氣候變化下新安江-富春江水電站徑流響應模擬及適應性調度研究

聞 昕，丁紫玉，方國華，雷曉輝，王 浩

(1.河海大學水利水電學院，江蘇 南京 210098;2.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室, 北京 100038)

氣候變化下新安江-富春江水電站徑流響應模擬及適應性調度研究

聞 昕1,2，丁紫玉1，方國華1，雷曉輝2，王 浩2

(1.河海大學水利水電學院，江蘇 南京 210098;2.中國水利水電科學研究院流域水循環模擬與調控國家重點實驗室, 北京 100038)

評估了氣候變化對新安江-富春江水電站控制流域徑流的影響，提出不同氣候變化情景下的適應性調度方案，并對不確定性進行了分析。結果表明，2016—2099年，新安江水庫流域徑流量預計降幅為5.4%～5.8%，金華江流域徑流量預計增幅為6.2%～7.5%，衢江流域徑流量的預計增幅在0.8%以內。在適應性調度模式下，新安江-富春江水電站未來總發電量比常規調度提高3.43%～3.85%，新安江和富春江水電站的最大下泄流量可分別下降22.74%～33.29%和16.57%～17.63%，兩電站總棄水量降幅可達81.61%～99.99%和52.98%～58.64%，綜合效益顯著，且該調度模式對于輻射強度以及不同模式間的不確定性具有良好的適應性。

徑流；BCSD降尺度；水文模擬；自適應遺傳算法；不確定性；新安江-富春江水電站

近百年來，全球氣候持續變暖，海陸熱力差異進一步加劇大尺度環流結構變化，流域原有產匯流過程與特性被改變，引起徑流在多個時空尺度上的重新分配。流域歷史水文序列平穩性假定被打破，原有水利工程的調度規則和基于歷史經驗的調度方式將難以適應新的變化環境。在此背景下，根據未來流域徑流的時空變化規律，挖掘水利工程體系的特點與優勢，充分利用攔、蓄、泄、分等技術，建立不同變化情景下的調度策略與系統應對機制，對于提高我國水利對氣候變化的適應能力、充分發揮水利工程綜合效益具有重要的科學意義和實際應用價值。

氣候變化的影響與適應性研究是全球變化與水科學領域的交叉前沿科學問題，涉及水文模擬、系統優化、工程調度等諸多研究領域。王國慶[1]對參數進行網格化，通過構建YRWBM水文模型對黃河中游地區徑流量進行了分布式計算。Acosta等[2]通過構建REA模型，評估了Lerma-Chapala流域在21世紀A1B情景下的水資源脆弱性。徐宗學等[3]用GCM(general circulation model)數據驅動分布式水文模型VIC和SWAT模型，對氣候變化對流域水循環的影響進行定量研究。秦年秀等[4]同樣用GCM數據，采用基于ArcGIS的地理分析模塊建立的氣溫-降水-徑流關系及雙參數氣候徑流彈性指數方法，分析了氣候變化對烏江流域水文水資源的影響。在適應性方面，夏軍等[5-6]系統闡述了氣候變化適應性的概念與內涵，指出適應性調度是指根據未來氣候變化下流域水文響應與變化情況，優化水利工程調度規則，減輕氣候變化對于流域的不利影響。周研來等[7]以丹江口水庫為研究對象，構建VIC分布式水文模型，預測氣候變化條件下漢江流域的徑流變化，發展多目標調度圖優化模型指導氣候變化情景下水庫調度運行。Maran等[8]著重從適應性管理策略的角度分析了氣候變化對于Alpine流域水能開發活動的影響。Ashofteh等[9]利用HadCM3氣候模型的A2情景，預測氣候變化對Aidoghmoush流域的入庫徑流和灌溉用水的影響，并以提高供水可靠性為目標進行水庫適應性調度。Yang等[10]制定適應氣候變化條件下的水庫優化調度規則，以兼顧發電和供水的要求。Zhou等[11-12]研究了單一水利工程的適應性調度方法。

綜上，目前在氣候變化影響與適應方面已有了一定的研究和探索，但在不確定性等方面成果仍不豐富，尚未形成“預估-檢測-適應”的研究體系。為此，本文模擬并預估氣候變化下新安江-富春江水電站控制流域的徑流時空響應，解析未來徑流時空演變特征，建立不同氣候變化情景下的適應性調度方案，并對調度結果的不確定性進行分析，以期為氣候變化影響評估與適應性管理提供技術參考。

1 研究區域概況及數據來源

1.1 研究區域概況

新安江水電站和富春江水電站是錢塘江流域最大的兩座水電站。新安江水電站位于錢塘江支流新安江上，是華東電網中裝機容量最大、庫容最大的電站，它主要承擔電網調峰、調頻、事故備用的任務。富春江水電站位于浙江省桐廬富春江七里垅峽口，距上游新安江水電站約60 km，距下游杭州市約110 km。富春江水電站是一座低水頭大流量的河床式水電站，電站主要功能為發電，兼有航運、養殖、灌溉、供水、旅游等任務。新安江和富春江水電站工程特征值見表1。研究區域包括新安江水庫流域、衢江流域和金華江流域3個子流域，新安江、富春江水電站的位置以及流域分區情況見圖1。

圖1 新安江-富春江水電站位置及流域分區

1.2 數據來源

所采用數據包括3類：歷史氣象觀測數據、歷史徑流觀測數據和氣候數值模擬數據。其中，歷史氣象觀測數據采用Climatic Research Unit (CRU) 3.24 版本高分辨率氣象再分析月數據，變量為溫度、降水和蒸散發，空間尺度為0.5°×0.5°網格，時間范圍為1901年1月—2015年12月。歷史徑流資料采用1989—2015年新安江水庫、金華江流域和衢江流域出口的實測日徑流資料。氣候模式輸出來自于CMIP5(coupled model intercomparison project phase 5)多模式數據。本文選用美國NASA、中國氣象局等九家研究機構所研發的GCM模擬數據，詳見表2。歷史模擬時段為1901年1月—2015年12月，未來預估時段為2016年1月—2099年12月，基于RCP(representative concentration pathways)的未來氣候變化情景，選用RCP2.6、RCP4.5、RCP8.5分別代表低、中、高排放3種氣候變化情景。

表1 新安江和富春江水電站工程特征值

表2 CMIP5中GCM模型選用

2 研究方法

2.1 誤差訂正與空間分解降尺度

誤差訂正與空間分解(bias correction spatial disaggregation，BCSD)方法是Wood等[13]于2004年提出的統計降尺度方法，可有效克服GCM模擬偏差、分辨率低的缺陷，該方法主要包括2個步驟：誤差訂正和空間分解。

GCM的輸出結果與實際觀測值相比存在一定誤差，因此需要對GCM的輸出結果進行誤差訂正。對高分辨率的觀測資料進行升尺度處理，將其尺度升至GCM網格對應的分辨率上；在每個網格點上，對模式資料的累積概率分布依據觀測資料進行修正，使其具有相同的概率分布。

空間分解的目的是在空間上將誤差訂正后的GCM數據從粗尺度降解到所需的細尺度。首先，根據低分辨率網格的模式將高分辨率的觀測氣候態資料進行升尺度。然后，將經過誤差訂正的模式資料除以(或減去)經過升尺度的觀測資料氣候值得到修正因子；將此修正因子用SYMAP(synteny mapping and analysis program)插值法插值到高分辨率的原始觀測資料網格上[14]。最后，將插值后的修正因子場乘以(或加上)高分辨率的觀測資料氣候值，得到模擬資料降尺度的結果。

2.2 新安江月水量平衡模型

根據氣候變化評估研究的特點，對三水源新安江水文模型進行簡化，構建新安江月水量平衡模型，并運用遺傳算法估計模型參數，模擬氣候變化條件下流域水文響應過程。

新安江月水量平衡模型由蒸散發計算、產流計算、水源劃分計算和匯流計算4個層次共同構成。其中，蒸散發計算采用3層蒸發模式，產流計算用蓄滿產流方法，水源劃分則采用自由水蓄水庫的方法將其劃分為地表徑流和地下徑流，匯流計算將坡地匯流過程分解為地表徑流匯流和地下徑流匯流2個部分。新安江月水量平衡模型的核心由張力水蓄水體和自由水蓄水體2個蓄水體構成。其中，張力水蓄水體控制產流，即控制流域對降水量的分配，決定其形成徑流還是消耗于蒸散發；自由水蓄水體控制匯流，即控制流域對徑流的時空分配，決定其形成快速還是慢速響應。

在進行新安江水文模型參數估計時，通常以模擬流量與實測流量之間平均相對誤差最小或確定性系數最大為適應度函數[16]，計算公式為

(1)

(2)

2.3 氣候變化下水電站群適應性調度模型

2.3.1 模型建立

新安江-富春江水電站適應性調度的目標涉及防洪、供水、發電和生態4個方面，屬多目標決策問題。根據研究區域水資源調度的要求與特點，本文以水電站發電經濟效益為基本目標，將防洪、供水、生態等目標轉化為不等式約束，采用約束法將多目標優化調度問題轉化成單目標優化調度問題進行求解，以該水電站群聯合發電量最大為目標函數，公式為

(3)

式中：E為水電站總發電量，kW·h；n為水電站序號；An為第n個水電站出力系數；Hn,t為第n個水電站t時段上下游水頭差，m；Qn,t第n個水電站t時段發電流量，m3/s；Δt為計算時段區間，s。新安江電站出力系數為8.5，富春江電站出力系數為8.3。

新安江-富春江水庫適應性調度模型的約束條件包括水量平衡約束、水位約束、下泄流量約束、水輪發電機組過流能力約束以及發電機組出力約束。

a. 水量平衡約束。

(4)式中：Sn,t為第n個水電站第t時段末的蓄水量，億m3；wn,t為第n個水電站Δt時段內的入流量， m3/s；Q出n,t為第n個水電站Δt時段內的出流量，m3/s；In,t為第n個水電站t時段末的損失水量，億m3。

b. 水位約束。

(5)

c. 下泄流量約束。

(6)

d. 水輪發電機組過流能力約束。

(7)

e. 發電機組出力約束。

(8)

2.3.2 模型求解

采用自適應遺傳算法(adaptive genetic algorithm，AGA)對新安江-富春江水電站適應性調度模型進行求解，由于常規遺傳算法中交叉概率和變異概率是固定的，因此不容易找到適用于所有問題的最佳值，AGA算法針對其不足，主要對交叉、變異概率的確定進行改進，將個體交叉概率和變異概率隨著其適應度的大小進行動態調整。當個體的適應度與最大適應度越接近時，其對應的交叉概率和變異概率的取值越小；若個體的適應度值接近或等于最大適應度值，則其交叉概率和變異概率接近或等于0，從而更加快速地找到所求問題的最佳值[17-18]。本文中初始種群規模為500，交叉概率取0.6，變異概率取0.01，最大迭代次數為300。

3 氣候變化對新安江-富春江水電站入庫徑流影響分析

3.1 未來氣溫與降雨要素降尺度分析

利用BCSD方法對CMIP5中RCP2.6、RCP4.5、RCP8.5 3種氣候變化情景下的新安江-富春江水電站控制流域氣溫、降水和蒸散發GCM預估結果進行降尺度分析，目標尺度為0.5°×0.5°。

以歷史觀測氣象資料為基準，分別計算模式降尺度前與降尺度后數據的模擬偏差，繪制氣溫、降水與蒸散發降尺度改進效果概率直方圖(圖2)，評估BCSD降尺度效果。GCM模式對流域氣溫的模擬偏差主要分布在-1.2～1.8 ℃，偏差離散度較大，而BCSD改進后的模擬偏差則更加集中，主要在-0.6～1.2 ℃。BCSD對模式降水數據的改進效果更加顯著，降尺度后偏差基本全部集中在±10 mm附近。BCSD對流域蒸散發模擬偏差也有較好的改進，從0～20 mm降低至0～10 mm。綜上，BCSD降尺度方法對研究區域氣溫、降水和蒸散發模式輸出都有很好的改進效果。

3.2 氣候變化下新安江-富春江水電站控制流域徑流響應模擬

3.2.1 新安江月水量平衡模型參數率定與驗證

對新安江水庫流域、衢江流域和金華江流域3個子流域分別建立新安江月水量平衡模型，并用遺傳算法進行參數率定。其中，1989—2008年為率定期，2009—2015年為檢驗期，新安江-富春江水電站水庫入庫月徑流模擬結果見圖3。

(a) 氣溫初始模擬 (b) 氣溫降尺度模擬

(c) 降水初始模擬 (d) 降水降尺度模擬

(a) 新安江流域

(b) 金華江流域

(c) 衢江流域

新安江水庫流域率定期和檢驗期的平均確定性系數分別為0.903 1和0.926 7，年徑流模擬平均相對誤差分別為5.38%和4.85%；金華江流域率定期和檢驗期的平均確定性系數分別為0.675 4和0.751 1，年徑流模擬平均相對誤差分別為9.25%和8.17%；衢江流域率定期和檢驗期的平均確定性系數分別為0.809 6和0.767 7，年徑流模擬平均相對誤差分別為11.41%和6.19%。從整體來看，新安江月模型模擬徑流曲線形狀與實測徑流曲線形狀比較吻合，模擬徑流的總水量偏差總體表現也比較好，可見，模型參數合理，可較準確地模擬流域月徑流量。

3.2.2 氣候變化下新安江-富春江水電站水庫入庫徑流響應預估及演變特征分析

用2016—2099年降尺度后的氣象模式輸出驅動率定好的新安江月水量平衡模型，生成不同氣候變化情景下的3個子流域月徑流分布情況，并對徑流的時空變化特征進行分析。

2016—2099年，新安江-富春江水電站控制流域月徑流總量整體呈上升趨勢，新安江水庫、金華江、衢江流域每10年年徑流量的線性傾向速率依次為49.69～58.48 m3/s、19.37～22.89 m3/s和49.08～53.32 m3/s。流域徑流量的峰值預計將出現在2070年代與2080年代期間，此后略有下降。與1989—2015年流域歷史徑流情況相比，新安江水庫未來徑流量預計將低于歷史平均水平，平均降幅5.4%～5.8%；金華江流域徑流量則顯著高于歷史水平，增幅6.2%～7.5%；衢江流域總體持平，增幅在0.8%以內，徑流變化情況見圖4。同時，研究區域徑流變化對于輻射強迫的變化并不敏感，3種情景下徑流變化的趨勢基本一致，變率差別并不顯著。RCP4.5情景下的新安江、金華江、衢江流域在2060年代時段徑流量較2050年代時段分別下降6.5%、5.5%、4.6%，之后徑流量開始繼續增加，而RCP2.6與RCP8.5下未體現出此波動變化。

在未來氣候變化下，新安江-富春江水電站控制流域的徑流仍主要集中在春、夏2季，其中汛期(4—10月)總徑流量7 458.5～7 635.6 m3/s，非汛期(11月—次年3月)總徑流量2 760.8～2 889.1 m3/s。如圖5所示，未來主汛期6月的徑流量仍為年內最大，新安江、金華江、衢江流域的平均月徑流量分別達761.6～782.2 m3/s、385.6～401.3 m3/s和872.2.6～896.4 m3/s，與歷史情況相比，新安江流域下降顯著，降幅達14.9%～17.1%，金華江流域增長15.0%～19.7%，衢江流域略有降低，降幅3.0%～5.6%。此外，流域汛初3—4月的徑流量與歷史相比略有下降，平均降幅15.6%～17.1%，汛末8—10月的徑流量則顯著上升，平均增幅38.6%～40.1%。另外，流域徑流的年內分布情況對于輻射強迫的變化并不敏感。

(a) 新1安江流域

(b) 金華江流域

(c) 衢江流域

氣候變化下新安江-富春江水電站水庫入庫徑流的演變主要受降水、蒸散發等因素的綜合影響。相對于基準期1901—2015年，2016—2099年新安江-富春江水電站控制流域不同情景的多年平均降水量基本呈增加趨勢，增加幅度整體上由北向南遞增，衢江流域和金華江流域降水量增幅較大，新安江流域的降水增幅較小；流域在蒸散發方面的空間分布形式相對穩定，蒸散發量整體上呈增加趨勢，增加幅度由北向南遞減，新安江流域的蒸散發增幅較大，

(a) 新安江流域

(b) 金華江流域

(c) 衢江流域

金華江和衢江的蒸散發增幅相對較小。由于新安江流域的蒸散發增加幅度較降水顯著，因此新安江流域未來的徑流呈下降趨勢，而金華江和衢江流域有一定程度的增加。此外，未來降水的豐枯季節的差距變小，使得徑流間的豐枯差異變小，因此流域豐水期與枯水期的界限變得相對模糊。

4 氣候變化下新安江-富春江水電站適應性調度研究

選擇2006年3月—2099年2月為研究時段，共計93個水文年，以月為單位。新安江水庫起調水位為98.4 m(興利庫容一半所對應的庫水位)，2099年2月時段末水位回到起調水位98.4 m。

4.1 發電效益分析

在適應性調度模式下，2016—2099年新安江-富春江電站總發電量達2 726.99億～2 731.63億kW·h，比常規調度提高3.43%～3.85%，見表3。其中，新安江電站發電效益顯著提高，多年總發電量達1 793.83億～1 798.00億kW·h，比常規調度提高4.60%～4.88%，富春江電站多年總發電量達931.62億～933.63億kW·h，增幅1.21%～1.91%。同時，在3種氣候變化情景下，新安江-富春江水電站在適應性調度模式下的發電量相對穩定且無顯著差異，對于輻射強度的變化并不敏感。

GCM模式間差異對于新安江和富春江水電站的發電量存在較大影響，特別GISS-E2-R、IPSL-CM5A-LR及MIROC5 3個模式相對于其他6個模式的發電量明顯偏少，主要由于這3個GCM模式下的研究區域徑流量模擬結果總體偏小。此外，新安江-富春江流域適應性調度下發電量相對于常規調度的增幅對于模型間的差異表現較穩定，無顯著變化，且各模型中發電量的變化對于輻射強迫的變化也并不敏感，見圖6。

表3 新安江-富春江水電站適應性調度發電效益分析

表4 新安江-富春江水庫不同調度模式下多年棄水總量分析

4.2 棄水分析

2016—2099年，新安江與富春江水庫在適應性調度下的總棄水量較常規調度大幅下降，水資源利用效率顯著提高。其中，新安江水庫可充分發揮多年調節特性的優勢，多年總棄水量下降27.44億～49.03億m3，降幅81.61%～99.99%，特別在RCP2.6和RCP4.5 2種氣候變化情景下無棄水產生；富春江水庫為日調節水庫，在適應性調度下，通過對新安江水庫進行錯峰調度，富春江水庫多年總棄水量下降463.94億～531.74億m3，降幅52.98%～58.64%，見表4。適應性調度下水庫棄水量與輻射強迫的變化呈現正相關關系，隨著氣候變化情景由RCP2.6變化至RCP8.5，新安江水庫的多年總棄水量由0增長至11.04億m3，富春江流域的多年總棄水量由366.59億m3增長至471.83億m3。

氣候變化條件下，水庫適應性調度對于棄水量同樣展現出良好的適應性。在不同GCM模擬的徑流時空分布情況下，新安江水庫的調節特性得以充分發揮，棄水始終維持在較低狀態。相比較而言，常規調度下不同GCM模擬新安江水庫的棄水情況則存在較大差異，其中CanESM2和NorESM1-M所模擬的棄水總量相對較高，見圖7。與之相比，GCM間的不確定性對富春江水庫的棄水量造成了相對較大的影響，各GCM在適應性調度下的棄水量相較于常規調度均有顯著下降，但模型間適應性調度與常規調度的總棄水量存在較大差異，見圖8。

4.3 最大下泄流量分析

在適應性調度下，新安江與富春江水庫多年平均最大下泄流量均呈顯著下降趨勢，其中新安江水庫下降352.37～597.91 m3/s，降幅22.74%～33.29%，富春江水庫下降749.62～874.61 m3/s，降幅16.57%～

17.63%，見表5。適應性調度充分發揮了新安江水庫的多年調節特性，遭遇洪水前提前騰出庫容以降低水庫的最大下泄流量，雖然富春江水庫無調節特性，但新安江水庫的錯峰調度作用在適應性調度中得以充分發揮，特別在蘭江流域遭遇洪水時，控制新安江水庫下泄流量，可以降低富春江水庫的最大下泄流量，減輕流域防洪壓力。同時，常規調度下兩水庫的最大下泄流量隨著輻射強迫的增加呈顯著增加趨勢，而錢塘江流域適應性調度機制很好地適應了輻射強迫的變化，在不同氣候情景下新安江水庫的最大下泄流量均較穩定，無顯著區別，而富春江水庫由于不具備調節性能，最大下泄流量略有增加，但增幅仍小于常規調度。

氣候變化條件下，新安江水庫在適應性調度下的最大下泄流量對于不同GCM未顯示顯著差異，均略低于其機組最大過流能力1 200 m3/s，但常規調度下的最大下泄流量則表現出較為顯著的差異。與之相比，富春江水庫的最大下泄流量則表現出較大的模型間不確定性，在適應性調度和常規調度下不同GCM間的最大下泄流量情況存在較大差異，如圖9～10所示，不同GCM適應性調度下的最大下泄流量仍小于常規調度，適應性調度的防洪效益仍得到充分的發揮。

表5 2016—2099年新安江-富春江水庫多年平均最大下泄流量對比

5 結 論

a. 降尺度后，流域氣溫的偏差主要集中在-0.6～1.2 ℃，降水偏差主要在±10 mm左右，蒸散發偏差主要集中在0～10 mm以內，BCSD降尺度對于GCM誤差修正的效果良好。

b. 2016—2099年，預計流域徑流整體上呈現上升趨勢。與歷史徑流情況相比，新安江水庫流域徑流量將下降5.4%～5.8%，金華江流域徑流量預計將增長6.2%～7.5%，衢江流域徑流量的增幅在0.8%以內。同時，流域徑流年內差異減小，豐水期與枯水期的界限變得相對模糊。

c. 在適應性調度模式下，新安江-富春江水電站未來總發電量比常規調度下提高3.43%～3.85%，新安江水庫和富春江水庫的最大下泄流量可分別下降22.74%～33.29%和16.57%～17.63%，兩水庫多年總棄水量降幅可達81.61%～99.99%和52.98%～58.64%，綜合效益顯著。

[1] 王國慶. 氣候變化對黃河中游水文水資源影響的關鍵問題研究[D].南京： 河海大學, 2006.

[2] ACOSTA I R, MARTNEZ M J M. Assessment of surface runoff vulnerability to climate change in the Lerma-Chapala Basin, Mexico[J]. Journal of Water Resources Planning and Management, 2014, 140(12):401-402.

[3] 徐宗學,劉瀏. 氣候變化影響下的流域水循環:以長江和黃河典型流域為例[J]. 氣象科技進展, 2016, 6(3): 123-133. (XU Zongxue, LIU Liu. Impact of climate change on hydrological cycle: case studies in the Yangtze River and Yellow River basins[J]. Advances in Meteorological Science and Technology, 2016, 6(3): 123-133. (in Chinese))

[4] 秦年秀，陳喜，薛顯武，等. 氣候變化對烏江流域水文水資源的影響[J]. 河海大學學報(自然科學版), 2011, 39(6): 623-628.(QIN Nianxiu, CHEN Xi, XUE Xianwu, et al. Effects of climate change on hydrology and water resources in Wujiang Basin[J]. Journal of Hohai University(Natural Sciences), 2011, 39(6): 623-628. (in Chinese))

[5] 夏軍,THOMAS Tanner,任國玉,等. 氣候變化對中國水資源影響的適應性評估與管理框架[J]. 氣候變化研究進展， 2008, 4(4): 215-219. (XIA Jun, THOMAS Tanner, REN Guoyu, et al. Potential impacts of climate change on water resources in China：screening for adaptation and management[J]. Advances in Climate Change Research, 2008, 4(4): 215-219. (in Chinese))

[6] 方一平,秦大河,丁永建. 氣候變化適應性研究綜述：現狀與趨向[J]. 干旱區研究， 2009, 26(3): 299-305. (FANG Yiping, QIN Dahe, DING Yongjian. A review about the research on adaptability in climate change: present situation and tendency[J]. Arid Zone Research, 2009,26(3): 299-305. (in Chinese))

[7] 周研來，郭生練，李雨，等. 多目標調度圖對氣候變化的自適應研究[J]. 華中科技大學學報(自然科學版), 2014, 42(2): 6-10.(ZHOU Yanlai, GUO Shenglian, LI Yu, et al. Multipurpose reservoir operating rule curves adapt to climate change[J]. Journal of Huazhong University. of Science and Technology (Natural Science Edition),2014, 42(2): 6-10. (in Chinese))

[8] MARAN S, VOLONTERIO M, GAUDARD L. Climate change impacts on hydropower in an alpine catchment[J]. Envirnmental Science & Policy, 2014, 43(7): 15-25.

[9] ASHOFTEH P, BOZORG-HADDAD O, LOAICIGA H A. Development of adaptive strategies for irrigation water demand management under climate change[J]. Journal of Irrigation and Drainage Engineering, 2017, 143(2): 1-11.

[10] YANG G, GUO S, LI L, et al. Multi-objective operating rules for danjiangkou reservoir under climate change[J]. Water Resources Management, 2016, 30(3): 1183-1202.

[11] ZHOU Y, GUO S. Incorporating ecological requirement into multipurpose reservoir operating rule curves for adaptation to climate change[J]. Journal of Hydrology, 2013, 498(12): 153-164.

[12] AHMADI M, BOZORG-HADDAD O, LOAICIGA H A. Adaptive reservoir operation rules under climatic change[J]. Water Resources Managenent, 2015, 29(4): 1247-1266.

[13] 芮孝芳. 水文學原理[M]. 北京: 中國水利水電出版社, 2004.

[14] 方國華,戚核帥,聞昕,等. 氣候變化條件下21世紀中國九大流域極端月降水量時空演變分析[J]. 自然災害學報, 2016,25(2): 15-25. (FANG Guohua, QI Heshuai, WEN Xin, et al. Analysis of spatiotemporal evolution of extreme monthly precipitation in the nine major basins of China in 21st century under climate change[J]. Journal of Natural Disasters,2016,25(2): 15-25. (in Chinese))

[15] 郝振純,鞠琴,王璐,等. 氣候變化下淮河流域極端洪水情景預估[J]. 水科學進展, 2011, 22(5): 605-614. (HAO Zhenchun, JU Qin, WANG Lu,et al. Prediction of extreme floods in Huaihe River basin under climate change[J].Advances in Water Science, 2011, 22(5): 605-614. (in Chinese))

[16] YUE S, PILON P, CAVADIAS G. Power of the Mann-Kendall and Spearman’s rho tests for detecting monotonic trends in hydrological series [J]. Journal of Hydrology, 2002, 259(1-4): 254-271.

[17] SRINIVAS M, PATNAIK L. Adaptive probabilities of crossover and mutation in genetic algorithms[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1994(24): 656-667.

[18] 藍天鴻, 唐偉峰. 基于自適應遺傳算法的去耦電容器自動選擇[J]. 電子科技, 2012, 25(4): 21-24. (LAN Tianhong, TANG Weifeng. Automatic selection of the decoupling capacitors based on AGA[J].Electronic Science & Technology,2012, 25(4): 21-24. (in Chinese))

Study on runoff response simulation and adaptive scheduling of Xin’anjiang-Fuchunjiang hydropower station under climate change

WEN Xin1,2， DING Ziyu1， FANG Guohua1， LEI Xiaohui2， WANG Hao2

(1.CollegeofWaterConservancyandHydropowerEngineering,HohaiUniversity,Nanjing210098,China;2.StateKeyLaboratoryofSimulationandRegulationofWaterCycleinRiverBasin,ChinaInstituteofWaterResourcesandHydropowerResearch,Beijing100038,China)

We evaluated the impact of climate change on the runoff of the Xin’anjiang-Fuchunjiang hydropower station basin, put forward the adaptive scheduling scheme under different climate change scenarios, and analyzed the uncertainty. The results show that, during 2016—2099, the runoff of Xin’anjiang Reservoir Basin will decrease by 5.4%—5.8%, and the runoff of the Jinhua River Basin and Qujiang River Basin will increase by 6.2%—7.5% and less than 0.8%, respectively. Under the adaptive scheduling mode, the total generating capacity of the Xin’anjiang-Fuchunjiang hydropower station is expected to increase by 3.43%—3.85% compared with the conventional dispatching. The maximum discharge of the Xin’anjiang and Fuchunjiang hydropower stations will decrease by 22.74%—33.29% and 16.57%—17.63%, respectively. The total abandoned water of the two hydropower stations will decrease by 81.61%—99.99% and 52.98%—58.64%, respectively. In addition, the scheduling mode adapts well to the radiation intensity and the uncertainty among different GCMs.

runoff; BCSD downscaling； hydrological simulation； adaptive genetic algorithm； uncertainty； Xin’anjiang-Fuchunjiang hydropower station

10.3880/j.issn.1004-6933.2017.04.003

國家自然科學基金(51609061)；長江科學院開放研究基金(CKWV2016370/KY)；水力學與山區河流開發保護國家重點實驗室開放合作基金(SKHL1621)；江蘇高校優勢學科建設工程資助項目

聞昕(1987—)，男，講師，博士，主要從事資源規劃及利用、水利水電系統規劃與優化調度等方面研究。E-mail：njwenxin@163.com

方國華，教授。E-mail：hhufgh@163.com

TV697.1

A

1004-6933(2017)04-0010-10

2017-03-30 編輯：王 芳)