基于知識(shí)庫(kù)和場(chǎng)景推理的烏江智能化防洪調(diào)度

摘要：圍繞貴州省內(nèi)烏江流域梯級(jí)水庫(kù)防洪調(diào)度問題，開展了基于知識(shí)庫(kù)和快速場(chǎng)景推理的智能防洪優(yōu)化調(diào)度研究?；诤Ａ康姆篮檎{(diào)度方案，對(duì)調(diào)度經(jīng)驗(yàn)知識(shí)進(jìn)行組織與重構(gòu)，按照“單元-網(wǎng)絡(luò)-圖譜”的總體思路，構(gòu)建流域梯級(jí)水庫(kù)群防洪調(diào)度知識(shí)庫(kù)。在此基礎(chǔ)上，根據(jù)流域防洪方案特征確定用于場(chǎng)景匹配的數(shù)值類、要素類及模糊類等特征信息，通過計(jì)算防洪調(diào)度方案各特征信息的權(quán)重，基于快速場(chǎng)景匹配與推理技術(shù)，優(yōu)選與目標(biāo)案例匹配度最高的典型案例，實(shí)現(xiàn)了流域智能化防洪調(diào)度。以烏江梯級(jí)水庫(kù)群為實(shí)例進(jìn)行的應(yīng)用分析表明：典型洪水場(chǎng)景下削峰率達(dá)47%，模型求解耗時(shí)5.3 s，而采用傳統(tǒng)動(dòng)態(tài)規(guī)劃模型的求解耗時(shí)為211 s，求解效率大幅提高。所提方法解決了傳統(tǒng)調(diào)度中實(shí)時(shí)方案計(jì)算的時(shí)效性問題，且所得方案蘊(yùn)含調(diào)度決策經(jīng)驗(yàn)，調(diào)度過程對(duì)實(shí)際洪水的變化適應(yīng)性更強(qiáng)。

關(guān) 鍵 詞：梯級(jí)水庫(kù)； 防洪調(diào)度知識(shí)庫(kù)； 場(chǎng)景推理； 知識(shí)圖譜； 場(chǎng)景快速匹配； 烏江流域

中圖法分類號(hào)： TV697.13

文獻(xiàn)標(biāo)志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.09.002

0 引 言

水庫(kù)是洪水防治的重要工程措施，可通過汛期蓄水有效攔截洪水［1-2］。目前，隨著氣候變暖，極端天氣出現(xiàn)頻率增加，導(dǎo)致徑流不確定性大幅增加［3］，給水庫(kù)防洪帶來了嚴(yán)峻考驗(yàn)。近年來國(guó)內(nèi)外對(duì)于水庫(kù)防洪調(diào)度研究較多。劉達(dá)等［4］采用基于約束條件檢驗(yàn)的決策樹分析法，研究了飛來峽水庫(kù)洪水的資源化問題；荊柱等［5］基于面向多區(qū)域防洪的梯級(jí)水庫(kù)群協(xié)同調(diào)度策略，研究了金沙江下游水庫(kù)群的協(xié)同防洪問題；Lu等［6］基于貝葉斯網(wǎng)絡(luò)分析了水庫(kù)防洪存在的風(fēng)險(xiǎn)；覃暉等［7］提出了一種自適應(yīng)柯西變異多目標(biāo)差分進(jìn)化算法，研究了三峽水利樞紐的防洪調(diào)度問題；吳瓊［8］采用動(dòng)態(tài)水位限制及變動(dòng)離散機(jī)制對(duì)動(dòng)態(tài)規(guī)劃算法進(jìn)行降維處理，研究了流溪河流域的防洪調(diào)度；Wang等［9］提出了一種結(jié)合ε-約束法的改進(jìn)禿鷹搜索算法（CABES）并用于洪水調(diào)度。

隨著水利工程群的日益擴(kuò)大，傳統(tǒng)方法已不能完全滿足現(xiàn)在的調(diào)度需求［10］。利用信息化技術(shù)、智能優(yōu)化與知識(shí)推理技術(shù)促進(jìn)流域水利改革與發(fā)展，實(shí)現(xiàn)有關(guān)水利工程的自動(dòng)化、智能化調(diào)度是水利行業(yè)未來發(fā)展的趨勢(shì)［11］。因此，進(jìn)一步尋求更加智能的調(diào)度方法，對(duì)推進(jìn)智慧水利建設(shè)具有重大意義［12］。

知識(shí)圖譜技術(shù)是人工智能技術(shù)的重要組成部分［13］，通過將散亂的知識(shí)有效地組織起來，表達(dá)成更接近于人類認(rèn)知世界的形式。該技術(shù)在電網(wǎng)工程［14］、故障診斷［15］、電商［16］、文獻(xiàn)計(jì)量分析［17］等多個(gè)領(lǐng)域中發(fā)揮了重要作用，提升了智能決策水平。然而，由于基礎(chǔ)數(shù)據(jù)資料管理機(jī)制薄弱等問題，知識(shí)圖譜技術(shù)在水利行業(yè)應(yīng)用研究較少。因此，亟需從物理機(jī)制出發(fā)，對(duì)海量防洪領(lǐng)域基礎(chǔ)數(shù)據(jù)進(jìn)行信息提取與整合［18］，并凝練水庫(kù)群防洪調(diào)度邏輯，對(duì)調(diào)度經(jīng)驗(yàn)知識(shí)進(jìn)行組織與重構(gòu)，構(gòu)建防洪領(lǐng)域知識(shí)圖譜，以期進(jìn)一步完善現(xiàn)有防洪調(diào)度系統(tǒng)功能，提高系統(tǒng)防洪調(diào)度智慧化水平。

本文以烏江流域梯級(jí)水庫(kù)為研究對(duì)象，基于長(zhǎng)系列歷史典型洪水及大量模擬洪水的模擬調(diào)度結(jié)果，對(duì)調(diào)度經(jīng)驗(yàn)知識(shí)進(jìn)行組織與重構(gòu)，構(gòu)建烏江流域梯級(jí)水庫(kù)防洪調(diào)度知識(shí)庫(kù)。在此基礎(chǔ)上，確定用于場(chǎng)景匹配的特征信息，并計(jì)算各特征信息的權(quán)重，最后基于快速場(chǎng)景匹配與推理技術(shù)，從知識(shí)庫(kù)中尋找與目標(biāo)案例匹配度最高的典型案例，從而實(shí)現(xiàn)烏江流域梯級(jí)水庫(kù)群基于防洪知識(shí)庫(kù)和智能匹配技術(shù)的智能化洪水調(diào)度。

1 防洪調(diào)度知識(shí)庫(kù)構(gòu)建

防洪調(diào)度知識(shí)庫(kù)按照“單元-網(wǎng)絡(luò)-圖譜”3個(gè)主要步驟進(jìn)行構(gòu)建，如圖1所示。

1.1 防洪基本知識(shí)單元構(gòu)建

防洪基本知識(shí)單元構(gòu)建包括實(shí)體節(jié)點(diǎn)與語義類識(shí)別抽取、節(jié)點(diǎn)屬性抽取以及實(shí)體節(jié)點(diǎn)屬性鏈接3部分。

（1） 實(shí)體節(jié)點(diǎn)與語義類識(shí)別抽取。實(shí)體是指具有可區(qū)別性且獨(dú)立存在的某種事物，如水庫(kù)、水文站點(diǎn)等，是知識(shí)圖譜最基本的元素；語義類指同種特性的實(shí)體構(gòu)成的集合，如水庫(kù)群、控制站、水雨情等。

（2） 節(jié)點(diǎn)屬性抽取。不同的語義類與實(shí)體的屬性分為對(duì)象屬性和數(shù)據(jù)屬性兩種，對(duì)象屬性的值對(duì)應(yīng)語義類或者實(shí)體節(jié)點(diǎn)，數(shù)據(jù)屬性的屬性值對(duì)應(yīng)具體的數(shù)值或者數(shù)組。

（3） 實(shí)體節(jié)點(diǎn)屬性鏈接。將節(jié)點(diǎn)的基本水情、工情以及空間地理位置等基礎(chǔ)屬性信息與實(shí)體節(jié)點(diǎn)進(jìn)行耦合鏈接，構(gòu)建單一防洪節(jié)點(diǎn)的基本知識(shí)單元，并采用知識(shí)框架類的方式對(duì)節(jié)點(diǎn)單元進(jìn)行知識(shí)存儲(chǔ)與表示。

1.2 防洪知識(shí)體系網(wǎng)構(gòu)建

考慮不同洪水條件下水庫(kù)單元與控制站點(diǎn)單元之間的防洪調(diào)度響應(yīng)關(guān)系以及水庫(kù)間的防洪任務(wù)聯(lián)系，將不同的基本知識(shí)單元進(jìn)行有機(jī)組織，構(gòu)建防洪知識(shí)體系網(wǎng)，具體包含以下內(nèi)容：

（1） 根據(jù)水庫(kù)與控制站點(diǎn)之間的位置、空間距離等空間拓?fù)渎?lián)系，建立水庫(kù)與水庫(kù)、水庫(kù)與控制站點(diǎn)、控制站點(diǎn)與控制站點(diǎn)之間的基本空間拓?fù)渎?lián)系，以距離為關(guān)系屬性將不同水庫(kù)節(jié)點(diǎn)與控制站節(jié)點(diǎn)進(jìn)行互聯(lián)。

（2） 結(jié)合水庫(kù)節(jié)點(diǎn)與控制站節(jié)點(diǎn)之間的水文水力聯(lián)系，篩選出與各個(gè)控制站點(diǎn)聯(lián)系緊密的水庫(kù)節(jié)點(diǎn)，并根據(jù)不同水庫(kù)節(jié)點(diǎn)對(duì)防洪控制節(jié)點(diǎn)的調(diào)度聯(lián)系，初步確定兩者之間的調(diào)度關(guān)系，并將其作為關(guān)系屬性添加到控制站節(jié)點(diǎn)和與之相鏈接的水庫(kù)節(jié)點(diǎn)之間。

1.3 防洪調(diào)度知識(shí)庫(kù)構(gòu)建

（1） 洪水場(chǎng)景模擬生成。

采用歷史典型設(shè)計(jì)洪水法或多站洪水隨機(jī)模擬法對(duì)多站點(diǎn)不同頻率不同地區(qū)組成的洪水過程進(jìn)行隨機(jī)模擬。

（2） 防洪調(diào)度樣本生成。

根據(jù)不同洪水過程，結(jié)合現(xiàn)有調(diào)度規(guī)則擬定不同水庫(kù)調(diào)度方案，綜合生成不同來水背景場(chǎng)以及模型初始邊界場(chǎng)。通過水庫(kù)優(yōu)化調(diào)度模型、河道洪水演進(jìn)模型等進(jìn)行流域防洪調(diào)度模擬，計(jì)算不同洪水過程、水庫(kù)運(yùn)用條件下，不同控制站點(diǎn)的水位、流量變化過程，獲取大量調(diào)度樣本。

（3） 歷史防洪方案知識(shí)提取。

剖析歷史調(diào)度方案，對(duì)歷史調(diào)度方案中的調(diào)度目標(biāo)，面臨的水情、工情，水庫(kù)啟用組合，水庫(kù)調(diào)度方式，相應(yīng)的調(diào)度效果，以及調(diào)度過程中需要考慮的其他要素的發(fā)生時(shí)間、影響空間以及要素涉及的量與影響程度等進(jìn)行提取，形成防洪基本知識(shí)點(diǎn)。

（4） 構(gòu)建歷史方案知識(shí)庫(kù)。

將提取的知識(shí)要素點(diǎn)進(jìn)行串聯(lián)，并將得到的不同水庫(kù)對(duì)不同控制站點(diǎn)的調(diào)度關(guān)系模型作為關(guān)系屬性對(duì)水庫(kù)節(jié)點(diǎn)和控制站節(jié)點(diǎn)進(jìn)行鏈接，構(gòu)建歷史調(diào)度案例知識(shí)庫(kù)。

（5） 防洪調(diào)度知識(shí)庫(kù)修正。

對(duì)歷史調(diào)度案例進(jìn)行復(fù)演，基于調(diào)度誤差，對(duì)調(diào)度響應(yīng)關(guān)系進(jìn)行重復(fù)訓(xùn)練，如直接對(duì)模型輸出建立誤差自回歸模型進(jìn)行結(jié)果校正。誤差較為明顯時(shí)，則需要對(duì)歷史案例進(jìn)行重構(gòu)解析，重新篩選相關(guān)要素特征，同時(shí)核查水庫(kù)調(diào)度方案與調(diào)度效果是否有誤。

2 防洪優(yōu)化調(diào)度方案獲取方法

2.1 水庫(kù)防洪優(yōu)化調(diào)度模型

本文選用最大下泄流量最小模型作為水庫(kù)防洪優(yōu)化模型，以獲取知識(shí)庫(kù)中案例洪水的防洪調(diào)度方案。

2.1.1 目標(biāo)函數(shù)

最大下泄流量最小模型一般采用下游防洪控制斷面洪峰流量最小作為目標(biāo)?？杀硎緸?/p>

q*max=minTt=1

（qt+Qq，t）2

（1）

式中：q*max為下游最大流量的最小值；qt為t時(shí)段水庫(kù)出庫(kù)流量；Qq，t為t時(shí)段的區(qū)間洪水流量；T為調(diào)度時(shí)段長(zhǎng)度。

2.1.2 約束條件

（1） 水量平衡約束。

Vt=Vt-1+（Qt-qt）Δt

（2）

式中：Vt是第t階段末的水庫(kù)庫(kù)容；Vt-1是第t階段初的水庫(kù)庫(kù)容；Qt是第t階段內(nèi)的平均入庫(kù)流量；Δt為第t時(shí)段的時(shí)段長(zhǎng)。

（2） 防洪庫(kù)容約束。

tdt0（（Qt-qt）Δt）≤V防

（3）

式中：t0、td是超過下游安全泄量的洪水起止時(shí)間；V防是水庫(kù)的防洪庫(kù)容。

（3） 閘門最大泄流能力約束。

qt≤q（Zt，Bt）

（4）

式中：Zt表示各時(shí)刻的水庫(kù)蓄水位；Bt代表泄水建筑物的操作方式，根據(jù)閘門開度與下泄能力對(duì)應(yīng)關(guān)系，選擇相應(yīng)的閘門開度；q（Zt，Bt）表示水庫(kù)蓄水位為Zt，閘門開度為Bt時(shí)的最大下泄能力。

（4） 調(diào)度期末水位約束。

Z1=Zbegin

ZT+1=Zend

（5）

式中：Z1、ZT+1表示調(diào)度期初期、末期水庫(kù)調(diào)度水位；Zbegin、Zend表示水庫(kù)實(shí)際的起調(diào)水位及期末水位。

（5） 非負(fù)約束。

qt≥0

（6）

2.2 模型高效求解方法

鯨魚優(yōu)化算法（whale optimization algorithm，WOA）是受海洋中鯨群捕食行為的啟發(fā)而提出的一種優(yōu)化算法［19］。該算法模擬鯨魚捕食時(shí)通過包圍捕食、氣泡捕食、隨機(jī)捕獵機(jī)制進(jìn)行覓食的行為。首先以當(dāng)前初始情況的最優(yōu)解作為鯨魚首領(lǐng)位置，其余鯨魚把首領(lǐng)的位置作為獵物位置，從而逐步更新自己的位置，直至達(dá)到最優(yōu)位置。

（1） 初始階段。設(shè)在第t輪迭代中，第i只鯨魚的位置表示為Xi，t，為擴(kuò)大鯨魚的搜索范圍，Xi，t會(huì)隨機(jī)選擇一個(gè)鯨魚r進(jìn)行位置更新，此階段鯨魚位置的計(jì)算公式為

Xi，t+1=Xr，t-A·Dr

（7）

式中：Xr，t為第t輪迭代中隨機(jī)鯨魚r的位置。

A為系數(shù)向量：

A=a·（2r1-E）

（8）

a=2-2t/tmax

（9）

Dr為鯨魚i和鯨魚r在當(dāng)前輪次中的隨機(jī)距離：

Dr=CXr，t-Xi，t（10）

C=2r2（11）

式中：r1和r2為［0，1］之間的隨機(jī)變量；E表示單位矩陣；tmax為最大迭代次數(shù)。

（2） 收縮包圍。鯨魚個(gè)體通過不斷向最優(yōu)個(gè)體靠攏，逐漸縮小鯨魚的位置范圍，位置更新公式為

Xi，t+1=Xm，t-A·Dm

（12）

Dm=CXm，t-Xi，t

（13）

式中：Xm，t為第t輪中最佳鯨魚m的位置;Dm為鯨魚i和最佳鯨魚m之間的距離。當(dāng)|A|≥1時(shí)，WOA采用搜索覓食擴(kuò)大搜索范圍；當(dāng)|A|<1時(shí)，采用收縮包圍減小搜索范圍。

（3） 螺旋更新。螺旋更新主要用于計(jì)算鯨魚的氣泡捕食，首先計(jì)算鯨魚到最優(yōu)個(gè)體的距離，然后計(jì)算迭代鯨魚的位置，公式為

Xi，t+1=De·ebl·E·cos2πl(wèi)+Xm，t

（14）

De=Xm，t-Xi，t

（15）

式中：參數(shù)b為對(duì)數(shù)螺線的常量系數(shù);l為［-1，1］之間的隨機(jī)數(shù);De表示鯨魚個(gè)體和最優(yōu)個(gè)體之間的確定距離。

由于鯨魚存在圍捕和氣泡捕食兩種方式，可以設(shè)置隨機(jī)數(shù)p∈［0，1］，用于選取鯨魚的位置更新公式：

Xi，t+1=De·ebl·E·cos2πl(wèi)+Xm，t p<0.5

Xi，t+1=Xr，t-A·Drp>0.5

（16）

（4） 基于萊維飛行的種群初始化策略［20］。萊維飛行過程能夠較好地模擬自然界中的隨機(jī)行為，因而被廣泛應(yīng)用于仿生算法的初始化過程［21］，使用萊維飛行初始化鯨魚算法的步驟如下：

① 隨機(jī)生成第1個(gè)隨機(jī)個(gè)體X0；

② 基于前一個(gè)個(gè)體Xi的位置對(duì)每個(gè)個(gè)體Xi+1的位置都進(jìn)行萊維飛行運(yùn)動(dòng)，公式為

Xi+1=Xi+lLevy（λ）E

（17）

式中：l為步長(zhǎng)控制量；Levy（λ）為隨機(jī)搜索路徑，兩者關(guān)系為

Levy（λ）～u=i-λ 1<λ≤3

（18）

基于嵌入萊維飛行的鯨魚優(yōu)化算法，以水庫(kù)下泄流量峰值最小為目標(biāo)，對(duì)水庫(kù)調(diào)度過程進(jìn)行優(yōu)化，具體流程如下：

（1） 劃分水電站水庫(kù)調(diào)度期時(shí)段，確定決策變量及其取值范圍。

（2） 將出庫(kù)流量作為決策空間個(gè)體的位置，使用萊維飛行策略隨機(jī)初始化個(gè)體的位置，并設(shè)置WOA參數(shù)。

（3） 利用適應(yīng)度函數(shù)計(jì)算鯨群個(gè)體適應(yīng)度值，找到并保存當(dāng)前群體中最優(yōu)鯨群個(gè)體。

（4） 當(dāng)?shù)螖?shù)小于最大迭代次數(shù)時(shí)，更新WOA參數(shù)。

（5） 計(jì)算種群中的個(gè)體適應(yīng)度值，找到并保存當(dāng)前群體中最優(yōu)鯨群個(gè)體。

（6） 輸出最優(yōu)鯨群個(gè)體的適應(yīng)度值及最佳決策變量，即時(shí)段下泄流量、水位變化過程。

3 基于知識(shí)庫(kù)和快速場(chǎng)景推理的水庫(kù)群智能防洪優(yōu)化調(diào)度

3.1 水庫(kù)群優(yōu)化調(diào)度總體思路

基于知識(shí)庫(kù)和快速場(chǎng)景推理法的水庫(kù)防洪優(yōu)化調(diào)度主要有以下步驟：

（1） 使用知識(shí)庫(kù)構(gòu)建方法來建立防洪調(diào)度方案知識(shí)庫(kù)，并查詢出每一個(gè)案例洪水的相關(guān)信息。

（2） 以下游控制站點(diǎn)的洪峰流量最小為目標(biāo)，建立梯級(jí)水庫(kù)防洪優(yōu)化調(diào)度模型，并利用鯨魚優(yōu)化算法求解該模型，獲取該案例洪水的解決方案，并將該案例洪水的解決方案更新到防洪調(diào)度方案知識(shí)庫(kù)中。

（3） 重復(fù)以上步驟，更新所有案例洪水的解決方案，這樣防洪調(diào)度方案知識(shí)庫(kù)將包含所有案例洪水的對(duì)應(yīng)解決方案。

（4） 確定案例匹配的特征信息，然后計(jì)算各特征信息的權(quán)重。

（5） 根據(jù)目標(biāo)洪水場(chǎng)景的主要過程，計(jì)算目標(biāo)案例與防洪知識(shí)庫(kù)中各典型案例的匹配度，選取匹配度最高的典型案例作為基礎(chǔ)，使用相同水位控制法生成目標(biāo)洪水的調(diào)度方案。

（6） 根據(jù)實(shí)際情況對(duì)調(diào)度方案進(jìn)行人工修正。

圖2為基于知識(shí)庫(kù)和場(chǎng)景推理的水庫(kù)群優(yōu)化調(diào)度流程。

3.2 案例匹配的特征信息選取

目標(biāo)案例與典型案例的快速匹配，是通過比較各自的特征信息，找到與目標(biāo)案例特征信息最接近的典型案例。案例的主要特征信息可以基于其屬性分為3類，分別是數(shù)值類、要素類、模糊類。有確定數(shù)值的特征信息是數(shù)值類，沒有確定數(shù)值的且用文字描述的特征信息是要素類，沒有確定數(shù)值但有一定范圍的特征信息是模糊類。用于案例洪水匹配的特征信息及其類別如表1所列。

3.3 基于粗糙集的特征權(quán)重計(jì)算

為區(qū)分不同屬性特征的重要性，利用粗糙集理論確定各屬性特征的客觀權(quán)重［22］。根據(jù)粗糙集理論，有知識(shí)庫(kù)系統(tǒng)S=（U，R，F(xiàn)，V），U是方案庫(kù)里的歷史方案集，R是屬性集，C是條件集，D是決策集，決策通常指“事件級(jí)別”且R=C∪D，決策集D對(duì)條件集C的依賴程度為

rC=Card（posC（D））Card（U）

（19）

rC-1=Card（posC-1（D））Card（U）

（20）

因子i的客觀權(quán)重為

wi1=riC-rC-1n-1i=1rC-rC-1

（21）

wi1和wi2分別代表客觀權(quán)重和主觀權(quán)重（專家給出），整體權(quán)重為

wi=α×wi1+（1-α）×wi2

（22）

3.4 目標(biāo)案例和典型案例匹配度計(jì)算方法

匹配案例的提取原理是將典型案例與目標(biāo)案例進(jìn)行屬性的匹配度計(jì)算，并按照一定方法將各典型案例的屬性權(quán)重進(jìn)行疊加計(jì)算。本文采用基于模糊集屬性的匹配度計(jì)算方法計(jì)算目標(biāo)案例和典型案例的結(jié)構(gòu)匹配度。對(duì)于普通集合A，其為某個(gè)論域U上的一個(gè)子集。為了描述元素u對(duì)U上的一個(gè)模糊集合的隸屬關(guān)系，用［0，1］中的數(shù)值表示這種關(guān)系的不分明性。論域U上的函數(shù)即為模糊集合的隸屬函數(shù)。此處選用最簡(jiǎn)單常用的隸屬函數(shù)，即（半）梯形函數(shù)：

A（x）=1x<a

b-xb-aa≤x≤b

0x>b

（23）

計(jì)算目標(biāo)案例事件P與典型案例Q的數(shù)值/模糊屬性的匹配度，即求其隸屬函數(shù)的重合區(qū)域比例，故有：

sim（pi，qi）=A（pi∩qi）A（pi）+A（qi）-A（pi∩qi）

（24）

由于要素屬性只具有屬性值，所以要素屬性的匹配度，在屬性相同的情況下取1，屬性不同的情況下取0：

sim（pi，qi）=

1pi=qi

0pi≠qi

（25）

結(jié)合結(jié)構(gòu)匹配度和屬性匹配度及相應(yīng)的權(quán)重，得到總體匹配度方程為

Sim（P，Q）=S（P，Q）×ni=1wisim（pi，qi）

（26）

3.5 目標(biāo)洪水求解結(jié)果修正

案例洪水與目標(biāo)洪水不可避免地存在差異，基于場(chǎng)景推理法求解后，目標(biāo)洪水的求解結(jié)果中可能存在出庫(kù)流量波動(dòng)的情況，需針對(duì)這些問題進(jìn)行一定的人工修正，使水庫(kù)出庫(kù)流量更加平滑?？梢圆捎脙煞N方法進(jìn)行修正：

（1） 觀察前后水庫(kù)水位變化和入庫(kù)流量變化的趨勢(shì)來修正水庫(kù)水位。若入庫(kù)流量總體呈上升或下降趨勢(shì)且沒有出現(xiàn)尖頂?shù)那闆r，那么該時(shí)段水庫(kù)水位變化的主要趨勢(shì)應(yīng)該是一致的，不應(yīng)該出現(xiàn)水位的大幅波動(dòng)，根據(jù)這一點(diǎn)，可以修正水庫(kù)水位，并修正水庫(kù)的出庫(kù)流量。

（2） 通過觀察水庫(kù)出庫(kù)流量的變化過程來修正水庫(kù)出庫(kù)流量。如果出庫(kù)流量反復(fù)上下波動(dòng)，并且出現(xiàn)多個(gè)尖頂?shù)那闆r，但入庫(kù)流量并沒有上下波動(dòng)，那么需要對(duì)出庫(kù)流量進(jìn)行試算修正，使其盡可能平滑的同時(shí)滿足水量平衡約束。接著根據(jù)修正后的出庫(kù)流量反推水庫(kù)水位的變化過程，如果水庫(kù)水位不符合相關(guān)約束條件，則需要重新進(jìn)行試算，以使水庫(kù)水位符合約束條件。

4 研究實(shí)例

4.1 研究對(duì)象

烏江是長(zhǎng)江上游南岸最大的一條支流，本文研究對(duì)象為貴州烏江水電開發(fā)有限責(zé)任公司所屬的9個(gè)梯級(jí)水庫(kù)，分別是洪家渡、東風(fēng)、索風(fēng)營(yíng)、烏江渡、大花水、格里橋、構(gòu)皮灘、思林、沙沱水庫(kù)，各梯級(jí)水庫(kù)的位置如圖3所示。

烏江流域主要洪峰期集中在6月和7月，洪峰流量巨大且持續(xù)時(shí)間較長(zhǎng)，給洪水預(yù)報(bào)和防洪安全帶來了巨大挑戰(zhàn)。傳統(tǒng)調(diào)度方法需要準(zhǔn)確的徑流預(yù)測(cè)結(jié)果，且當(dāng)預(yù)測(cè)流量發(fā)生變化時(shí)需要較長(zhǎng)的時(shí)間重新進(jìn)行模擬計(jì)算。因此，迫切需要一種智能化的調(diào)度方法，在洪水即將來臨時(shí)及時(shí)為烏江梯級(jí)提供防洪調(diào)度方案，從而指導(dǎo)梯級(jí)水庫(kù)群的聯(lián)合防洪調(diào)度。

4.2 結(jié)果與分析

給定目標(biāo)洪水，基于目標(biāo)洪水的主要特征，確定2014年7月12～30日烏江梯級(jí)整體的洪水過程與本次目標(biāo)洪水過程相似?？紤]到烏江梯級(jí)涉及水庫(kù)眾多，結(jié)果分析時(shí)將各個(gè)水庫(kù)分開并從案例匹配和解決方案2個(gè)方面進(jìn)行分析。梯級(jí)水庫(kù)典型案例與目標(biāo)案例洪水的數(shù)值類特征信息如表2所列，梯級(jí)各水庫(kù)、各區(qū)間目標(biāo)洪水與案例洪水對(duì)比及方案運(yùn)行情況對(duì)比如圖4所示。

以洪家渡水庫(kù)為例，從表2、圖4結(jié)果可以看出，典型案例洪水與目標(biāo)案例洪水對(duì)應(yīng)的場(chǎng)景要素很接近，目標(biāo)洪水過程與案例洪水過程也很貼合，說明方案匹配的結(jié)果較好。從目標(biāo)案例的運(yùn)行結(jié)果來看，由于洪家渡水庫(kù)是烏江梯級(jí)的龍頭水庫(kù)，具有多年調(diào)節(jié)能力，在洪水到來期間洪家渡水庫(kù)基本可采取全力攔蓄洪水的策略，匹配的案例也是如此，進(jìn)一步說明了結(jié)果的合理性。

此外，從圖4可以看出，經(jīng)烏江梯級(jí)水庫(kù)群聯(lián)合防洪后，梯級(jí)末尾的沙沱水庫(kù)出庫(kù)流量明顯減小，最大出庫(kù)流量為12 700 m3/s，還原后最大出庫(kù)流量約為24 000 m3/s，削峰率達(dá)47%；該場(chǎng)洪水來洪量為121億m3，梯級(jí)水庫(kù)群泄洪量為94億m3，攔蓄了27億m3約22%的來洪量。

從求解效率角度看，采用相似場(chǎng)景推理法生成解決方案，耗時(shí)為5.3 s。而采用傳統(tǒng)的動(dòng)態(tài)規(guī)劃法，將梯級(jí)水庫(kù)群拆分成單個(gè)水庫(kù)進(jìn)行計(jì)算，總共耗時(shí)21.1 s，相較而言場(chǎng)景推理法通過從知識(shí)庫(kù)中搜索案例進(jìn)行匹配，而不進(jìn)行完整的求解計(jì)算，在時(shí)效性上具有優(yōu)勢(shì)。

前述提到基于場(chǎng)景推理法求解得到的結(jié)果存在一定的波動(dòng)，需要進(jìn)行一定的人工修正。以構(gòu)皮灘水庫(kù)、思林水庫(kù)為例，初步修正后的結(jié)果如圖5所示，可以看出經(jīng)初步修正后思林水庫(kù)出庫(kù)流量的尖峰得到了改善。

5 結(jié) 論

本文圍繞烏江流域梯級(jí)水庫(kù)群防洪調(diào)度問題，開展了基于知識(shí)庫(kù)和快速場(chǎng)景推理的烏江梯級(jí)水庫(kù)群智能化防洪調(diào)度研究。提出的基于知識(shí)庫(kù)和快速場(chǎng)景推理的洪水調(diào)度方法，可以避免動(dòng)態(tài)規(guī)劃所面臨的由于維數(shù)災(zāi)效應(yīng)而導(dǎo)致求解時(shí)間過長(zhǎng)、時(shí)效性無法保證的難題。在烏江梯級(jí)水庫(kù)實(shí)例應(yīng)用中，典型洪水場(chǎng)景下洪峰流量削峰率達(dá)47%，梯級(jí)水庫(kù)群攔蓄了27億m3約22%的來洪量，模型求解耗時(shí)5.3 s，相比動(dòng)態(tài)規(guī)劃的求解耗時(shí)21.1 s，求解效率大幅提高。同時(shí)規(guī)避了復(fù)雜的邊界約束配置、模型選擇、結(jié)果整理等計(jì)算環(huán)節(jié)。由于該方法以人工經(jīng)驗(yàn)和歷史調(diào)度方案蘊(yùn)含的調(diào)度知識(shí)為出發(fā)點(diǎn)，所得到的調(diào)度方案在滿足防洪要求的前提下更加貼合實(shí)際。研究成Pe+XACYtxKUsq7c7/0QepufAKvf1pnh30e8UrpZ4/eU=果可為其他流域梯級(jí)水庫(kù)群的聯(lián)合防洪調(diào)度提供參考。

參考文獻(xiàn)：

［1］ 陳森林.水電站水庫(kù)運(yùn)行與調(diào)度［M］.北京：中國(guó)電力出版社，2008.

［2］ SU C G，WANG P L，YUAN W L，et al.An MILP based optimization model for reservoir flood control operation considering spillway gate scheduling［J］.Journal of Hydrology，2022，613：128483.

［3］ GOPALAN P，SARITHA，HANASAKI N，et al.Impact assessment of reservoir operation in the context of climate change adaptation in the Chao Phraya River basin［J］.Hydrological Processes，2020，35（1）：e14005.

［4］ 劉達(dá)，黃本勝，趙璧奎，等.飛來峽水庫(kù)洪水資源化利用與風(fēng)險(xiǎn)分析［J］.水資源保護(hù)，2023，39（5）：18-24，108.

［5］ 荊柱，李肖男，何小聰，等.金沙江下游梯級(jí)水庫(kù)群協(xié)同防洪調(diào)度策略研究［J］.人民長(zhǎng)江，2023，54（9）：33-40.

［6］ LU Q W，ZHONG P A，XU B，et al.Risk analysis for reservoir flood control operation considering two-dimensional uncertainties based on Bayesian network［J］.Journal of Hydrology，2020，589：125353.

［7］ 覃暉，周建中，王光謙，等.基于多目標(biāo)差分進(jìn)化算法的水庫(kù)多目標(biāo)防洪調(diào)度研究［J］.水利學(xué)報(bào)，2009，40（5）：513-519.

［8］ 吳瓊.基于改進(jìn)動(dòng)態(tài)規(guī)劃的流溪河水庫(kù)群聯(lián)合防洪優(yōu)化調(diào)度研究［D］.武漢：華中科技大學(xué)，2022.

［9］ WANG W C，TIAN W C，CHAU K K，et al.Multi-reservoir flood control operation using improved bald eagle search algorithm with ε constraint method［J］.Water，2023，15（4）：692.

［10］馮鈞，杭婷婷，陳菊，等.領(lǐng)域知識(shí)圖譜研究進(jìn)展及其在水利領(lǐng)域的應(yīng)用［J］.河海大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，49（1）：26-34.

［11］石林，彭浩，聶小東，等.基于知識(shí)圖譜的河湖管理中3S技術(shù)應(yīng)用研究進(jìn)展［J］.人民長(zhǎng)江，2021，52（8）：1-9.

［12］桂鹍鵬，蔣鑫，宋欣，等.5G通信技術(shù)在智慧水利中的應(yīng)用前景分析［J］.人民長(zhǎng)江，2021，52（增2）：283-288.

［13］YI X J，HUANG P Z，CHE S J.Application of knowledge graph technology with integrated feature data in spacecraft anomaly detection［J］.Applied Sciences，2023，13（19）：10905.

［14］姜文明，齊立忠，張?zhí)K，等.基于知識(shí)圖譜的電網(wǎng)工程BIM模型質(zhì)量檢查方法［J/OL］.吉林大學(xué)學(xué)報(bào)（工學(xué)版）：1-10［2023-11-23］.https：∥doi.org/10.13229/j.cnki.jdxbgxb.20230781.

［15］劉丹，張振海，翟秋宇，等.列控車載設(shè)備故障診斷的知識(shí)圖譜構(gòu)建與應(yīng)用［J/OL］.鐵道標(biāo)準(zhǔn)設(shè)計(jì)：1-10［2023-11-23］.https：∥doi.org/10.13238/j.issn.1004-2954.202307060004.

［16］沈海倫.NLP和知識(shí)圖譜技術(shù)在鋼鐵電商用戶分類場(chǎng)景的應(yīng)用［J］.寶鋼技術(shù)，2023（5）：56-60.

［17］張鈺寧，景曉棟，田貴良.基于知識(shí)圖譜的中國(guó)水足跡研究進(jìn)展分析［J］.人民長(zhǎng)江，2023，54（4）：114-122.

［18］張忠波.水庫(kù)群聯(lián)合調(diào)度研究［M］.北京：中國(guó)水利水電出版社，2020.

［19］朱豪，胡圓昭，尹明財(cái)，等.基于優(yōu)化算法的CNN-BiLSTM-attention的月徑流量預(yù)測(cè)［J］.人民長(zhǎng)江，2023，54（12）：96-104.

［20］于存威，莫禮平，萬潤(rùn)澤.基于萊維飛行和布朗運(yùn)動(dòng)的鯨魚優(yōu)化算法［J］.吉首大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（2）：24-32.

［21］李璐，陳秀銅.基于改進(jìn)粒子群算法的水庫(kù)優(yōu)化調(diào)度研究［J］.人民長(zhǎng)江，2010，41（14）：68-71.

［22］門寶輝，吳明明，劉燦均，等.基于知識(shí)粒度-屬性重要度的水資源可持續(xù)利用評(píng)價(jià)：以北京市為例［J］.人民長(zhǎng)江，2023，54（5）：47-52，60.

（編輯：郭甜甜）

Intelligent flood dispatching of Wujiang River based on knowledge base and scenario reasoning

GAO Ying

（Guizhou Wujiang Hydropower Development，Guiyang 550002，China）

Abstract：

Focusing on the flood dispatching of Wujiang Cascade Reservoir in Guizhou Province，a research on intelligent flood dispatching based on knowledge base and rapid scenario reasoning was carried out.First，based on the calculation of massive operation plans，the operation experience and knowledge were organized and reconstructed.Besides，according to the overall idea of "unit-network-graph"，a preliminary knowledge base for flood dispatching was constructed.On this basis，according to the characteristics of the flood dispatching plans，the feature information of numerical type，essential type and fuzzy type used for scene matching was determined.By calculating the weight of each characteristic information of the flood dispatching plan，and based on fast scene matching and scenario reasoning，a typical plan with the highest matching degree was selected，thus the intelligent flood dispatching of basins was implemented.Taking cascade reservoirs on Wujiang River as an example，an application analysis was conducted，revealing that under typical flood scenario，the peak flow reduction reached 47%.The time taken for solving the scenario was 5.3 seconds using proposed method，while dynamic programming took 21.1 seconds，demonstrating that the efficiency of the solution was significantly improved.The proposed method can solve the timeliness problem of real-time solution calculation in traditional operation.The proposed solution incorporates scheduling decision-making experience，making the dispatch process more adaptable to changes in actual flood conditions.

Key words：

cascade reservoirs； knowledge base for flood dispatching； scenario reasoning； knowledge graph； fast scene matching； Wujiang River Basin