CN117787658B - 一种基于灌区的河水流量异常条件下水资源调度*** - Google Patents
一种基于灌区的河水流量异常条件下水资源调度*** Download PDFInfo
- Publication number
- CN117787658B CN117787658B CN202410199513.3A CN202410199513A CN117787658B CN 117787658 B CN117787658 B CN 117787658B CN 202410199513 A CN202410199513 A CN 202410199513A CN 117787658 B CN117787658 B CN 117787658B
- Authority
- CN
- China
- Prior art keywords
- water
- scheduling
- water supply
- value
- river
- 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 322
- 238000003973 irrigation Methods 0.000 title claims abstract description 117
- 230000002262 irrigation Effects 0.000 title claims abstract description 116
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 50
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000005070 sampling Methods 0.000 claims abstract description 19
- 238000010276 construction Methods 0.000 claims abstract description 10
- 238000012937 correction Methods 0.000 claims abstract description 10
- 238000012544 monitoring process Methods 0.000 claims description 46
- 238000001704 evaporation Methods 0.000 claims description 31
- 230000008020 evaporation Effects 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 23
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000000630 rising effect Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 238000000034 method Methods 0.000 description 27
- 239000002689 soil Substances 0.000 description 13
- 230000008859 change Effects 0.000 description 11
- 230000008569 process Effects 0.000 description 11
- 238000007726 management method Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 239000003621 irrigation water Substances 0.000 description 5
- 239000002699 waste material Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000001035 drying Methods 0.000 description 4
- 230000005068 transpiration Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013439 planning Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000013112 stability test Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000001744 unit root test Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于灌区的河水流量异常条件下水资源调度***，涉及水体资源调度技术领域，若异常关联度超过关联阈值，使用训练后的河流流量预测模型对采样点处的河流流量进行预测，并在对预测值作出修正后，获取修正后流量预测值；对各个子区域内的需水量及供水量进行预测，获取灌溉区域内各个子区域内在目标节点上的预测需水量及预测供水量，由训练后的水体调度模型为灌溉区域求解最优调度方案；由调度数据生成供水系数，若供水系数低于预设的供水阈值，从预先构建的模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化。通过在预测数据的基础上对水资源进行调度，在灌溉区域内的水体供应风险产生时，能够提前进行处理。
Description
技术领域
本发明涉及水体资源调度技术领域，具体为一种基于灌区的河水流量异常条件下水资源调度***。
背景技术
水资源调度是指通过合理运用各类水工程，在时间和空间上对地表水资源进行调节、控制和分配的活动，具体来说，是指合理分配、管理和利用可用的水资源的过程。它涉及到评估水资源状况、制定水资源管理策略、规划水资源开发和利用方案等。具体包括：水资源评估、需求管理、水资源分配、水资源规划和管理、跨界水资源管理及灾害管理和应急响应等方面。水体资源调度需要综合考虑社会、经济、环境和生态等多个方面的因素。有效的水资源调度可以确保水资源的可持续利用，满足各种不同需求，特别是满足农业灌溉需求。
若在申请公布号为CN116245375A的中国发明专利中，公开一种基于物联网的水资源灌区管理方法及***，包括地图监测***、智能灌管理***、数据分析模块和信息查询***，地图检测***用于对灌区各渠道、闸室和闸门进行在线监控，智能灌管理***用于对各个灌溉阀门进行控制，通过设置灌溉的参数以及灌溉的策略实现对整个灌溉过程的现场控制，数据分析模块用于对整个灌区的实际情况以及历史数据进行统计分析。
在以上申请中记载的技术方案，可以满足灌区管理人员对整个灌区信息的数据化和可视化要求，而且还可以提高物联网采集数据的可利用度，为管理部门和管理人员的节水调度等决策提供信息支撑，可以有效的缓解灌区水资源紧张和浪费的现状。
结合以上申请，在河流流量产生异常时，比如说，河流流量突然大量增加或者降低时，灌溉区域内能够得到供水量会也会产生相应的变化，因此需要及时的对灌溉区域内的水资源及时做出调度，以避免灌溉区域产生缺水或者洪涝，但是，现有的调度方法中，在对灌溉区域内的水体资源进行调度时，未能对灌溉区域内的当前的气候条件进行判断，特别是判断当前对农作物灌溉的空气湿度和水分蒸发量，因为，在灌溉区域内空气湿度和水分蒸发量变动较大时，灌溉区域内潜在的缺水风险也较大，此时，要是仍要在河流流量已经产生异常时再展开水资源调度，则水资源调度会存在一定延迟，导致对灌溉区域内的供水会难以起到应有的作用，灌溉区域内的作物仍会存在较大的缺水风险，因此，产生经济损失的风险仍然较大。
为此，本发明提供了一种基于灌区的河水流量异常条件下水资源调度***。
发明内容
（一）解决的技术问题
针对现有技术的不足，本发明提供了一种基于灌区的河水流量异常条件下水资源调度***，通过使用训练后的河流流量预测模型对采样点处的河流流量进行预测，并在对预测值作出修正后，获取修正后流量预测值；对各个子区域内的需水量及供水量进行预测，获取灌溉区域内各个子区域内在目标节点上的预测需水量及预测供水量，由训练后的水体调度模型为灌溉区域求解最优调度方案；由调度数据生成供水系数，若供水系数低于预设的供水阈值，从预先构建的模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化。在灌溉区域内的水体供应风险产生时，能够提前进行处理，避免损失的产生，解决了背景技术中提出的技术问题。
（二）技术方案
为实现以上目的，本发明通过以下技术方案予以实现：一种基于灌区的河水流量异常条件下水资源调度***，包括，
预警单元，由位于灌溉区域内的检测点处，对气候条件进行检测并由检测结果构建气候条件集合，由气候条件集合生成气候条件系数，若所述气候条件系数超出预先构建的异常阈值，向外部发出预警指令；其中，气候条件系数/>获取方式如下：对空气湿度Rp及水分蒸发量Fp做线性归一化处理，将相应的数据值映射至区间/>内，再依照如下方式：/>其中，为空气湿度的参考标准值，/>为水分蒸发量的参考标准值；权重系数：，其中，i为监测周期的序号，/>，k为监测周期的个数；
分析单元，对河流流量进行检测并计算相应的流量稳定度，由连续获取的若干个流量稳定度/>生成流量稳定度/>的相对强弱指数，若相对强弱指数不在强弱阈值内，计算流量稳定度/>与气候条件系数/>间的异常关联度/>，若异常关联度/>超过关联阈值，发出预测指令；
预测单元，在接收到预测指令后，使用训练后的河流流量预测模型对采样点处的河流流量进行预测，并在对预测值作出修正后，获取修正后流量预测值，若修正后流量预测值低于预期，发出调度指令；
调度单元，接收到调度指令后，对各个子区域内的需水量及供水量进行预测，获取灌溉区域内各个子区域内在目标节点上的预测需水量及预测供水量，并以此作为调度目标，由训练后的水体调度模型为灌溉区域求解最优调度方案，
优化单元，在调度方案执行后，由调度数据生成供水系数，若供水系数低于预设的供水阈值，从预先构建的模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化。
进一步的，将河流及水利设施囊括在内的区域确定为灌溉区域，并构建覆盖灌溉区域的电子地图，在电子地图上将灌溉区域分割为若干个子区域；于子区域内的检测点处对子区域内的空气湿度及水分蒸发进行监控，并将连续获取的若干组空气湿度Rp及水分蒸发量Fp汇总，构建气候条件集合；
将气候条件系数超出异常阈值监测周期确定为异常周期，在连续获取若干个监测周期内的气候条件系数/>后，判断异常周期出现的频率，若出现异常频率超过预期，外部发出预警指令。
进一步的，在所述监测周期内设置若干个时间节点，沿着河流延伸方向等距设置若干个采样点，在每个时间节上于采样点处获取相应的河流流量数据，将若干个河流流量数据汇总后，构建流量数据集合；将连续若干个监测周期内的流量稳定度汇总生成稳定度集合，并依照方式如下：/>其中，/>为河流流量在第i个时间节点上的值，/>为监测周期内河流流量的均值，河流流量Yo做线性归一化处理，数据值映射至区间/>内；其中，/>，n为河流流量的个数。
进一步的，以最近连续若干个监测周期间流量稳定度上涨数之和的平均值与下跌数之和的平均值的比值作为相对强弱指数；若相对强弱指数不在强弱阈值内，计算河流的流量稳定度/>与气候条件系数/>间的异常关联度/>，其具体方式如下：/>其中，/>为流量稳定度在第i个监测周期上的值，/>为气候条件系数在第i个监测周期上的值，/>为流量稳定度的均值，/>为气候条件系数的均值；其中，/>，n为监测周期的个数。
进一步的，使用训练后的河流流量预测模型对采样点处的河流流量进行预测，以该预测值作为第一预测值；结合历史数据，使用搭建的ARIMA模型对采样点处的河流流量进行预测，以该预测值作为第二预测值/>；以第二预测值/>对第一预测值/>进行修正，依照如下方式获取修正后流量预测值/>：/>权重系数：；若修正后流量预测值/>低于预期，向外部发出调度指令。
进一步的，训练获取灌区用水需求模型，在选择目标节点后，使用训练后的灌区用水需求模型对各个子区域内的需水量进行预测，获取目标节点上的预测需水量；在采集到各个子区域内的供水量数据后，使用搭建的ARIMA模型对各个子区域在目标节点上的供水量做出预测，获取相应的预测供水量/>；若所述供水风险系数/>超过风险阈值，则发出报警指令。
进一步的，基于预测需水量及预测供水量/>，计算获取供水风险系数，对灌溉区域内供水风险做出评估，其具体方式如下：
其中，/>为预测供水比，为预测供水比的参考标准值，/>为第i个子区域内的预测供水比，为预测供水比的均值，/>，m为子区域内的个数。
进一步的，由遗传算法建立初始模型，使用样本数据对初始模型进行训练和测试，将训练后的初始模型作为水体调度模型；依据当前灌溉区域内环境条件，为调度目标选定约束条件及目标函数，在所述约束条件下依据目标函数，由训练后的水体调度模型求解最优调度方案，将最优调度方案作为目标方案输出。
进一步的，在灌溉区域内实施调度方案，将河流水体向各个子区域内转移，完成水体调度后，对各个子区域内获取的供水量及水体损失量等数据进行监测，将获取若干组监测数据汇总，构建调度数据集合；并构建供水系数；
若供水系数低于预设的供水阈值，对调度数据集合内的调度数据进行识别，获取相应的优化特征，依据优化特征与优化方案的对应性，从模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化。
进一步的，供水系数的构建方式如下：在完成调度后，再次获取各个子区域内供水量与需水量的比值，生成供水比/>，由各个子区域内的供水比生成供水系数，其具体方式如下：/>其中，/>为供水比的参考标准值，/>为第i个子区域内的供水比，/>为供水比的均值，/>，m为子区域内的个数。
（三）有益效果
本发明提供了一种基于灌区的河水流量异常条件下水资源调度***，具备以下有益效果：
1、若确认河流稳定度接下来存在异常的风险较大，通过计算异常关联度，对当前气候条件对河流稳定程度是否存在影响和干扰进行确认；若是当前的河流异常是由气候条件导致，则通过对河流异常情况进行预测，以便于及时进行处理，若不是由气候条件所致，则此时可以进行对河流水体的调度，避免河流流量异常对灌溉区域内农作物的影响，并且通过计算相对强弱指数，能够快速确定出进行调度的时间节点，提高水体调度的精确性。
2、分别对采样点处的河流流量进行预测，并获取相应的预测值，并在修正后获取最终预测值，通过预测值能够对河流流量进行预测，实现对河流流量变化的预估，依据预估结果可以提前对灌溉区域的各个位置做出安排，避免在缺水或者洪涝产生时，不能快速地进行处理，而导致经济损失的产生，对河流流量进行预测时，通过将两种预测方式综合，能够使预测值的可靠性相对更高。
3、分别对灌溉区域内的需水量和供水量进行预测，能够对灌溉区域内的水资源是否充足形成预估，并提前获取各个子区域内，在进行水资源调度时的调度目标，在调度水资源时，调度目标更为明确，减少水资源的浪费；通过获取供水风险系数，能够对灌溉区域内水资源的缺乏风险进行评估，确认水资源调度任务开展的紧急性。
4、对各个子区域内水体的调度进行模拟，获取相应的水资源调度方案，在对水资源调度时，提高调度的准确性，减少水资源的浪费；通过在预测数据的基础上对水资源进行调度，能够在灌溉区域内的水体供应风险产生时提前进行处理，避免实际损失的产生。
5、获取供水系数后，对当前水资源调度结果进行评估，判断当前调度目标是否达成，如果调度任务达成，则此时在河流流量异常条件下的水资源调度结束，若不能达成，需要对水体调度模型进行优化。通过预先构建的模型优化知识图谱，能够快速地为水体调度模型匹配出对应的优化方案，以便于及时地对水体调度模型进行改进，优化水资源的调度效果。
附图说明
图1为本发明河水流量异常条件下水体资源调度方法流程示意图；
图2为本发明河水流量异常条件下水资源调度***结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
请参阅图1及图2，本发明提供一种基于灌区的河水流量异常条件下水资源调度***，包括如下内容：
预警单元，由位于灌溉区域内的检测点处，对气候条件进行检测并由检测结果构建气候条件集合，由气候条件集合生成气候条件系数，若所述气候条件系数超出预先构建的异常阈值，向外部发出预警指令；
预警单元在应用时包括如下内容：
步骤101、在需要将河流及配套的水利设施用于灌溉时，将河流及水利设施囊括在内的区域确定为灌溉区域，并构建覆盖灌溉区域的电子地图，在电子地图上将灌溉区域分割为若干个子区域，并分别对各个子区域进行编号；
在各个子区域内的设置检测点，在设置监测周期后，例如以1天为一个监测周期，于子区域内的检测点处对子区域内的空气湿度及水分蒸发进行监控，并将连续获取的若干组空气湿度Rp及水分蒸发量Fp汇总，构建气候条件集合；
步骤102、由气候条件集合生成气候条件系数，方式如下：对空气湿度Rp及水分蒸发量Fp做线性归一化处理，将相应的数据值映射至区间/>内，再依照如下方式：
其中，为空气湿度的参考标准值，/>为水分蒸发量的参考标准值；权重系数：，其中，权重系数可以参考层次分析法获取，/>，k为监测周期的个数，是大于1的正整数；/>为空气湿度在第i个监测周期上的值，/>为水分蒸发量在第i个监测周期上的值；
使用时，在获取气候条件集合及气候条件系数基础上，能够对灌溉区域内的气候条件进行初步判断，若灌溉区域内的水分流失较快，则需要及时地作出补充；
步骤103、在连续获取到若干个气候条件系数后，依照如下方式构建异常阈值/>：/>其中，，n为气候条件系数的个数，/>为气候条件系数的均值；/>为第i个气候条件系数；
步骤104、若所述气候条件系数超出异常阈值，则说明当前气候条件系数存异常，将对应的监测周期确定为异常周期，在连续获取若干个监测周期内的气候条件系数/>后，判断异常周期出现的频率，若出现异常频率超过预期，例如超过20%，则说明当前灌溉区域内的气候条件十分不稳定，河流流量产生异常的潜在风险较大，若是河流流量经常减少或者增加，则灌溉区域内可能会面临供水不足或供水过多的情形，此时向外部发出预警指令；
需要说明的是：空气湿度对灌溉有着重要的影响，具体如下：
蒸发散：空气湿度越高，蒸发速率越低。当空气湿度高时，水分不容易从土壤和植物表面蒸发，因此植物能够更有效地利用灌溉水。
蒸腾作用：空气湿度越低，植物的蒸腾作用越强。蒸腾作用是指植物通过气孔释放水分，从而吸收土壤中的养分。当空气湿度低时，植物需要更多的水分来满足蒸腾作用，因此需要更频繁地灌溉。
水分传输：空气中的湿度影响水分在土壤和植物之间的传输。当空气湿度低时，水分会更快地从土壤中蒸发到空气中，导致土壤干燥。在这种情况下，植物需要更频繁地灌溉来保持水分供应。
需要说明的是：水分蒸发量对灌溉有着直接影响，具体如下：
水分损失：水分蒸发量高意味着更多的水分会从土壤表面蒸发到空气中，这会导致土壤的水分损失。高水分蒸发量要求更频繁地灌溉，以弥补水分的损失。
灌溉效率：水分蒸发量高会降低灌溉的效率。当水分蒸发速率高时，灌溉水更容易被空气吸收，而不被土壤和植物有效利用。这意味着需要更多的灌溉水才能确保植物得到足够的水分。
土壤干燥：高水分蒸发量会导致土壤迅速干燥。土壤的干燥程度直接影响植物的生长和发育。当水分蒸发量高时，土壤中的水分迅速蒸发，导致土壤干燥，需要更频繁地灌溉来补充水分。
灌溉策略调整：水分蒸发量的变化可能需要调整灌溉策略。在高水分蒸发量的环境中，可能需要增加灌溉的频率和水量，以确保植物的水分需求得到满足。相反，在低水分蒸发量的环境中，可以减少灌溉的频率和水量，以避免过度灌溉。
使用时，结合步骤101至104中的内容：
在确定灌溉区域后，先对灌溉区域内的气候条件进行判断，若潜在的灌溉风险较大，则需要及时的向外部预警指令，依据预警指令，管理人员能够及时的做出处理，能够及时避免或者降低后面的部分子区域内不能获取到灌溉的风险，同时，通过获取的气候条件系数，依据气候条件系数/>的变化，也能够对河流流量是否会产生异常也能及时预知，从而减少损失。
在河流流量产生异常时，比如说，河流流量突然大量增加或者降低时，灌溉区域内能够得到供水量会也会产生相应的变化，因此需要及时的对灌溉区域内的水资源及时做出调度，以避免灌溉区域产生缺水或者洪涝，但是，现有的调度方法中，在对灌溉区域内的水体资源进行调度时，未能对灌溉区域内的当前的气候条件进行判断，特别是判断当前对农作物灌溉的空气湿度和水分蒸发量，在灌溉区域内空气湿度和水分蒸发量变动较大时，灌溉区域内潜在的缺水风险也较大，此时，要是仍要在河流流量已经产生异常时再展开水资源调度，则水资源调度会存在一定延迟，导致对灌溉区域内的供水会难以起到应有的作用，灌溉区域内的作物仍会产生较大的缺水风险，存在经济损失的风险仍然较大。
分析单元，对河流流量进行检测并计算相应的流量稳定度，由连续获取的若干个流量稳定度/>生成流量稳定度/>的相对强弱指数，若相对强弱指数不在强弱阈值内，计算流量稳定度/>与气候条件系数/>间的异常关联度/>，若异常关联度/>超过关联阈值，发出预测指令；
分析单元在应用时包括如下内容：
步骤201、在所述监测周期内设置若干个时间节点，沿着河流延伸方向等距设置若干个采样点，在每个时间节上于采样点处获取相应的河流流量数据，将若干个河流流量数据汇总后，构建流量数据集合；
步骤202、由流量数据集合计算每个监测周期内河流的流量稳定度，方式如下：/>其中，/>为河流流量在第i个时间节点上的值，/>为监测周期内河流流量的均值，河流流量Yo做线性归一化处理，数据值映射至区间/>内；其中，/>，n为河流流量的个数；
将连续若干个监测周期内的流量稳定度汇总，生成稳定度集合；
在对河流流量进行监控时，由监测结果获取河流的流量稳定度，以流量稳定度/>对河流流量的发生异常的风险进行评价，若是流量稳定度/>较差，则说明河流流量经常产生异常，此时，河水水资源供应可能会跟更多或不足，为灌溉带来较大隐患。
步骤203、将稳定度集合内的流量稳定度依据生成时间沿着轴排列并做趋势分析，以最近连续若干个监测周期间流量稳定度/>上涨数之和的平均值与下跌数之和的平均值的比值作为相对强弱指数；
若相对强弱指数不在强弱阈值内，则说明流量稳定度当前存在异变风险，可能会具有较高的概率产生水流增多或者减少的情形，因此需要及时地进行调度，并对产生该种情形的原因进行分析，此时，向外部发出分析指令；
步骤204、在接收到分析指令后，计算河流的流量稳定度与气候条件系数间的异常关联度/>，其具体方式如下：其中，为流量稳定度在第i个监测周期上的值，/>为气候条件系数在第i个监测周期上的值，/>为流量稳定度的均值，/>为气候条件系数的均值；其中，，n为监测周期的个数；
结合历史数据及对河流流量异常的管理预期，预先设置关联阈值，若所述异常关联度超过关联阈值时，说明在气候条件对河水流量异常存在较大影响，此时，向外部发出预测指令，在当前的条件下，对河流流量异常情形进行预测；
使用时，结合步骤201至204中内容：
在获完成河流流量稳定度的趋势分析并获取相应的相对强弱指数后，若是确认河流稳定度接下来存在异常的风险较大，甚至已经存在一定异常时，则通过计算异常关联度/>，对当前气候条件对河流稳定程度是否存在影响和干扰进行确认；
此时，若是当前的河流异常是由气候条件导致，则通过对河流异常情况进行预测，以便于及时进行处理，若不是由气候条件所致，则此时可以进行对河流水体的调度，避免河流流量异常对灌溉区域内农作物的影响，并且通过计算相对强弱指数，基于该值的变化，能够快速确定出进行调度的时间节点，提高水体调度的精确性。
需要说明的是：相对强弱指数是一种金融领域的技术指标，用于衡量价格变动的强度和速度，帮助判断资产的超买和超卖情况。RSI的计算基于一定时期内的价格变动幅度，一般使用14日作为常见的计算周期。以下是计算RSI的基本步骤：
计算价格变动的增益和损失：将每个周期的收盘价与前一个周期的收盘价进行比较，计算价格变动的增益（如果是正数）或损失（如果是负数）。
计算相对强度：将一定周期内的增益值求和，得到总增益；将一定周期内的损失值求和取绝对值，得到总损失；其中，
计算相对强度（RS）=总增益/总损失；
计算相对强弱指数（RSI）=100-（100/（1+RS））；
RSI的取值范围通常在0到100之间。一般来说，当RSI值高于70时，表示资产处于超买状态，价格可能过高，可能会有回调或调整的风险；当RSI值低于30时，表示资产处于超卖状态，价格可能过低，可能会有反弹或上涨的机会。因此，投资者可以根据RSI指标判断买入或卖出的时机；在本申请中，申请人将其用于对河流稳定度的趋势分析；
预测单元，在接收到预测指令后，使用训练后的河流流量预测模型对采样点处的河流流量进行预测，并在对预测值作出修正后，获取修正后流量预测值，若修正后流量预测值低于预期，发出调度指令；
预测单元在应用时包括如下内容：
步骤301、接收到预测指令后，在河流及其沿岸区域设置数据采集点，于数据采集点处对河流状态数据进行采集，具体包括：河道地形、河流所在区域内降雨量、地下水位、河流水位、河流流量、河流流速、流向等；
将以上的采集数据汇总后，对采集数据进行识别，获取若干个数据特征并汇总构建数据特征集合，从数据特征集合内抽取部分数据，分别作为训练集和测试集；由Bp神经网络在选择网络架构后，搭建初始模型，对初始模型进行训练和测试，将训练后的初始模型作为河流流量预测模型；
步骤302、使用训练后的河流流量预测模型对采样点处的河流流量进行预测，以该预测值作为第一预测值；结合历史数据，使用搭建的ARIMA模型对采样点处的河流流量进行预测，以该预测值作为第二预测值/>；
以第二预测值对第一预测值/>进行修正，依照如下方式获取修正后流量预测值/>：/>权重系数：/>；
若修正后流量预测值低于预期，例如低于历史同期的平均值的10%，则说明，接下来河流流量可能存在异常，而所述异常会带来较大的影响，例如，可能会带来干旱、洪涝各个子区域内供水分布不均匀等情形，此时向外部发出调度指令；
需要说明的是：ARIMA模型是一种经典的时间序列分析模型，用于对具有自回归和移动平均特性的时间序列数据进行建模和预测。
ARIMA模型的三个关键参数是p、d和q，分别代表自回归的阶数、差分的阶数和移动平均的阶数。下面是ARIMA模型的基本原理和步骤：
平稳性检验：对原始时间序列数据进行平稳性检验，确保序列的均值和方差在时间上是稳定的。常用的平稳性检验方法包括单位根检验（如ADF检验）和观察序列的自相关图（ACF）和偏自相关图（PACF）。
序列差分：如果原始数据不平稳，需要对其进行差分，以使其平稳。差分操作是将每个观察值与前一个观察值相减，重复多次直到序列趋于平稳。
确定模型阶数：通过观察自相关图（ACF）和偏自相关图（PACF），确定自回归（AR）和移动平均（MA）的阶数，即p和q的值。AR模型的阶数（p）可以根据PACF截尾的情况来确定，MA模型的阶数（q）可以根据ACF截尾的情况来确定。
模型拟合和参数估计：使用最小二乘法或最大似然估计方法，拟合ARIMA模型并估计模型的参数。
模型诊断：对拟合的ARIMA模型进行诊断，检查残差是否满足白噪声假设（即残差之间没有自相关）。
模型预测：使用已经拟合好的ARIMA模型进行未来数据的预测。可以使用前面的观测值进行动态预测，或者使用已有数据的残差进行静态预测。
ARIMA模型能够对时间序列数据进行较为准确地预测，但需要注意的是，ARIMA模型的建立和应用需要满足一定的假设条件，如线性、平稳性和独立性等。此外，对于非平稳的时间序列数据，还需要通过差分操作将其转化为平稳序列，以满足ARIMA模型的要求。
使用时，结合步骤301及302中的内容：
在训练获取河流流量预测模型及ARIMA模型后，分别对采样点处的河流流量进行预测，并获取相应的预测值，并在修正后获取最终预测值，从而通过预测值能够对河流流量进行预测，实现对河流流量变化的预估，依据预估结果可以提前对灌溉区域的各个位置做出安排，避免在缺水或者洪涝产生时，不能快速地进行处理，而导致经济损失的产生。进一步的，对河流流量进行预测时，通过将两种预测方式综合，能够使预测值的可靠性相对更高。
调度单元，接收到调度指令后，对各个子区域内的需水量及供水量进行预测，获取灌溉区域内各个子区域内在目标节点上的预测需水量及预测供水量，并以此作为调度目标，由训练后的水体调度模型为灌溉区域求解最优调度方案，
调度单元在应用时包括如下内容：
步骤401、接收到调度指令后，在各个子区域内采集灌溉用水的需求数据，包括作物类型及相应的生长周期、灌溉周期；获取天气预报数据，例如降雨量数据、水体蒸发数据；供水路径数据，例如将河流水体引入各个灌溉区域的渠道，及水体在渠道内损失量；
将以上的需求数据汇总后，对需求数据进行识别，获取若干个数据特征并汇总构建数据特征集合，从数据特征集合内抽取部分数据，分别作为训练集和测试集；使用Bp神经网络，在选择网络架构后搭建初始模型，对初始模型进行训练和测试，将训练后的初始模型作为灌区用水需求模型；
在选择目标节点后，使用训练后的灌区用水需求模型对各个子区域内的需水量进行预测，获取目标节点上的预测需水量；
步骤402、在采集到各个子区域内的供水量数据后，使用搭建的ARIMA模型对各个子区域在目标节点上的供水量做出预测，获取相应的预测供水量；
基于预测需水量及预测供水量/>，计算获取供水风险系数/>，对灌溉区域内供水风险做出评估，其具体方式如下：其中，/>为预测供水比，/>为预测供水比的参考标准值，/>为第i个子区域内的预测供水比，/>为预测供水比的均值，/>，m为子区域内的个数；
结合历史数据及对灌溉区域内的供水管理，预先设置风险阈值，若所述供水风险系数超过风险阈值，则发出报警指令；
使用时，在搭建训练后的灌区用水需求模型及ARIMA模型后，能够分别对灌溉区域内的需水量和供水量进行预测，从而能够对灌溉区域内的水资源是否充足形成预估，并提前获取各个子区域内，在进行水资源调度时的调度目标，从而在调度水资源时，调度目标更为明确，减少水资源的浪费；进一步的，通过获取供水风险系数，能够对灌溉区域内水资源的缺乏风险进行评估，确认水资源调度任务开展的紧急性。
步骤403、获取灌溉区域内各个子区域内的预测需水量及预测供水量，以此作为调度目标，以及预测的气象条件、水利设施数据、河流水文状态数据；由以上数据作为样本数据，由遗传算法建立初始模型，使用样本数据对初始模型进行训练和测试，将训练后的初始模型作为水体调度模型；
步骤404、依据当前灌溉区域内环境条件，为调度目标选定约束条件，如河流流量约束、渠道容量约束、水资源限制，根据调度目标为调度任务限定相应的目标函数，例如，目标函数可以是最小化灌溉***的输水损失、最小化水库的蒸发损失；最小化灌溉需求、最小化灌区缺水时间等；在所述约束条件下依据目标函数，由训练后的水体调度模型求解最优调度方案，将最优调度方案作为目标方案输出；
使用时，结合步骤401至404的内容：
在训练获取水体调度模型的基础上，分别选定约束条件及目标函数后，对各个子区域内水体的调度进行模拟，进而获取相应的水资源调度方案，从而在对水资源调度时，提高调度的准确性，减少水资源的浪费；并且，通过在预测数据的基础上对水资源进行调度，能够在灌溉区域内的水体供应风险产生时提前进行处理，避免实际损失的产生。
优化单元，在调度方案执行后，由调度数据生成供水系数，若供水系数低于预设的供水阈值，从预先构建的模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化；
优化单元在应用时包括如下内容：
步骤501、在灌溉区域内实施调度方案，将河流水体向各个子区域内转移，完成水体调度后，对各个子区域内获取的供水量及水体损失量等数据进行监测，将获取若干组监测数据汇总，构建调度数据集合；
步骤502、在完成调度后，再次获取各个子区域内供水量与需水量的比值，生成供水比，由各个子区域内的供水比生成供水系数/>，其具体方式如下：其中，/>为供水比的参考标准值，/>为第i个子区域内的供水比，/>为供水比的均值，/>，m为子区域内的个数；
依据子区域内的供水目标预先设置供水阈值，若供水系数低于预设的供水阈值，则说明当前的供水目标并未有效达成，向外部发出优化指令；
使用时，通过获取供水系数后，对当前水资源调度结果进行评估，判断当前调度目标是否达成，如果调度任务达成，则此时在河流流量异常条件下的水资源调度结束，若不能达成，则可能意味着当前的水体调度模型存在一定故障或者不足，此时，如果再提高后续的调度效果，则还需要对水体调度模型进行优化。
步骤503、以调度模型优化为目标词，在完成数据收集后，预先构建模型优化知识图谱；
在设置异常标准后，对调度数据集合内的调度数据进行识别，获取相应的优化特征，依据优化特征与优化方案的对应性，从模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化；
其中，知识图谱的构建方式如下：
收集模型优化领域的文献、专家知识、行业标准等信息，进行知识抽取，将相关知识从文本、数据等形式中提取出来；整理知识，建立知识库或知识图谱的初始结构；
根据模型特点和优化目标，设计知识图谱的模型和结构，定义模型优化领域的概念和关系，建立本体或图谱模式，利用语义网络、图数据库等技术，进行知识表示和存储；
利用自然语言处理、信息抽取、数据挖掘等技术，自动或半自动地从新数据源中提取和补充知识；结合领域专家的经验和知识，进行人工的知识补充和修正；
建立概念之间的关联和关系，通过链接不同概念，形成知识网络，运用推理机制，进行知识的推理和推断，发现隐藏的关联和规律，从而完成知识图谱的搭建。
知识图谱的主要特点包括：
实体和关系：知识图谱通过定义和描述实体（如人物、地点、事件等）以及实体之间的关系（如属于、位于、发生等）来表示现实世界中的知识。
属性和特征：知识图谱可以为实体和关系定义属性和特征，用于描述它们的性质、属性、类别等。
语义关联：知识图谱通过语义关联（如同义关系、上下位关系、关联关系等）将实体和关系连接起来，形成一个有向图或无向图的结构。
多层次结构：知识图谱可以通过层次结构和分类体系来组织和表达知识，使得知识的组织和检索更加方便和高效。
开放和扩展性：知识图谱可以不断地从多个数据源和知识库中获取新的知识，实现开放和扩展性。
语义推理和查询：知识图谱可以支持基于语义的推理和查询，通过寻找实体和关系之间的逻辑规则和关联性，发现新的知识和关联。
使用时，结合步骤501至503中的内容：
在水利调度模型需要优化时，在获取调度数据后，对调度数据做出分析并获取相应的优化特征，依据调度数据的生成路径，确定出导致调度方案产生不足的原因，并且，通过预先构建的模型优化知识图谱，能够快速地为水体调度模型匹配出对应的优化方案，以便于及时地对水体调度模型进行改进，优化水资源的调度效果。
需要说明的是：层次分析法是一种定性和定量相结合的分析方法，它可以将复杂的问题分解为多个层次，通过比较各层次因素的重要性，可以帮助决策者对复杂问题进行决策，确定最终的决策方案，在这个过程中，层次分析法可以用来确定这些指标的权重系数；层次分析法的步骤如下：
明确问题：首先需要明确决策问题，确定决策的目标和备选方案；
建立层次结构模型：根据问题的性质和决策目标，将问题分解为不同的层次，通常包括目标层、准则层和方案层；目标层是决策问题的总目标，准则层是用于评估备选方案的准则，方案层是备选方案；
构造判断矩阵：通过两两比较同一层次中的元素相对于上一层中某一元素的重要性，构造判断矩阵。判断矩阵中的元素表示两个元素相对重要性的比值；
层次单排序：根据判断矩阵，计算同一层次中元素相对于上一层中某一元素的相对重要性排序权重。这一过程称为层次单排序；
一致性检验：检验判断矩阵的一致性，即检验判断矩阵是否满足一致性条件。如果满足一致性条件，则认为层次单排序结果是合理的；
层次总排序：计算各层元素对***目标的合成权重，进行总排序，以确定递阶结构图中最底层各个元素的总排序权重；
通过层次分析法，决策者可以将复杂的决策问题分解为不同的层次，并基于定性和定量的分析进行决策；这种方法能够提高决策的准确性和有效性，特别适用于那些难以用定量方法解决的复杂问题。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线（例如红外、无线、微波等）方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质（例如，软盘、硬盘、磁带）、光介质（例如，DVD）、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一些逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-onlymemory，ROM）、随机存取存储器（randomaccessmemory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。
Claims (9)
1.一种基于灌区的河水流量异常条件下水资源调度***，其特征在于：包括，
预警单元，由位于灌溉区域内的检测点处，对气候条件进行检测并由检测结果构建气候条件集合，由气候条件集合生成气候条件系数，若所述气候条件系数/>超出预先构建的异常阈值，向外部发出预警指令；其中，气候条件系数/>获取方式如下：对空气湿度Rp及水分蒸发量Fp做线性归一化处理，将相应的数据值映射至区间/>内，再依照如下方式：
其中，为空气湿度的参考标准值，/>为水分蒸发量的参考标准值；权重系数：，其中，i为监测周期的序号，/>，k为监测周期的个数；
分析单元，对河流流量进行检测并计算相应的流量稳定度，由连续获取的若干个流量稳定度/>生成流量稳定度/>的相对强弱指数，若相对强弱指数不在强弱阈值内，计算流量稳定度/>与气候条件系数/>间的异常关联度/>，若异常关联度/>超过关联阈值，发出预测指令；其中，以最近连续若干个监测周期间流量稳定度/>上涨数之和的平均值与下跌数之和的平均值的比值作为相对强弱指数；若相对强弱指数不在强弱阈值内，计算河流的流量稳定度/>与气候条件系数/>间的异常关联度/>，其具体方式如下：
其中，为流量稳定度在第i个监测周期上的值，/>为气候条件系数在第i个监测周期上的值，/>为流量稳定度的均值，/>为气候条件系数的均值；其中，/>，n为监测周期的个数；
预测单元，在接收到预测指令后，使用训练后的河流流量预测模型对采样点处的河流流量进行预测，并在对预测值作出修正后，获取修正后流量预测值，若修正后流量预测值低于预期，发出调度指令；
调度单元，接收到调度指令后，对各个子区域内的需水量及供水量进行预测，获取灌溉区域内各个子区域内在目标节点上的预测需水量及预测供水量，并以此作为调度目标，由训练后的水体调度模型为灌溉区域求解最优调度方案；
优化单元，在调度方案执行后，由调度数据生成供水系数，若供水系数/>低于预设的供水阈值，从预先构建的模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化。
2.根据权利要求1所述的河水流量异常条件下水资源调度***，其特征在于：
将河流及水利设施囊括在内的区域确定为灌溉区域，并构建覆盖灌溉区域的电子地图，在电子地图上将灌溉区域分割为若干个子区域；在子区域内的检测点处对子区域内的空气湿度及水分蒸发进行监控，并将连续获取的若干组空气湿度Rp及水分蒸发量Fp汇总，构建气候条件集合；
将气候条件系数超出异常阈值监测周期确定为异常周期，在连续获取若干个监测周期内的气候条件系数/>后，判断异常周期出现的频率，若出现异常频率超过预期，外部发出预警指令。
3.根据权利要求1所述的河水流量异常条件下水资源调度***，其特征在于：
在所述监测周期内设置若干个时间节点，沿着河流延伸方向等距设置若干个采样点，在每个时间节上于采样点处获取相应的河流流量数据，将若干个河流流量数据汇总后，构建流量数据集合；将连续若干个监测周期内的流量稳定度汇总生成稳定度集合，并依照方式如下：
其中，为河流流量在第i个时间节点上的值，/>为监测周期内河流流量的均值，河流流量Yo做线性归一化处理，数据值映射至区间/>内；其中，/>，n为河流流量的个数。
4.根据权利要求1所述的河水流量异常条件下水资源调度***，其特征在于：
使用训练后的河流流量预测模型对采样点处的河流流量进行预测，以该预测值作为第一预测值；结合历史数据，使用搭建的ARIMA模型对采样点处的河流流量进行预测，以该预测值作为第二预测值/>；以第二预测值/>对第一预测值/>进行修正，依照如下方式获取修正后流量预测值/>：
权重系数：；若修正后流量预测值/>低于预期，向外部发出调度指令。
5.根据权利要求4所述的河水流量异常条件下水资源调度***，其特征在于：
训练获取灌区用水需求模型，在选择目标节点后，使用训练后的灌区用水需求模型对各个子区域内的需水量进行预测，获取目标节点上的预测需水量；在采集到各个子区域内的供水量数据后，使用搭建的ARIMA模型对各个子区域在目标节点上的供水量做出预测，获取相应的预测供水量/>；若所述供水风险系数/>超过风险阈值，则发出报警指令。
6.根据权利要求5所述的河水流量异常条件下水资源调度***，其特征在于：
基于预测需水量及预测供水量/>，计算获取供水风险系数/>，对灌溉区域内供水风险做出评估，其具体方式如下：
其中，为预测供水比，/>为预测供水比的参考标准值，/>为第i个子区域内的预测供水比，/>为预测供水比的均值，/>，m为子区域内的个数。
7.根据权利要求6所述的河水流量异常条件下水资源调度***，其特征在于：
由遗传算法建立初始模型，使用样本数据对初始模型进行训练和测试，将训练后的初始模型作为水体调度模型；依据当前灌溉区域内环境条件，为调度目标选定约束条件及目标函数，在所述约束条件下依据目标函数，由训练后的水体调度模型求解最优调度方案，将最优调度方案作为目标方案输出。
8.根据权利要求1所述的河水流量异常条件下水资源调度***，其特征在于：
在灌溉区域内实施调度方案，将河流水体向各个子区域内转移，完成水体调度后，对各个子区域内获取的供水量及水体损失量数据进行监测，将获取若干组监测数据汇总，构建调度数据集合；并构建供水系数；
若供水系数低于预设的供水阈值，对调度数据集合内的调度数据进行识别，获取相应的优化特征，依据优化特征与优化方案的对应性，从模型优化构建知识图谱内匹配出对应的优化方案，对调度模型进行优化。
9.根据权利要求8所述的河水流量异常条件下水资源调度***，其特征在于：
供水系数的构建方式如下：在完成调度后，再次获取各个子区域内供水量与需水量的比值，生成供水比/>，由各个子区域内的供水比生成供水系数/>，其具体方式如下：
其中，为供水比的参考标准值，/>为第i个子区域内的供水比，/>为供水比的均值，/>，m为子区域内的个数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199513.3A CN117787658B (zh) | 2024-02-23 | 2024-02-23 | 一种基于灌区的河水流量异常条件下水资源调度*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410199513.3A CN117787658B (zh) | 2024-02-23 | 2024-02-23 | 一种基于灌区的河水流量异常条件下水资源调度*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117787658A CN117787658A (zh) | 2024-03-29 |
| CN117787658B true CN117787658B (zh) | 2024-06-11 |
Family
ID=90392809
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410199513.3A Active CN117787658B (zh) | 2024-02-23 | 2024-02-23 | 一种基于灌区的河水流量异常条件下水资源调度*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117787658B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117992895B (zh) * | 2024-04-03 | 2024-06-07 | 西安寰宇管道工程技术有限公司 | 一种基于大数据的油气管道区域风险监测方法及*** |
| CN118013232B (zh) * | 2024-04-07 | 2024-06-18 | 山东齐鸿工程建设有限公司 | 基于人工智能的大型水利工程水位监测方法及*** |
| CN118070199A (zh) * | 2024-04-18 | 2024-05-24 | 云南钧衡电力检测技术有限公司 | 一种电力设备检测方法及检测*** |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120112315A (ko) * | 2012-08-30 | 2012-10-11 | 이우성 | 물의 위치에너지를 이용한 수해조절장치 시스템 |
| CN113033014A (zh) * | 2021-04-09 | 2021-06-25 | 北京师范大学 | 一种考虑多水源联合概率分布的区域可供水量估算方法 |
| CN113793006A (zh) * | 2021-09-03 | 2021-12-14 | 中国水利水电科学研究院 | 一种基于尺度效应的农业节水潜力分析方法及*** |
| CN114197389A (zh) * | 2021-12-16 | 2022-03-18 | 王后平 | 一种河道防汛装置及其施工方法 |
| KR102490797B1 (ko) * | 2022-09-28 | 2023-01-25 | 주식회사 제이비티 | 표토 훼손지역의 평가 및 복원 지원 시스템 |
| CN117131652A (zh) * | 2023-06-05 | 2023-11-28 | 天津科技大学 | 一种预测不同气候变化影响浅层地下水海水入侵的方法及应用 |
| CN117236501A (zh) * | 2023-09-19 | 2023-12-15 | 黄河勘测规划设计研究院有限公司 | 地下水资源管理与海水入侵防控方法及*** |
| CN117591794A (zh) * | 2024-01-18 | 2024-02-23 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 基于时间序列的鸟类迁徙轨迹预测方法 |
-
2024
- 2024-02-23 CN CN202410199513.3A patent/CN117787658B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20120112315A (ko) * | 2012-08-30 | 2012-10-11 | 이우성 | 물의 위치에너지를 이용한 수해조절장치 시스템 |
| CN113033014A (zh) * | 2021-04-09 | 2021-06-25 | 北京师范大学 | 一种考虑多水源联合概率分布的区域可供水量估算方法 |
| CN113793006A (zh) * | 2021-09-03 | 2021-12-14 | 中国水利水电科学研究院 | 一种基于尺度效应的农业节水潜力分析方法及*** |
| CN114197389A (zh) * | 2021-12-16 | 2022-03-18 | 王后平 | 一种河道防汛装置及其施工方法 |
| KR102490797B1 (ko) * | 2022-09-28 | 2023-01-25 | 주식회사 제이비티 | 표토 훼손지역의 평가 및 복원 지원 시스템 |
| CN117131652A (zh) * | 2023-06-05 | 2023-11-28 | 天津科技大学 | 一种预测不同气候变化影响浅层地下水海水入侵的方法及应用 |
| CN117236501A (zh) * | 2023-09-19 | 2023-12-15 | 黄河勘测规划设计研究院有限公司 | 地下水资源管理与海水入侵防控方法及*** |
| CN117591794A (zh) * | 2024-01-18 | 2024-02-23 | 吉林省林业科学研究院(吉林省林业生物防治中心站) | 基于时间序列的鸟类迁徙轨迹预测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 基于SWAT模型模拟的未来气候变化对洪湖流域水资源影响研究;王苗;刘敏;夏智宏;王凯;向华;秦鹏程;任永建;;气象与环境学报;20160815(第04期);第66-69页 * |
| 基于承载能力的京津冀水资源管控体系探讨;宋秋波;丁菊莺;赵钟楠;;水利规划与设计(第12期);第78081页 * |
| 浙江致灾强风暴网格化监测预警服务***建设;李玉柱;朱明;赵放;洪毅;;浙江气象;20070330(第01期);第33-35页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117787658A (zh) | 2024-03-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117787658B (zh) | 一种基于灌区的河水流量异常条件下水资源调度*** | |
| Ali et al. | Multi-stage committee based extreme learning machine model incorporating the influence of climate parameters and seasonality on drought forecasting | |
| CN112602563B (zh) | 一种节水灌溉***及精准灌溉方法 | |
| Venkadesh et al. | A genetic algorithm to refine input data selection for air temperature prediction using artificial neural networks | |
| Farokhnia et al. | Application of global SST and SLP data for drought forecasting on Tehran plain using data mining and ANFIS techniques | |
| Mekala et al. | (t, n): Sensor Stipulation with THAM index for smart agriculture decision-making IoT system | |
| CN111191193A (zh) | 一种基于自回归滑动平均模型的长期土壤温湿度高精度预测方法 | |
| Kung et al. | Drought forecast model and framework using wireless sensor networks | |
| Cadenas et al. | Making decisions for frost prediction in agricultural crops in a soft computing framework | |
| CN112352523B (zh) | 一种基于智能决策的茶园水肥灌溉控制方法和*** | |
| Verma et al. | Comparative analysis of CMIP5 and CMIP6 in conjunction with the hydrological processes of reservoir catchment, Chhattisgarh, India | |
| Pandya et al. | Development of drought severity–duration–frequency curves for identifying drought proneness in semi-arid regions | |
| CN117809439A (zh) | 一种基于多种环境因素中河流流量异常预警*** | |
| Li et al. | Prediction of grain yield in Henan Province based on grey BP neural network model | |
| CN114092776A (zh) | 应用于智慧农业的多传感器数据融合方法 | |
| Refonaa et al. | Remote sensing based rain fall prediction using big data assisted integrated routing framework | |
| Nasseri et al. | A comparison between direct and indirect frameworks to evaluate impacts of climate change on streamflows: case study of Karkheh River basin in Iran | |
| Majumdar et al. | Demand prediction of rice growth stage-wise irrigation water requirement and fertilizer using Bayesian genetic algorithm and random forest for yield enhancement | |
| Gupta et al. | Markov Chain Model Used in Agricultural Yield Predictions Utilizing on Indian Agriculture | |
| Atiaa et al. | Using fuzzy logic for estimating monthly pan evaporation from meteorological data in Emara/South of Iraq | |
| Adeyemo | Soft Computing techniques for weather and Climate change studies | |
| Abdallah et al. | A Machine Learning Approach for a Robust Irrigation Prediction via Regression and Feature Selection | |
| Mi et al. | Prediction of chilling damage risk in maize growth period based on probabilistic neural network approach | |
| CN117784290B (zh) | 一种基于贝叶斯神经网络的骤旱预警方法及*** | |
| Al-Shanableh | Prediction of the annual yield of citrus growth in the Guzelyurt district using fuzzy inference systems |
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 |