水庫(kù)調(diào)度是國(guó)家水安全、防洪安全和能源安全的關(guān)鍵抓手。我校水文水資源學(xué)院馮仲愷教授團(tuán)隊(duì)面向國(guó)家需求和國(guó)際學(xué)術(shù)前沿，近期在水庫(kù)調(diào)度領(lǐng)域取得系列研究成果。
高效降維方法是水庫(kù)調(diào)度的理論支撐。為此，針對(duì)單目標(biāo)調(diào)度問(wèn)題，團(tuán)隊(duì)提出了梯級(jí)水庫(kù)群調(diào)度響應(yīng)面逐步優(yōu)化方法，運(yùn)用人工智能方法構(gòu)建表征水庫(kù)非線性動(dòng)力特性的響應(yīng)面模型，快速推求不同水位-流量組合方案對(duì)應(yīng)的水庫(kù)出力，避免了高頻冗余計(jì)算，極大緩解了維數(shù)災(zāi)；針對(duì)多目標(biāo)調(diào)度問(wèn)題，以團(tuán)隊(duì)前期原創(chuàng)的合作搜索算法為基礎(chǔ)，提出了基于分解框架的水庫(kù)群調(diào)度多目標(biāo)合作搜索方法(MOCSA/D)，提升全局尋優(yōu)及鄰域探索能力，增強(qiáng)優(yōu)質(zhì)方案的引導(dǎo)力和競(jìng)爭(zhēng)力，快速獲得分布均勻的調(diào)度方案解集合，保障了綜合效益和水資源利用率。
(a) RSPOA響應(yīng)面模型
(b) MOCSA/D方法
圖1 水庫(kù)調(diào)度高效降維方法示意圖
調(diào)峰調(diào)度是水庫(kù)調(diào)度的核心任務(wù)之一。然而，光伏等新能源出力具有強(qiáng)隨機(jī)性、波動(dòng)性和反調(diào)峰等特性，極大加劇了電網(wǎng)調(diào)峰困難。為此，團(tuán)隊(duì)研究了光伏出力預(yù)測(cè)誤差時(shí)空分布特征，構(gòu)建了基于主成分降維和動(dòng)態(tài)聚類的典型場(chǎng)景生成模型，實(shí)現(xiàn)對(duì)光伏預(yù)測(cè)出力的精細(xì)表征，進(jìn)而提出了考慮光伏出力不確定性的水光互補(bǔ)調(diào)峰調(diào)度方法法，增強(qiáng)了水庫(kù)靈活調(diào)節(jié)能力，有效降低了電網(wǎng)負(fù)荷峰谷差，為水光互補(bǔ)調(diào)度方案科學(xué)制定提供了技術(shù)支撐。
圖2 水光互補(bǔ)調(diào)峰調(diào)度典型場(chǎng)景生成示意圖
多維需求協(xié)同優(yōu)化是保障水庫(kù)調(diào)度方案實(shí)用性的關(guān)鍵。然而，傳統(tǒng)方法多基于靜態(tài)運(yùn)行環(huán)境，未能充分考慮徑流預(yù)測(cè)偏差及運(yùn)行工況時(shí)變性，難以滿足變化條件下水庫(kù)適應(yīng)性調(diào)度需求。為此，團(tuán)隊(duì)統(tǒng)籌發(fā)電、防洪、供水等綜合需求，提出了考慮環(huán)境變化的水庫(kù)汛期水位動(dòng)態(tài)控制多維協(xié)同調(diào)度方法，通過(guò)集成預(yù)報(bào)徑流模擬、風(fēng)險(xiǎn)動(dòng)態(tài)評(píng)估、決策響應(yīng)等策略，有效應(yīng)對(duì)復(fù)雜多變環(huán)境，提高了綜合運(yùn)行效益，為水庫(kù)均衡調(diào)度決策提供了新型有效方法。
圖3 水庫(kù)汛期水位動(dòng)態(tài)控制多維協(xié)同調(diào)度示意圖
人工智能方法是水庫(kù)調(diào)度領(lǐng)域的前沿?zé)狳c(diǎn)。作為經(jīng)典的人工智能方法，長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)(LSTM)應(yīng)用廣泛，但鮮有文獻(xiàn)全面綜述LSTM在水文水資源領(lǐng)域的應(yīng)用。為此，團(tuán)隊(duì)梳理了1500余篇水文水資源領(lǐng)域LSTM相關(guān)文獻(xiàn)，辨識(shí)了LSTM關(guān)聯(lián)模型發(fā)展歷程，從預(yù)報(bào)模擬、水資源管理、水庫(kù)調(diào)度、多能互補(bǔ)等視角出發(fā)，討論了LSTM在水文水資源領(lǐng)域的研究成果，給出了LSTM模型泛化能力、可解釋性等前沿挑戰(zhàn)以及時(shí)空動(dòng)態(tài)建模、多模型集成等前沿方向，以期為水庫(kù)調(diào)度、水文預(yù)報(bào)等相關(guān)研究提供支撐。
圖4 LSTM模型及其水文水資源領(lǐng)域應(yīng)用示意
上述成果由馮仲愷教授團(tuán)隊(duì)與長(zhǎng)江水利委員會(huì)水文局等多家單位歷時(shí)近2年合作完成，研究工作得到了國(guó)家重點(diǎn)研發(fā)計(jì)劃項(xiàng)目（2023YFC3210500）、國(guó)家自然科學(xué)基金項(xiàng)目（52379009）、江蘇省自然科學(xué)基金（BK20240189）等資助，發(fā)表在《Journal of Hydrology》《Energy》《Applied Energy》《Applied Soft Computing》等水文水資源、能源電力、人工智能領(lǐng)域國(guó)際著名期刊，助力長(zhǎng)江、珠江、烏江等特大流域及巨型水電站科學(xué)調(diào)度管理。
參考文獻(xiàn)：
[2] Feng Zhong-kai. Huang Qing-qing, Niu Wen-jing, Su Hua-ying, Li Shu-shan, Wu Hui-jun, Wang Jia-yang. Peak operation optimization of cascade hydropower reservoirs and solar power plants considering output forecasting uncertainty. Applied Energy, 2024, 358, 122533.
[3] Yao Xin-ru, Feng Zhong-kai, Zhang Li, Niu Wen-jing, Yang Tao, Xiao Yang, Tang Hong-wu. Multi-objective cooperation search algorithm based on decomposition for complex engineering optimization problems. Applied Soft Computing, 2024, 167:112442.
[4] Zhang Li, Feng Zhong-kai, Yao Xin-ru, Niu Wen-jing, Wang Yong-qiang, Mo Li. A multi-objective operation optimization method for dynamic control of reservoir water level in evolving flood season environments. Journal of Hydrology, 2024, 643: 131940.
[5] Niu Wen-jing, Luo Tao, Yao Xin-ru, Gong Jin-tai, Huang Qing-qing, Gao Hao-yu, Feng Zhong-kai. Artificial intelligence-based response surface progressive optimality algorithm for operation optimization of multiple hydropower reservoirs. Energy, 2024, 291:130449.
