【文章內(nèi)容簡(jiǎn)介】 和不平衡輸沙模型和異重流運(yùn)動(dòng)模型進(jìn)行耦合并建立了一維耦合泥沙數(shù)學(xué)模型，對(duì)其基本方程及求解方法進(jìn)行了研究，并將虛擬流動(dòng)法應(yīng)用于非恒定異重流模型的求解以準(zhǔn)確的預(yù)測(cè)異重流的演進(jìn)過(guò)程和流達(dá)時(shí)間。本文將該模型分別應(yīng)用于萬(wàn)家寨水庫(kù)泥沙沖淤計(jì)算和小浪底水庫(kù)異重流模擬計(jì)算，計(jì)算結(jié)果表明該模型能夠很好的反映水庫(kù)淤積的發(fā)展變化過(guò)程，并且能夠準(zhǔn)確的模擬異重流頭部的演進(jìn)過(guò)程和預(yù)測(cè)其流達(dá)時(shí)間。此外，為了克服水沙動(dòng)力學(xué)模型參數(shù)較多、計(jì)算繁冗的缺 點(diǎn)，本文將一維耦合泥沙數(shù)學(xué)模型和 BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行復(fù)合并建立水庫(kù)泥沙沖淤的復(fù)合 BP 網(wǎng)絡(luò)模型，該模型的輸入和輸出單元具有明確的物理意義。萬(wàn)家寨水庫(kù)泥沙沖淤快速預(yù)測(cè)實(shí)例表明復(fù)合 BP 網(wǎng)絡(luò)模型具有簡(jiǎn)便、快速、精度高的優(yōu)點(diǎn)，其計(jì)算速度高于一維耦合泥沙數(shù)學(xué)模型的 250 倍，既解決了水庫(kù)多目標(biāo)化調(diào)度中的速度瓶頸問(wèn)題，又為水庫(kù)管理人員提供了一個(gè)預(yù)測(cè)水庫(kù)淤積的簡(jiǎn)便的方法。 ⑸ 對(duì)水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度進(jìn)行了研究，建立了水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度模型。同時(shí)，鑒于傳統(tǒng)約束法和權(quán)重法的不足，本章結(jié)合 Pareto 最優(yōu)解的概念在微粒 群算法中引入慣性權(quán)重自適應(yīng)調(diào)節(jié)機(jī)制和 Pareto 優(yōu)解庫(kù)機(jī)制形成改進(jìn)多目標(biāo)微粒群算法（ IMOPSO），然后運(yùn)用該算法對(duì)上述多目標(biāo)優(yōu)化模型直接求解以得到水庫(kù)多目標(biāo)優(yōu)化問(wèn)題的 Pareto 最優(yōu)前沿。計(jì)算實(shí)例表明本章的方法能夠找出具有良好分散性能的 Pareto 最優(yōu)前沿，能非常直觀的顯示出各優(yōu)化方案的結(jié)果，能為決策者提供更有效的支持。此外，經(jīng)與 NSGAⅡ 對(duì)比， IMOPSO 算法具有優(yōu)良的全局尋優(yōu)性能和分散性，非常適合于多目標(biāo)優(yōu)化問(wèn)題的求解。 經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展對(duì)水利提出了越來(lái)越高的要求。水庫(kù)是調(diào)節(jié)徑流、開發(fā)利用水資源的 有效手段，而如何對(duì)水庫(kù)進(jìn)行多目標(biāo)優(yōu)化調(diào)度以實(shí)現(xiàn)其短期效益與長(zhǎng)期效益、經(jīng)濟(jì)效益與社會(huì)效益的統(tǒng)一成為當(dāng)前的一個(gè)重要研究課題。本文對(duì)水庫(kù)多目標(biāo)優(yōu)化調(diào)度所涉及的一些相關(guān)問(wèn)題，包括天然河道水流演進(jìn)及水流傳播時(shí)間、多日徑流預(yù)測(cè)、水流含沙量的預(yù)測(cè)、庫(kù)區(qū)泥沙沖淤的智能快速預(yù)測(cè)、水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度等進(jìn)行了研究。主要內(nèi)容如下： ⑴ 提出了單槽形式和灘槽形式兩種河道概化模型技術(shù)來(lái)實(shí)現(xiàn)主要斷面的抽象概化，分區(qū)段構(gòu)建了河道的概化模型。然后本文又利用無(wú)側(cè)流以及考慮側(cè)流的圣維南方程組并采用 Preissmann隱式差分法對(duì)河道水流 演進(jìn)過(guò)程進(jìn)行了模擬。計(jì)算實(shí)例表明考慮區(qū)間入流和支流的流量演進(jìn)模擬結(jié)果與實(shí)際過(guò)程趨勢(shì)一致，峰谷對(duì)應(yīng)關(guān)系良好，基本能夠反映實(shí)際水流狀況。最后本文將遺傳算法改進(jìn)的 BP 神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于河道水流傳播時(shí)間的預(yù)測(cè)，并建立了相應(yīng)的水流傳播時(shí)間預(yù)測(cè)模型。計(jì)算實(shí)例表明本文的模型能較好的反映出不同輸入下的傳播時(shí)間的變動(dòng)趨勢(shì)，在支流流量較小的情況下能對(duì)水流的傳播時(shí)間進(jìn)行較準(zhǔn)確的預(yù)測(cè)，能為河流水資源的最優(yōu)利用以及水庫(kù)的調(diào)度運(yùn)行提供一定的參考。 ⑵ 從水庫(kù)實(shí)際調(diào)度運(yùn)行需求出發(fā)，針對(duì)其入庫(kù)日徑流預(yù)測(cè)中存在的預(yù)見期短、預(yù)測(cè)精度低等問(wèn)題 進(jìn)行了研究，提出了基于小波分解的日徑流逐步回歸預(yù)測(cè)模型。與以往的日徑流預(yù)測(cè)模型不同，本文將預(yù)測(cè)水文站的上游水文站的日徑流序列引入預(yù)測(cè)模型，同時(shí)利用小波分解和重構(gòu)得到預(yù)測(cè)水文站及上游水文站的日徑流序列在不同尺度下的概貌分量，在相關(guān)分析的基礎(chǔ)上確定候選影響因子并利用逐步回歸分析確定最優(yōu)的回歸預(yù)測(cè)模型。計(jì)算實(shí)例表明，本文提出的基于小波分解的逐步回歸日徑流預(yù)測(cè)模型的預(yù)測(cè)精度高于多元自回歸模型，能對(duì)非凌汛期未來(lái) 1～ 3天以及凌汛期 1～ 7 天的日均流量進(jìn)行預(yù)測(cè)，能夠?yàn)橹贫ㄋ娬疚磥?lái)的發(fā)電計(jì)劃提供科學(xué)的依據(jù)。 ⑶ 以黃河頭 道拐水文站為例對(duì)水流日均含沙量的預(yù)測(cè)進(jìn)行了研究，在對(duì)黃河非凌汛期和凌汛期等不同徑流模式下水流含沙量的影響因子進(jìn)行分析的基礎(chǔ)上，分別建立了各徑流模式下的水流含沙量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。計(jì)算實(shí)例表明，與線性的多元回歸模型相比，含沙量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能夠更有效的處理水流含沙量與各影響因素的非線性關(guān)系，能夠?yàn)楹恿魉痴{(diào)控與水庫(kù)的調(diào)度運(yùn)行提供一定的參考。 ⑷ 對(duì)水庫(kù)淤積問(wèn)題進(jìn)行了研究，提出了水庫(kù)泥沙沖淤的復(fù)合模型預(yù)測(cè)方法。為綜合考慮渾水懸移質(zhì)淤積和異重流泥沙淤積的雙重作用，本文將非飽和不平衡輸沙模型和異重流運(yùn)動(dòng)模型 進(jìn)行耦合并建立了一維耦合泥沙數(shù)學(xué)模型，對(duì)其基本方程及求解方法進(jìn)行了研究，并將虛擬流動(dòng)法應(yīng)用于非恒定異重流模型的求解以準(zhǔn)確的預(yù)測(cè)異重流的演進(jìn)過(guò)程和流達(dá)時(shí)間。本文將該模型分別應(yīng)用于萬(wàn)家寨水庫(kù)泥沙沖淤計(jì)算和小浪底水庫(kù)異重流模擬計(jì)算，計(jì)算結(jié)果表明該模型能夠很好的反映水庫(kù)淤積的發(fā)展變化過(guò)程，并且能夠準(zhǔn)確的模擬異重流頭部的演進(jìn)過(guò)程和預(yù)測(cè)其流達(dá)時(shí)間。此外，為了克服水沙動(dòng)力學(xué)模型參數(shù)較多、計(jì)算繁冗的缺點(diǎn)，本文將一維耦合泥沙數(shù)學(xué)模型和 BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行復(fù)合并建立水庫(kù)泥沙沖淤的復(fù)合 BP 網(wǎng)絡(luò)模型，該模型的輸入和輸出單元具有明確 的物理意義。萬(wàn)家寨水庫(kù)泥沙沖淤快速預(yù)測(cè)實(shí)例表明復(fù)合 BP 網(wǎng)絡(luò)模型具有簡(jiǎn)便、快速、精度高的優(yōu)點(diǎn)，其計(jì)算速度高于一維耦合泥沙數(shù)學(xué)模型的 250 倍，既解決了水庫(kù)多目標(biāo)化調(diào)度中的速度瓶頸問(wèn)題，又為水庫(kù)管理人員提供了一個(gè)預(yù)測(cè)水庫(kù)淤積的簡(jiǎn)便的方法。 ⑸ 對(duì)水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度進(jìn)行了研究，建立了水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度模型。同時(shí)，鑒于傳統(tǒng)約束法和權(quán)重法的不足，本章結(jié)合 Pareto 最優(yōu)解的概念在微粒群算法中引入慣性權(quán)重自適應(yīng)調(diào)節(jié)機(jī)制和 Pareto 優(yōu)解庫(kù)機(jī)制形成改進(jìn)多目標(biāo)微粒群算法（ IMOPSO），然后運(yùn)用該算法對(duì)上述多目 標(biāo)優(yōu)化模型直接求解以得到水庫(kù)多目標(biāo)優(yōu)化問(wèn)題的 Pareto 最優(yōu)前沿。計(jì)算實(shí)例表明本章的方法能夠找出具有良好分散性能的 Pareto 最優(yōu)前沿，能非常直觀的顯示出各優(yōu)化方案的結(jié)果，能為決策者提供更有效的支持。此外，經(jīng)與 NSGAⅡ 對(duì)比， IMOPSO 算法具有優(yōu)良的全局尋優(yōu)性能和分散性，非常適合于多目標(biāo)優(yōu)化問(wèn)題的求解。 經(jīng)濟(jì)社會(huì)可持續(xù)發(fā)展對(duì)水利提出了越來(lái)越高的要求。水庫(kù)是調(diào)節(jié)徑流、開發(fā)利用水資源的有效手段，而如何對(duì)水庫(kù)進(jìn)行多目標(biāo)優(yōu)化調(diào)度以實(shí)現(xiàn)其短期效益與長(zhǎng)期效益、經(jīng)濟(jì)效益與社會(huì)效益的統(tǒng)一成為當(dāng)前的一個(gè)重要研究課題。本文 對(duì)水庫(kù)多目標(biāo)優(yōu)化調(diào)度所涉及的一些相關(guān)問(wèn)題，包括天然河道水流演進(jìn)及水流傳播時(shí)間、多日徑流預(yù)測(cè)、水流含沙量的預(yù)測(cè)、庫(kù)區(qū)泥沙沖淤的智能快速預(yù)測(cè)、水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度等進(jìn)行了研究。主要內(nèi)容如下： ⑴ 提出了單槽形式和灘槽形式兩種河道概化模型技術(shù)來(lái)實(shí)現(xiàn)主要斷面的抽象概化，分區(qū)段構(gòu)建了河道的概化模型。然后本文又利用無(wú)側(cè)流以及考慮側(cè)流的圣維南方程組并采用 Preissmann隱式差分法對(duì)河道水流演進(jìn)過(guò)程進(jìn)行了模擬。計(jì)算實(shí)例表明考慮區(qū)間入流和支流的流量演進(jìn)模擬結(jié)果與實(shí)際過(guò)程趨勢(shì)一致，峰谷對(duì)應(yīng)關(guān)系良好，基本能夠反映實(shí)際水 流狀況。最后本文將遺傳算法改進(jìn)的 BP 神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于河道水流傳播時(shí)間的預(yù)測(cè)，并建立了相應(yīng)的水流傳播時(shí)間預(yù)測(cè)模型。計(jì)算實(shí)例表明本文的模型能較好的反映出不同輸入下的傳播時(shí)間的變動(dòng)趨勢(shì)，在支流流量較小的情況下能對(duì)水流的傳播時(shí)間進(jìn)行較準(zhǔn)確的預(yù)測(cè)，能為河流水資源的最優(yōu)利用以及水庫(kù)的調(diào)度運(yùn)行提供一定的參考。 ⑵ 從水庫(kù)實(shí)際調(diào)度運(yùn)行需求出發(fā)，針對(duì)其入庫(kù)日徑流預(yù)測(cè)中存在的預(yù)見期短、預(yù)測(cè)精度低等問(wèn)題進(jìn)行了研究，提出了基于小波分解的日徑流逐步回歸預(yù)測(cè)模型。與以往的日徑流預(yù)測(cè)模型不同，本文將預(yù)測(cè)水文站的上游水文站的日徑流序列 引入預(yù)測(cè)模型，同時(shí)利用小波分解和重構(gòu)得到預(yù)測(cè)水文站及上游水文站的日徑流序列在不同尺度下的概貌分量，在相關(guān)分析的基礎(chǔ)上確定候選影響因子并利用逐步回歸分析確定最優(yōu)的回歸預(yù)測(cè)模型。計(jì)算實(shí)例表明，本文提出的基于小波分解的逐步回歸日徑流預(yù)測(cè)模型的預(yù)測(cè)精度高于多元自回歸模型，能對(duì)非凌汛期未來(lái) 1～ 3天以及凌汛期 1～ 7 天的日均流量進(jìn)行預(yù)測(cè)，能夠?yàn)橹贫ㄋ娬疚磥?lái)的發(fā)電計(jì)劃提供科學(xué)的依據(jù)。 ⑶ 以黃河頭道拐水文站為例對(duì)水流日均含沙量的預(yù)測(cè)進(jìn)行了研究，在對(duì)黃河非凌汛期和凌汛期等不同徑流模式下水流含沙量的影響因子進(jìn)行分析的基礎(chǔ)上 ，分別建立了各徑流模式下的水流含沙量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型。計(jì)算實(shí)例表明，與線性的多元回歸模型相比，含沙量的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型能夠更有效的處理水流含沙量與各影響因素的非線性關(guān)系，能夠?yàn)楹恿魉痴{(diào)控與水庫(kù)的調(diào)度運(yùn)行提供一定的參考。 ⑷ 對(duì)水庫(kù)淤積問(wèn)題進(jìn)行了研究，提出了水庫(kù)泥沙沖淤的復(fù)合模型預(yù)測(cè)方法。為綜合考慮渾水懸移質(zhì)淤積和異重流泥沙淤積的雙重作用，本文將非飽和不平衡輸沙模型和異重流運(yùn)動(dòng)模型進(jìn)行耦合并建立了一維耦合泥沙數(shù)學(xué)模型，對(duì)其基本方程及求解方法進(jìn)行了研究，并將虛擬流動(dòng)法應(yīng)用于非恒定異重流模型的求解以準(zhǔn)確的預(yù) 測(cè)異重流的演進(jìn)過(guò)程和流達(dá)時(shí)間。本文將該模型分別應(yīng)用于萬(wàn)家寨水庫(kù)泥沙沖淤計(jì)算和小浪底水庫(kù)異重流模擬計(jì)算，計(jì)算結(jié)果表明該模型能夠很好的反映水庫(kù)淤積的發(fā)展變化過(guò)程，并且能夠準(zhǔn)確的模擬異重流頭部的演進(jìn)過(guò)程和預(yù)測(cè)其流達(dá)時(shí)間。此外，為了克服水沙動(dòng)力學(xué)模型參數(shù)較多、計(jì)算繁冗的缺點(diǎn)，本文將一維耦合泥沙數(shù)學(xué)模型和 BP 神經(jīng)網(wǎng)絡(luò)模型進(jìn)行復(fù)合并建立水庫(kù)泥沙沖淤的復(fù)合 BP 網(wǎng)絡(luò)模型，該模型的輸入和輸出單元具有明確的物理意義。萬(wàn)家寨水庫(kù)泥沙沖淤快速預(yù)測(cè)實(shí)例表明復(fù)合 BP 網(wǎng)絡(luò)模型具有簡(jiǎn)便、快速、精度高的優(yōu)點(diǎn)，其計(jì)算速度高于一維耦合泥沙數(shù)學(xué)模 型的 250 倍，既解決了水庫(kù)多目標(biāo)化調(diào)度中的速度瓶頸問(wèn)題，又為水庫(kù)管理人員提供了一個(gè)預(yù)測(cè)水庫(kù)淤積的簡(jiǎn)便的方法。 ⑸ 對(duì)水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度進(jìn)行了研究，建立了水庫(kù)水沙電多目標(biāo)優(yōu)化調(diào)度模型。同時(shí)，鑒于傳統(tǒng)約束法和權(quán)重法的不足，本章結(jié)合 Pareto 最優(yōu)解的概念在微粒群算法中引入慣性權(quán)重自適應(yīng)調(diào)節(jié)機(jī)制和 Pareto 優(yōu)解庫(kù)機(jī)制形成改進(jìn)多目標(biāo)微粒群算法（ IMOPSO），然后運(yùn)用該算法對(duì)上述多目標(biāo)優(yōu)化模型直接求解以得到水庫(kù)多目標(biāo)優(yōu)化問(wèn)題的 Pareto 最優(yōu)