水库群调度决策行为挖掘方法和水库调度自动控制装置

本发明属于水库调度技术领域，具体涉及水库群调度决策行为挖掘方法和水库调度自动控制装置。

技术背景

水库是广泛应用的蓄洪补枯工程，依据《2018年全国水利发展统计公报》，我国总计建成了98822座水库。随着流域调度管理的转型及科学技术的发展，“天-空-地一体化观测技术”记录了大量历史水文信息及实际调度过程中的水情信息，使水库调度领域的数据信息发生爆炸式增长。目前，如何挖掘现有的海量数据信息为水库调度决策提供建议已成为研究热点问题。

随着数据规模增大，数据处理难度逐步增加，常规的数据分析方法难以在合理时间内对大数据进行处理和分析。在大数据及大计算的背景下，数据挖掘、人工智能及数据同化等数据驱动技术应运而生，这些新兴技术常被用于解决水资源大数据的分析应用问题，挖掘水库调度行为，为水库调度的科学决策提供技术支撑。在水库调度领域，常用的数据挖掘方法如决策树、人工神经网络、支持向量机等浅层学习模型及长短期记忆网络、门控递归单元等深度学习模型，这些方法能从大量看似不相关的冗杂数据中提取重要信息，找到各种数据和变量之间的关系，从而建立相应的数据模式及模型。

但是，现有的数据挖掘方法在挖掘水库调度行为尚存在如下缺陷：

(1)水库调度决策过程的影响因素众多，对传统的浅层学习模型而言，当输入维度增加时，计算难度增大，需运用因子筛选方法确定输入特征，难以考虑多种影响因素，不能充分挖掘数据信息，也难以适应水库调度多种决策场景；

(2)运用深度学习模型挖掘水库调度行为，无需人工进行因子筛选，能充分吸纳历史调度数据及水文气象信息，但其仅基于可获得的数据信息建立影响因子与决策变量的映射关系，不能结合水库调度过程的水量平衡、调度决策的客观约束，难以符合水库调度原理，无法获得准确有效的水库调度用数据。

技术实现要素：

本发明是为了解决上述问题而进行的，目的在于提供一种水库群调度决策行为挖掘方法和水库调度自动控制装置，能够从水库群历史调度数据更准确挖掘水库调度决策行为，实现水库群历史出库流量的重构与未来多个预见期的出库流量预报，有效提升对极端水文条件下调度行为的认知，适应水库调度不同决策场景。

本发明为了实现上述目的，采用了以下方案：

<方法>

本发明提供了水库群调度决策行为挖掘方法，其特征在于，包括以下步骤：

步骤1.确定研究情景，收集水库群系统基本资料、历史调度数据及库区站点气象数据，确定水库群调度行为的影响因子与决策变量；水库群调度行为的影响因子包括以下变量的全部或部分变量：时序t、当前时段龙头水库入库流量qin，l^t、当前时段水库群i水库到j水库的区间入流ωin，i，j^t、上一时段水库群i水库的上游水位zu，i^t、上一时段水库群i水库的下游水位zd，i^t、上一时段水库群i水库的出库流量qout，i^t-1、上一时段水库群i水库的出力nout，i^t-1、当前时段水库群i水库的降雨量pi^t及当前时段水库群i水库的蒸发量ei^t；水库群调度行为的决策变量为当前时段水库群各水库的出库流量qout，i^t；

步骤2.确定用于挖掘水库群调度决策行为的深度学习算法；

步骤3.审查水库群调度数据的准确性

校核各个水库各时段入库流量、出库流量及水库水位是否符合水量平衡方程，若数据准确，则将步骤1中确定的影响因子与决策变量的时间序列数据归一化，并依据时间序列数据长度划分训练集及测试集；

步骤4.构建耦合水库基本原理与深度学习模型的水库群调度决策行为挖掘模型；

步骤5.基于训练集样本率定模型的超参数，包括最大迭代次数、隐含层节点数、学习率、批量值，基于模型损失函数反向传播更新模型的网络参数，依据模型在测试集的模拟精度确定模型最优超参数，最终建立如下水库群调度行为的影响因子与决策变量的映射关系，实现水库群调度决策行为的挖掘；

式中，f为影响因子与决策变量的映射关系，n为水库群所包含水库数量。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：在步骤2中，选择适用于挖掘时间序列数据的深度学习算法用于挖掘水库群调度决策行为。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：在步骤3中，是校核水库群中当前时段龙头水库入库流量qin，l^t、当前时段水库群i水库到j水库的区间入流qin，ij^t、上一时段水库群i水库的上游水位zu，i^t、上一时段水库群i水库的出库流量qout，i^t-1是否符合水量平衡方程。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：在步骤3中，校核后，若数据不准确，则要在考虑水库蒸发、渗漏等损失的基础上，将水库群的入库流量及出库流量、上游水位修正至符合水量平衡方程。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：在步骤4中，把基于设计洪水的调度过程与历史实际运行数据同时作为深度学习模型的训练样本，运用设计洪水的调度模型结果拓宽深度学习模型的训练样本，促使深度学习模型吸纳水库调度原理，从而构建得到水库群调度决策行为挖掘模型。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：在步骤4中，在深度学习模型中耦合了水库调度决策的上下界约束、水量平衡约束、单调性约束。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：水库调度决策的上下界约束是水库群出库流量的上边界及下边界约束，若水库群出库流量的模拟值不符合边界约束，需计算相应的越界值lossboundary用于损失函数的方向传播，具体采用下式计算：

有：

即，

式中，nt为测试期的时间序列长度；为水库群第j个水库第t个时段出库流量的模拟值；ql为水库出库流量的下限；qu为水库出库流量的上限。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：水库调度决策的水量平衡约束通过计算水库群内各水库出库流量的模拟值与入库流量、水库蓄水量变化的非平衡值lossbalance来实现，具体采用下式计算：

式中，δwj为水库群第j个水库在测试期的水量变化；qt，j为水库群第j个水库第t个时段的入库流量，由上游水库的出库流量真实值及区间入流计算；为水库群第j个水库第t个时段出库流量的模拟值。

优选地，本发明提供的水库群调度决策行为挖掘方法，还可以具有以下特征：水库调度决策的单调性约束为假设模型的其它输入序列不变，入库流量序列增大一定值时，水库出库流量模拟结果不小于原始输入序列的模拟结果；若水库群出库流量的模拟值不符合单调性约束，则计算非单调值lossmonotony用于损失函数的方向传播，具体采用下式计算：

式中，为所构造的假设其它输入条件不变、流量增大一定值时的出库流量序列模拟值；为原始输入序列的出库流量模拟值；relu是非线性激活函数，relu(z)＝z⁺＝max(0，z)。

计算调度决策的越界值和非单调值，加权求和后，纳入模型的损失函数中，用于损失函数的反向传播，促使网络更新参数，最终收敛。

<装置>

进一步，本发明还提供了一种基于上述<方法>的水库群调度自动控制装置，其特征在于，包括：

资料获取部，确定研究情景，收集水库群系统基本资料、历史调度数据及库区站点气象数据，确定水库群调度行为的影响因子与决策变量；水库群调度行为的影响因子包括以下变量的全部或部分变量：时序t、当前时段龙头水库入库流量qin，l^t、当前时段水库群i水库到j水库的区间入流qin，i，j^t、上一时段水库群i水库的上游水位zu，i^t、上一时段水库群i水库的下游水位zd，i^t、上一时段水库群i水库的出库流量qout，i^t-1、上一时段水库群i水库的出力nout，i^t-1、当前时段水库群i水库的降雨量pi^t及当前时段水库群i水库的蒸发量ei^t；水库群调度行为的决策变量为当前时段水库群各水库的出库流量qout，i^t；

算法确定部，确定用于挖掘水库群调度决策行为的深度学习算法；

校核部，审查水库群调度数据的准确性：校核各个水库各时段入库流量、出库流量及水库水位是否符合水量平衡方程，若数据准确，则将步骤1中确定的影响因子与决策变量的时间序列数据归一化，并依据时间序列数据长度划分训练集及测试集；

耦合模型构件部，构建耦合水库基本原理与深度学习模型的水库群调度决策行为挖掘模型；

映射关系建立部，基于训练集样本率定模型的超参数，包括最大迭代次数、隐含层节点数、学习率、批量值，基于模型损失函数反向传播更新模型的网络参数，依据模型在测试集的模拟精度确定模型最优超参数，最终建立如下水库群调度行为的影响因子与决策变量的映射关系，实现水库群调度决策行为的挖掘；

式中，f为影响因子与决策变量的映射关系，n为水库群所包含水库数量；

水库调度部，根据映射关系建立部确定的映射关系，确定相应的调度措施，并控制水库群中各水库按照调度措施运行；

控制部，与资料获取部、算法确定部、校核部、耦合模型构件部、映射关系建立部、水库调度部均通信相连，并控制它们的运行。

优选地，本发明提供的水库群调度自动控制装置，还可以包括：输入显示部，与控制部通信相连，用于让用户输入操作指令，并进行相应显示；其中，输入显示部能够根据操作指令对映射关系建立部建立的映射关系进行显示，并能够根据操作指令对水库调度部确定的调度措施和各水库的运行情况进行显示；调度措施包括控制水库各闸门的入流量、出流量、水库的蓄水量、供给发电的用水量等。

发明的作用与效果

与现有技术相比，本发明的有益效果在于：

(1)本发明提供的耦合水库调度原理与深度学习技术的水库群调度决策行为挖掘方法，是一种耦合水库调度基本方程、约束条件与水库群历史调度数据的综合运用方法，深度学习方法能从水库群历史调度数据更准确挖掘水库调度决策行为，实现水库群历史出库流量的重构与未来多个预见期的出库流量预报。

(2)本发明提供的耦合水库调度原理与深度学习技术的水库群调度决策行为挖掘方法，通过吸纳水库调度物理模型所得的工程设计洪水调度案例，拓宽了深度学习模型的训练样本，促使深度学习模型学习水库调度原理，提升深度学习模型对极端水文条件下调度行为的认知，使得模型预测结果更加准确，能够适应各种不同的水库调度决策场景。

(3)本发明提供的水库群调度决策行为挖掘方法，将水库群系统作为研究对象，能考虑流域内各水库的相互作用，能重构水库群的未建成前的调度决策，也可用于预报水库群多个预见期的调度决策。

(4)本发明提供的水库群调度自动控制装置，能够基于水库群系统基本资料、历史调度数据及库区站点气象数据自动挖掘水库群调度决策行为，建立水库群调度行为的影响因子与决策变量的映射关系，并能够根据此确定相应的调度措施，来控制水库群中各水库按照调度措施运行，使得水库调度更加智能化、调度措施更加科学合理。

附图说明

图1为本发明实施例涉及的水库群调度决策行为挖掘方法的流程图；

图2为本发明实施例涉及的长短期记忆网络模型(lstm)与耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)模拟结果的纳什效率系数对比图，其中，横坐标1-sby为水布垭水库在第一组输入下的结果，2-sby为水布垭水库在第二组输入下的结果，1-ghy为隔河岩水库在第一组输入下的结果，2-ghy为隔河岩水库在第二组输入下的结果；

图3(a)为本发明实施例涉及的水布垭水库在第一组输入下的模拟流量与实测流量对比图；

图3(b)为本发明实施例涉及的隔河岩水库在第一组输入下的模拟流量与实测流量对比图；

图4(a)为本发明实施例涉及的水布垭水库在第二组输入下的模拟流量与实测流量对比图；

图4(b)为本发明实施例涉及的隔河岩水库在第二组输入下的模拟流量与实测流量对比图；

图5(a)为本发明实施例涉及的长短期记忆网络模型(lstm)的水布垭水库1951年～2008年的出库流量模拟结果与常规调度结果的对比图；

图5(b)为本发明实施例涉及的耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)的水布垭水库1951年～2008年的出库流量模拟结果与常规调度结果的对比图；

图5(c)为本发明实施例涉及的长短期记忆网络模型(lstm)的隔河岩水库1951年～2008年的出库流量模拟结果与常规调度结果的对比图；

图5(d)为本发明实施例涉及的耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)的隔河岩水库1951年～2008年的出库流量模拟结果与常规调度结果的对比图；

图6(a)为本发明实施例涉及的水布垭水库多个预见期的长短期记忆网络模型(lstm)与耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)模拟结果的纳什效率系数对比图；

图6(b)为本发明实施例涉及的隔河岩水库多个预见期的长短期记忆网络模型(lstm)与耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)模拟结果的纳什效率系数对比图。

具体实施方式

以下结合附图对本发明涉及的水库群调度决策行为挖掘方法和水库调度自动控制装置进行详细地说明。

<实施例>

如图1所示，本实施例所提供的水库群调度决策行为挖掘方法包括以下步骤：

步骤1、确定研究情景，收集水库群系统基本资料、历史调度数据及库区站点气象数据，确定水库群调度行为的影响因子与决策变量。

步骤2、确定用于挖掘水库群调度决策行为的深度学习算法，如长短期记忆网络(longshort-termmemory,lstm)模型。

步骤3、审查水库群调度数据的准确性，即校核各个水库各时段入库流量、出库流量及水库水位是否符合水量平衡方程。若数据准确，则将步骤1中影响因子与决策变量的时间序列数据归一化，并依据时间序列数据长度划分训练集及测试集，选择前60％长度的时间序列作为训练集。

步骤4、构建耦合水库调度基本原理与深度学习技术的水库群调度决策行为挖掘模型，把基于设计洪水的调度过程与历史实际运行数据同时作为模型训练样本，运用设计洪水的调度模型结果拓宽深度学习模型的训练样本，促使深度学习模型吸纳水库调度基本原理；此外，在深度学习模型中耦合了水库调度决策的上下界约束、水量平衡约束、单调性约束，促使挖掘的调度行为更符合水库调度基本原理。

基于设计洪水的调度模型结果，拓宽深度学习模型的训练样本。除了历史调度信息与水文气象数据外，深度学习模型可通过吸纳水库调度物理模型所得结果来学习水库调度基本原理，从而耦合水库调度基本原理。首先，收集水库群各个水库在20％～0.01％频率下的设计洪水资料。然后，比较水库群各水库的防洪库容，考虑梯级水库中主要承担防洪任务的水库，以该水库的各频率设计洪水为基准，以流域控制面积换算其它水库遭遇此设计洪水时的入库径流。进而，依据相应入库径流对各水库进行调洪演算，得到梯级水库调度过程。最后，从中分析提取入库流量、梯级水库水位、水库出力等信息，为深度学习模型训练提供包含设计洪水调度规律的调度案例。

此外，在深度学习模型中耦合水库调度决策的上下界约束、水量平衡约束、单调性约束，这三类约束按如下公式耦合入深度学习模型：

水库调度决策的上下界约束是水库群出库流量的上边界及下边界约束，若水库群出库流量的模拟值不符合边界约束，需计算相应的越界值lossboundary，具体采用下式计算：

有：

即，

式中，n为水库群水库数量；nt为测试期的时间序列长度；为水库群第j个水库第t个时段出库流量的模拟值，m³/s；ql为水库出库流量的下限，m³/s；qu为水库出库流量的上限，m³/s。

水库调度决策的水量平衡约束通过计算水库群内各水库出库流量的模拟值与入库流量、水库蓄水量变化的非平衡值lossbalance来实现，具体采用下式计算：

式中，δwj为水库群第j个水库在测试期的水量变化，m³；qt，j为水库群第j个水库第t个时段的入库流量，由上游水库的出库流量真实值及区间入流计算，m³/s；为水库群第j个水库第t个时段出库流量的模拟值，m³/s。

水库调度决策的单调性约束为假设模型的其它输入序列不变，入库流量序列增大一定值时，水库出库流量模拟结果不小于原始输入序列的模拟结果。若水库群出库流量的模拟值不符合单调性约束，则计算非单调值lossmonotony，具体采用下式计算：

式中，为所构造的假设其它输入条件不变、流量增大一定值时的出库流量序列模拟值，m³/s；为原始输入序列的出库流量模拟值，m³/s。relu是非线性激活函数，relu(z)＝z⁺＝max(0，z)。

计算调度决策的越界值和非单调值，加权求和后，纳入长短期记忆网络模型的损失函数中，用于损失函数的反向传播，促使网络更新参数，最终收敛。

步骤5、基于训练集样本率定模型的超参数，包括最大迭代次数、隐含层节点数、学习率、批量值等，基于模型损失函数反向传播更新模型的网络参数，最终建立水库群调度行为的影响因子与决策变量的映射关系，实现水库群调度决策行为的挖掘。建立的水库群调度行为的影响因子与决策变量的映射关系：

式中，f为影响因子与决策变量的映射关系，n为水库群水库数量。

本实施例中，水库群出库流量模拟精度的总体评价指标采用纳什效率系数(nash-sutcliffeefficiencycoefficient，简称：nse)，具体按照下式计算：

式中，qobs(i)是模型测试期的实测出库流量，qsim(i)是模型测试期的模拟出库流量，是模型测试期实测出库流量的平均值，nt为测试期的时间序列长度。

作为一个具体的实施例，首先，由训练集率定模型的超参数，最终确定的训练迭代次数为200，隐藏层层数为2层，隐藏层节点数为32，滞后时间为20，学习率为0.005，批样本数量为365。

在一个具体的实施例中，运用耦合水库调度基本原理与深度学习技术的水库群调度决策行为挖掘模型，挖掘清江梯级的水布垭、隔河岩水库2009年～2019年日尺度的出库流量决策，获得的历史调度数据包含时间、水布垭入库流量、水布垭-隔河岩的区间流量、水布垭及隔河岩出库流量、水布垭及隔河岩的水库上游水位。经校核，调度数据符合水量平衡方程。

由两种应用情景设置两组模型输入，模型输出均为水布垭及隔河岩当前时段的水库出库流量，寻找模型输入与输出的映射关系，从而挖掘水库群的调度决策行为。

考虑第一种应用情景为水库群历史出流决策的重构，由于水库未建成时期仅有时序、入库流量及区间流量资料，故模型输入只能考虑上述变量，但调度决策需考虑水库水位的变化，因此，计算水布垭及隔河岩的逐日多年平均水位，作为水库上一时段水位的参考，由此确定模型输入。故第一组模型输入为时序、水库群当前时段的水布垭入库流量、水布垭-隔河岩当前时段的区间流量、水布垭及隔河岩的逐日多年平均水位。

考虑第二种应用情景为水库群未来出库流量的预报，因此将目前的可用信息均输入模型，故第二组模型输入为时序、当前时段的水布垭入库流量及水布垭-隔河岩的区间流量、水布垭及隔河岩上一个时段的水库上游水位、水布垭及隔河岩上一个时段的出库流量。

从图2可以看出，在两种应用情景的模型输入下，耦合水库调度基本原理的长短期记忆网络模型的模拟结果(phy-lstm)均较长短期记忆网络模型模拟结果(lstm)的总体精度得到了提高。在第一组模型输入下，水布垭水库出库流量模拟的nse由0.5846提升至0.7028，隔河岩水库出库流量模拟的nse由0.5564提升至0.7240；在第二组模型输入下，水布垭水库出库流量模拟的nse由0.8189提升至0.8701，隔河岩水库出库流量模拟的nse由0.8267提升至0.8665。当输入信息较少时，模型耦合水库调度原理的效果提升更为明显。

由图3(a)及图3(b)可知，长短期记忆网络模型(lstm)的模拟流量对高值出库流量存在着低估的现象，耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)能较好地估计高值出库流量，因此phy-lstm模型提升了对极端水文条件下的调度行为的认知。

由图4(a)及图4(b)可知，长短期记忆网络模型(lstm)的模拟流量仍存在低估高值出库流量的现象(大部分高值出库流量位于y＝x线以下)。在第二组模型输入下，水布垭水库lstm模型的模拟结果出现了负值流量，phy-lstm模型的模拟结果未出现负值流量。因此，耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)能更精准地模拟水库群出库流量决策，进而提取水库群调度行为。

由图5(a)～5(d)可知，在第一组模型输入的应用情景下，与水库常规调度模拟结果对比，长短期记忆网络模型(lstm)的水库出库流量重构结果不能适应水库入库流量的季节性变化，呈现自相关特征；耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)的水库出库流量重构结果能适应水库入库流量的季节性变化，更好地学习了年调节与多年调节水库的调蓄作用。

由图6(a)及图6(b)可知，在第二组模型输入的应用情景下，在各个预见期下，耦合水库调度基本原理的长短期记忆网络模型的模拟结果(phy-lstm)均单独采用较长短期记忆网络模型模拟结果(lstm)的模拟精度得到了提高，因此在输入数据与输出数据相关性降低时，耦合水库调度基本原理的长短期记忆网络模型(phy-lstm)更稳健。

本发明实施例提供的耦合水库调度基本原理与深度学习技术的水库群调度决策行为挖掘方法，将基于设计洪水的调度过程与历史实际运行数据同时作为模型训练样本，促使深度学习模型吸纳水库调度基本原理，提升深度学习模型对极端水文条件下调度行为的认知；此外，在深度学习模型中耦合了水库调度决策的上下界约束、水量平衡约束、单调性约束，促使挖掘的调度行为更符合水库调度基本原理。本发明可广泛应用于复杂水库群系统的调度行为挖掘，能提取调度人员的经验，为梯级水库调度科学决策提供技术支撑。

进一步，本实施例还提供能够自动实现上述方法的水库群调度自动控制装置，该装置包括资料获取部、算法确定部、校核部、耦合模型构件部、映射关系建立部、水库调度部、输入显示部、控制部。

资料获取部能够确定研究情景，获取水库群系统基本资料、历史调度数据及库区站点气象数据，并确定水库群调度行为的影响因子与决策变量；水库群调度行为的影响因子包括以下变量的全部或部分变量：时序t、当前时段龙头水库入库流量qin，l^t、当前时段水库群i水库到j水库的区间入流qin，i，j^t、上一时段水库群i水库的上游水位zu，i^t、上一时段水库群i水库的下游水位zd，i^t、上一时段水库群i水库的出库流量qout，i^t-1、上一时段水库群i水库的出力nout，i^t-1、当前时段水库群i水库的降雨量及当前时段水库群i水库的蒸发量ei^t；水库群调度行为的决策变量为当前时段水库群各水库的出库流量qout，i^t。

算法确定部确定用于挖掘水库群调度决策行为的深度学习算法。

校核部用于审查水库群调度数据的准确性：校核各个水库各时段入库流量、出库流量及水库水位是否符合水量平衡方程，若数据准确，则将步骤1中确定的影响因子与决策变量的时间序列数据归一化，并依据时间序列数据长度划分训练集及测试集。

耦合模型构件部用于构建耦合水库基本原理与深度学习模型的水库群调度决策行为挖掘模型。

映射关系建立部基于训练集样本率定模型的超参数，包括最大迭代次数、隐含层节点数、学习率、批量值，基于模型损失函数反向传播更新模型的网络参数，依据模型在测试集的模拟精度确定模型最优超参数，最终建立如下水库群调度行为的影响因子与决策变量的映射关系，实现水库群调度决策行为的挖掘；

式中，f为影响因子与决策变量的映射关系，n为水库群所包含水库数量。

水库调度部根据映射关系建立部确定的映射关系，确定相应的调度措施，并控制水库群中各水库按照调度措施运行。

输入显示部与控制部通信相连，用于让用户输入操作指令，并进行相应显示。例如，输入显示部能够根据操作指令对映射关系建立部建立的映射关系进行显示，并能够根据操作指令对水库调度部确定的调度措施和各水库的运行情况进行显示。调度措施包括控制水库各闸门的入流量、出流量、水库的蓄水量、发电用水量等。

控制部与资料获取部、算法确定部、校核部、耦合模型构件部、映射关系建立部、水库调度部、输入显示部均通信相连，并控制它们的运行。

以上实施例仅仅是对本发明技术方案所做的举例说明。本发明所涉及的水库群调度决策行为挖掘方法和水库调度自动控制装置并不仅仅限定于在以上实施例中所描述的内容，而是以权利要求所限定的范围为准。本发明所属领域技术人员在该实施例的基础上所做的任何修改或补充或等效替换，都在本发明的权利要求所要求保护的范围内。