基于知識庫和場景推理的烏江智能化防洪調度

摘要：圍繞貴州省內烏江流域梯級水庫防洪調度問題，開展了基于知識庫和快速場景推理的智能防洪優化調度研究。基于海量的防洪調度方案，對調度經驗知識進行組織與重構，按照“單元-網絡-圖譜”的總體思路，構建流域梯級水庫群防洪調度知識庫。在此基礎上，根據流域防洪方案特征確定用于場景匹配的數值類、要素類及模糊類等特征信息，通過計算防洪調度方案各特征信息的權重，基于快速場景匹配與推理技術，優選與目標案例匹配度最高的典型案例，實現了流域智能化防洪調度。以烏江梯級水庫群為實例進行的應用分析表明：典型洪水場景下削峰率達47%，模型求解耗時5.3 s，而采用傳統動態規劃模型的求解耗時為211 s，求解效率大幅提高。所提方法解決了傳統調度中實時方案計算的時效性問題，且所得方案蘊含調度決策經驗，調度過程對實際洪水的變化適應性更強。

關 鍵 詞：梯級水庫； 防洪調度知識庫； 場景推理； 知識圖譜； 場景快速匹配； 烏江流域

中圖法分類號： TV697.13

文獻標志碼： A

DOI：10.16232/j.cnki.1001-4179.2024.09.002

0 引 言

水庫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，極端天氣出現頻率增加，導致徑流不確定性大幅增加［3］，給水庫防洪帶來了嚴峻考驗。近年來國內外對于水庫防洪調度研究較多。劉達等［4］采用基于約束條件檢驗的決策樹分析法，研究了飛來峽水庫洪水的資源化問題；荊柱等［5］基于面向多區域防洪的梯級水庫群協同調度策略，研究了金沙江下游水庫群的協同防洪問題；Lu等［6］基于貝葉斯網絡分析了水庫防洪存在的風險；覃暉等［7］提出了一種自適應柯西變異多目標差分進化算法，研究了三峽水利樞紐的防洪調度問題；吳瓊［8］采用動態水位限制及變動離散機制對動態規劃算法進行降維處理，研究了流溪河流域的防洪調度；Wang等［9］提出了一種結合ε-約束法的改進禿鷹搜索算法（CABES）并用于洪水調度。

隨著水利工程群的日益擴大，傳統方法已不能完全滿足現在的調度需求［10］。利用信息化技術、智能優化與知識推理技術促進流域水利改革與發展，實現有關水利工程的自動化、智能化調度是水利行業未來發展的趨勢［11］。因此，進一步尋求更加智能的調度方法，對推進智慧水利建設具有重大意義［12］。

知識圖譜技術是人工智能技術的重要組成部分［13］，通過將散亂的知識有效地組織起來，表達成更接近于人類認知世界的形式。該技術在電網工程［14］、故障診斷［15］、電商［16］、文獻計量分析［17］等多個領域中發揮了重要作用，提升了智能決策水平。然而，由于基礎數據資料管理機制薄弱等問題，知識圖譜技術在水利行業應用研究較少。因此，亟需從物理機制出發，對海量防洪領域基礎數據進行信息提取與整合［18］，并凝練水庫群防洪調度邏輯，對調度經驗知識進行組織與重構，構建防洪領域知識圖譜，以期進一步完善現有防洪調度系統功能，提高系統防洪調度智慧化水平。

本文以烏江流域梯級水庫為研究對象，基于長系列歷史典型洪水及大量模擬洪水的模擬調度結果，對調度經驗知識進行組織與重構，構建烏江流域梯級水庫防洪調度知識庫。在此基礎上，確定用于場景匹配的特征信息，并計算各特征信息的權重，最后基于快速場景匹配與推理技術，從知識庫中尋找與目標案例匹配度最高的典型案例，從而實現烏江流域梯級水庫群基于防洪知識庫和智能匹配技術的智能化洪水調度。

1 防洪調度知識庫構建

防洪調度知識庫按照“單元-網絡-圖譜”3個主要步驟進行構建，如圖1所示。

1.1 防洪基本知識單元構建

防洪基本知識單元構建包括實體節點與語義類識別抽取、節點屬性抽取以及實體節點屬性鏈接3部分。

（1） 實體節點與語義類識別抽取。實體是指具有可區別性且獨立存在的某種事物，如水庫、水文站點等，是知識圖譜最基本的元素；語義類指同種特性的實體構成的集合，如水庫群、控制站、水雨情等。

（2） 節點屬性抽取。不同的語義類與實體的屬性分為對象屬性和數據屬性兩種，對象屬性的值對應語義類或者實體節點，數據屬性的屬性值對應具體的數值或者數組。

（3） 實體節點屬性鏈接。將節點的基本水情、工情以及空間地理位置等基礎屬性信息與實體節點進行耦合鏈接，構建單一防洪節點的基本知識單元，并采用知識框架類的方式對節點單元進行知識存儲與表示。

1.2 防洪知識體系網構建

考慮不同洪水條件下水庫單元與控制站點單元之間的防洪調度響應關系以及水庫間的防洪任務聯系，將不同的基本知識單元進行有機組織，構建防洪知識體系網，具體包含以下內容：

（1） 根據水庫與控制站點之間的位置、空間距離等空間拓撲聯系，建立水庫與水庫、水庫與控制站點、控制站點與控制站點之間的基本空間拓撲聯系，以距離為關系屬性將不同水庫節點與控制站節點進行互聯。

（2） 結合水庫節點與控制站節點之間的水文水力聯系，篩選出與各個控制站點聯系緊密的水庫節點，并根據不同水庫節點對防洪控制節點的調度聯系，初步確定兩者之間的調度關系，并將其作為關系屬性添加到控制站節點和與之相鏈接的水庫節點之間。

1.3 防洪調度知識庫構建

（1） 洪水場景模擬生成。

采用歷史典型設計洪水法或多站洪水隨機模擬法對多站點不同頻率不同地區組成的洪水過程進行隨機模擬。

（2） 防洪調度樣本生成。

根據不同洪水過程，結合現有調度規則擬定不同水庫調度方案，綜合生成不同來水背景場以及模型初始邊界場。通過水庫優化調度模型、河道洪水演進模型等進行流域防洪調度模擬，計算不同洪水過程、水庫運用條件下，不同控制站點的水位、流量變化過程，獲取大量調度樣本。

（3） 歷史防洪方案知識提取。

剖析歷史調度方案，對歷史調度方案中的調度目標，面臨的水情、工情，水庫啟用組合，水庫調度方式，相應的調度效果，以及調度過程中需要考慮的其他要素的發生時間、影響空間以及要素涉及的量與影響程度等進行提取，形成防洪基本知識點。

（4） 構建歷史方案知識庫。

將提取的知識要素點進行串聯，并將得到的不同水庫對不同控制站點的調度關系模型作為關系屬性對水庫節點和控制站節點進行鏈接，構建歷史調度案例知識庫。

（5） 防洪調度知識庫修正。

對歷史調度案例進行復演，基于調度誤差，對調度響應關系進行重復訓練，如直接對模型輸出建立誤差自回歸模型進行結果校正。誤差較為明顯時，則需要對歷史案例進行重構解析，重新篩選相關要素特征，同時核查水庫調度方案與調度效果是否有誤。

2 防洪優化調度方案獲取方法

2.1 水庫防洪優化調度模型

本文選用最大下泄流量最小模型作為水庫防洪優化模型，以獲取知識庫中案例洪水的防洪調度方案。

2.1.1 目標函數

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。可表示為

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時段水庫出庫流量；Qq，t為t時段的區間洪水流量；T為調度時段長度。

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階段末的水庫庫容；Vt-1是第t階段初的水庫庫容；Qt是第t階段內的平均入庫流量；Δt為第t時段的時段長。

（2） 防洪庫容約束。

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間；V防是水庫的防洪庫容。

（3） 閘門最大泄流能力約束。

qt≤q（Zt，Bt）

（4）

式中：Zt表示各時刻的水庫蓄水位；Bt代表泄水建筑物的操作方式，根據閘門開度與下泄能力對應關系，選擇相應的閘門開度；q（Zt，Bt）表示水庫蓄水位為Zt，閘門開度為Bt時的最大下泄能力。

（4） 調度期末水位約束。

Z1=Zbegin

ZT+1=Zend

（5）

式中：Z1、ZT+1表示調度期初期、末期水庫調度水位；Zbegin、Zend表示水庫實際的起調水位及期末水位。

（5） 非負約束。

qt≥0

（6）

2.2 模型高效求解方法

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

（1） 初始階段。設在第t輪迭代中，第i只鯨魚的位置表示為Xi，t，為擴大鯨魚的搜索范圍，Xi，t會隨機選擇一個鯨魚r進行位置更新，此階段鯨魚位置的計算公式為

Xi，t+1=Xr，t-A·Dr

（7）

式中：Xr，t為第t輪迭代中隨機鯨魚r的位置。

A為系數向量：

A=a·（2r1-E）

（8）

a=2-2t/tmax

（9）

Dr為鯨魚i和鯨魚r在當前輪次中的隨機距離：

Dr=CXr，t-Xi，t（10）

C=2r2（11）

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

（2） 收縮包圍。鯨魚個體通過不斷向最優個體靠攏，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|A|≥1時，WOA采用搜索覓食擴大搜索范圍；當|A|<1時，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算鯨魚的氣泡捕食，首先計算鯨魚到最優個體的距離，然后計算迭代鯨魚的位置，公式為

Xi，t+1=De·ebl·E·cos2πl+Xm，t

（14）

De=Xm，t-Xi，t

（15）

式中：參數b為對數螺線的常量系數;l為［-1，1］之間的隨機數;De表示鯨魚個體和最優個體之間的確定距離。

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

Xi，t+1=De·ebl·E·cos2πl+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行為，因而被廣泛應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 隨機生成第1個隨機個體X0；

② 基于前一個個體Xi的位置對每個個體Xi+1的位置都進行萊維飛行運動，公式為

Xi+1=Xi+lLevy（λ）E

（17）

式中：l為步長控制量；Levy（λ）為隨機搜索路徑，兩者關系為

Levy（λ）～u=i-λ 1<λ≤3

（18）

基于嵌入萊維飛行的鯨魚優化算法，以水庫下泄流量峰值最小為目標，對水庫調度過程進行優化，具體流程如下：

（1） 劃分水電站水庫調度期時段，確定決策變量及其取值范圍。

（2） 將出庫流量作為決策空間個體的位置，使用萊維飛行策略隨機初始化個體的位置，并設置WOA參數。

（3） 利用適應度函數計算鯨群個體適應度值，找到并保存當前群體中最優鯨群個體。

（4） 當迭代次數小于最大迭代次數時，更新WOA參數。

（5） 計算種群中的個體適應度值，找到并保存當前群體中最優鯨群個體。

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

3 基于知識庫和快速場景推理的水庫群智能防洪優化調度

3.1 水庫群優化調度總體思路

基于知識庫和快速場景推理法的水庫防洪優化調度主要有以下步驟：

（1） 使用知識庫構建方法來建立防洪調度方案知識庫，并查詢出每一個案例洪水的相關信息。

（2） 以下游控制站點的洪峰流量最小為目標，建立梯級水庫防洪優化調度模型，并利用鯨魚優化算法求解該模型，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度方案知識庫中。

（3） 重復以上步驟，更新所有案例洪水的解決方案，這樣防洪調度方案知識庫將包含所有案例洪水的對應解決方案。

（4） 確定案例匹配的特征信息，然后計算各特征信息的權重。

（5） 根據目標洪水場景的主要過程，計算目標案例與防洪知識庫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，使用相同水位控制法生成目標洪水的調度方案。

（6） 根據實際情況對調度方案進行人工修正。

圖2為基于知識庫和場景推理的水庫群優化調度流程。

3.2 案例匹配的特征信息選取

目標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，分別是數值類、要素類、模糊類。有確定數值的特征信息是數值類，沒有確定數值的且用文字描述的特征信息是要素類，沒有確定數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重計算

為區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重［22］。根據粗糙集理論，有知識庫系統S=（U，R，F，V），U是方案庫里的歷史方案集，R是屬性集，C是條件集，D是決策集，決策通常指“事件級別”且R=C∪D，決策集D對條件集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的客觀權重為

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

（21）

wi1和wi2分別代表客觀權重和主觀權重（專家給出），整體權重為

wi=α×wi1+（1-α）×wi2

（22）

3.4 目標案例和典型案例匹配度計算方法

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

A（x）=1x<a

b-xb-aa≤x≤b

0x>b

（23）

計算目標案例事件P與典型案例Q的數值/模糊屬性的匹配度，即求其隸屬函數的重合區域比例，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）

結合結構匹配度和屬性匹配度及相應的權重，得到總體匹配度方程為

Sim（P，Q）=S（P，Q）×ni=1wisim（pi，qi）

（26）

3.5 目標洪水求解結果修正

案例洪水與目標洪水不可避免地存在差異，基于場景推理法求解后，目標洪水的求解結果中可能存在出庫流量波動的情況，需針對這些問題進行一定的人工修正，使水庫出庫流量更加平滑。可以采用兩種方法進行修正：

（1） 觀察前后水庫水位變化和入庫流量變化的趨勢來修正水庫水位。若入庫流量總體呈上升或下降趨勢且沒有出現尖頂的情況，那么該時段水庫水位變化的主要趨勢應該是一致的，不應該出現水位的大幅波動，根據這一點，可以修正水庫水位，并修正水庫的出庫流量。

（2） 通過觀察水庫出庫流量的變化過程來修正水庫出庫流量。如果出庫流量反復上下波動，并且出現多個尖頂的情況，但入庫流量并沒有上下波動，那么需要對出庫流量進行試算修正，使其盡可能平滑的同時滿足水量平衡約束。接著根據修正后的出庫流量反推水庫水位的變化過程，如果水庫水位不符合相關約束條件，則需要重新進行試算，以使水庫水位符合約束條件。

4 研究實例

4.1 研究對象

烏江是長江上游南岸最大的一條支流，本文研究對象為貴州烏江水電開發有限責任公司所屬的9個梯級水庫，分別是洪家渡、東風、索風營、烏江渡、大花水、格里橋、構皮灘、思林、沙沱水庫，各梯級水庫的位置如圖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時間較長，給洪水預報和防洪安全帶來了巨大挑戰。傳統調度方法需要準確的徑流預測結果，且當預測流量發生變化時需要較長的時間重新進行模擬計算。因此，迫切需要一種智能化的調度方法，在洪水即將來臨時及時為烏江梯級提供防洪調度方案，從而指導梯級水庫群的聯合防洪調度。

4.2 結果與分析

給定目標洪水，基于目標洪水的主要特征，確定2014年7月12～30日烏江梯級整體的洪水過程與本次目標洪水過程相似。考慮到烏江梯級涉及水庫眾多，結果分析時將各個水庫分開并從案例匹配和解決方案2個方面進行分析。梯級水庫典型案例與目標案例洪水的數值類特征信息如表2所列，梯級各水庫、各區間目標洪水與案例洪水對比及方案運行情況對比如圖4所示。

以洪家渡水庫為例，從表2、圖4結果可以看出，典型案例洪水與目標案例洪水對應的場景要素很接近，目標洪水過程與案例洪水過程也很貼合，說明方案匹配的結果較好。從目標案例的運行結果來看，由于洪家渡水庫是烏江梯級的龍頭水庫，具有多年調節能力，在洪水到來期間洪家渡水庫基本可采取全力攔蓄洪水的策略，匹配的案例也是如此，進一步說明了結果的合理性。

此外，從圖4可以看出，經烏江梯級水庫群聯合防洪后，梯級末尾的沙沱水庫出庫流量明顯減小，最大出庫流量為12 700 m3/s，還原后最大出庫流量約為24 000 m3/s，削峰率達47%；該場洪水來洪量為121億m3，梯級水庫群泄洪量為94億m3，攔蓄了27億m3約22%的來洪量。

從求解效率角度看，采用相似場景推理法生成解決方案，耗時為5.3 s。而采用傳統的動態規劃法，將梯級水庫群拆分成單個水庫進行計算，總共耗時21.1 s，相較而言場景推理法通過從知識庫中搜索案例進行匹配，而不進行完整的求解計算，在時效性上具有優勢。

前述提到基于場景推理法求解得到的結果存在一定的波動，需要進行一定的人工修正。以構皮灘水庫、思林水庫為例，初步修正后的結果如圖5所示，可以看出經初步修正后思林水庫出庫流量的尖峰得到了改善。

5 結 論

本文圍繞烏江流域梯級水庫群防洪調度問題，開展了基于知識庫和快速場景推理的烏江梯級水庫群智能化防洪調度研究。提出的基于知識庫和快速場景推理的洪水調度方法，可以避免動態規劃所面臨的由于維數災效應而導致求解時間過長、時效性無法保證的難題。在烏江梯級水庫實例應用中，典型洪水場景下洪峰流量削峰率達47%，梯級水庫群攔蓄了27億m3約22%的來洪量，模型求解耗時5.3 s，相比動態規劃的求解耗時21.1 s，求解效率大幅提高。同時規避了復雜的邊界約束配置、模型選擇、結果整理等計算環節。由于該方法以人工經驗和歷史調度方案蘊含的調度知識為出發點，所得到的調度方案在滿足防洪要求的前提下更加貼合實際。研究成Pe+XACYtxKUsq7c7/0QepufAKvf1pnh30e8UrpZ4/eU=果可為其他流域梯級水庫群的聯合防洪調度提供參考。

參考文獻：

［1］ 陳森林.水電站水庫運行與調度［M］.北京：中國電力出版社，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，黃本勝，趙璧奎，等.飛來峽水庫洪水資源化利用與風險分析［J］.水資源保護，2023，39（5）：18-24，108.

［5］ 荊柱，李肖男，何小聰，等.金沙江下游梯級水庫群協同防洪調度策略研究［J］.人民長江，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.基于多目標差分進化算法的水庫多目標防洪調度研究［J］.水利學報，2009，40（5）：513-519.

［8］ 吳瓊.基于改進動態規劃的流溪河水庫群聯合防洪優化調度研究［D］.武漢：華中科技大學，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.領域知識圖譜研究進展及其在水利領域的應用［J］.河海大學學報（自然科學版），2021，49（1）：26-34.

［11］石林，彭浩，聶小東，等.基于知識圖譜的河湖管理中3S技術應用研究進展［J］.人民長江，2021，52（8）：1-9.

［12］桂鹍鵬，蔣鑫，宋欣，等.5G通信技術在智慧水利中的應用前景分析［J］.人民長江，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，張蘇，等.基于知識圖譜的電網工程BIM模型質量檢查方法［J/OL］.吉林大學學報（工學版）：1-10［2023-11-23］.https：∥doi.org/10.13229/j.cnki.jdxbgxb.20230781.

［15］劉丹，張振海，翟秋宇，等.列控車載設備故障診斷的知識圖譜構建與應用［J/OL］.鐵道標準設計：1-10［2023-11-23］.https：∥doi.org/10.13238/j.issn.1004-2954.202307060004.

［16］沈海倫.NLP和知識圖譜技術在鋼鐵電商用戶分類場景的應用［J］.寶鋼技術，2023（5）：56-60.

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

［18］張忠波.水庫群聯合調度研究［M］.北京：中國水利水電出版社，2020.

［19］朱豪，胡圓昭，尹明財，等.基于優化算法的CNN-BiLSTM-attention的月徑流量預測［J］.人民長江，2023，54（12）：96-104.

［20］于存威，莫禮平，萬潤澤.基于萊維飛行和布朗運動的鯨魚優化算法［J］.吉首大學學報（自然科學版），2023，44（2）：24-32.

［21］李璐，陳秀銅.基于改進粒子群算法的水庫優化調度研究［J］.人民長江，2010，41（14）：68-71.

［22］門寶輝，吳明明，劉燦均，等.基于知識粒度-屬性重要度的水資源可持續利用評價：以北京市為例［J］.人民長江，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