[发明专利]一种灌区用水智能调控方法

说明书

本发明公开了一种灌区用水智能调控方法，包括S1、根据获取的灌区河/渠/沟网布置图、泵/闸群布置图及渠/沟网所控制的各用水区域种植结构现状，构建包含泵/闸群布置和各用水区域种植结构类型的全局拓扑关系；S2、根据所述全局拓扑关系和Nash均衡模型，构建灌区各子区域用水户间的局部水量博弈矩阵，并按时间维进行演化博弈；S3、根据灌区各调控节点的空间拓扑关系，构建调控节点之间的整体协同调控矩阵；S4、将所述局部水量博弈矩阵和整体协同调控矩阵进行耦合，获得灌区输配水与排水动力学过程自适应变换式，实现灌区渠系/沟网水运动自适应智能调控。

技术领域

本发明属于灌区水资源调控的技术领域，具体涉及一种灌区用水智能调控方法。

背景技术

为达到灌区水资源高效利用的目的，需历经配置、调度和调控三个层面的工作。与前两者相比，“调控”的内涵更为丰富，包含了“高效”、“安全”、“实时”的基本特征，即在供需最佳匹配目标下，实现灌区水网众多节点(闸/阀/泵)的实时操作互馈，达到灌区水网高效、安全运行的目标。

现有灌区用水过程优化模型分为传统用水过程优化模型、人工智能用水过程优化模型和基于复杂网络拓扑结构的用水优化调控模型。

(1)传统用水过程优化模型

传统的用水过程优化模型有两类：一是静态优化模型，直接借助优化算法和水量平衡原理来获取灌区用水过程的全局最优解集；二是动态优化模型，即通过耦合优化方法与水动力学简化式，实现用水过程的动态最优解。

静态优化模型通常包括确定性模型和不确定性模型两类。确定性模型是借助优化算法和模型来直接解决水资源优化配置问题。不确定性模型通过考虑随机因素对优化模型参数的影响，使得优化结果更加接近真实情景，但受非线性和参数区间不确定性的双重影响，求解过程复杂且不易收敛。由于静态模型未耦合水运动模拟模型，故无法优化非恒定态下的输配水与排水过程，只能结合水量平衡原理从全局视角优化用水总量在研究区域的配置，故难适用于具体的工程调控问题。

动态优化模型(Simulation–Optimization model)融合了优化算法和水动力学简化模型，可在复杂约束条件下获取多目标用户的最优用水配置方案，故成果众多，已被广泛用于平衡地下水可持续开采率和地表水亏缺状况之间的关系及地表-地下水联合调度问题中。但不足也很明显，即简化的水动力学模型获得的水运动过程，由于无法捕捉众多水波过程，故模拟与实际结果之间差异较大，使得实际结果可能出现涌出渠道或远低于正常运行水深的情况，故无法确保用水过程的安全性，且未能充分考虑用水户之间的局部利益均衡问题，故其全局解往往与实际情景存在较大偏差。

由此可见，传统灌区用水过程优化模型可在一定程度上实现灌区用水过程的优化，虽然能达到高效的目的，但恰恰是采用了简化的水运动模拟模型，使其无法达到工程安全的目标，且未能考虑用水户之间的局部博弈均衡解，故全局解与实际情景存在明显偏差，这是其主要缺陷。

(2)人工智能用水过程优化模型

随着人工智能方法的不断完善，尤其是深度学习的出现和机器学习在各个行业的深入渗透，极大地拓展了人工智能方法的应用范围。

人工智能方法能够以黑箱的模式有效解决水资源及其工程领域面临的多种新老挑战，比如跨学科性、数据可发现性、跨尺度、均一性和参数区域化需求。在深度学习框架下，通常先固化渠系/沟网的地理信息几何结构信息，借助历史大数据与实测数据的对比分析，并利用概率模型拟合实际输配水/排水过程调控曲线，可有效简化模拟过程，大大提高效率。目前该方法已经被成功用于南水北调中线干线输配水多闸门调控过程，效果显著。但当其用于拓扑结构异常复杂的渠/沟网络系统时，效果有待进一步验证。