基于多目標混合蛙跳差分進化算法的皂市水庫優化調度

楊麗娟，薛聯青，2，伍佑倫，盛 東，劉遠洪，李 娜，周天文，何懷光

（1.河海大學水文水資源學院，江蘇 南京 210098；2.皖江工學院水利工程學院，安徽 馬鞍山 243031；3.湖南省水利水電科學研究院，湖南 長沙 410114）

0 引言

水庫運行的多目標問題一般包括模型構建、優化求解和方案選擇三部分［1］。在模型構建方面，圍繞水庫防洪、發電、供水、生態等效益的多目標調度研究逐漸增多，取得了較多有意義的成果，例如陳悅云等［2］面向贛江流域的發電、供水、生態要求，建立流域水庫群優化調度模型，分析得到典型方案下三目標的競爭關系；YU等［3］建立了基于多目標博弈論的三峽水庫多目標優化模型，求解三峽水庫經濟、社會和生態效益的平衡問題。

優化算法作為求解水庫多目標調度問題的必要手段，目前主要有傳統算法和現代智能算法，傳統算法以線性規劃、非線性規劃、動態規劃等為主，例如李想等［4］采用二次規劃、混合整數線性規劃和非線性規劃3 個模型對比求解某水庫的供水、發電調度問題?，F代智能優化算法的應用目前更為廣泛，如遺傳算法、粒子群算法、差分進化算法等［5-7］，在水庫多目標優化求解中取得了較好的效果；方國華等［8］在蛙跳算法的基礎上，采用混沌理論初始解生成、動態更新外部檔案集與自適應差分局部搜索等策略，提出改進后的多目標混合蛙跳差分算法，在水庫多目標調度模型求解過程中具有較好的尋優性能。

通過優化算法求解后，會得到一系列方案解，而不是單一的最優解，因此需要根據決策者的要求選擇最符合水庫運行情況的決策方案，目前應用最廣泛的方法包括層次分析法、熵權法、逼近理想點法等，文曉彤等［9］以發電等4個指標的綜合增加值最大為原則，在非劣決策方案集中優選得到了水庫長期優化調度的均衡方案。

以皂市水庫為研究對象，建立以發電、供水和生態為目標的優化調度模型，采用多目標混合蛙跳差分進化算法進行模型求解，并利用AHP-TOPSIS 的主客觀組合賦權法優選多目標方案，研究成果可以提高皂市水庫的社會效益、發電效益及生態效益，為其進一步科學調度提供依據。

二是定期召開聯席會議，深化拓展聯動執法。組織太湖流域江蘇、浙江、上海兩省一市水行政主管部門召開專項執法聯席會議，《太湖流域管理條例》貫徹實施監督檢查座談會、推進會及案件處理等各類專題會議，分別與江蘇、浙江水行政執法隊伍合作開展了地方性法規規章與《太湖流域管理條例》適應性分析、太湖流域（江蘇省）“一湖兩河”聯合巡查制度后評估等重點河湖及省際邊界等特殊問題專項研究，總結經驗和成效，不斷深化執法合作，營造流域團結治水的良好氛圍。同時將聯合巡查制度向省際邊界地區拓展，與蘇州、嘉興、青浦支隊簽訂了聯動執法及聯席會議制度，為相關區縣搭建了平臺，建立起溝通協調機制。

從1978年到2018年，中國改革開放已走過四十個年頭。四十年來，隨著經濟高速發展，中國社會組織的發展也進入了快車道。社會組織數量的快速增長、社會組織活動領域不斷擴展，社會組織的貢獻和作用已引起黨和人民的高度關注，黨的十九大報告對社會組織賦予了極高的政治地位：社會組織成為新時代民主協商制度的重要類別；社會組織與“產業工人、青年農民、高知識群體、非公有制經濟組織”并列為重要的黨建力量。

1 研究區概況及研究資料

1.1 研究區概況

皂市水庫位于湖南省常德市石門縣，為大（Ⅰ）型年調節水庫［10］，以防洪、發電、供水等功能為主。壩址以上控制面積3 000 km2，多年平均流量99.3 m3/s。水庫正常蓄水位140 m，總庫容14.39 億m3，興利庫容9.66 億m3，防洪庫容7.8 億m3，死庫容2.71 億m3，有效庫容11.68 億m3，庫容系數為0.3［11，12］。

百香果汁、胡蘿卜汁、白砂糖、接種菌種、穩定劑黃原膠∶CMC（1∶1） 的添加量分別控制在4.0%，25.0%，10.0%，1.0%，0.1%；然后將發酵溫度分別控制在41，43，45℃，研究產品的最佳發酵溫度。

2021年皂市水庫水質全年均為Ⅱ類水及以上，而澧水下游及環洞庭湖區的區縣在枯水年份供水缺口較大，且供水水源為Ⅲ類水，用水矛盾突出，水資源配置能力不足。為滿足優水優用、空間均衡的供水需求，常德市“十四五”水安全保障規劃擬建設皂市引調水工程，以保障石門縣、澧縣、臨澧縣、津市市、安鄉縣的用水安全。因此，研究皂市水庫的兼顧供水、發電、生態多目標的調度，有利于充分發揮水庫功能，提高用水效率。皂市水庫及其對各區縣的供水路線概況如圖1所示。

竹節蓼藥材的HPLC指紋圖譜建立及聚類分析…………………………………………………… 黎 理等（12）：1640

圖1 研究區概況Fig.1 Summary of study area

1.2 研究資料

水庫基本數據資料包括：皂市水庫的正常蓄水位、防洪限制水位、死水位、庫容-水位關系曲線、下游水位-下泄流量關系曲線、水庫發電機組出力約束值；水文資料為皂市站1953年-2021年的逐月流量數據。研究數據來自湖南省江埡和皂市水庫管理處。對69年的徑流系列進行頻率計算，選擇平水年、枯水年、特枯水年3種典型年進行分析，其中平水年選取1988年（P=50%），枯水年選取2013年（P=75%），特枯年選取2019年（P=95%）。

CEA正常范圍：0～10×103 ng·L-1；CA19-9正常范圍：0～37×103 ng·L-1；CA15-3正常范圍：0～35×103 ng·L-1；NES正常范圍：0～16×103 ng·L-1。

社會經濟資料包括石門縣、澧縣、臨澧縣、津市市和安鄉縣的人口、工業增加值、灌溉面積、用水定額等數據，來自《常德市水資源公報（2017-2020年）》、《中國縣域統計年鑒（2017-2020年）》、《湖南省水資源公報（2017-2020年）》及相關規劃報告。采用定額法結合趨勢法預測2030 規劃水平年條件下的逐月需水總量，經計算，2030年總需水量為17.025億m3，其年內分配過程如圖2所示。

圖2 2030年研究區需水量年內分配預測Fig.2 Forecast of annual water demand allocation in the study area in 2030

2 研究方法

首先建立面向發電、供水和生態的皂市水庫多目標優化調度模型，而后采用多目標混合蛙跳差分進化算法（MSFL-DEA）與多屬性決策的方法相結合的求解方法，該方法的總體思路是：利用MSFL-DEA 求解多目標優化問題，得到Pareto 最優解集；再采用AHP-TOPSIS組合賦權，在備選方案集中尋找符合決策者偏好的最優決策方案。

2.1 皂市水庫多目標優化調度模型

2.1.1 目標函數

（1）社會效益：調度期內供水滿足度最大。

式中：Qs，t為t時段皂市水庫向澧水尾閭及洞庭湖腹地各縣的供水流量，m3/s；T為總調度期時長，取值為12；Δt為計算時段長度，s；Wt為t時段的需水總量，m3。

（2）發電效益：調度期內總發電量最大。

Web頁面除了提供對集成數據倉庫系統的數據檢索服務外，還包括添加新序列，序列同源搜索分析，序列的比對分析和分析結果的圖像顯示等服務。

式中：E為整個調度期內的總發電量，億kWh；k為皂市電站發電綜合系數，取k=8.75；Qt為t時段皂市電站發電引用流量，m3/s；Ht為t時段皂市電站發電凈水頭，m；Δt為計算時間長度，h。

（3）生態效益：生態流量滿足度最高。

式中：cd(t)表示t時段河道生態流量滿足度，無量綱；若河道內生態流量低于最小值，cd(t)取0；若介于最小值和適宜生態流量下限之間，取值范圍為0～0.5；若介于適宜生態流量區之間，取值范圍為0.5～1；若大于適宜生態流量區間上限，則記為1［13］；Qdk(t)表示t時段皂市水庫向河道下游的下泄流量，Qdk，min(t)表示生態流量約束下限，Qdk，max(t)表示生態流量約束上限；單位均為m3/s?？紤]到研究區缺乏生態資料，參考張寒等［10］基于逐月頻率法結合Tennant法預測的渫水生態流量結果，取逐月頻率P=75%～25%為推薦適宜生態流量區間。

2.1.2 約束條件

（1）水量平衡約束。

水庫的多目標優化調度需要考慮復雜的水力聯系，同時還需要處理眾多的約束條件，包括水量平衡約束、水庫庫容約束等：

式中：Qin(t)、Qout(t)分別表示為t時段的水庫入庫及出庫流量，m3/s；V(t+1)、V(t)分別表示為t+1和t時段的水庫庫容，m3；Δt為計算時段長，s。

經過多次試算，MSFL-DEA算法參數設置為Np=200，N=10，M=20，G=1 000，K=12，F0=0.5、CR=0.3，NEA=90，進而求解得到皂市水庫平（50%）、枯（75%）、特枯（95%）3 種頻率來水輸入條件下皂市水庫供水、發電和生態多目標的非劣調度方案集，Pareto前沿在兩兩目標上的投影分別如圖3～5所示。

式中：Vmin（t）、V（t）、Vmax（t）分別表示為t時段水庫的最小庫容、實際庫容以及最大庫容，m3。其中汛期（4-7月）允許最高水位為防洪限制水位，對應庫容6.049 億m3，非汛期（8月至翌年3月）允許最高水位為正常蓄水位，對應庫容11.998 億m3，最小庫容為死庫容2.691 億m3。

（3）出庫流量約束。

式中：Qmin(t)、Qmax(t)分別表示為t時段水庫的最小及最大下泄流量，m3/s；最大下泄流量依據皂市水庫工程特性，取設計洪水位最大下泄流量12 526 m3/s。最小下泄流量依據《水利部關于印發澧水流域水量分配方案的通知》，在現狀通航條件下，取近期水平年的最小下泄流量為22.0 m3/s。

新中國成立后，爺爺奶奶成為地道的貧苦農民，每天早出晚歸，參與人民公社集體耕作掙工分，晚上熬夜紡棉花，養活兒女。后來趕上物質極度匱乏的三年自然災害，家里常常無米下鍋，爺爺奶奶想著法子續上一家子的性命，吃野菜、啃樹皮，穿衣更是“新老大，舊老二，縫縫補補給老三”，最終挺過糧食關。這段時期，這對銀鐲子成了家里最值錢的東西。

（4）皂市電站出力約束。

式中：Nt表示t時段皂市電站的發電出力，MW；Nmin、Nmax分別為t時段皂市電站的最小發電出力、最大發電出力，分別取18.3、120 MW。

2.2 基于MSFL-DEA的優化調度模型求解

2.2.1 模型編碼

皂市多目標優化調度模型是以月為單位的中長期優化調度模型，調度周期為年，則模型的時段長度T=12。模型選擇皂市水庫在各時段初（末）水庫庫容V(t)為狀態變量，對應決策變量維度DV=13。由于皂市水庫還需要向澧水下游及洞庭湖區供水，模型將供水流量Qs，t也作優化，對應供水流量的決策變量維度DQ=T=12。因此，模型決策變量維度D=DV+DQ=25，如下所示：

2.2.2 計算步驟

確定模型編碼后，分別選取50%、75%、95%三種頻率來水作為模型輸入，調度起止時段設置為4月至次年3月，設置各水庫初水位為汛限水位，末水位為相應典型年來水輸入條件下的常規調度結果末水位。采用多目標混合蛙跳差分進化算法［8］對模型進行求解，計算步驟如下：

限于篇幅限制，選用標準函數DTLZ2和DTLZ7［14］對MSFLDEA 算法進行測試，采用反向世代距離（IDG）［15］和超體積指標（HV）［16］綜合表現算法的收斂性和多樣性，并與常用的算法結果進行對比，包括多目標粒子群優化算法（MOPSO）［17］、快速非支配排序進化算法（NSGA-III）［18］、基于分解的多目標進化算法（MOEAD）［19］。對比結果如表1所示，IDG 值越小，HV 值越大，代表算法的性能越優良。

微生物制劑在我國水產養殖事業發展中發揮著巨大的推動作用，有著非常廣闊的發展空間。微生物制劑不但能夠促進養殖產品的快速生長、繁衍，還可以減小水產養殖成本、降低對環境的污染。微生物制劑作為一種綠色無污染的添加劑，在未來必然會獲得人們的認同與大量應用。

（2）約束處理：某決策變量不滿足約束條件時，將其適應度函數值取為接近于零的一個較小數值，確定輸出的決策變量符合約束條件。

（3）初始化：基于混沌理論生成初始種群，隨機選取D個［0，1］區間的內不同的初始值，構成初始序列，通過Logistic映射得到Np個軌跡不同的混沌序列；將混沌序列放大到各時段水庫庫容及供水流量的取值范圍，得到Np個初始種群。

在應用過程中，水庫運行往往只需要一組水庫優化調度方案，基于2.2 求解得到的Pareto 調度方案集，采用AHP［20，21］與TOPSIS［22，23］的主客觀組合賦權法，先通過AHP 計算發電量、供水滿足度和生態滿足度3 個指標的主觀權重，通過一致性檢驗后，根據TOPSIS 計算每個非劣解到理想解的相對接近度S，優選得到組合賦權后各頻率來水下的供水優先、發電優先、生態優先以及均衡方案。方法原理詳見文獻［23］。

2.炒鍋置火上，放菜油燒至四成熱，下干辣椒節炒幾下，再下牛油炒熱放豆瓣醬炒香，下姜片、蒜片，炸出香味，倒入鮮湯，用大火燒沸，下醪糟汁、精鹽、冰糖，熬 10 min，下花椒熬出香味，舀入火鍋中，打去浮沫，加入味精，即為湯汁?；疱侟c火，放入紅棗、豬蹄塊、蹄筋煮沸，便可隨意燙食。

（5）隨機排序：按照非劣等級對種群個體在各等級內隨機排序，所有個體混合后劃分N個子種群，每個子種群個體數為M，選擇子種群中第M個個體為子種群最差解。

（6）局部搜索更新：基于自適應策略差分算法更新各子種群中的最差解，主要包括變異、交叉、選擇3種操作。

（7）子種群混合：各子種群局部搜索完成后，將所有個體混合，重新組合成Np個個體的種群，轉入步驟（4）。

（5）對照1組與對照2組采用新鮮土豆片外敷，馬鈴薯系薯類食物，屬茄科植物，含有大量淀粉、各種鹽類及龍葵素等。龍葵素有緩解痙攣、減少滲出的作用，局部外敷有消腫止痛作用。中醫認為馬鈴薯具有清熱解毒、消腫散瘀的作用，現代醫學證明：馬鈴薯中的茄堿能夠降低組織滲透性，抑制透明質酸酶活性和抗組胺作用而具有消炎及抗過敏作用。但臨床效果觀察及對比研究顯示，采用中西藥交替外敷對防治化療性靜脈炎效果更顯著。

（8）判斷是否達到預定的全局迭代次數G，若沒有達到，轉入步驟（4）；否則，算法結束，輸出EA中的Pareto最優解集。

2.2.3 數值計算分析

（1）參數設定：設置初始種群規模Np、子種群數N，每個子種群個體數量M，全局迭代次數G，子種群迭代次數K，變異率F0、交叉率CR，外部檔案集NEA。

表1 各算法測試結果對比Tab.1 The test results comparison of each algorithm

由表1可見，MSFL-DEA 算法的IDG指標均小于其余算法，HV 指標均大于其他算法，表明MSFL-DEA 算法的種群多樣性強，可以更好地避免陷入局部最優，算法的尋優性能也更高，具有較好的收斂性。

春天的田野是美麗的：蔚藍的天空中，慢悠悠地飄過一朵朵潔白無瑕的云，它們沒有線條，就像只用白色顏料潑出來一般，隨意而自由。山路兩旁有成片的野酸棗樹、桃樹、山楂、野荊，這個時節有些果木正好開花，成群的蜜蜂嗡嗡地在花叢間飛來飛去，一刻不閑地忙碌著。縱橫交錯的河支細干在小山村中縱情蜿蜒，河水清澈甘冽，調皮的魚兒在纖柔的水草間來回穿行，時不時吐出一串串晶瑩的水泡。這真是一幅美麗的春景圖。

2.3 基于AHP與TOPSIS組合賦權的方案優選

（4）目標函數計算：計算每個個體的各個目標函數值，進行非支配排序，依據動態更新機制更新外部歸檔集（EA），隨機選擇全局最優解Gbest。

3 結果分析

3.1 多目標關系分析

（2）水庫庫容約束。

圖3 不同來水頻率下發電、供水目標二維投影Fig.3 Two-dimensional projection of power generation and water supply targets under different inflow frequencies

圖3 反映隨著生態滿足度的變化，不同頻率來水條件下供水目標和發電目標之間的關系。當生態滿足度較低時，發電量隨供水滿足度的增加呈現明顯的減小趨勢，生態滿足度較高時，發電量和供水滿足度關系變化不明顯；當生態滿足度增大時，供水目標和發電目標之間的點據呈現下移趨勢，表現為供水效益隨著生態效益的增大而減小。

圖4 反映隨著供水滿足度的變化，不同頻率來水條件下生態目標和發電目標之間的關系。當供水滿足度為定值時，發電量會隨生態滿足度的增加而減小，即供水效益會隨發電效益的提高而減小；當供水滿足度增大時，生態目標和發電目標之間的點據呈現下移趨勢，表現為生態效益隨著供水效益的增大而減小。

圖4 不同來水頻率下發電、生態目標二維投影Fig.4 Two-dimensional projection of power generation and ecological targets under different influent frequencies

圖5 反映隨著發電量的變化，不同頻率來水條件下生態目標和供水目標之間的關系。當發電量為定值時，供水滿足度會隨生態滿足度的增加而減小，即供水效益會隨生態效益的提高而減??；當發電量增大時，生態目標和發電目標之間的點據呈現下移趨勢，表現為生態效益隨著發電量的增大而減小。

圖5 不同來水頻率下供水、生態目標二維投影Fig.5 Two-dimensional projections of water supply and ecological objectives under different inflow frequencies

根據圖3～5，隨著水庫上游來水的減少，流域供水滿足度從0.75～0.92（P=50%）減小至0.55～0.75（P=95%），下降程度約為22.6%；水庫水電站發電量從3.62～4.07 億kWh（P=50%）減少至2.03～2.30 億kWh（P=95%），下降程度約為43.7%；而皂市水庫下游河道的生態滿足度從 0.54～0.90（P=50%）減少至0.39～0.68（P=95%），下降程度約為26.1%。水庫的供水、發電和生態目標滿足度均隨著來水量的減少而得到不同程度的降低，發電效益降低程度最為顯著。總體而言，皂市水庫生態、發電和供水目標之間呈現競爭關系，其中，生態目標與發電目標、供水目標與生態目標的競爭關系相對更為明顯，而發電目標和供水目標間的競爭關系相對較弱?？紤]水庫發電用水下泄后還可以被用水區域利用，因此發電和供水兩個目標之間的競爭性相對較弱。

3.2 優選方案分析

根據2.3 計算得到各來水頻率下的供水優先、發電優先、生態優先以及均衡方案，不同方案在非劣解集中的位置如圖6所示。

圖6 不同頻率來水非劣解集分布結果Fig.6 Distribution results of non-inferior solutions under different inflow frequencies

統計各方案目標值，如表2所示。不同來水下，均衡方案到理想解的相對接近度S均最高。供水優先方案除供水目標最優，發電量和生態滿足度都較低；發電優先方案的發電目標最優，在P=50%和P=95%頻率來水情況下，生態滿足度略高于均衡方案，但供水滿足度較低，P=75%時情況相反；生態優先方案的生態滿足度最高，但供水滿足度明顯較小，P=75%和P=95%時發電量也較低，P=50%時則略高于均衡方案；在P=50%、75%、95%三種頻率來水情況下，均衡方案比單一優先方案的最高指標值降低約4.29%、12.08 和5.15%，但比指標最低值增加8.56%、18.14%和9.73%，對發電、供水和生態3個目標的改善程度更高。隨著來水量的減少，三種目標值均有所降低，在各頻率來水情況下，單一目標優先的方案均以犧牲其他目標為代價，而均衡方案偏向折中，更為協調。

表2 各頻率來水下不同調度方案目標值Tab.2 The target value of different underwater scheduling schemes under different frequencies

3.3 典型方案調度過程分析

選取供水優先、發電優先、生態優先和均衡方案這4個典型方案，以75%頻率來水條件為例，分別繪制各方案的皂市水庫水位過程、下泄流量、水庫發電量及供水滿足度圖，如圖7所示。

圖7 75%頻率來水各方案調度過程Fig.7 Different scheduling processes under 75% frequency influent condition

根據圖7（a），汛期4-7月份供水優先方案水位較低，非汛期8月-次年3月生態優先方案水位較低，6月起發電優先方案的水位逐漸高于其他方案。整體而言，水庫水位過程增長和消落趨勢基本同步，但是水位差異明顯。供水優先方案的水位過程相對較低；發電優先方案的水庫消落度相對較大，更有利于發電；生態優先方案的水庫水位過程相對平緩，消落度小；均衡方案的水位過程介于其他方案之間。

根據圖7（b），各方案4-10月份用水區域的缺水程度較大，11月-次年3月的供水量都能滿足研究區的需水要求，主要原因在于4-10月的農業需水占比高。供水優先和均衡方案各月的供水滿足度整體較高，但是9月份供水優先方案的下泄流量極低，生態破壞程度嚴重；生態優先和發電優先方案的供水滿足度起伏較大，其中4月份生態優先方案的供水滿足度最低，僅為8.36%，遠低于其他方案，但下泄流量處于適宜生態流量區間范圍內；7月份各方案的供水滿足度處在13%～20%之間，這是因為7月份為下游區縣需水最大的月份，農業需水占全年的28.5%，同時該月生態下流流量也相對較低。

根據圖7（c），生態優先方案各月的下泄流量均高于最小生態流量，且大多處于適宜生態流量區間范圍內；供水優先方案的下泄流量大多月份低于均衡方案，但除9月份外，都高于最小生態流量；發電優先方案和均衡方案的下泄流量起伏較大，5月、7月和8月均低于最小生態流量，但發電優先方案的下泄流量更低，生態破壞程度更大。

根據圖7（d），發電優先方案6月和10月的發電量峰值高，年發電總量大，但下泄流量較大，超出適宜生態流量上限，且5月、7月、8月、12月的發電量處于較低水平；均衡方案發電量在6月和9月較高，下泄流量處于適宜生態流量區間范圍內，但1月、2月的發電量較低；年總發電量僅次于發電優先方案；供水優先方案和生態優先方案的發電量年內起伏較小，其中生態優先方案的發電量在9-11月處于較低水平，而供水優先方案的各月發電量介于其他方案之間，差異較小，年總發電量低于發電優先方案及均衡方案。

(4)將第4行對角元以右的1個元素賦值給對角元以下的1個元素；再對第4行的1個元素規格化；繼而對第4列元素消元，僅計算虛線框中的1個元素，見圖5下圖。

4 結論

研究以水庫發電量最大、下游生態流量滿足度最大以及石門縣等下游區縣供水滿足度最大為優化目標，在P=50%、75%和95%三種不同頻率來水條件下，構建了面向供水、發電和生態的皂市水庫多目標供水調度模型，采用多目標混合蛙跳差分進化算法進行求解，并基于AHP 和TOPSIS 組合賦權法進行方案優選，得到結論如下。

（1）依據多目標關系分析，在不同頻率來水條件下，隨著水庫上游來水的減少，供水、發電和生態效益呈現不同程度的降低，其中發電效益下降最為顯著，其次為生態效益和供水效益；在相同頻率來水條件下，生態目標與發電目標、供水目標與生態目標的競爭關系相對更為明顯，而發電目標和供水目標間的競爭關系相對較弱。

鞋子華麗、高貴，這在以前，李若定然是發狂地歡喜，這是她夢寐以求的事?？墒钱斔娴恼驹诹宅槤M目的櫥窗前，心卻是灰的。

（2）依據組合賦權法得到各頻率來水下的供水優先、發電優先、生態優先以及均衡方案，可根據決策者的偏好進行方案選擇，其中均衡方案在滿足年發電量、年供水滿足度和年生態滿足度均相對較高的同時，對其他方案最低值的改善程度高于對最高值的削減程度，且年內各月的供水、生態及發電過程也相對協調（以P=75%為例）。均衡方案的優化調度結果為：P=50%時，年發電量為3.697 億kWh，供水滿足度為0.871，生態滿足度為0.861；P=75%時，年發電量為2.981 億kWh，供水滿足度為0.775，生態滿足度為0.699；P=95%時，年發電量為2.155 億kWh，供水滿足度為0.702，生態滿足度為0.615。