水闸泵站系统预报调度一体化框架初探

李 君，卢慧敏，王 伟，瞿 丘

（南通市九圩港水利工程管理所，江苏 南通 226000）

0 引言

水闸泵站系统涉及诸多水利工程和河湖水系，工程调度运行与河湖水系的各项指标间存在着复杂的耦合互馈关系，水量水质模型是水闸泵站系统预报的重要工具。然而由于极端气候事件不断增多和人类活动影响不断增强，识别系统体系中的复杂关系变得越来越困难。水闸泵站系统作为水资源系统的重要子系统，为流域和区域提供了重要的防洪、供水、水生态环境服务，而这三方面任务相互交织、相互竞争，因此需要开展多目标优化调度。系统联合调度最优方案的确定，究其本质属于最优决策问题。但由于水闸泵站系统中要素众多、各要素水力关系复杂、调度多目标竞争，属于一类动态、高维度、非线性的复杂耦合优化决策问题。与此同时人工智能、大数据等新技术的蓬勃发展为识别和模拟水闸泵站系统中诸多要素的互馈耦合关系提供了新的可能性。这些新技术通常具有响应速度快、泛化能力强和数据处理能力强等优点，为水闸泵站系统预报模拟与优化调度提供了新的思路和手段。

1 水闸泵站系统预报调度一体化框架

本文提出一种基于数据驱动的水闸泵站系统预报调度一体化方法框架，如图1 所示。该框架通过采用LSTM 深度机器学习预报水文变量耦合水闸泵站系统多目标优化调度模型来实现预报调度一体化。技术路线主要可以描述为：从分布在不同位置的物联网遥感终端获得传感数据，包括河流水位、水质指标和小气候信息，控制中心获得这些数据后，驱动机器学习和优化调度，即LSTM可以模拟水量水质，然后在优化调度模型中采用预测的系统变量来优化一天的调度运行。下文对基于LSTM 的预报模型与水闸泵站系统优化调度模型进行具体描述。

图1 水闸泵站系统预报调度一体化框架图

2 基于LSTM 的预报模型

近年来，将机器学习作为一种数据驱动的建模工具越来越受到关注，它旨在为越来越先进的传感技术开发一个高效、灵活的算法模型，利用基于测量数据的学习能力来表征复杂和动态的系统行为。

长短期记忆网络（LongShort-TermMemory，LSTM）是一种时间递归的神经网络，经常用来解决时间序列问题。LSTM 能够有效地解决后者在训练时遇到的梯度消失（ExplodingGradient）和梯度爆炸（VanishingGradient）问题，从而可以有效地利用长距离的时间序列信息。其结构如图2 所示。

图2 LSTM 模块的四层交互神经网络图

采用LSTM 的机器学习预报模型来模拟复杂城市河流系统中的水量水质动态变化。LSTM 机器学习预报模型的输入包括决策变量（前一天的水闸泵站运行计划）、不确定变量（前一天的天气预报信息）和状态变量（历史水文数据序列，如水位、降水量）。LSTM 预报模型的输出是给定时间步长的水文变量（如水位）的预报值。

3 水闸泵站系统优化调度模型

在本框架中，由于水闸泵站系统的水量、水质变量采用LSTM 的机器学习预报模型，计算代价低、模拟精度优，采用LSTM 与优化调度模型耦合求解或决策优选已有方案，两类调度决策方法均可采用。

3.1 目标函数

将水闸泵站系统多目标优化调度问题转化成如下多目标优化模型：

式中：三个目标O1、O2、O3（f1、f2、f3）分别为水闸泵站系统防洪安全、供水安全、水生态环境安全保障方面的目标；xi、xj、xk分别对应三个目标领域自变量。

3.2 约束条件

水闸泵站系统优化调度模型的约束条件主要包括系统中泵站、水闸等工程安全运行的约束，面向防洪、供水、航运、生态等功能的水位、流量、水位变幅、流量变幅的约束，面向水环境的水质约束。

3.3 模型转化

上述多目标优化调度模型可以采用多目标优化算法求解，目前也已经有许多学者致力于多目标智能算法的研究，研究提出了很多算法，其中有不少经典算法如NSGA-Ⅱ、NSGA-Ⅲ，已经被广泛运用到了水利研究和应用。采用这些多目标算法求解构建的优化调度模型可以得到水闸泵站系统调度的非劣解集，其中每一个解都是一个非劣解，对应着一个调度方案。然后根据调度策略构建决策模型，从非劣解集中优选出最满足调度策略的那一个解，并反演成调度方案。这是一套可行的过程，然而这个过程比较复杂，不利于日常管理工作中使用，并且每个环节都有一定的不确定性，如果缺少相应的不确定性评估，不确定性的叠加效应也可能带来较大的风险。因此本文给出一种简化的处理方式供实际水利工程管理工作中使用，采用线性加权法将上述构建的水闸泵站多目标优化调度模型转化为如下形式进行求解：

式中：αi、βj、γk分别为三方面目标的权重。此外，在实际应用时，水闸泵站系统的运行费用往往也需考虑，可以根据实际情况列作第四项目标。

将构建的水闸泵站多目标优化调度模型转化成上述线性加权的形式后，采用数学规划方法或者智能算法都可以求解，并得到唯一方案。而这些求解方法往往都有现成的计算软件和算法包可以直接使用，降低了管理者的工作难度，减轻了其工作负担。

4 结语

本文提出一种基于数据驱动的水闸泵站系统预报调度一体化方法框架，其技术贡献主要包括：

1）引入深度机器学习技术开展水量水质预报，构建LSTM 预报模型来准确识别引水、天气条件和水流变化的复杂动态。

2）在水闸泵站系统优化调度过程中，利用预报系统特性，在满足诸多约束的情况下，制定优化调度方案，实现预报调度一体化。

该方法框架所采用的模型、方法可在具体的研究或应用中修改、替换和补充