灌區(qū)最優(yōu)規(guī)劃決策方案研究

伊布拉音·米吉提

(巴州水利水電勘測(cè)設(shè)計(jì)院，新疆 巴音郭楞蒙古自治州 841000)

灌區(qū)的水資源最優(yōu)規(guī)劃與來水徑流密切相關(guān)，其配置很大程度上依賴于未來徑流形式。徑流預(yù)測(cè)作為水資源優(yōu)化調(diào)配方案的前提依據(jù)，其預(yù)測(cè)精度將直接影響水資源調(diào)配的合理性與有效性[2]。隨著水資源最優(yōu)規(guī)劃研究的進(jìn)一步深入，人們對(duì)徑流預(yù)報(bào)的精度和時(shí)間尺度提出了更高的要求；但是氣象、水文、下墊面、人類活動(dòng)等都是影響徑流的重要因素，不同地區(qū)影響因素的變化，使得中長(zhǎng)期徑流預(yù)報(bào)成為了一個(gè)全球性難題。1990年以后，全球氣候變化復(fù)雜，人類活動(dòng)影響增加，對(duì)氣候及徑流變化給出定量描述將為規(guī)范人類活動(dòng)提供理論依據(jù)[3]。

本文針對(duì)1970～2010年原始徑流實(shí)測(cè)資料進(jìn)行分析，引入氣象因子，利用遺傳算法改進(jìn)人工神經(jīng)網(wǎng)絡(luò)，并完成對(duì)葉爾羌河流域月徑流的預(yù)測(cè)，通過轉(zhuǎn)換即可得到保爾水庫(kù)出庫(kù)徑流的預(yù)測(cè)值，并以出庫(kù)徑流作為水量約束利用lingo軟件編寫程序，求解洪葉爾羌河灌區(qū)的水資源優(yōu)化管理模型。

1 灌區(qū)基本情況

新疆葉爾羌河灌區(qū)隸屬于喀什地區(qū)，位于新疆維吾爾自治區(qū)葉爾羌河流域，是新疆占地面積最大的灌區(qū)，也是我國(guó)四大灌區(qū)之一。灌區(qū)現(xiàn)有農(nóng)作物種植主要以糧食作物為主(春小麥、玉米)，主要的經(jīng)濟(jì)作物有棉花、胡麻、瓜菜等。葉爾羌河、提孜那甫河、烏魯克河、柯克亞河和部分泉水構(gòu)成葉爾羌河流域的大部分地表水(除少量的降水補(bǔ)充以外)由保爾水庫(kù)控制，灌區(qū)用水需要通過天然降水、地表水、地下水及遠(yuǎn)距離調(diào)水等多種途徑進(jìn)行供給，而其中灌區(qū)農(nóng)業(yè)用水是保爾水庫(kù)出庫(kù)徑流唯一供水對(duì)象

2 基于GA-BP的水文站月徑流預(yù)測(cè)

2.1 GA-BP模型

BP人工神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network)是一種多層前饋型神經(jīng)網(wǎng)絡(luò)，是目前實(shí)現(xiàn)途徑最直觀、應(yīng)用最廣、研究最深入且運(yùn)算機(jī)制最易理解的一種人工神經(jīng)網(wǎng)絡(luò)[4]。將其應(yīng)用到徑流預(yù)測(cè)領(lǐng)域時(shí)，神經(jīng)網(wǎng)絡(luò)純基于數(shù)據(jù)挖掘技術(shù)的特性，可以避開傳統(tǒng)水文模擬必須明確數(shù)據(jù)中隱含規(guī)律的弱點(diǎn)，從數(shù)據(jù)中直接發(fā)現(xiàn)系統(tǒng)潛在的規(guī)律性。此外，如果提供的數(shù)據(jù)中隱含的規(guī)律存在動(dòng)態(tài)變化，在模擬過程中，BP神經(jīng)網(wǎng)絡(luò)可以自行適應(yīng)和學(xué)習(xí)，以便適應(yīng)所處的環(huán)境[5]。遺傳算法(Genetic Algorithm，GA)則是基于生物遺傳和進(jìn)化過程的一種全局優(yōu)化搜索模型，擁有優(yōu)越的魯棒性和全局搜索能力，搜索不局限于個(gè)體和問題自身[6]。這樣的特性使得遺傳算法可以很好地彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)容易陷入極小值困境的缺陷，進(jìn)一步優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的途徑主要有3種：①利用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值和閾值[7]；②利用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)[8]；③利用GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則[9]。

本文GA-BP模型通過遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，GA在樣本空間中尋找最優(yōu)解，擬定最優(yōu)值區(qū)間，再利用BP神經(jīng)網(wǎng)絡(luò)的Levnebegr-Maruqart算法[10]尋找最優(yōu)值進(jìn)行求解。這樣可以緩解由于BP神經(jīng)網(wǎng)絡(luò)隨機(jī)擬定初始權(quán)值、閾值而造成的輸出不穩(wěn)定現(xiàn)象，同時(shí)一定程度上提高精度。其結(jié)合方式主要體現(xiàn)在適應(yīng)度函數(shù)上，本文GA-BP模型的適應(yīng)度函數(shù)選取BP神經(jīng)網(wǎng)絡(luò)誤差平方和的倒數(shù)，其數(shù)學(xué)表達(dá)式為：

(1)

2.2 因子分析

在進(jìn)行建模之前，首先應(yīng)對(duì)擬合的徑流長(zhǎng)度和影響各月徑流的影響因子進(jìn)行分析，有研究者利用M-K秩次檢驗(yàn)對(duì)葉爾羌河流域的徑流進(jìn)行了分析[11]，認(rèn)為1972年前后是葉爾羌河流域徑流的曲線的突變點(diǎn)，故本文選取葉爾羌河流域1971～2010年的徑流為擬合數(shù)據(jù)。同時(shí)根據(jù)相關(guān)學(xué)者研究，影響葉爾羌河流域徑流主要因素為徑流、降水和溫度，為驗(yàn)證這一觀點(diǎn)，本文選取前2月徑流、前1月徑流、前2月降水、前1月降水、前2月溫度、前1月溫度作為影響因子，并與徑流做灰關(guān)聯(lián)分析，運(yùn)用DPS統(tǒng)計(jì)軟件，選取分辨系數(shù)0.5，分析的結(jié)果見表1。

選取關(guān)聯(lián)度大于0.7的影響因子作為主要影響因子，最后利用matlab對(duì)GA-BP月徑流預(yù)測(cè)模型進(jìn)行編程求解。由于基于12個(gè)月有不同的輸入因子，擬合預(yù)測(cè)過程及隱含層數(shù)確定各不相同，下面以1月份的擬合過程為例進(jìn)行介紹。

1月模型隱含層神經(jīng)元數(shù)取6，種群規(guī)模取為50，迭代次數(shù)取為100，其中，訓(xùn)練樣本、檢測(cè)樣本、測(cè)驗(yàn)樣本所模擬的預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)數(shù)據(jù)的關(guān)聯(lián)系數(shù)分別為0.9613、0.8111、0.9742，全部預(yù)測(cè)數(shù)據(jù)與實(shí)測(cè)值的關(guān)聯(lián)系數(shù)為0.9298，除極個(gè)別點(diǎn)誤差較大，訓(xùn)練的效果較好，這可能是因?yàn)檫x取影響因子并未將人類活動(dòng)考慮其中導(dǎo)致的。經(jīng)過上述擬合和學(xué)習(xí)以后，利用模型對(duì)2011～2015年各月徑流進(jìn)行預(yù)測(cè)。具體擬合和預(yù)測(cè)結(jié)果如圖1、2所示。

圖1 一月GA-BP擬合結(jié)果

圖2 GA-BP預(yù)測(cè)結(jié)果

3 灌區(qū)水資源最優(yōu)規(guī)劃

3.1 模型建立

本文假設(shè)葉爾羌河灌區(qū)水資源最優(yōu)規(guī)劃模型假設(shè)灌區(qū)地下水埋深較大，即地下水對(duì)灌溉無(wú)補(bǔ)給作用，且不考慮土壤儲(chǔ)水量，即灌溉用水和降水直接作用于作物且不發(fā)生滲漏。選取葉爾羌河灌區(qū)三類典型作物：春小麥、春玉米、胡麻作為分析對(duì)象，將上述三類作物分別作為葉爾羌河灌區(qū)的典型農(nóng)業(yè)用水戶，用Ij(j=1，2，3)分別表示春小麥、春玉米、胡麻。則葉爾羌河灌區(qū)水資源最優(yōu)規(guī)劃模型可轉(zhuǎn)化為：

(2)

且有(假設(shè)地下水對(duì)灌區(qū)無(wú)補(bǔ)給且灌水無(wú)滲漏)：

(3)

(4)

約束條件：

(1)總水量約束：

(5)

(2)需水量約束：

ETijmin≤ETij≤ETijmax，i=1，…，12，j=1，2，3

(6)

0≤ETaj≤ETajmin，j=1，2，3

(7)

(3)非負(fù)約束：

Yj≥0，j=1，2，3

(8)

式中，Bj—第j類作物市場(chǎng)價(jià)格，元/kg；Aj—第j類作物種植面積，hm2；Yj—第j類作物水分生產(chǎn)函數(shù)，kg/hm2；C—水價(jià)，元/m3；mij—第j類作物在第i月的實(shí)際毛灌水量，m3；aj，bj，cj—第j類作物水分生產(chǎn)函數(shù)中的系數(shù)；ETij—第j類作物在第i階段的單位面積耗水量，mm；η渠、η田—分別為渠系水利用系數(shù)和田間水利用系數(shù)，分別取0.60和0.92；ETaj—第j類作物的總單位面積耗水量，mm；pi—作物生育階段內(nèi)第i月的有效降雨量，mm；Ri—第i月的出庫(kù)井口徑流量，根據(jù)葉爾羌河流域徑流量與相關(guān)系數(shù)乘積確定，m3；ETijmin、ETijmax—分別為第j類作物在第i月的最小、最大需水量，mm；ETajmin—水分生產(chǎn)函數(shù)中Yj最大時(shí)的ETj，mm。

3.2 模型求解

以2015年為例，本模型中選取的目標(biāo)函數(shù)為經(jīng)濟(jì)效益最大，作物相關(guān)參數(shù)選取見表2。依據(jù)優(yōu)化模型的數(shù)據(jù)整理，采用lingo軟件[12]進(jìn)行編程，對(duì)模型進(jìn)行求解。優(yōu)化得到的灌區(qū)年最大經(jīng)濟(jì)效益為13.561億元。結(jié)果顯示春玉米是單方水經(jīng)濟(jì)效益最高的作物，建議可以在結(jié)合當(dāng)?shù)貙?shí)際情況的前提下適當(dāng)增大玉米的種植面積。同時(shí)輸出結(jié)果說明：應(yīng)優(yōu)先滿足春玉米和春小麥的配水，以期在節(jié)約灌水量的前提下增加灌區(qū)的經(jīng)濟(jì)效益。最終求解結(jié)果見表3。

表2 典型作物相關(guān)參數(shù)

表3 2015年葉爾羌河灌區(qū)水資源最優(yōu)規(guī)劃模型成果表

4 結(jié)語(yǔ)

本文應(yīng)用lingo軟件編寫了遺傳算法改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型，同時(shí)運(yùn)用灰色關(guān)聯(lián)分析選出關(guān)聯(lián)度相對(duì)較高的影響因子，輸入模型進(jìn)行預(yù)測(cè)。模型運(yùn)用葉爾羌河灌區(qū)和氣象站的各類資料，對(duì)葉爾羌河流域1971～2010年的徑流進(jìn)行了模擬并對(duì)葉爾羌河流域2011～2015年的各月徑流進(jìn)行了預(yù)測(cè)；并將預(yù)測(cè)值作為灌溉水量約束輸入葉爾羌河灌區(qū)水資源最優(yōu)規(guī)劃模型中，以灌區(qū)年灌水效益最大為優(yōu)化目標(biāo)，按月劃分配水期，進(jìn)行了灌區(qū)水資源的最優(yōu)規(guī)劃，得到了三種典型作物的配水?？蔀楣鄥^(qū)基于徑流預(yù)測(cè)下的各類作物間的優(yōu)化配水提供一定理論依據(jù)。

[1] 齊學(xué)斌, 黃仲冬, 喬冬梅, 等. 灌區(qū)水資源合理配置研究進(jìn)展[J]. 水科學(xué)進(jìn)展, 2015, 26(02): 287- 295．

[2] 趙雪花, 陳旭. 經(jīng)驗(yàn)?zāi)B(tài)分解與均生函數(shù)-最優(yōu)子集耦合模型在年徑流預(yù)測(cè)中的應(yīng)用[J]. 資源科學(xué), 2015, 37(06): 1173- 1180．

[3] 胡彩虹, 王紀(jì)軍, 柴曉玲, 等. 氣候變化對(duì)黃河流域徑流變化及其可能影響研究進(jìn)展[J]. 氣象與環(huán)境科學(xué), 2013, 36(02): 57- 65．

[4] 何昳穎, 陳曉宏, 張?jiān)? 等. BP人工神經(jīng)網(wǎng)絡(luò)在小流域徑流模擬中的應(yīng)用[J]. 水文, 2015, 35(05): 35- 40+96．

[5] 楊洪. 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)集成模型在徑流預(yù)測(cè)中的應(yīng)用[J]. 水資源與水工程學(xué)報(bào), 2014, 25(03): 213- 219．

[6] 徐瑩, 王嘉陽(yáng), 蘇華英. 基于遺傳算法的支持向量機(jī)在徑流中長(zhǎng)期預(yù)報(bào)中的應(yīng)用[J]. 水利與建筑工程學(xué)報(bào), 2014, 12(05): 42- 45+72．

[7] 余發(fā)山, 康洪. 基于GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的液壓鉆機(jī)故障診斷[J]. 電子測(cè)量技術(shù), 2016, 39(02): 134- 137+146．

[8] 門志國(guó), 彭秀艷, 王興梅, 等. 基于GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)辨識(shí)的Volterra級(jí)數(shù)核估計(jì)算法[J]. 南京理工大學(xué)學(xué)報(bào), 2012, 36(06): 962- 967．

[9] 張晶, 薛冷, 容會(huì), 等. 基于GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的WSN數(shù)據(jù)融合技術(shù)研究[J]. 山西大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015, 38(02): 185- 191．

[10] 卓林超, 王堃. 大數(shù)據(jù)中面向亂序數(shù)據(jù)的改進(jìn)型BP算法[J]. 系統(tǒng)工程理論與實(shí)踐, 2014, 34(S1): 158- 164．

[11] 庫(kù)路巴依·吾布力. 新疆葉爾羌河水文要素變化特性分析[J]. 水利規(guī)劃與設(shè)計(jì), 2016(05): 41- 44．

[12] 陳義忠, 盧宏瑋, 李晶, 等. 基于不確定性的水資源配置雙層模型及其實(shí)證研究[J]. 環(huán)境科學(xué)學(xué)報(bào), 2016, 36(06): 2252- 2261．