,M]之间,ES(t)为概率比;
若当前迭代次数t大于T/2且小于等于3T/4,则更新可行解的公式为:
若当前迭代次数t大于3T/4且小于等于T,则更新可行解的公式为:
与现有技术相比,本发明的有益效果为:
本发明考虑到闸门操作次数过多对渠系输水损失、输水过程中流量衔接不稳定的情况,构建渠系配水流量约束、最大轮期约束、水量平衡约束、上级渠道引水流量约束等约束,并有效构建的动态配水的三个目标函数,即闸门操作次数最小化模型、渠系输水损失最小化模型、渠道输水平稳模型;设定综合考虑三个目标函数的适应度函数,寻找使适应度函数最小的可行解,获得渠系各干渠的动态配水最优方案;本发明能够通过模型优化,选择当前优化状态下的最优解,从而降低闸门开关次数,降低渠系输水损失,减少灌区管理成本,保证渠系高效运行。
附图说明
图1为本发明一种实施例公开的基于灌区渠系的多目标动态配水方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明做进一步的详细描述:
如图1所示,本发明提供一种基于灌区渠系的多目标动态配水方法,包括:
步骤1、对不同类型数据进行归集和初始化;
具体为:
对于水雨情的实时监测数据,通过平台抽取的方式直接汇聚到数据库中,对于水质、气温、土壤墒情、闸站工况、监控视频等其他实时监测数据,采集数据库同步和人工录入两种方式进行归集,对于灌区的基础数据,采用爬虫技术爬取网站中有关灌区的基本信息,并保存到数据库中,最后将数据归集至数据库中,实现数据归集和初始化。
步骤2、基于数据清洗机制,对数据进行预处理,预处理包括查询并替换不完整数据和删除重复的字符数据段;
具体为:
步骤21、建立数据清洗机制,对同步和汇聚到的数据进行实时分析,将数据转换为统一格式,存储到数据库中;
步骤22、确定数据库中的不完整数据,并寻找距离不完整数据最近的K个邻居,K为大于等于2的正整数,将这K个邻居数据的平均值替换该不完整数据;
步骤23、计算任两个字符数据段之间的匹配相似度,当两字符数据段匹配相似度大于相似度阈值(如0.95)时,则为两个字符数据段重复,删除其中一个字符数据段;其中,两字符数据段匹配相似度的具体计算过程为:
令Sxn表示字符数据段x的第n个字符,Swn表示字符数据段w的第n个字符,则:
Sx={Sx1,Sx2ΛSxn} (1)
Sw={Sw1,Sw2ΛSwn} (2)
式中,Sx表示字符数据段x,Sw表示字符数据段w,计算数据的平均字符数,即
式中,Len(Sx)表示字符数据段x长度,Len(Sw)表示字符数据段w长度,V(Sx,Sw)表示字符数据段x和w的平均字符数;
计算每一个字符数据段之间的匹配相似度:
式中,S相似表示两字符数据段的匹配相似度,dist(Sx,Sw)表示字符数据段x和w之间的距离。
步骤3、根据渠道运行要求,构建渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束;
具体为:
步骤31、根据采集的数据库中数据,按照灌区渠道运行的要求,考虑实际配水流量是设计流量的α~1倍,构建渠系配水流量约束,即:
αqd%≤qd≤qd%
式中,qd为第d条渠系实际配水流量,qd%为第d条渠系设计流量,α为最低设计流量的参数;
步骤32、考虑渠系总配水时间小于等于根据灌溉预报计算确定的允许最大总配水时间,构建最大轮期约束,即
td≤tmax (6)
式中,td为第d条渠系的总配水时间,tmax为允许最大总配水时间,最大总配水时间根据预报的灌水中间日确定;
步骤33、考虑到上级渠道第d渠段实际配水流量应等于该渠段末端所连的各下级渠道的实际配水流量之和,构建水量平衡约束,即
步骤34、考虑各下级渠段净流量之和不大于上级渠系引水流量,构建上级渠道引水流量约束,即:
式中,Qd-1为第d-1渠道的引水流量,η为上级渠道水利用系数。
步骤4、建立闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型,其作为动态配水的三个目标函数;
具体为:
步骤41、考虑多级渠系配水要尽可能考虑人为操作便利性,应让闸门操作次数少,因此建立闸门操作次数最小化模型:
s.t.约束条件(5)-(8)
式中,Nz表示总干渠、干渠及支渠闸门操作总次数,COUNTIF表示闸门操作计数函数,Qz表示总干渠流量,d表示干渠渠道序号,nq表示干渠渠道总数;
步骤42、设定渠道水利用系数、渠道长度及衬砌情况、渠床特性等参数,根据渠道实际运行流量、渠系配水时间、上级渠道引水流量等信息,计算渠道输水损失量,并结合实测结果进行数据修正。考虑渠系渗漏损失应尽可能少,因此建立渠系输水损失最小化模型:
min W损=W总损+W干损+W支损 (10)
s.t.约束条件(5)-(8)
式中,W损表示灌区各级渠系输水总损失水量,W总损表示灌区总干渠输水损失水量,W干损表示灌区参与输水的干渠损失水量,W支损表示灌区参与配水的支渠损失水量;
步骤43、考虑流量平稳输送,应让渠道输水过程的流量变化最小,因此建立渠道输水平稳模型:
min SCV=C总V+C干V (11)
s.t.约束条件(5)-(8)
式中,SCV表示总干渠和干渠的输水过程流量变异系数,C总V表示总干渠的流量变异系数,C干V表示各条干渠的流量变异系数。
步骤5、初始化各项参数,随机生成多个可行解;
具体为:
初始化当前迭代次数t=1,总迭代次数T,令yij表示可行解矩阵中第i行第j个可行解,可行解由所有渠系的实际配水流量和总配水时间构成;通过公式(12)初始化M×m个可行解,其中M表示可行解矩阵中可行解的数量,m表示给定问题的维度大小;
yi,j=rand(SAj-XAj)+SAj (12)
式中,yi,j表示可行解i中第j个元素,rand表示0-1之间的随机数,XAj表示yi,j所对应的下界,SAj表示yi,j所对应的上界。根据M×m个可行解,获得可行解矩阵Y。
步骤6、判断每一个可行解是否满足渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束;
具体为:
若可行解不满足渠系配水流量约束,则当qd大于qd%时,将qd直接赋值为qd%;当qd小于αqd%时,将qd直接赋值为αqd%;
若可行解不满足最大轮期约束,则将td直接赋值为tmax;
若可行解不满足水量平衡约束,则修改下级渠段的配水流量,使其满足水量平衡约束;
若可行解不满足引水流量约束,则修改各下级渠道的净流量,使各下级渠道的净流量之和为Qη。
步骤7、若均满足上述约束,则对闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型进行无量纲化和权重赋值,构建适应度函数;其中,
适应度函数为:
式中,f为适应度函数,λ1为闸门操作次数目标函数的权重,λ2为渠系输水损失目标函数的权重,λ3为渠道输水平稳目标函数的权重。
步骤8、计算每一个可行解的适应度函数值,并选择适应度函数值越小的可行解作为当前迭代的最优可行解;若当前迭代次数大于最大迭代次数,则输出当前的最优方案;
步骤9、若当前迭代次数不大于最大迭代次数,则更新每一个可行解;
具体为:
步骤91、如果当前迭代次数t小于等于T/4,则模拟鳄鱼的包围行为,通过公式(15)更新每一个可行解:
式中,yi,j(t+1)表示下一次迭代的可行解i的第j个元素,Aj表示最优可行解中的第j个元素,β表示敏感参数,控制迭代过程中的精度,μ表示0-1的随机数,Ri,j表示缩减函数,用于减少搜索区域的值。ξi,j表示第i个解中第j个位置的狩猎算子,可表示为:
ξi,j=Aj×Hi,j(t) (16)
式中,Hi,j(t)表示当前迭代次数t下,最优可行解的第j个元素与当前可行解的第j个元素之间的百分比差异,可表示为:
式中,a表示敏感参数,可控制迭代过程中的搜索精度,ε表示参数阈值,yi,j(t)表示迭代次数t下的可行解i的第j个元素,D(yi)表示第i个可行解的平均值,可表示为:
Rij表示缩减函数,用于减少搜索区域的值,可表示为:
式中,r2表示一个随机数,ε表示参数阈值。
步骤92、如果当前迭代次数t大于T/4且小于等于T/2,则采用公式(20)更新每一个可行解:
式中,r1表示一个随机数,取值在[1,M]之间,ES(t)表示概率比,可表示为
式中,r3表示-1到1之间的随机数。
步骤10、迭代次数+1,并返回步骤6。
基于此,本发明能够通过模型优化,选择当前优化状态下的最优解,从而降低闸门开关次数,降低渠系输水损失,减少灌区管理成本,保证渠系高效运行。以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于灌区渠系的多目标动态配水方法,其特征在于,包括:
对不同类型数据进行归集和初始化;
基于数据清洗机制,对数据进行预处理;
根据渠道运行要求,构建渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束;
建立闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型;
初始化各项参数,随机生成多个可行解;
判断每一个可行解是否满足渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束;
若均满足,则对闸门次数最小化模型、渠系损失最小化模型和渠道输水平稳模型进行无量纲化和权重赋值,构建适应度函数;
计算每一个可行解的适应度函数值,并选择适应度函数值越小的可行解作为当前迭代的最优可行解;
若当前迭代次数大于最大迭代次数,则输出当前的最优方案;
若当前迭代次数不大于最大迭代次数,则更新每一个可行解,迭代次数+1,并继续上述可行解是否满足约束的判断步骤。
2.如权利要求1所述的多目标动态配水方法,其特征在于,所述对不同类型数据进行归集和初始化,包括:
将实时监测数据和灌区基础数据,保存并归集于数据库中,完成数据归集和初始化;其中,所述实时监测数据包括水雨情实时监测数据以及水质、气温、土壤墒情、闸站工况、监控视频的实时监测数据,数据采集的方式包括数据同步、人工录入和爬虫爬取。
3.如权利要求1所述的多目标动态配水方法,其特征在于,所述基于数据清洗机制,对数据进行预处理;包括:
将归集和初始化后的数据转换为统一格式;
查询并替换不完整数据;
删除重复的字符数据段。
4.如权利要求3所述的多目标动态配水方法,其特征在于,
所述查询并替换不完整数据,包括:
将不完整数据距离最近的K个邻居,将K个邻居数据的平均值替换该不完整数据,K≥2;
所述删除重复的字符数据段,包括:
计算任两个字符数据段之间的匹配相似度S相似:
式中,dist(Sx,Sw)为字符数据段x和字符数据段w之间的距离,V(Sx,Sw)为字符数据段x和字符数据段w的平均字符数;
其中,
Sx={Sx1,Sx2ΛSxn}
Sw={Sw1,Sw2ΛSwn}
式中,Sx为字符数据段x,Sw为字符数据段w,Sxn为字符数据段x的第n个字符,Swn为字符数据段w的第n个字符,Len(Sx)为字符数据段x长度,Len(Sw)为字符数据段w长度;
当两字符数据段匹配相似度大于相似度阈值时,则为两个字符数据段重复,删除其中一个字符数据段。
5.如权利要求1所述的多目标动态配水方法,其特征在于,
所述渠系配水流量约束为:
式中,qd为第d条渠系实际配水流量,为第d条渠系设计流量,α为最低设计流量的参数;
所述最大轮期约束为:
td≤tmax
式中,td为第d条渠系的总配水时间,tmax为允许最大总配水时间;
所述水量平衡约束为:
式中,qd为第d条渠系实际配水流量,为第d条渠系的第p级渠段的配水流量,nq为第d条渠系的渠段数量;
所述引水流量约束为:
式中,Qd-1为第d-1渠道的引水流量,η为上级渠道水利用系数。
6.如权利要求1所述的多目标动态配水方法,其特征在于,
所述闸门次数最小化模型为:
s.t.约束条件:
渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束
式中,Nz为总干渠、干渠及支渠闸门操作总次数,COUNTIF为闸门操作计数函数,Qz为总干渠流量,d为干渠渠道序号,nq为干渠渠道总数;
所述渠系损失最小化模型为:
minW损=W总损+W干损+W支损
s.t.约束条件:
渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束
式中,W损为灌区各级渠系输水总损失水量,W总损为灌区总干渠输水损失水量,W干损为灌区参与输水的干渠损失水量,W支损为灌区参与配水的支渠损失水量;
所述渠道输水平稳模型为:
min SCV=C总V+C干V
s.t.约束条件:
渠系配水流量约束、最大轮期约束、水量平衡约束和引水流量约束
式中,SCV为总干渠和干渠的输水过程流量变异系数,C总V为总干渠的流量变异系数,C干V为各条干渠的流量变异系数。
7.如权利要求1所述的多目标动态配水方法,其特征在于,所述初始化各项参数,随机生成多个可行解;包括:
初始化当前迭代次数t=1,总迭代次数T,随机生成M×m个可行解yij:
yi,j=rand(SAj-XAj)+SAj
式中,yij为可行解矩阵中第i行第j个可行解,rand为0-1之间的随机数,XAj为yi,j所对应的下界,SAj为yi,j所对应的上界;
根据M×m个可行解,获得可行解矩阵Y:
式中,M为可行解矩阵中可行解的数量,m为给定问题的维度大小。
8.如权利要求1所述的多目标动态配水方法,其特征在于,
若可行解不满足渠系配水流量约束,则当qd大于时,将qd直接赋值为;当qd小于时,将qd直接赋值为;
若可行解不满足最大轮期约束,则将td直接赋值为tmax;
若可行解不满足水量平衡约束,则修改下级渠段的配水流量,使其满足水量平衡约束;
若可行解不满足引水流量约束,则修改各下级渠道的净流量,使各下级渠道的净流量之和为Qη。
9.如权利要求1所述的多目标动态配水方法,其特征在于,所述适应度函数为:
式中,f为适应度函数,λ1为闸门操作次数目标函数的权重,λ2为渠系输水损失目标函数的权重,λ3为渠道输水平稳目标函数的权重。
10.如权利要求1所述的多目标动态配水方法,其特征在于,所述若当前迭代次数不大于最大迭代次数,则更新每一个可行解;包括:
若当前迭代次数t小于等于T/4,T为总迭代次数,则更新可行解的公式为:
式中,yi,j(t+1)为下一次迭代的可行解i的第j个元素,Aj为最优可行解中的第j个元素,β为敏感参数,μ为0-1的随机数,Ri,j为缩减函数,ξi,j为第i个解中第j个位置的狩猎算子,Ri,j为缩减函数;
若当前迭代次数t大于T/4且小于等于T/2,则更新可行解的公式为:
式中,r1为一个随机数,取值在[1,M]之间,ES(t)为概率比;
若当前迭代次数t大于T/2且小于等于3T/4,则更新可行解的公式为:
若当前迭代次数t大于3T/4且小于等于T,则更新可行解的公式为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210341508.2A CN116029405A (zh) | 2022-04-02 | 2022-04-02 | 一种基于灌区渠系的多目标动态配水方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210341508.2A CN116029405A (zh) | 2022-04-02 | 2022-04-02 | 一种基于灌区渠系的多目标动态配水方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116029405A true CN116029405A (zh) | 2023-04-28 |
Family
ID=86069515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210341508.2A Pending CN116029405A (zh) | 2022-04-02 | 2022-04-02 | 一种基于灌区渠系的多目标动态配水方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029405A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796997A (zh) * | 2023-08-01 | 2023-09-22 | 东北农业大学 | 基于第三代非支配排序遗传算法的三级渠系配水优化方法 |
CN117436621A (zh) * | 2023-12-21 | 2024-01-23 | 山东省水利科学研究院 | 一种水利工程中渠道衬砌方案的确定方法 |
-
2022
- 2022-04-02 CN CN202210341508.2A patent/CN116029405A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116796997A (zh) * | 2023-08-01 | 2023-09-22 | 东北农业大学 | 基于第三代非支配排序遗传算法的三级渠系配水优化方法 |
CN117436621A (zh) * | 2023-12-21 | 2024-01-23 | 山东省水利科学研究院 | 一种水利工程中渠道衬砌方案的确定方法 |
CN117436621B (zh) * | 2023-12-21 | 2024-04-02 | 山东省水利科学研究院 | 一种水利工程中渠道衬砌方案的确定方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11516976B2 (en) | Irrigation system control with predictive water balance capabilities | |
CN105243458B (zh) | 一种基于多目标混合蛙跳差分算法的水库调度方法 | |
CN112633578B (zh) | 一种引调水工程影响下梯级水库群优化调度方法 | |
CN116029405A (zh) | 一种基于灌区渠系的多目标动态配水方法 | |
CN107527119A (zh) | 基于改进的多目标量子遗传算法的水资源优化调度方法 | |
CN105809279A (zh) | 一种基于多目标量子混合蛙跳算法的水资源优化调度方法 | |
CN111724003B (zh) | 一种基于“分区-分级”理论的复杂水资源***优化配置方法 | |
CN110334391A (zh) | 一种多维度约束风电场集电线路自动规划方法 | |
CN110472840B (zh) | 一种基于神经网络技术的农业水利调度方法及*** | |
CN109858180B (zh) | 一种区域作物耗水空间格局优化设计方法 | |
CN107067190A (zh) | 基于深度强化学习的微电网电能交易方法 | |
CN116307191B (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
CN116307591A (zh) | 一种基于amocs-pt的跨流域调水工程优化调度方法 | |
CN109921420A (zh) | 弹性配电网恢复力提升方法、装置及终端设备 | |
CN112613720A (zh) | 考虑多不确定性的水库灌溉优化调度方法 | |
CN106845696B (zh) | 一种智能优化水资源配置方法 | |
CN116562583A (zh) | 一种多维度水资源供需预测方法及*** | |
CN112966445A (zh) | 一种基于强化学习模型fqi的水库防洪优化调度方法 | |
CN115222105A (zh) | 考虑风险和效益博弈均衡的梯级电站调度优化方法及*** | |
CN107992965A (zh) | 基于粒子群算法的小流域水土资源协调优化方法 | |
CN113837891A (zh) | 一种应对气候变化的大面积农灌区水资源均衡高效调配方法 | |
Karnatapu et al. | Multi-objective reservoir operating strategies by genetic algorithm and nonlinear programming (GA–NLP) hybrid approach | |
CN109359671B (zh) | 一种水电站水库调度规则的分类智能提取方法 | |
CN116128154A (zh) | 一种农业园区综合能源***的能源优化配置方法及装置 | |
CN113487171A (zh) | 一种基于改进型黏菌优化算法的业务资源分配方法 |
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 |