【導讀】水庫是調(diào)節(jié)徑流、開。與長期效益、經(jīng)濟效益與社會效益的統(tǒng)一成為當前的一個重要研究課題。水沙電多目標優(yōu)化調(diào)度等進行了研究。然后本文又利用無側(cè)流以及考慮側(cè)流的圣維南方程組并采用。Preissmann隱式差分法對河道水流演進過程進行了模擬。計算實例表明考慮區(qū)。本能夠反映實際水流狀況。最后本文將遺傳算法改進的BP神經(jīng)網(wǎng)絡(luò)模型應用于。⑵從水庫實際調(diào)度運行需求出發(fā)，針。基于小波分解的日徑流逐步回歸預測模型。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)的回歸預測模型。進行預測，能夠為制定水電站未來的發(fā)電計劃提供科學的依據(jù)。流模式下的水流含沙量的神經(jīng)網(wǎng)絡(luò)預測模型。素的非線性關(guān)系，能夠為河流水沙調(diào)控與水庫的調(diào)度運行提供一定的參考。為決策者提供更有效的支持。此外，經(jīng)與NSGA-Ⅱ?qū)Ρ?，IMOPSO算法具有優(yōu)良的。全局尋優(yōu)性能和分散性，非常適合于多目標優(yōu)化問題的求解。

　　

【正文】 傳播時間的變動趨勢，在支流流量較小的情況下能對水流的傳播時間進行較準確的預測，能為河流水資源的最優(yōu)利用以及水庫的調(diào)度運行提供一定的參考。 ⑵ 從水庫實際調(diào)度運行需求出發(fā)，針對其入庫日徑流預測中存在的預見期短、 預測精度低等問題進行了研究，提出了基于小波分解的日徑流逐步回歸預測模型。與以往的日徑流預測模型不同，本文將預測水文站的上游水文站的日徑流序列引入預測模型，同時利用小波分解和重構(gòu)得到預測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)的回歸預測模型。計算實例表明，本文提出的基于小波分解的逐步回歸日徑流預測模型的預測精度高于多元自回歸模型，能對非凌汛期未來 1～ 3天以及凌汛期 1～ 7 天的日均流量進行預測，能夠為制定水電站未來的發(fā)電計劃提供科學的依據(jù)。 ⑶ 以黃河頭道拐水文站為例對水流日均含沙量的預測進行了研究，在對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)預測模型。計算實例表明，與線性的多元回歸模型相比，含沙量的神經(jīng)網(wǎng)絡(luò)預測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，能夠為河流水沙調(diào)控與水庫的調(diào)度運行提供一定的參考。 ⑷ 對水庫淤積問題進行了研究，提出了水庫泥沙沖淤的復合模型預測方法。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 和異重流運動模型進行耦合并建立了一維耦合泥沙數(shù)學模型，對其基本方程及求解方法進行了研究，并將虛擬流動法應用于非恒定異重流模型的求解以準確的預測異重流的演進過程和流達時間。本文將該模型分別應用于萬家寨水庫泥沙沖淤計算和小浪底水庫異重流模擬計算，計算結(jié)果表明該模型能夠很好的反映水庫淤積的發(fā)展變化過程，并且能夠準確的模擬異重流頭部的演進過程和預測其流達時間。此外，為了克服水沙動力學模型參數(shù)較多、計算繁冗的缺點，本文將一維耦合泥沙數(shù)學模型和 BP 神經(jīng)網(wǎng)絡(luò)模型進行復合并建立水庫泥沙沖淤的復合 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。萬家寨水庫泥沙沖淤快速預測實例表明復合 BP 網(wǎng)絡(luò)模型具有簡便、快速、精度高的優(yōu)點，其計算速度高于一維耦合泥沙數(shù)學模型的 250 倍，既解決了水庫多目標化調(diào)度中的速度瓶頸問題，又為水庫管理人員提供了一個預測水庫淤積的簡便的方法。 ⑸ 對水庫水沙電多目標優(yōu)化調(diào)度進行了研究，建立了水庫水沙電多目標優(yōu)化調(diào)度模型。同時，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)重自適應調(diào)節(jié)機制和 Pareto 優(yōu)解庫機制形成改進多目標微粒群算法（ IMOPSO），然后運用 該算法對上述多目標優(yōu)化模型直接求解以得到水庫多目標優(yōu)化問題的 Pareto 最優(yōu)前沿。計算實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，非常適合于多目標優(yōu)化問題的求解。 經(jīng)濟社會可持續(xù)發(fā)展對水利提出了越來越高的要求。水庫是調(diào)節(jié)徑流、開發(fā)利用水資源的有效手段，而如何對水庫進行多目標優(yōu)化調(diào)度以實現(xiàn)其短期效益與長期效益、經(jīng)濟效益與社會效益的統(tǒng)一成為當前的一個重 要研究課題。本文對水庫多目標優(yōu)化調(diào)度所涉及的一些相關(guān)問題，包括天然河道水流演進及水流傳播時間、多日徑流預測、水流含沙量的預測、庫區(qū)泥沙沖淤的智能快速預測、水庫水沙電多目標優(yōu)化調(diào)度等進行了研究。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)來實現(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隱式差分法對河道水流演進過程進行了模擬。計算實例表明考慮區(qū)間入流和支流的流量演進模擬結(jié)果與實際過程趨勢一致，峰谷對應關(guān)系良好，基 本能夠反映實際水流狀況。最后本文將遺傳算法改進的 BP 神經(jīng)網(wǎng)絡(luò)模型應用于河道水流傳播時間的預測，并建立了相應的水流傳播時間預測模型。計算實例表明本文的模型能較好的反映出不同輸入下的傳播時間的變動趨勢，在支流流量較小的情況下能對水流的傳播時間進行較準確的預測，能為河流水資源的最優(yōu)利用以及水庫的調(diào)度運行提供一定的參考。 ⑵ 從水庫實際調(diào)度運行需求出發(fā)，針對其入庫日徑流預測中存在的預見期短、預測精度低等問題進行了研究，提出了基于小波分解的日徑流逐步回歸預測模型。與以往的日徑流預測模型不同，本文將預測水文站的上游水 文站的日徑流序列引入預測模型，同時利用小波分解和重構(gòu)得到預測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)的回歸預測模型。計算實例表明，本文提出的基于小波分解的逐步回歸日徑流預測模型的預測精度高于多元自回歸模型，能對非凌汛期未來 1～ 3天以及凌汛期 1～ 7 天的日均流量進行預測，能夠為制定水電站未來的發(fā)電計劃提供科學的依據(jù)。 ⑶ 以黃河頭道拐水文站為例對水流日均含沙量的預測進行了研究，在對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)預測模型。計算實例表明，與線性的多元回歸模型相比，含沙量的神經(jīng)網(wǎng)絡(luò)預測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，能夠為河流水沙調(diào)控與水庫的調(diào)度運行提供一定的參考。 ⑷ 對水庫淤積問題進行了研究，提出了水庫泥沙沖淤的復合模型預測方法。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動模型進行耦合并建立了一維耦合泥沙數(shù)學模型，對其基本方程及求解方法進行了研究，并將虛擬流動法應用于非恒定異重流模型 的求解以準確的預測異重流的演進過程和流達時間。本文將該模型分別應用于萬家寨水庫泥沙沖淤計算和小浪底水庫異重流模擬計算，計算結(jié)果表明該模型能夠很好的反映水庫淤積的發(fā)展變化過程，并且能夠準確的模擬異重流頭部的演進過程和預測其流達時間。此外，為了克服水沙動力學模型參數(shù)較多、計算繁冗的缺點，本文將一維耦合泥沙數(shù)學模型和 BP 神經(jīng)網(wǎng)絡(luò)模型進行復合并建立水庫泥沙沖淤的復合 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。萬家寨水庫泥沙沖淤快速預測實例表明復合 BP 網(wǎng)絡(luò)模型具有簡便、快速、精度高的優(yōu)點，其計算速度高于一 維耦合泥沙數(shù)學模型的 250 倍，既解決了水庫多目標化調(diào)度中的速度瓶頸問題，又為水庫管理人員提供了一個預測水庫淤積的簡便的方法。 ⑸ 對水庫水沙電多目標優(yōu)化調(diào)度進行了研究，建立了水庫水沙電多目標優(yōu)化調(diào)度模型。同時，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)重自適應調(diào)節(jié)機制和 Pareto 優(yōu)解庫機制形成改進多目標微粒群算法（ IMOPSO），然后運用該算法對上述多目標優(yōu)化模型直接求解以得到水庫多目標優(yōu)化問題的 Pareto 最優(yōu)前沿。計算實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，非常適合于多目標優(yōu)化問題的求解。 《《《特別提醒》》》：正文內(nèi)容由 PDF 文件轉(zhuǎn)碼生成，如您電腦未有相應轉(zhuǎn)換碼，則無法顯示正文內(nèi)容，請您下載相應軟件，下載地址為 。如還不能顯示，可以聯(lián)系我 q q 1627550258 ，提供原格式文檔。 垐垯櫃 換燙梯葺銠 ? endstream endobj 2 x滌 ?`U 39。閩 AZ箾 FTP 鈦 X飼 ?狛 ]P ?燚\? 琯嫼 b?袍 *﹁甒 ?]颙嫯 39。??4)=r宵 ?i?]j彺帖 B3锝檡骹 笪 yLrQ?0鯖 l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l壛枒 l 壛枒 l 壛枒 l 壛枒 l壛枒 l壛枒 l壛 渓 ?@擗?? € 綫 G 劌 K 芿 ${` ? ? ~??Wa 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 皗 E|?pDb 癳 $[Fb 癳 $[Fb 癳$[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb 癳 $[Fb癳 $[Fb 癳 $[F?責鯻 0 橔 C,f 薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵 秾腵薍秾腵 % ?秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍秾腵薍 G??螪 t 俐 猻覎 ? 烰 :X=[勢 } ) [趯飥 ?媂 ^s 劂/ x?矓 w豒庘 q?唙 ?鄰爖媧 \ㄤ A|Q 趗擓 蒚 ?緱 ^ ~鱔嗷 P?笄 nf( 鱂匧 叺 9就菹 $