基于知识库和场景推理的乌江智能化防洪调度

摘要：围绕贵州省内乌江流域梯级水库防洪调度问题，开展了基于知识库和快速场景推理的智能防洪优化调度研究。基于海量的防洪调度方案，对调度经验知识进行组织与重构，按照“单元-网络-图谱”的总体思路，构建流域梯级水库群防洪调度知识库。在此基础上，根据流域防洪方案特征确定用于场景匹配的数值类、要素类及模糊类等特征信息，通过计算防洪调度方案各特征信息的权重，基于快速场景匹配与推理技术，优选与目标案例匹配度最高的典型案例，实现了流域智能化防洪调度。以乌江梯级水库群为实例进行的应用分析表明：典型洪水场景下削峰率达47%，模型求解耗时5.3 s，而采用传统动态规划模型的求解耗时为211 s，求解效率大幅提高。所提方法解决了传统调度中实时方案计算的时效性问题，且所得方案蕴含调度决策经验，调度过程对实际洪水的变化适应性更强。

关 键 词：梯级水库； 防洪调度知识库； 场景推理； 知识图谱； 场景快速匹配； 乌江流域

中图法分类号： TV697.13

文献标志码： A

DOI：10.16232/j.cnki.1001-4179.2024.09.002

0 引 言

水库是洪水防治的重要工程措施，可通过汛期蓄水有效拦截洪水［1-2］。目前，随着气候变暖，极端天气出现频率增加，导致径流不确定性大幅增加［3］，给水库防洪带来了严峻考验。近年来国内外对于水库防洪调度研究较多。刘达等［4］采用基于约束条件检验的决策树分析法，研究了飞来峡水库洪水的资源化问题；荆柱等［5］基于面向多区域防洪的梯级水库群协同调度策略，研究了金沙江下游水库群的协同防洪问题；Lu等［6］基于贝叶斯网络分析了水库防洪存在的风险；覃晖等［7］提出了一种自适应柯西变异多目标差分进化算法，研究了三峡水利枢纽的防洪调度问题；吴琼［8］采用动态水位限制及变动离散机制对动态规划算法进行降维处理，研究了流溪河流域的防洪调度；Wang等［9］提出了一种结合ε-约束法的改进秃鹰搜索算法（CABES）并用于洪水调度。

随着水利工程群的日益扩大，传统方法已不能完全满足现在的调度需求［10］。利用信息化技术、智能优化与知识推理技术促进流域水利改革与发展，实现有关水利工程的自动化、智能化调度是水利行业未来发展的趋势［11］。因此，进一步寻求更加智能的调度方法，对推进智慧水利建设具有重大意义［12］。

知识图谱技术是人工智能技术的重要组成部分［13］，通过将散乱的知识有效地组织起来，表达成更接近于人类认知世界的形式。该技术在电网工程［14］、故障诊断［15］、电商［16］、文献计量分析［17］等多个领域中发挥了重要作用，提升了智能决策水平。然而，由于基础数据资料管理机制薄弱等问题，知识图谱技术在水利行业应用研究较少。因此，亟需从物理机制出发，对海量防洪领域基础数据进行信息提取与整合［18］，并凝练水库群防洪调度逻辑，对调度经验知识进行组织与重构，构建防洪领域知识图谱，以期进一步完善现有防洪调度系统功能，提高系统防洪调度智慧化水平。

本文以乌江流域梯级水库为研究对象，基于长系列历史典型洪水及大量模拟洪水的模拟调度结果，对调度经验知识进行组织与重构，构建乌江流域梯级水库防洪调度知识库。在此基础上，确定用于场景匹配的特征信息，并计算各特征信息的权重，最后基于快速场景匹配与推理技术，从知识库中寻找与目标案例匹配度最高的典型案例，从而实现乌江流域梯级水库群基于防洪知识库和智能匹配技术的智能化洪水调度。

1 防洪调度知识库构建

防洪调度知识库按照“单元-网络-图谱”3个主要步骤进行构建，如图1所示。

1.1 防洪基本知识单元构建

防洪基本知识单元构建包括实体节点与语义类识别抽取、节点属性抽取以及实体节点属性链接3部分。

（1） 实体节点与语义类识别抽取。实体是指具有可区别性且独立存在的某种事物，如水库、水文站点等，是知识图谱最基本的元素；语义类指同种特性的实体构成的集合，如水库群、控制站、水雨情等。

（2） 节点属性抽取。不同的语义类与实体的属性分为对象属性和数据属性两种，对象属性的值对应语义类或者实体节点，数据属性的属性值对应具体的数值或者数组。

（3） 实体节点属性链接。将节点的基本水情、工情以及空间地理位置等基础属性信息与实体节点进行耦合链接，构建单一防洪节点的基本知识单元，并采用知识框架类的方式对节点单元进行知识存储与表示。

1.2 防洪知识体系网构建

考虑不同洪水条件下水库单元与控制站点单元之间的防洪调度响应关系以及水库间的防洪任务联系，将不同的基本知识单元进行有机组织，构建防洪知识体系网，具体包含以下内容：

（1） 根据水库与控制站点之间的位置、空间距离等空间拓扑联系，建立水库与水库、水库与控制站点、控制站点与控制站点之间的基本空间拓扑联系，以距离为关系属性将不同水库节点与控制站节点进行互联。

（2） 结合水库节点与控制站节点之间的水文水力联系，筛选出与各个控制站点联系紧密的水库节点，并根据不同水库节点对防洪控制节点的调度联系，初步确定两者之间的调度关系，并将其作为关系属性添加到控制站节点和与之相链接的水库节点之间。

1.3 防洪调度知识库构建

（1） 洪水场景模拟生成。

采用历史典型设计洪水法或多站洪水随机模拟法对多站点不同频率不同地区组成的洪水过程进行随机模拟。

（2） 防洪调度样本生成。

根据不同洪水过程，结合现有调度规则拟定不同水库调度方案，综合生成不同来水背景场以及模型初始边界场。通过水库优化调度模型、河道洪水演进模型等进行流域防洪调度模拟，计算不同洪水过程、水库运用条件下，不同控制站点的水位、流量变化过程，获取大量调度样本。

（3） 历史防洪方案知识提取。

剖析历史调度方案，对历史调度方案中的调度目标，面临的水情、工情，水库启用组合，水库调度方式，相应的调度效果，以及调度过程中需要考虑的其他要素的发生时间、影响空间以及要素涉及的量与影响程度等进行提取，形成防洪基本知识点。

（4） 构建历史方案知识库。

将提取的知识要素点进行串联，并将得到的不同水库对不同控制站点的调度关系模型作为关系属性对水库节点和控制站节点进行链接，构建历史调度案例知识库。

（5） 防洪调度知识库修正。

对历史调度案例进行复演，基于调度误差，对调度响应关系进行重复训练，如直接对模型输出建立误差自回归模型进行结果校正。误差较为明显时，则需要对历史案例进行重构解析，重新筛选相关要素特征，同时核查水库调度方案与调度效果是否有误。

2 防洪优化调度方案获取方法

2.1 水库防洪优化调度模型

本文选用最大下泄流量最小模型作为水库防洪优化模型，以获取知识库中案例洪水的防洪调度方案。

2.1.1 目标函数

最大下泄流量最小模型一般采用下游防洪控制断面洪峰流量最小作为目标。可表示为

q*max=minTt=1

（qt+Qq，t）2

（1）

式中：q*max为下游最大流量的最小值；qt为t时段水库出库流量；Qq，t为t时段的区间洪水流量；T为调度时段长度。

2.1.2 约束条件

（1） 水量平衡约束。

Vt=Vt-1+（Qt-qt）Δt

（2）

式中：Vt是第t阶段末的水库库容；Vt-1是第t阶段初的水库库容；Qt是第t阶段内的平均入库流量；Δt为第t时段的时段长。

（2） 防洪库容约束。

tdt0（（Qt-qt）Δt）≤V防

（3）

式中：t0、td是超过下游安全泄量的洪水起止时间；V防是水库的防洪库容。

（3） 闸门最大泄流能力约束。

qt≤q（Zt，Bt）

（4）

式中：Zt表示各时刻的水库蓄水位；Bt代表泄水建筑物的操作方式，根据闸门开度与下泄能力对应关系，选择相应的闸门开度；q（Zt，Bt）表示水库蓄水位为Zt，闸门开度为Bt时的最大下泄能力。

（4） 调度期末水位约束。

Z1=Zbegin

ZT+1=Zend

（5）

式中：Z1、ZT+1表示调度期初期、末期水库调度水位；Zbegin、Zend表示水库实际的起调水位及期末水位。

（5） 非负约束。

qt≥0

（6）

2.2 模型高效求解方法

鲸鱼优化算法（whale optimization algorithm，WOA）是受海洋中鲸群捕食行为的启发而提出的一种优化算法［19］。该算法模拟鲸鱼捕食时通过包围捕食、气泡捕食、随机捕猎机制进行觅食的行为。首先以当前初始情况的最优解作为鲸鱼首领位置，其余鲸鱼把首领的位置作为猎物位置，从而逐步更新自己的位置，直至达到最优位置。

（1） 初始阶段。设在第t轮迭代中，第i只鲸鱼的位置表示为Xi，t，为扩大鲸鱼的搜索范围，Xi，t会随机选择一个鲸鱼r进行位置更新，此阶段鲸鱼位置的计算公式为

Xi，t+1=Xr，t-A·Dr

（7）

式中：Xr，t为第t轮迭代中随机鲸鱼r的位置。

A为系数向量：

A=a·（2r1-E）

（8）

a=2-2t/tmax

（9）

Dr为鲸鱼i和鲸鱼r在当前轮次中的随机距离：

Dr=CXr，t-Xi，t（10）

C=2r2（11）

式中：r1和r2为［0，1］之间的随机变量；E表示单位矩阵；tmax为最大迭代次数。

（2） 收缩包围。鲸鱼个体通过不断向最优个体靠拢，逐渐缩小鲸鱼的位置范围，位置更新公式为

Xi，t+1=Xm，t-A·Dm

（12）

Dm=CXm，t-Xi，t

（13）

式中：Xm，t为第t轮中最佳鲸鱼m的位置;Dm为鲸鱼i和最佳鲸鱼m之间的距离。当|A|≥1时，WOA采用搜索觅食扩大搜索范围；当|A|<1时，采用收缩包围减小搜索范围。

（3） 螺旋更新。螺旋更新主要用于计算鲸鱼的气泡捕食，首先计算鲸鱼到最优个体的距离，然后计算迭代鲸鱼的位置，公式为

Xi，t+1=De·ebl·E·cos2πl+Xm，t

（14）

De=Xm，t-Xi，t

（15）

式中：参数b为对数螺线的常量系数;l为［-1，1］之间的随机数;De表示鲸鱼个体和最优个体之间的确定距离。

由于鲸鱼存在围捕和气泡捕食两种方式，可以设置随机数p∈［0，1］，用于选取鲸鱼的位置更新公式：

Xi，t+1=De·ebl·E·cos2πl+Xm，t p<0.5

Xi，t+1=Xr，t-A·Drp>0.5

（16）

（4） 基于莱维飞行的种群初始化策略［20］。莱维飞行过程能够较好地模拟自然界中的随机行为，因而被广泛应用于仿生算法的初始化过程［21］，使用莱维飞行初始化鲸鱼算法的步骤如下：

① 随机生成第1个随机个体X0；

② 基于前一个个体Xi的位置对每个个体Xi+1的位置都进行莱维飞行运动，公式为

Xi+1=Xi+lLevy（λ）E

（17）

式中：l为步长控制量；Levy（λ）为随机搜索路径，两者关系为

Levy（λ）～u=i-λ 1<λ≤3

（18）

基于嵌入莱维飞行的鲸鱼优化算法，以水库下泄流量峰值最小为目标，对水库调度过程进行优化，具体流程如下：

（1） 划分水电站水库调度期时段，确定决策变量及其取值范围。

（2） 将出库流量作为决策空间个体的位置，使用莱维飞行策略随机初始化个体的位置，并设置WOA参数。

（3） 利用适应度函数计算鲸群个体适应度值，找到并保存当前群体中最优鲸群个体。

（4） 当迭代次数小于最大迭代次数时，更新WOA参数。

（5） 计算种群中的个体适应度值，找到并保存当前群体中最优鲸群个体。

（6） 输出最优鲸群个体的适应度值及最佳决策变量，即时段下泄流量、水位变化过程。

3 基于知识库和快速场景推理的水库群智能防洪优化调度

3.1 水库群优化调度总体思路

基于知识库和快速场景推理法的水库防洪优化调度主要有以下步骤：

（1） 使用知识库构建方法来建立防洪调度方案知识库，并查询出每一个案例洪水的相关信息。

（2） 以下游控制站点的洪峰流量最小为目标，建立梯级水库防洪优化调度模型，并利用鲸鱼优化算法求解该模型，获取该案例洪水的解决方案，并将该案例洪水的解决方案更新到防洪调度方案知识库中。

（3） 重复以上步骤，更新所有案例洪水的解决方案，这样防洪调度方案知识库将包含所有案例洪水的对应解决方案。

（4） 确定案例匹配的特征信息，然后计算各特征信息的权重。

（5） 根据目标洪水场景的主要过程，计算目标案例与防洪知识库中各典型案例的匹配度，选取匹配度最高的典型案例作为基础，使用相同水位控制法生成目标洪水的调度方案。

（6） 根据实际情况对调度方案进行人工修正。

图2为基于知识库和场景推理的水库群优化调度流程。

3.2 案例匹配的特征信息选取

目标案例与典型案例的快速匹配，是通过比较各自的特征信息，找到与目标案例特征信息最接近的典型案例。案例的主要特征信息可以基于其属性分为3类，分别是数值类、要素类、模糊类。有确定数值的特征信息是数值类，没有确定数值的且用文字描述的特征信息是要素类，没有确定数值但有一定范围的特征信息是模糊类。用于案例洪水匹配的特征信息及其类别如表1所列。

3.3 基于粗糙集的特征权重计算

为区分不同属性特征的重要性，利用粗糙集理论确定各属性特征的客观权重［22］。根据粗糙集理论，有知识库系统S=（U，R，F，V），U是方案库里的历史方案集，R是属性集，C是条件集，D是决策集，决策通常指“事件级别”且R=C∪D，决策集D对条件集C的依赖程度为

rC=Card（posC（D））Card（U）

（19）

rC-1=Card（posC-1（D））Card（U）

（20）

因子i的客观权重为

wi1=riC-rC-1n-1i=1rC-rC-1

（21）

wi1和wi2分别代表客观权重和主观权重（专家给出），整体权重为

wi=α×wi1+（1-α）×wi2

（22）

3.4 目标案例和典型案例匹配度计算方法

匹配案例的提取原理是将典型案例与目标案例进行属性的匹配度计算，并按照一定方法将各典型案例的属性权重进行叠加计算。本文采用基于模糊集属性的匹配度计算方法计算目标案例和典型案例的结构匹配度。对于普通集合A，其为某个论域U上的一个子集。为了描述元素u对U上的一个模糊集合的隶属关系，用［0，1］中的数值表示这种关系的不分明性。论域U上的函数即为模糊集合的隶属函数。此处选用最简单常用的隶属函数，即（半）梯形函数：

A（x）=1x<a

b-xb-aa≤x≤b

0x>b

（23）

计算目标案例事件P与典型案例Q的数值/模糊属性的匹配度，即求其隶属函数的重合区域比例，故有：

sim（pi，qi）=A（pi∩qi）A（pi）+A（qi）-A（pi∩qi）

（24）

由于要素属性只具有属性值，所以要素属性的匹配度，在属性相同的情况下取1，属性不同的情况下取0：

sim（pi，qi）=

1pi=qi

0pi≠qi

（25）

结合结构匹配度和属性匹配度及相应的权重，得到总体匹配度方程为

Sim（P，Q）=S（P，Q）×ni=1wisim（pi，qi）

（26）

3.5 目标洪水求解结果修正

案例洪水与目标洪水不可避免地存在差异，基于场景推理法求解后，目标洪水的求解结果中可能存在出库流量波动的情况，需针对这些问题进行一定的人工修正，使水库出库流量更加平滑。可以采用两种方法进行修正：

（1） 观察前后水库水位变化和入库流量变化的趋势来修正水库水位。若入库流量总体呈上升或下降趋势且没有出现尖顶的情况，那么该时段水库水位变化的主要趋势应该是一致的，不应该出现水位的大幅波动，根据这一点，可以修正水库水位，并修正水库的出库流量。

（2） 通过观察水库出库流量的变化过程来修正水库出库流量。如果出库流量反复上下波动，并且出现多个尖顶的情况，但入库流量并没有上下波动，那么需要对出库流量进行试算修正，使其尽可能平滑的同时满足水量平衡约束。接着根据修正后的出库流量反推水库水位的变化过程，如果水库水位不符合相关约束条件，则需要重新进行试算，以使水库水位符合约束条件。

4 研究实例

4.1 研究对象

乌江是长江上游南岸最大的一条支流，本文研究对象为贵州乌江水电开发有限责任公司所属的9个梯级水库，分别是洪家渡、东风、索风营、乌江渡、大花水、格里桥、构皮滩、思林、沙沱水库，各梯级水库的位置如图3所示。

乌江流域主要洪峰期集中在6月和7月，洪峰流量巨大且持续时间较长，给洪水预报和防洪安全带来了巨大挑战。传统调度方法需要准确的径流预测结果，且当预测流量发生变化时需要较长的时间重新进行模拟计算。因此，迫切需要一种智能化的调度方法，在洪水即将来临时及时为乌江梯级提供防洪调度方案，从而指导梯级水库群的联合防洪调度。

4.2 结果与分析

给定目标洪水，基于目标洪水的主要特征，确定2014年7月12～30日乌江梯级整体的洪水过程与本次目标洪水过程相似。考虑到乌江梯级涉及水库众多，结果分析时将各个水库分开并从案例匹配和解决方案2个方面进行分析。梯级水库典型案例与目标案例洪水的数值类特征信息如表2所列，梯级各水库、各区间目标洪水与案例洪水对比及方案运行情况对比如图4所示。

以洪家渡水库为例，从表2、图4结果可以看出，典型案例洪水与目标案例洪水对应的场景要素很接近，目标洪水过程与案例洪水过程也很贴合，说明方案匹配的结果较好。从目标案例的运行结果来看，由于洪家渡水库是乌江梯级的龙头水库，具有多年调节能力，在洪水到来期间洪家渡水库基本可采取全力拦蓄洪水的策略，匹配的案例也是如此，进一步说明了结果的合理性。

此外，从图4可以看出，经乌江梯级水库群联合防洪后，梯级末尾的沙沱水库出库流量明显减小，最大出库流量为12 700 m3/s，还原后最大出库流量约为24 000 m3/s，削峰率达47%；该场洪水来洪量为121亿m3，梯级水库群泄洪量为94亿m3，拦蓄了27亿m3约22%的来洪量。

从求解效率角度看，采用相似场景推理法生成解决方案，耗时为5.3 s。而采用传统的动态规划法，将梯级水库群拆分成单个水库进行计算，总共耗时21.1 s，相较而言场景推理法通过从知识库中搜索案例进行匹配，而不进行完整的求解计算，在时效性上具有优势。

前述提到基于场景推理法求解得到的结果存在一定的波动，需要进行一定的人工修正。以构皮滩水库、思林水库为例，初步修正后的结果如图5所示，可以看出经初步修正后思林水库出库流量的尖峰得到了改善。

5 结 论

本文围绕乌江流域梯级水库群防洪调度问题，开展了基于知识库和快速场景推理的乌江梯级水库群智能化防洪调度研究。提出的基于知识库和快速场景推理的洪水调度方法，可以避免动态规划所面临的由于维数灾效应而导致求解时间过长、时效性无法保证的难题。在乌江梯级水库实例应用中，典型洪水场景下洪峰流量削峰率达47%，梯级水库群拦蓄了27亿m3约22%的来洪量，模型求解耗时5.3 s，相比动态规划的求解耗时21.1 s，求解效率大幅提高。同时规避了复杂的边界约束配置、模型选择、结果整理等计算环节。由于该方法以人工经验和历史调度方案蕴含的调度知识为出发点，所得到的调度方案在满足防洪要求的前提下更加贴合实际。研究成Pe+XACYtxKUsq7c7/0QepufAKvf1pnh30e8UrpZ4/eU=果可为其他流域梯级水库群的联合防洪调度提供参考。

参考文献：

［1］ 陈森林.水电站水库运行与调度［M］.北京：中国电力出版社，2008.

［2］ SU C G，WANG P L，YUAN W L，et al.An MILP based optimization model for reservoir flood control operation considering spillway gate scheduling［J］.Journal of Hydrology，2022，613：128483.

［3］ GOPALAN P，SARITHA，HANASAKI N，et al.Impact assessment of reservoir operation in the context of climate change adaptation in the Chao Phraya River basin［J］.Hydrological Processes，2020，35（1）：e14005.

［4］ 刘达，黄本胜，赵璧奎，等.飞来峡水库洪水资源化利用与风险分析［J］.水资源保护，2023，39（5）：18-24，108.

［5］ 荆柱，李肖男，何小聪，等.金沙江下游梯级水库群协同防洪调度策略研究［J］.人民长江，2023，54（9）：33-40.

［6］ LU Q W，ZHONG P A，XU B，et al.Risk analysis for reservoir flood control operation considering two-dimensional uncertainties based on Bayesian network［J］.Journal of Hydrology，2020，589：125353.

［7］ 覃晖，周建中，王光谦，等.基于多目标差分进化算法的水库多目标防洪调度研究［J］.水利学报，2009，40（5）：513-519.

［8］ 吴琼.基于改进动态规划的流溪河水库群联合防洪优化调度研究［D］.武汉：华中科技大学，2022.

［9］ WANG W C，TIAN W C，CHAU K K，et al.Multi-reservoir flood control operation using improved bald eagle search algorithm with ε constraint method［J］.Water，2023，15（4）：692.

［10］冯钧，杭婷婷，陈菊，等.领域知识图谱研究进展及其在水利领域的应用［J］.河海大学学报（自然科学版），2021，49（1）：26-34.

［11］石林，彭浩，聂小东，等.基于知识图谱的河湖管理中3S技术应用研究进展［J］.人民长江，2021，52（8）：1-9.

［12］桂鹍鹏，蒋鑫，宋欣，等.5G通信技术在智慧水利中的应用前景分析［J］.人民长江，2021，52（增2）：283-288.

［13］YI X J，HUANG P Z，CHE S J.Application of knowledge graph technology with integrated feature data in spacecraft anomaly detection［J］.Applied Sciences，2023，13（19）：10905.

［14］姜文明，齐立忠，张苏，等.基于知识图谱的电网工程BIM模型质量检查方法［J/OL］.吉林大学学报（工学版）：1-10［2023-11-23］.https：∥doi.org/10.13229/j.cnki.jdxbgxb.20230781.

［15］刘丹，张振海，翟秋宇，等.列控车载设备故障诊断的知识图谱构建与应用［J/OL］.铁道标准设计：1-10［2023-11-23］.https：∥doi.org/10.13238/j.issn.1004-2954.202307060004.

［16］沈海伦.NLP和知识图谱技术在钢铁电商用户分类场景的应用［J］.宝钢技术，2023（5）：56-60.

［17］张钰宁，景晓栋，田贵良.基于知识图谱的中国水足迹研究进展分析［J］.人民长江，2023，54（4）：114-122.

［18］张忠波.水库群联合调度研究［M］.北京：中国水利水电出版社，2020.

［19］朱豪，胡圆昭，尹明财，等.基于优化算法的CNN-BiLSTM-attention的月径流量预测［J］.人民长江，2023，54（12）：96-104.

［20］于存威，莫礼平，万润泽.基于莱维飞行和布朗运动的鲸鱼优化算法［J］.吉首大学学报（自然科学版），2023，44（2）：24-32.

［21］李璐，陈秀铜.基于改进粒子群算法的水库优化调度研究［J］.人民长江，2010，41（14）：68-71.

［22］门宝辉，吴明明，刘灿均，等.基于知识粒度-属性重要度的水资源可持续利用评价：以北京市为例［J］.人民长江，2023，54（5）：47-52，60.

（编辑：郭甜甜）

Intelligent flood dispatching of Wujiang River based on knowledge base and scenario reasoning

GAO Ying

（Guizhou Wujiang Hydropower Development，Guiyang 550002，China）

Abstract：

Focusing on the flood dispatching of Wujiang Cascade Reservoir in Guizhou Province，a research on intelligent flood dispatching based on knowledge base and rapid scenario reasoning was carried out.First，based on the calculation of massive operation plans，the operation experience and knowledge were organized and reconstructed.Besides，according to the overall idea of "unit-network-graph"，a preliminary knowledge base for flood dispatching was constructed.On this basis，according to the characteristics of the flood dispatching plans，the feature information of numerical type，essential type and fuzzy type used for scene matching was determined.By calculating the weight of each characteristic information of the flood dispatching plan，and based on fast scene matching and scenario reasoning，a typical plan with the highest matching degree was selected，thus the intelligent flood dispatching of basins was implemented.Taking cascade reservoirs on Wujiang River as an example，an application analysis was conducted，revealing that under typical flood scenario，the peak flow reduction reached 47%.The time taken for solving the scenario was 5.3 seconds using proposed method，while dynamic programming took 21.1 seconds，demonstrating that the efficiency of the solution was significantly improved.The proposed method can solve the timeliness problem of real-time solution calculation in traditional operation.The proposed solution incorporates scheduling decision-making experience，making the dispatch process more adaptable to changes in actual flood conditions.

Key words：

cascade reservoirs； knowledge base for flood dispatching； scenario reasoning； knowledge graph； fast scene matching； Wujiang River Basin