一种多阶段溃坝智能优化应急调度方法与流程

1.本发明属于水库应急调度领域，更具体地，涉及一种多阶段溃坝应急调度方法。


背景技术：

2.随着各流域水库建设工作的深入，流域内的梯级水库群系统不断完善，水库群可实现发电、供水、灌溉、航运等综合效益，然而其最重要的功能是防洪减灾。流域水库群防洪应急调度是针对超标准洪水的优化调度，虽然水库发生溃决的概率很低，但水库一旦溃决，溃坝洪水流速大、峰量高、破坏力强，会给下游人民的生命财产带来毁灭性破坏。因此，针对溃坝洪水采取应急调度措施是流域水库群防洪减灾研究的重点。现有梯级水库群溃坝应急调度方法，一般仅通过水库调度规则或采用水库最大下泄能力进行大坝溃决情形下的梯级水库群调度。在应急调度过程中，一旦遭遇大坝溃决，水库边界条件便立即发生改变，通过优化算法求解带有溃坝情景的应急调度存在一定困难，因此当前存在不能实现流域水库群应急优化调度的技术难题。此外，现有方法在溃口洪水模拟、溃坝洪水演进与梯级水库群应急调度过程中结合不紧密。
3.由此可见，现有技术中应急调度与溃口计算和洪水演进结合不够密切，且应急调度过程中发生溃坝情况会导致水库边界条件突变，致使优化算法求解过程被迫中断，存在不能实现流域梯级水库群全局优化调度的技术缺陷。


技术实现要素：

4.针对现有技术的以上缺陷或改进需求，本发明提供了一种多阶段溃坝应急调度智能优化建模方法，由此解决现有应急调度中与大坝溃决计算和洪水演进结合不够密切，且应急调度过程中发生溃坝情况导致水库边界条件突变，致使优化算法求解过程被迫中断的技术问题。
5.为实现上述目的，本发明采用以下技术方案。
6.一种多阶段溃坝智能优化应急调度方法，包括如下步骤：
7.步骤1，获取流域各水库的参数以及特征曲线，确定应急调度过程约束条件，以水库群总坝前最高水位最低以及出库流量平方和最小为调度目标，建立流域梯级水库群应急调度子模型；
8.步骤2，为使溃坝应急调度结果更精确，将应急调度子模型与大坝溃决计算模块以及溃坝洪水演进模块进行耦合，描述梯级水库群应急调度中的溃坝情形；
9.对于梯级水库群应急调度过程中发生溃坝导致水库边界条件突变，算法不易求解的问题，提出多阶段溃坝智能优化应急调度模型，运行模型得到梯级水库群溃坝应急优化调度方案；步骤包括：
10.(1)以流域梯级水库群应急调度子模型为基础，输入参与调度的水库数目及相应约束，通过遗传算法求解调度模型；
11.(2)判断优化调度结果中是否有水库发生溃决，若有水库i发生溃决，保存水库i上
游的调度结果，调用溃口洪水计算模块计算溃口洪水，调用溃坝洪水演进模块计算水库i+1的入库流量；
12.(3)将水库i的下游所有水库、相应约束条件以及水库i+1的入库流量作为输入条件，重新优化水库i的下游水库；
13.(4)重复(1)
‑
(3)直至无水库溃决或末水库单库优化完成，最终得到梯级水库群溃坝应急优化调度结果。
14.进一步的，步骤1的梯级水库群应急调度子模型中，首先为保证水库自身、上游防护区以及库区的防洪安全，为使整个调度过程中水位尽可能的降低，采用水库调度期最高水位最低为主要目标函数。同时，为尽量避免水库运行过程中下泄流量的剧烈波动，在调度过程中加入出库流量平方和最小作为次要优化目标。因此，梯级水库群应急调度的目标函数形式如下：
[0015][0016]
式中，f
obj
为总目标函数；f1和f2分别为水位目标和出库流量目标；α1和α2分别为两子目标权重系数；n为水库数目；t为调度时段；为水库i在调度过程中的最高水位；为水库i在第j时段的出库流量平方；
[0017]
应急调度子模型需要满足以下约束条件：水量平衡约束、上下游水力联系约束、水库下泄能力约束、水库水位约束。
[0018]
步骤2的溃坝洪水模拟模块中，考虑大坝瞬间溃决的溃坝洪水洪峰流量计算式如下：
[0019]
b＝k(w
1/2
b
1/2
h
1/2
)
1/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2.1)
[0020][0021][0022][0023][0024]
式中，q
bmax
为发生溃坝洪水时的最大洪峰流量；avg{}为取平均值；b为坝顶长度；g为重力加速度；b为溃口宽度；h0为大坝上游的水深；h’为残余大坝高度；h为溃深；k为土质系数；w为溃坝时溃口以上的库区蓄水量；h为溃坝时的坝前水深。
[0025]
对于溃坝洪水河道演进计算模块，其具体公式如下：
[0026]
[0027][0028]
式中，t
all
为上游溃坝洪水总历时；k、k
g
、k1、k2均为系数；w为溃坝时溃口以上的库区蓄水量；t为溃坝后的第t时刻；t1为下游洪水起涨时间；t2为下游洪峰出现时间；t3为下游洪水结束时间；为第t时刻的溃坝洪水流量；为溃坝洪水到达下游水库时的最大洪峰流量；v为上下游区间水流流速；l为区间距离；h
m
为下游最大流量对应的河道水深。
[0029]
步骤2中针对调度过程中可能发生的溃坝情况，建立多阶段溃坝智能优化应急调度模型，调度过程的库水位通过目标函数进行决策，调度目标函数形式如下：
[0030][0031]
式中分别为第一、二、m阶段的目标函数；t为水库调度过程中的t时段；k1为第一阶段流域全部水库中，水库k1发生溃决，且k1上游水库均未溃决；k2为第二阶段水库k1的全部下游中，水库k2发生溃决，且k2上游水库均未溃决；为水库k1在时段t的水位；为水库k1的坝顶高程；为水库k2在时段t的水位；为水库k2的坝顶高程；
[0032]
多阶段溃坝智能优化应急调度模型中每一阶段的约束条件为每一阶段参与调度的水库相应约束。第一阶段的入库流量过程为实际入流过程，后续阶段入库流量过程为经过调用溃口计算模块与洪水演进模块得到的入库流量过程。
[0033]
步骤2中，通过遗传算法求解梯级水库群应急调度模型，分为以下几个步骤：
[0034]
首先，选取水库坝前水位作为应急调度过程的决策变量，采用实数方式对其进行实数编码。初始化算法参数包括种群规模n0、进化代数n1、交叉概率p
c
、变异概率p
m
等。由初末水位、水库入流过程、水库约束条件以及水量平衡公式确定各时段水位变化的上下边界，并在可行边界空间内随机生成初始解。这样得到的初始种群全部为可行解，满足多种约束条件，避免了随机生成初始解不满足约束条件的问题。
[0035]
其次，采用惩罚函数法计算当前种群中每个个体的适应度，个体的适应度为：
[0036][0037]
式中，f
obj
为式(1)中的目标函数；i
k
为水库i发生溃坝；t
k
为第t
k
时段大坝发生溃决；α3和α4分别为溃坝惩罚因子，若优化后总是有水库发生溃决，则应使溃决尽可能发生在下游水库，同时发生溃决的时刻应尽可能晚，为此引入α3和α4对适应度进行惩罚。若所有水库均未发生溃坝，则α3和α4分别为0。
[0038]
然后，根据适应度计算的结果，按照适应度大小将个体进行排序，采用最佳个体保存法选择出新一代种群。
[0039]
最后，对新一代种群中的个体进行交叉、变异。然而，交叉、变异之后原本的可行解也很可能变成不可行解。为此，计算每个时段水位的可行边界空间，对新种群中的个体进行修正，修正后的个体全部变为可行解，大大增加了算法的进化效率。重复上述步骤直至种群进化代数完成。
[0040]
与现有技术相比，本发明具有以下的优点和效果：
[0041]
(1)现有技术中应急调度、溃口计算和洪水演进三部分之间连接不够紧密，本发明将应急调度子模型与溃口计算模块和溃坝洪水演进模块三部分耦合，可以更准确地描述梯级水库群应急调度过程中可能出现的溃坝情形。
[0042]
(2)现有应急调度过程中，一旦遭遇大坝溃决，水库边界条件便发生突变，导致算法求解中断，无法实现流域梯级水库群全局优化调度。本发明提出一种多阶段溃坝智能优化应急调度模型，通过将可能出现溃坝情形的应急调度过程分为多个阶段，对每个阶段改变目标函数、约束条件以及输入条件，最终得到梯级水库群溃坝应急调度的全局最优解。
附图说明
[0043]
图1是本发明实施例提供的一种多阶段溃坝智能优化应急调度模型的流程图；
[0044]
图2是本发明实施例提供的梯级水库应急调度水位过程。
具体实施方式
[0045]
为了使本发明的目的、技术方案及优点更加清晰，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
[0046]
图1为本发明实施例提供的一种多阶段溃坝智能优化应急调度模型的流程图，具体步骤包括：
[0047]
步骤1，获取流域各水库的参数以及特征曲线，确定应急调度过程约束条件，以水库群总坝前最高水位最低以及出库流量平方和最小为调度目标，建立流域梯级水库群应急调度子模型；
[0048]
为保证水库自身、上游防护区以及库区的防洪安全，使整个调度过程中水位尽可能的降低，采用水库调度期最高水位最低为主要目标函数。同时，为尽量避免水库运行过程中下泄流量的剧烈波动，在调度过程中加入出库流量平方和最小作为次要优化目标。并且，考虑到各目标之间量纲不同的问题，采取归一化方法标准化模型目标空间，以避免量纲不
同对求解产生影响。因此，梯级水库群应急调度的目标函数形式如下：
[0049][0050]
式中，f
obj
为总目标函数；f1和f2分别为水位目标和出库流量目标；f1'和f'2分别为归一化后的水位目标和出库流量目标；α1和α2分别为两子目标权重系数，分别取10和5；f
k,min
为目标k的最小值；f
k,max
为目标k的最大值；n为水库数目；t为调度时段；为水库i在调度过程中的最高水位；为水库i在第j时段的出库流量平方；
[0051]
应急调度子模型需满足以下约束条件：
[0052]
水量平衡约束：
[0053][0054]
式中，为第i个水库在第j个调度时段末的库容；为第i个水库在第j个调度时段初的库容；为第i个水库在第j个调度时段的入库流量；为第i个水库在第j个调度时段的出库流量；δt为调度时段。
[0055]
上下游水力联系约束：
[0056][0057]
式中，为时段j直接上游水库k到达水库i的流量；为水库i在时段j的上游区间来水流量；u
i
为水库i的所有直接上游水库。
[0058]
水库下泄能力约束：
[0059][0060]
式中，和为水库i在时段j的下泄流量下限和上限；为水库i在时段j的下泄流量。
[0061]
水库水位约束：
[0062][0063]
式中，和为水库i在时段j的水位下限和上限；为水库i在时段j的水位。
[0064][0065]
式中，和为水库i在调度过程初始和末尾时段的水位；和为水库i指定的调度过程初、末水位。
[0066]
步骤2，将应急调度子模型与大坝溃决计算模块以及溃坝洪水演进模块进行耦合，描述梯级水库群应急调度中的溃坝情形；
[0067]
其中，考虑大坝瞬间溃决的溃坝洪水洪峰流量计算式如下：
[0068]
b＝k(w
1/2
b
1/2
h
1/2
)
1/2
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2.1)
[0069][0070][0071][0072][0073]
式中，q
bmax
为发生溃坝洪水时的最大洪峰流量；avg{}为取平均值；b为坝顶长度；g为重力加速度；b为溃口宽度；h0为大坝上游的水深；h’为残余大坝高度；h为溃深；k为土质系数；w为溃坝时溃口以上的库区蓄水量；h为溃坝时的坝前水深。
[0074]
对于溃坝洪水河道演进计算模块，其具体公式如下：
[0075][0076][0077]
式中，t
all
为上游溃坝洪水总历时；k、k
g
、k1、k2均为系数；w为溃坝时溃口以上的库区蓄水量；t为溃坝后的第t时刻；t1为下游洪水起涨时间；t2为下游洪峰出现时间；t3为下游洪水结束时间；为第t时刻的溃坝洪水流量；为溃坝洪水到达下游水库时的最大洪峰流量；v为上下游区间水流流速；l为区间距离；h
m
为下游最大流量对应的河道水深。
[0078]
对于梯级水库群应急调度过程中发生溃坝导致水库边界条件突变，算法不易求解的情况，提出多阶段溃坝智能优化应急调度模型，运行模型得到梯级水库群溃坝应急优化调度方案。
[0079]
其中，多阶段溃坝智能优化应急调度模型建模思路如下：
[0080]
(1)以流域梯级水库群应急调度子模型为基础，输入参与调度的水库数目及相应约束条件，通过遗传算法求解调度模型。
[0081]
(2)判断优化调度结果中是否有水库发生溃决，若有水库i发生溃决，保存水库i上游的调度结果，调用溃口洪水计算模块计算溃口洪水，调用溃坝洪水演进模块计算水库i+1的入库流量。
[0082]
(3)将水库i的下游所有水库、相应约束条件以及水库i+1的入库流量作为输入条件，重新优化水库i的下游水库。
[0083]
(4)重复上述步骤直至无水库溃决或末水库单库优化完成。最终得到梯级水库群溃坝应急优化调度结果。
[0084]
建立的多阶段溃坝智能优化应急调度模型中，调度过程的库水位通过目标函数进
行决策，调度目标函数形式如下：
[0085][0086]
式中分别为第一、二、m阶段的目标函数；t为水库调度过程中的t时段；k1为第一阶段流域全部水库中，水库k1发生溃决，且k1上游水库均未溃决；k2为第二阶段水库k1的全部下游中，水库k2发生溃决，且k2上游水库均未溃决；为水库k1在时段t的水位；为水库k1的坝顶高程；为水库k2在时段t的水位；为水库k2的坝顶高程；
[0087]
多阶段溃坝智能优化应急调度模型中每一阶段的约束条件为每一阶段参与调度的水库其相应的约束。对于模型输入条件，第一阶段的入库流量过程为实际入流过程，后续阶段入库流量过程为经过调用溃口计算模块与洪水演进模块得到的入库流量过程。
[0088]
通过遗传算法求解梯级水库群应急调度模型，分为以下几个步骤。其中，若某时刻水位达到坝顶高程，将按照漫顶处理，继续求解调度过程：
[0089]
(1)初始化算法参数。包括种群规模n0、进化代数n1、交叉概率p
c
、变异概率p
m
等。
[0090]
(2)初始化种群个体选取水库坝前水位作为应急调度过程的决策变量，采用实数方式对其进行实数编码，有其中，个体x
i
由流域内n个水库t个时段初末水位组成。由初末水位、水库入流过程、水库约束条件以及水量平衡公式确定各时段末水位变化的上下边界，并在可行边界空间内随机生成初始解。这样得到的初始种群全部为可行解，满足多种约束条件，避免了随机生成初始解不满足约束条件的问题。
[0091]
(3)计算个体适应度。采用惩罚函数法计算当前种群中每个个体的适应度，个体的适应度为：
[0092][0093]
式中，f
obj
为式(1)中的目标函数；i
k
为水库i发生溃坝；t
k
为第t
k
时段大坝发生溃决；α3和α4分别为溃坝惩罚因子。若优化后总是有水库发生溃决，则应使溃决尽可能发生在
下游水库，同时发生溃决的时刻应尽可能晚，为此取α3和α4分别为10000和100对出现溃坝的个体进行惩罚。若所有水库均未发生溃坝，则α3和α4分别为0。
[0094]
(4)选择、交叉、变异。首先根据适应度计算的结果，按照适应度大小将个体进行排序，采用最佳个体保存法选择出新一代种群。然后，对新一代种群中的个体进行交叉、变异。然而，交叉、变异之后原本的可行解也很可能变成不可行解。因此，最后重新计算每个时段水位的可行边界空间，对新种群中的个体进行修正，修正后的个体全部变为可行解，大大增加了算法的进化效率。
[0095]
(5)判断是否达到终止条件，若是则输出最优个体，否则返回第(3)步继续执行算法操作直至种群进化完成。
[0096]
为验证本发明的有效性，以泉河流域为例，以流域内梯级水库(红岩一级、大峡、白沙河)为研究对象，选取特大型洪水作为水库入流过程。分别采用常规调度方法以及多阶段溃坝应急调度智能优化建模研究方法进行调度，对二者调度结果进行对比，其中应急调度中遗传算法相关参数设置如下n0＝300、n1＝500、p
c
＝0.9、p
m
＝0.05。各水库的水位结果如图2所示；
[0097]
可以看出，利用所述多阶段溃坝智能优化应急调度模型得到的优化调度过程相比常规调度有显著优势。在特大洪水情形下，常规调度后，梯级水库均发生溃决，而优化调度后，白沙河水库可以保持不溃；从溃坝时间上看，常规调度与优化调度方法下，红岩一级都在第22时段内发生溃坝，大峡水库都在第23时段内发生溃坝，但优化调度后红岩一级和大峡水库溃坝时刻分别较常规调度晚891s和886s。可以看出优化调度结果优于常规调度，从而证明了方法的有效性。
[0098]
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。