CN117236673B 城市水网多尺度防洪排涝联合优化调度方法和系统 （水利部交通运输部国家能源局南京水利科学研究院）

A,2019.06.11A,2019.06.28A,2020.12.18A,2021.08.03A,2021.11.09A,2023.10.20A,2023.11.0718.城市水网多尺度防洪排涝联合优化调度方本发明公开了一种城市水网多尺度防洪排2HaochengHuang;WeihongLiao;XiFusion.20217thInternatioonHydraulicandCivi.2021,122-126.YunBai;ChangchunWu;LiuxinLiu;MingyiDu.RSanflood-controlmanagementsystemSensingSymposium.2012,2755-2758.UrbanWaterExtractionMethodCAppliedEarthObservatiXinyueYe,ShaohuaWang,ZhipengLu.TowardsanAI-drivenframeworkmultiscaleurbanfloodresilieplanninganddesign.Computatio1194.3步骤S4、采用预配置的优化算法求解防洪排涝优化为SWMM_GCN_LSTM_atte步骤S23、采用优化后的水文水动力与神经网络耦合模型初步模拟城市水网的水位水步骤S31、根据城市水网的特点，从调度模型集合中选择或构建防洪排涝优化调度模步骤S32、根据防洪排涝优化调度模型的特点和水文水动力与神经网络耦合模型的初4步骤S11b、查找城市区域河网下游是否存在影响河步骤S11d、采用优化后的Copula联合分布函数计算水体水位和河流水位的条件概率，计算水网拓扑中的各个水网节点之间的几何距离，作为节计算水网拓扑图的拉普拉斯矩阵，以描述图的结构特征；对对水网拓扑中的各个水网节点的原始特征进行线性变换，得到水网节点自身的表征，5所述存储器存储有可被所述处理器执行的指令，所述指令用于被所现权利要求1至3任一项所述的城市水网多尺度防洪排涝联67[0015]步骤S11、获取城市所在区域的数字高程模型，并根据预定目标确定城市区域范模型为SWMM_GCN_LSTM_attention[0021]步骤S23、采用优化后的水文水动力与神经网络耦合模型初步模拟城市水网的水8[0024]步骤S32、根据防洪排涝优化调度模型的特点和水文水动力与神经网络耦合模型[0033]步骤S53、将每个尺度下的最优调度方案和对应的防洪效果展示在人机交互界面[0035]计算水网拓扑中的各个水网节点之间的几何距离，作为节点9[0068]步骤S11、获取城市所在区域的数字高程模型，并根据预定目标确定城市区域范[0071]基础数据是进行防洪排涝联合优化调度的必要输入，可为防洪排涝联合优化调度提供数据保障。通过水文水动力模型和优化调度模型的协同求性的函数，可以用来构建多变量的联合分布函数。可以利用历史观测数据，选择合适的模型为SWMM_GCN_LSTM_attention变化、周期性规律等。LSTM模型的输入为GCN模型的输出，输出为水网的时间特征向量。[0086]步骤S23、采用优化后的水文水动力与神经网络耦合模型初步模拟城市水网的水[0088]在本申请的另一实施例中，所述步骤S23初步分析各个情景下的内涝风险的过程个网格的内涝风险等级相同或相近。目的是为了将城市水网的内涝风险进行分类和区分，[0099]大尺度规划模型可用于模拟和优化水网的总体水量水质变化，包括水网的总入[0100]中尺度规划模型用于模拟和优化水网的局部水量水质变化，包括水网的分区入[0101]小尺度规划模型用于模拟和优化水网的细节水量水质变化，包括水网的单元入[0102]步骤S32、根据防洪排涝优化调度模型的特点和水文水动力与神经网络耦合模型[0109]计算水网拓扑中的各个水网节点之间的几何距离，作为节点[0118]水文水动力与神经网络耦合模型利用水质数据的空间相求解最优的水库出库流量和闸门开度的数学模型。每个方案都可以实现防洪排涝的目的，[0126]步骤S43c、通过预配置的规则和专家系统删除可行的调[0131]步骤S53、将每个尺度下的最优调度方案和对应的防洪效果展示在人机交互界面水位变化的高精度模拟。或者使用Transformer网络来确定城市水网的防洪排涝优化调度来平衡多目标的优先级，实现对城市水网的多功能性和