水閘泵站系統預報調度一體化框架初探

李 君，盧慧敏，王 偉，瞿 丘

（南通市九圩港水利工程管理所，江蘇 南通 226000）

0 引言

水閘泵站系統涉及諸多水利工程和河湖水系，工程調度運行與河湖水系的各項指標間存在著復雜的耦合互饋關系，水量水質模型是水閘泵站系統預報的重要工具。然而由于極端氣候事件不斷增多和人類活動影響不斷增強，識別系統體系中的復雜關系變得越來越困難。水閘泵站系統作為水資源系統的重要子系統，為流域和區域提供了重要的防洪、供水、水生態環境服務，而這三方面任務相互交織、相互競爭，因此需要開展多目標優化調度。系統聯合調度最優方案的確定，究其本質屬于最優決策問題。但由于水閘泵站系統中要素眾多、各要素水力關系復雜、調度多目標競爭，屬于一類動態、高維度、非線性的復雜耦合優化決策問題。與此同時人工智能、大數據等新技術的蓬勃發展為識別和模擬水閘泵站系統中諸多要素的互饋耦合關系提供了新的可能性。這些新技術通常具有響應速度快、泛化能力強和數據處理能力強等優點，為水閘泵站系統預報模擬與優化調度提供了新的思路和手段。

1 水閘泵站系統預報調度一體化框架

本文提出一種基于數據驅動的水閘泵站系統預報調度一體化方法框架，如圖1 所示。該框架通過采用LSTM 深度機器學習預報水文變量耦合水閘泵站系統多目標優化調度模型來實現預報調度一體化。技術路線主要可以描述為：從分布在不同位置的物聯網遙感終端獲得傳感數據，包括河流水位、水質指標和小氣候信息，控制中心獲得這些數據后，驅動機器學習和優化調度，即LSTM可以模擬水量水質，然后在優化調度模型中采用預測的系統變量來優化一天的調度運行。下文對基于LSTM 的預報模型與水閘泵站系統優化調度模型進行具體描述。

圖1 水閘泵站系統預報調度一體化框架圖

2 基于LSTM 的預報模型

近年來，將機器學習作為一種數據驅動的建模工具越來越受到關注，它旨在為越來越先進的傳感技術開發一個高效、靈活的算法模型，利用基于測量數據的學習能力來表征復雜和動態的系統行為。

長短期記憶網絡（LongShort-TermMemory，LSTM）是一種時間遞歸的神經網絡，經常用來解決時間序列問題。LSTM 能夠有效地解決后者在訓練時遇到的梯度消失（ExplodingGradient）和梯度爆炸（VanishingGradient）問題，從而可以有效地利用長距離的時間序列信息。其結構如圖2 所示。

圖2 LSTM 模塊的四層交互神經網絡圖

采用LSTM 的機器學習預報模型來模擬復雜城市河流系統中的水量水質動態變化。LSTM 機器學習預報模型的輸入包括決策變量（前一天的水閘泵站運行計劃）、不確定變量（前一天的天氣預報信息）和狀態變量（歷史水文數據序列，如水位、降水量）。LSTM 預報模型的輸出是給定時間步長的水文變量（如水位）的預報值。

3 水閘泵站系統優化調度模型

在本框架中，由于水閘泵站系統的水量、水質變量采用LSTM 的機器學習預報模型，計算代價低、模擬精度優，采用LSTM 與優化調度模型耦合求解或決策優選已有方案，兩類調度決策方法均可采用。

3.1 目標函數

將水閘泵站系統多目標優化調度問題轉化成如下多目標優化模型：

式中：三個目標O1、O2、O3（f1、f2、f3）分別為水閘泵站系統防洪安全、供水安全、水生態環境安全保障方面的目標；xi、xj、xk分別對應三個目標領域自變量。

3.2 約束條件

水閘泵站系統優化調度模型的約束條件主要包括系統中泵站、水閘等工程安全運行的約束，面向防洪、供水、航運、生態等功能的水位、流量、水位變幅、流量變幅的約束，面向水環境的水質約束。

3.3 模型轉化

上述多目標優化調度模型可以采用多目標優化算法求解，目前也已經有許多學者致力于多目標智能算法的研究，研究提出了很多算法，其中有不少經典算法如NSGA-Ⅱ、NSGA-Ⅲ，已經被廣泛運用到了水利研究和應用。采用這些多目標算法求解構建的優化調度模型可以得到水閘泵站系統調度的非劣解集，其中每一個解都是一個非劣解，對應著一個調度方案。然后根據調度策略構建決策模型，從非劣解集中優選出最滿足調度策略的那一個解，并反演成調度方案。這是一套可行的過程，然而這個過程比較復雜，不利于日常管理工作中使用，并且每個環節都有一定的不確定性，如果缺少相應的不確定性評估，不確定性的疊加效應也可能帶來較大的風險。因此本文給出一種簡化的處理方式供實際水利工程管理工作中使用，采用線性加權法將上述構建的水閘泵站多目標優化調度模型轉化為如下形式進行求解：

式中：αi、βj、γk分別為三方面目標的權重。此外，在實際應用時，水閘泵站系統的運行費用往往也需考慮，可以根據實際情況列作第四項目標。

將構建的水閘泵站多目標優化調度模型轉化成上述線性加權的形式后，采用數學規劃方法或者智能算法都可以求解，并得到唯一方案。而這些求解方法往往都有現成的計算軟件和算法包可以直接使用，降低了管理者的工作難度，減輕了其工作負擔。

4 結語

本文提出一種基于數據驅動的水閘泵站系統預報調度一體化方法框架，其技術貢獻主要包括：

1）引入深度機器學習技術開展水量水質預報，構建LSTM 預報模型來準確識別引水、天氣條件和水流變化的復雜動態。

2）在水閘泵站系統優化調度過程中，利用預報系統特性，在滿足諸多約束的情況下，制定優化調度方案，實現預報調度一體化。

該方法框架所采用的模型、方法可在具體的研究或應用中修改、替換和補充