水閘泵站系統(tǒng)預(yù)報調(diào)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(tǒng)涉及諸多水利工程和河湖水系，工程調(diào)度運行與河湖水系的各項指標(biāo)間存在著復(fù)雜的耦合互饋關(guān)系，水量水質(zhì)模型是水閘泵站系統(tǒng)預(yù)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(tǒng)體系中的復(fù)雜關(guān)系變得越來越困難。水閘泵站系統(tǒng)作為水資源系統(tǒng)的重要子系統(tǒng)，為流域和區(qū)域提供了重要的防洪、供水、水生態(tài)環(huán)境服務(wù)，而這三方面任務(wù)相互交織、相互競爭，因此需要開展多目標(biāo)優(yōu)化調(diào)度。系統(tǒng)聯(lián)合調(diào)度最優(yōu)方案的確定，究其本質(zhì)屬于最優(yōu)決策問題。但由于水閘泵站系統(tǒng)中要素眾多、各要素水力關(guān)系復(fù)雜、調(diào)度多目標(biāo)競爭，屬于一類動態(tài)、高維度、非線性的復(fù)雜耦合優(yōu)化決策問題。與此同時人工智能、大數(shù)據(jù)等新技術(shù)的蓬勃發(fā)展為識別和模擬水閘泵站系統(tǒng)中諸多要素的互饋耦合關(guān)系提供了新的可能性。這些新技術(shù)通常具有響應(yīng)速度快、泛化能力強和數(shù)據(jù)處理能力強等優(yōu)點，為水閘泵站系統(tǒng)預(yù)報模擬與優(yōu)化調(diào)度提供了新的思路和手段。

1 水閘泵站系統(tǒng)預(yù)報調(diào)度一體化框架

本文提出一種基于數(shù)據(jù)驅(qū)動的水閘泵站系統(tǒng)預(yù)報調(diào)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(xué)習(xí)預(yù)報水文變量耦合水閘泵站系統(tǒng)多目標(biāo)優(yōu)化調(diào)度模型來實現(xiàn)預(yù)報調(diào)度一體化。技術(shù)路線主要可以描述為：從分布在不同位置的物聯(lián)網(wǎng)遙感終端獲得傳感數(shù)據(jù)，包括河流水位、水質(zhì)指標(biāo)和小氣候信息，控制中心獲得這些數(shù)據(jù)后，驅(qū)動機器學(xué)習(xí)和優(yōu)化調(diào)度，即LSTM可以模擬水量水質(zhì)，然后在優(yōu)化調(diào)度模型中采用預(yù)測的系統(tǒng)變量來優(yōu)化一天的調(diào)度運行。下文對基于LSTM 的預(yù)報模型與水閘泵站系統(tǒng)優(yōu)化調(diào)度模型進行具體描述。

圖1 水閘泵站系統(tǒng)預(yù)報調(diào)度一體化框架圖

2 基于LSTM 的預(yù)報模型

近年來，將機器學(xué)習(xí)作為一種數(shù)據(jù)驅(qū)動的建模工具越來越受到關(guān)注，它旨在為越來越先進的傳感技術(shù)開發(fā)一個高效、靈活的算法模型，利用基于測量數(shù)據(jù)的學(xué)習(xí)能力來表征復(fù)雜和動態(tài)的系統(tǒng)行為。

長短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）是一種時間遞歸的神經(jīng)網(wǎng)絡(luò)，經(jīng)常用來解決時間序列問題。LSTM 能夠有效地解決后者在訓(xùn)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(jié)構(gòu)如圖2 所示。

圖2 LSTM 模塊的四層交互神經(jīng)網(wǎng)絡(luò)圖

采用LSTM 的機器學(xué)習(xí)預(yù)報模型來模擬復(fù)雜城市河流系統(tǒng)中的水量水質(zhì)動態(tài)變化。LSTM 機器學(xué)習(xí)預(yù)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(yù)報信息）和狀態(tài)變量（歷史水文數(shù)據(jù)序列，如水位、降水量）。LSTM 預(yù)報模型的輸出是給定時間步長的水文變量（如水位）的預(yù)報值。

3 水閘泵站系統(tǒng)優(yōu)化調(diào)度模型

在本框架中，由于水閘泵站系統(tǒng)的水量、水質(zhì)變量采用LSTM 的機器學(xué)習(xí)預(yù)報模型，計算代價低、模擬精度優(yōu)，采用LSTM 與優(yōu)化調(diào)度模型耦合求解或決策優(yōu)選已有方案，兩類調(diào)度決策方法均可采用。

3.1 目標(biāo)函數(shù)

將水閘泵站系統(tǒng)多目標(biāo)優(yōu)化調(diào)度問題轉(zhuǎn)化成如下多目標(biāo)優(yōu)化模型：

式中：三個目標(biāo)O1、O2、O3（f1、f2、f3）分別為水閘泵站系統(tǒng)防洪安全、供水安全、水生態(tài)環(huán)境安全保障方面的目標(biāo)；xi、xj、xk分別對應(yīng)三個目標(biāo)領(lǐng)域自變量。

3.2 約束條件

水閘泵站系統(tǒng)優(yōu)化調(diào)度模型的約束條件主要包括系統(tǒng)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(tài)等功能的水位、流量、水位變幅、流量變幅的約束，面向水環(huán)境的水質(zhì)約束。

3.3 模型轉(zhuǎn)化

上述多目標(biāo)優(yōu)化調(diào)度模型可以采用多目標(biāo)優(yōu)化算法求解，目前也已經(jīng)有許多學(xué)者致力于多目標(biāo)智能算法的研究，研究提出了很多算法，其中有不少經(jīng)典算法如NSGA-Ⅱ、NSGA-Ⅲ，已經(jīng)被廣泛運用到了水利研究和應(yīng)用。采用這些多目標(biāo)算法求解構(gòu)建的優(yōu)化調(diào)度模型可以得到水閘泵站系統(tǒng)調(diào)度的非劣解集，其中每一個解都是一個非劣解，對應(yīng)著一個調(diào)度方案。然后根據(jù)調(diào)度策略構(gòu)建決策模型，從非劣解集中優(yōu)選出最滿足調(diào)度策略的那一個解，并反演成調(diào)度方案。這是一套可行的過程，然而這個過程比較復(fù)雜，不利于日常管理工作中使用，并且每個環(huán)節(jié)都有一定的不確定性，如果缺少相應(yīng)的不確定性評估，不確定性的疊加效應(yīng)也可能帶來較大的風(fēng)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(quán)法將上述構(gòu)建的水閘泵站多目標(biāo)優(yōu)化調(diào)度模型轉(zhuǎn)化為如下形式進行求解：

式中：αi、βj、γk分別為三方面目標(biāo)的權(quán)重。此外，在實際應(yīng)用時，水閘泵站系統(tǒng)的運行費用往往也需考慮，可以根據(jù)實際情況列作第四項目標(biāo)。

將構(gòu)建的水閘泵站多目標(biāo)優(yōu)化調(diào)度模型轉(zhuǎn)化成上述線性加權(quán)的形式后，采用數(shù)學(xué)規(guī)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(xiàn)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(fù)擔(dān)。

4 結(jié)語

本文提出一種基于數(shù)據(jù)驅(qū)動的水閘泵站系統(tǒng)預(yù)報調(diào)度一體化方法框架，其技術(shù)貢獻主要包括：

1）引入深度機器學(xué)習(xí)技術(shù)開展水量水質(zhì)預(yù)報，構(gòu)建LSTM 預(yù)報模型來準(zhǔn)確識別引水、天氣條件和水流變化的復(fù)雜動態(tài)。

2）在水閘泵站系統(tǒng)優(yōu)化調(diào)度過程中，利用預(yù)報系統(tǒng)特性，在滿足諸多約束的情況下，制定優(yōu)化調(diào)度方案，實現(xiàn)預(yù)報調(diào)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(yīng)用中修改、替換和補充