智能优化水资源配置方法、装置、计算机设备及存储介质与流程

1.本技术涉及信息技术领域，具体涉及一种智能优化水资源配置方法、装置、计算机设备及存储介质。


背景技术：

2.水资源是以水事活动为主体的水资源生态经济系统的主要组成部分。在这个复杂巨系统中存在许多矛盾，其中最根本的矛盾是社会经济增长的无限需求与自然资源有限供给之间的矛盾，如果不能科学有效地进行水资源配置，不仅会严重制约地区社会经济的发展，还可能会造成冲突事件的发生。因此，水资源的合理配置显得尤为重要。
3.目前，在水资源短缺的情况下，水量不足、水质达不到用水标准或工程调蓄能力限制等原因都可能导致用水目的、时间和地域上的冲突，为了避免出现水资源短缺的局面，国内外很多学者从不同的角度进行了探讨，研究提出了分别用层次分析法、人工神经网络、物元模型等模型出发的决策方法。然而，受区域水源来水量的随机性、需水量的不精确性以及其它的不确定性影响，采用确定性方法分析得到的水资源配置方案可能存在巨大风险。
4.因此，国内外学者广泛采用两阶段随机规划、机会约束规划和相关机会规划等随机规划方法，来解决水资源配置问题中的随机不确定性问题。但是，现有的随机规划方法只能处理相互独立的多个随机变量问题，难以解决存在关联关系的两个随机变量的不确定问题。所以，现有的水资源配置方法存在因缺乏科学性和合理性，而导致水资源配置准确率低的问题。


技术实现要素：

5.基于此，有必要针对上述技术问题提供一种智能优化水资源配置方法、装置、计算机设备及存储介质，用以改善水资源配置方法的科学性和合理性，提升双量联合随机性与非一致性条件下水资源配置的准确率。
6.第一方面，本技术提供一种智能优化水资源配置方法，包括：获取目标水文随机变量的历史数据，目标水文随机变量包括根据需水量关联度确定的第一随机变量和第二随机变量；分析目标水文随机变量的历史数据，确定第一随机变量和第二随机变量的差异类型；根据差异类型，获取各个水文情景待发生的联合概率；根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息。
7.在本技术一些实施例中，根据差异类型，获取各个水文情景待发生的联合概率，包括：根据差异类型，获取目标水文随机变量的边缘分布信息；根据各边缘分布信息，构建目标水文随机变量的联合分布信息；基于联合分布信息，获取各个水文情景待发生的联合概率。
8.在本技术一些实施例中，根据差异类型，获取目标水文随机变量的边缘分布信息，包括：响应于差异类型为第一性质差异，采用水文频率分析方法，获取目标水文随机变量的边缘分布信息；响应于差异类型为第二性质差异，采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息；其中，第一性质差异对应于历史数据不具有变异特征，第二性质差异对应于历史数据具有变异特征。
9.在本技术一些实施例中，响应于差异类型为第二性质差异，采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息，包括：响应于差异类型为第二性质差异，以及预设的非一致性配置条件，调用基于gamlss模型的非一致性概率计算方法；采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息。
10.在本技术一些实施例中，根据各边缘分布信息，构建目标水文随机变量的联合分布信息，包括：基于预设的候选copula函数处理历史数据，得到数据处理结果；根据数据处理结果，确定候选copula函数中的目标copula函数，得到目标copula函数对应的目标copula参数；根据目标copula函数、目标copula参数以及各边缘分布信息，构建目标水文随机变量的联合分布信息。
11.在本技术一些实施例中，基于联合分布信息，获取各个水文情景待发生的联合概率，包括：根据边缘分布信息，将各目标水文随机变量的历史数据划分为满足于预设数量的数据取值区间，得到各目标水文随机变量的数值水平等级；根据各目标水文随机变量的数值水平等级，获取待分析的各个水文情景；根据联合分布信息，分析各水文情景的发生概率，得到各个水文情景待发生的联合概率。
12.在本技术一些实施例中，根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息，包括：获取联合概率和预设的约束条件，构建双变量两阶段水量分配模型；分析目标水文随机变量在不同水文情景下的目标概率值，获取双变量两阶段水量分配模型的模型参数；采用人工蜂群智能算法，对输入模型参数的双变量两阶段水量分配模型进行分析求解，得到水资源优化配置信息。
13.在本技术一些实施例中，在根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息之后，还包括：将水资源优化配置信息发送至目标控制设备，以指示目标控制设备按照水资源优化配置信息实际运行；其中，目标控制设备包括目标水电站水库的控制设备；以及响应于目标控制设备反馈的运行结果为运行成功，重复执行智能优化水资源配置的步骤，以利用新的联合概率更新水资源优化配置信息，并且采用更新后的水资源优化配置信息进行配置，直至配置期结束；响应于目标控制设备反馈的运行结果为运行失败，生成异常报警信息，异常报警信息用于报警提示水资源配置异常待处理。
14.第二方面，本技术提供一种智能优化水资源配置装置，包括：数据获取模块，用于获取目标水文随机变量的历史数据，目标水文随机变量包括根据需水量关联度确定的第一随机变量和第二随机变量；数据分析模块，用于分析目标水文随机变量的历史数据，确定第一随机变量和第二随机变量的差异类型；概率获取模块，用于根据差异类型，获取各个水文情景待发生的联合概率；
方案获取模块，用于根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息。
15.第三方面，本技术还提供一种计算机设备，包括：一个或多个处理器；存储器；以及一个或多个应用程序，其中的一个或多个应用程序被存储于存储器中，并配置为由处理器执行以实现智能优化水资源配置方法。
16.第四方面，本技术还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器进行加载，以执行智能优化水资源配置方法中的步骤。
17.第五方面，本技术实施例提供一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述第一方面提供的方法。
18.上述智能优化水资源配置方法、装置、计算机设备及存储介质，服务器通过获取并分析根据需水量关联度确定的目标水文随机变量的历史数据，确定第一随机变量和第二随机变量的差异类型，进而根据差异类型，获取各个水文情景待发生的联合概率，最后根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息。本技术提出针对存在关联关系的两个随机变量，构建双变量两阶段水量分配模型，为双重随机不确定性条件下的区域水资源配置提供有效解决途径。因此，采用本方法，不仅能够更加准确对水资源进行合理配置，还加强了整个水资源分配过程的科学性与合理性，使得水资源配置的准确率得到提升。
附图说明
19.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
20.图1是本技术实施例中智能优化水资源配置方法的场景示意图；图2是本技术实施例中智能优化水资源配置方法的流程示意图；图3是本技术实施例中智能优化水资源配置方法的具体流程示意图；图4是本技术实施例中随机变量水平划分步骤的效果示意图；图5是本技术实施例中双变量联合分布的效果示意图；图6是本技术实施例中智能优化水资源配置装置的结构示意图；图7是本技术实施例中计算机设备的结构示意图。
具体实施方式
21.下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
22.在本技术的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
23.在本技术的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本技术中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本技术所公开的原理和特征的最广范围相一致。
24.本技术提供的方案涉及人工智能技术，具体通过如下实施例进行说明:人工智能(artificial intelligence，ai)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。
25.人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。人工智能软件技术主要包括计算机视觉技术、语音处理技术、自然语言处理技术以及机器学习/深度学习等几大方向。
26.本技术实施例提供一种智能优化水资源配置方法、装置、计算机设备及存储介质，以下分别进行详细说明。
27.参阅图1，图1为本技术提供的智能优化水资源配置方法的场景示意图，该智能优化水资源配置方法可应用于智能优化水资源配置系统中。其中，智能优化水资源配置系统包括终端100和服务器200。终端100可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。终端100具体可以是台式终端或移动终端，终端100具体还可以是手机、平板电脑、笔记本电脑中的一种。服务器200可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。此外，终端100与服务器200之间通过网络建立通信连接，网络具体可以是广域网、局域网、城域网中的任意一种。
28.本领域技术人员可以理解，图1中示出的应用环境，仅仅是适用于本技术方案的一种应用场景，并不构成对本技术方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的计算机设备，例如图1中仅示出1个服务器200，可以理解的是，该智能优化水资源配置系统还可以包括一个或多个其他服务器，具体此处不作限定。另外，如图1所示，该智能优化水资源配置系统还可以包括存储器，用于存储数据，如存储包含有用水户的
需水量上下限、供水效益和缺水惩罚系数等相关参数的历史数据。
29.需要说明的是，图1所示的智能优化水资源配置系统的场景示意图仅仅是一个示例，本发明实施例描述的智能优化水资源配置系统以及场景是为了更加清楚的说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着智能优化水资源配置系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
30.参阅图2，本技术实施例提供了一种智能优化水资源配置方法，本实施例主要以该方法应用于上述图1中的服务器200来举例说明，该方法包括步骤s201至s204，具体如下：s201，获取目标水文随机变量的历史数据，目标水文随机变量包括根据需水量关联度确定的第一随机变量和第二随机变量。
31.其中，本技术实施例提及的目标水文随机变量，主要包括第一随机变量和第二随机变量，且第一随机变量和第二随机变量均与目标对象的需水量存在高关联度，且其属性为随机变量(random variable)，即是指值无法预先确定仅能以一定的可能性(概率)取值的变量。
32.具体实现中，本技术实施例提出主要针对包含有水库或超大蓄水池的地区进行智能优化水资源配置。其中，配置所选时间跨度可以是按年划分、按月划分等等；目标水文随机变量是根据目标地区的需水量关联度确定的。例如，第一随机变量可以是目标地区所含水库的年入流量，第二随机变量可以是目标地区的年降雨量；目标地区可以是“漳河灌区”。漳河灌区地处长江中下游，位于湖北省中部，根据行政区划可以划分为7个子区，而其中所含的漳河水库是灌区内农业、生活和工业等最主要的水源，另外每个子区中分布有中小型水库可用于灌溉。
33.更具体地，第一随机变量可以是漳河水库的年入流量，第二随机变量可以是漳河灌区的年降雨量，服务器200可从其他设备处获取对应于当前所选目标水文随机变量的历史数据，作为后续智能优化水资源配置的分析依据。除此之外，服务器200也可提取本地所存历史数据。可以理解的是，本技术所涉及历史数据的存储位置，根据实际应用需求设定，本技术不做具体限定。
34.进一步地，历史数据的获取方式可采用如下几种方式之一：（1）从终端100或其他设备处获取目标水文随机变量的历史数据；（2）从其他区块链节点服务器处同步获取得到目标水文随机变量的历史数据；（3）从上级服务器请求得到，或是从下级服务器轮询得到目标水文随机变量的历史数据。
35.s202，分析目标水文随机变量的历史数据，确定第一随机变量和第二随机变量的差异类型。
36.其中，目标水文随机变量的历史数据至少包括以下之一：第一随机变量和第二随机变量在目标历史时段内的历史记录值，以及用水户的需水量上下限、供水效益和缺水惩罚系数等。例如，当前所获的历史数据包括：漳河水库的年入流量序列（1963
‑
2020年）、漳河灌区的年降雨量序列（1963
‑
2020年）。由此，本技术提出将2021年作为智能优化水资源配置的目标年，并具体提出一种分析目标地区对应目标水文随机变量的历史数据，为目标地区进行水资源配置预测，从而获取合理化的水资源优化配置信息的方案。需要说明的是，上述“用水户”具体为非农业用水户，包括但不局限于生活、工业、发电、生态等。可以理解的是，
上述数据序列所涉及的时间跨度本技术不做具体限定。
37.具体实现中，服务器200获取到目标水文随机变量的历史数据之后，可采用水文变异识别方法，分析第一随机变量和第二随机变量各自对应的历史数据的变异情况，即可确定第一随机变量和第二随机变量的差异类型。
38.例如，服务器200可分析漳河水库的年入流量序列的变异情况，并分析漳河灌区的年降雨量序列的变异情况，以此确定各自的差异类型。
39.s203，根据差异类型，获取各个水文情景待发生的联合概率。
40.其中，差异类型可以包括第一性质差异和第二性质差异，第一性质差异可以是指对应数据序列不存在变异情况的差异类型，第二性质差异可以是指对应数据序列存在变异情况的差异类型。
41.在一个实施例中，本步骤包括：根据差异类型，获取目标水文随机变量的边缘分布信息；根据各边缘分布信息，构建目标水文随机变量的联合分布信息；基于联合分布信息，获取各个水文情景待发生的联合概率。
42.具体实现中，服务器200要获取各个水文情景待发生的联合概率，需针对目标水文随机变量的差异类型，采用不同方法进行分析，以获取高精准度的边缘分布信息，进而根据各边缘分布信息，构建目标水文随机变量的联合分布信息，以获取各个水文情景待发生的联合概率。本实施例中涉及的联合概率获取步骤将在下文详细说明。
43.在一个实施例中，根据差异类型，获取目标水文随机变量的边缘分布信息，包括：响应于差异类型为第一性质差异，采用水文频率分析方法，获取目标水文随机变量的边缘分布信息；响应于差异类型为第二性质差异，采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息；其中，第一性质差异对应于历史数据不具有变异特征，第二性质差异对应于历史数据具有变异特征。
44.具体实现中，若差异类型为第一性质差异，则服务器200可用如下八种常用的分布函数（例如，gamma、gumbel、logistic、weibull、box
‑
cox cole and green、peason
ꢀⅲ
、generalized gamma以及generalized inverse gaussian）在稳定性情况下对年入流量序列、年降雨量序列进行拟合，分别得到漳河水库年入流量和漳河灌区年降雨量的最优拟合概率分布类型，分布函数的位置参数以及尺度参数。也即是说，可采用常规的水文频率分析方法，确定每个变量的边缘分布，例如，在确定年入流量序列和年降雨量序列的具体数值情况下，漳河水库的年入流量的最优拟合概率分布类型可以为ga（gamma）分布，分布函数的位置参数和尺度参数分别为“80173.7
×
104”和“0.4112”；漳河灌区的年降雨量最优拟合概率分布类型也可以是ga分布，分布函数的位置参数和尺度参数分别为“884.5”和“0.2068”。
45.进一步地，若差异类型为第二性质差异，则服务器200可采用基于gamlss模型的非一致性频率计算方法，分析获取“2021分配年”漳河灌区年降雨量的边缘分布信息。例如，分布类型是ga分布，分布函数的位置参数和尺度参数分别为是“785.4”和“0.1960”。
46.在一个实施例中，响应于差异类型为第二性质差异，采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息，包括：响应于差异类型为第二性质差异，以及预设的非一致性配置条件，调用基于gamlss模型的非一致性概率计算方法；采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息。
47.具体实现中，可参阅图3，在上述实施例的基础上，非一致性概率计算方法的应用
还可存在一个前提条件，即若预设有非一致性配置条件，则需考虑变量的非一致性，此时服务器200方可调用基于gamlss模型的非一致性概率计算方法，获取目标水文随机变量的边缘分布信息。反之，若未预设非一致性配置条件，则无需考虑变量的非一致性，无论随机变量的差异类型是否为第二性质差异，均只能采用水文频率分析方法获取边缘分布信息。
48.在一个实施例中，根据各边缘分布信息，构建目标水文随机变量的联合分布信息，包括：基于预设的候选copula函数处理历史数据，得到数据处理结果；根据数据处理结果，确定候选copula函数中的目标copula函数，得到目标copula函数对应的目标copula参数；根据目标copula函数、目标copula参数以及各边缘分布信息，构建目标水文随机变量的联合分布信息。
49.其中，copula函数描述的是变量间的相关性，实际上是一类将联合分布函数与它们各自的边缘分布函数连接在一起的函数，因此也有人将它称为连接函数。
50.具体实现中，可参阅图3，服务器200可设置如下候选copula函数，包括但不局限于：gumbel
‑
hougaard copula、clayton copula、ali
‑
mikhail
‑
haq copula以及frank copula等4种单参数二维阿基米德copula函数，以对年入流量序列和年降雨量序列进行拟合、评价和检验，得到数据处理结果。进而，分析各个数据处理结果，选取拟合效果最好的copula函数作为目标copula函数，进一步获取目标copula函数的目标copula参数。例如，在确定年入流量序列和年降雨量序列的具体数值情况下，frank copula函数的拟合效果最好，其目标copula参数计算为“6.23”。
51.进一步地，服务器200可根据目标copula函数、目标copula参数以及各边缘分布信息，构建目标水文随机变量的联合分布信息。例如，根据2021分配年下的年入流量的边缘分布、年降雨量的边缘分布、frank copula函数以及其参数，可确定2021分配年下的年入流量和年降雨量的联合分布。如此，本技术提出通过耦合copula函数和非一致性分析，建立了非一致性条件下的二维联合分布构建方法，能够更加恰当描述变化环境下水文变量的真实分布。
52.在一个实施例中，基于联合分布信息，获取各个水文情景待发生的联合概率，包括：根据边缘分布信息，将各目标水文随机变量的历史数据划分为满足于预设数量的数据取值区间，得到各目标水文随机变量的数值水平等级；根据各目标水文随机变量的数值水平等级，获取待分析的各个水文情景；根据联合分布信息，分析各水文情景的发生概率，得到各个水文情景待发生的联合概率。
53.具体实现中，可参阅图4，服务器200可根据两个目标水文随机变量的边缘分布信息，基于“12.5th”、“37.5th”、“62.5th”以及“87.5th”四个百分位数，分别将变量划分成5个水平：特低、低、中、高、特高，其概率分别是“0.125、0.25、0.25、0.25、0.125”。
54.进一步地，假设两个随机水文变量分别是“x”和“y”，设定水文情景(k1，k2)表示变量“x”的“k
1”水平（k1=特低、低、中、高、特高）和变量“y”的“k
2”水平（k2=特低、低、中、高、特高）同时发生，例如情景（特低，特高）表示变量“x”处于特低水平而变量“y”处于特高水平；由于每个变量均有5个水平，因此总共有25个水文情景。
55.最后，再根据两个随机变量的联合分布，按照下述公式（1），分别计算各个水文情景(k1，k2)待发生的联合概率：
其中，表示随机变量“x
1”的第“k
1”个水平和随机变量“x
2”的第“k
2”个水平（以下简称情景）同时发生的概率，表示水平“k
1”下变量“x”取值区间的上边界和下边界；分别表示水平“k
2”下变量“y”取值区间的上边界和下边界。
56.例如，服务器200首先可根据目标年（例如，2021分配年）的年入流量和年降雨量的边缘分布信息，采用“12.5th、37.5th、62.5th以及87.5th”这四个百分位数，将年入流量序列和年降雨量序列分别离散成5个水平：[特低、低、中、高、特高]。在确定年入流量序列和年降雨量序列的具体数值情况下，5个水平下年入流量的取值区间分别是：(0,44726.8]、(44726.8，65998.2]、(65998.2，86320.9]、(86320.9，118550.0]、(118550.0， ∞)万m3；而年降雨量的取值区间分别是：(0，612.6]、(612.6，727.7]、(727.7，825.1]、(825.1，964.7]、(964.7， ∞)mm。
[0057]
进一步地，根据目标年（例如，2021分配年）的年入流量和年降雨量的联合分布，结合上述公式（1），可分析得到各水文情景的联合概率，参考下述表1所示：可知，在水文情景（高，特低）、（特高，特低）、（特高、低）、（特低，高）、（特低，特高）和（低，特高）下，联合概率为0，即这6种水文情景不会发生或者发生的概率极低。因此，当前情况只有19种水文情景可能会发生。
[0058]
s204，根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息。
[0059]
具体实现中，服务器200可根据联合概率，构建适宜的双变量两阶段水量分配模型，以便基于两阶段随机规划模型，有效处理水资源分配中的双变量联合随机性问题。
[0060]
在一个实施例中，本步骤包括：获取联合概率和预设的约束条件，构建双变量两阶段水量分配模型；分析目标水文随机变量在不同水文情景下的目标概率值，获取双变量两阶段水量分配模型的模型参数；采用人工蜂群智能算法，对输入模型参数的双变量两阶段水量分配模型进行分析求解，得到水资源优化配置信息。
[0061]
其中，目标概率值可以为不同水文情景下两个随机变量的最可能值，例如，不同情景(k1，k2)下变量“x”和“y”的最可能取值。
[0062]
其中，模型参数包括但不局限于水库可供水量、各分区内部水源可供水量、作物灌溉定额，非农业用水户需水量上下限、供水效益、缺水惩罚系数，作物需灌面积上下限、灌溉效益、缺灌惩罚系数等。
[0063]
具体实现中，服务器200可根据联合概率和预设的约束条件，构建如下公式（2）示出的建双变量两阶段水量分配模型：其中，“f”表示系统的供水效益（元）；“nu”表示用水户总数；“t
i”表示用水户“i”的配水目标（m3），第一阶段的决策变量；“b
i”表示用水户“i”的供水效益（元/m3）；表示情景发生的概率；“nl”表示水文情景总数；表示用水户“i”在情景下未满足配水目标的缺水量（m3），第二阶段的决策变量；“c
i”表示用水户“i”的缺灌惩罚系数（元/hm2）；表示系统在情景下的可供水量（m3）；“t
maxi”表示用水户“i”的最大需水量（m3）；“t
mini”表示用水户“i”的最小需水量（m3）。
[0064]
进一步地，可参阅图5，服务器200可获取双变量两阶段水量分配模型的模型参数，模型参数包括目标概率值，如下述公式（3），分析两个随机变量的边缘分布和对应的概率密度函数，可获取两个随机变量在不同水文情景下的目标概率值：其中，分别表示变量“x”和“y”在情景下最可能值（也称目标概率值）；分别表示“x”和“y”的概率密度函数；表示变量“x”为“k
1”水平的概率；表示变量“y”为“k
2”水平的概率；表示水平“k
1”下变量“x”取值区间的上边界和下边界；分别表示水平“k
2”下变量“y”取值区间的上边界和下边界。
[0065]
更进一步地，模型中不同情景下系统可供水量等参数，可根据该情景下两个水文
变量的最可能值，通过水量平衡方程等方式计算得到；模型中用水户的需水量上下限、供水效益、缺水惩罚系数等相关参数，可通过历史数据统计分析得到。
[0066]
例如，考虑漳河水库年入流量和漳河灌区年降雨量的联合随机不确定性，将漳河灌区水资源在4个非农业用水户（生活、工业、发电、生态）和28个农业用水户（7个子区中的4种主要作物：中稻、油菜、棉花、小麦）间进行优化分配。基于上述公式（2），根据漳河灌区实际情况可构建如下模型，作为智能优化水资源配置装置的目标函数，如:（4）其中，“f”表示系统的供水效益（元）；表示目标地区（本技术实施例中的漳河灌区）“a”内用水户“i”的配水目标（m3），为第一阶段决策变量；表示目标地区“a”内用水户“i”的供水效益（元/m3）；表示情景发生的概率；目标地区“a”内用水户“i”在情景下未满足配水目标的缺水量（m3）；表示用水户“i”的缺灌惩罚系数（元/hm2）；表示分区“m”内作物“n”的灌溉面积目标（hm2），为第一阶段决策变量；表示分区“m”内作物“n”的灌溉效益（元/hm2）；表示分区“m”内作物“n”在水平下未满足灌溉面积目标的缺灌面积（hm2）；表示分区“m”内作物“n”的缺灌惩罚系数（元/hm2）；其他符号表示的意义与公式（2）中一致。需要说明的是，目标函数需满足如下约束条件：
①
可供水量约束：（5）式中，表示水平下漳河水库可供水量（m3）；均可参考上述公式（2）；表示分区“m”在水平
下需要漳河水库供水量（m3）；表示作物“n”在水平下的灌溉定额（m3/hm2）；表示分区“m”在水平下的内部水源可供水量（m3）；表示分区“m”内的灌溉水利用系数；表示漳河水库到分区“m”的渠系水利用系数。
[0067]
②
需水量约束：（6）其中，表示分区“m”内作物“n”的最大需灌面积（hm2）；表示分区“m”内作物“n”的最小需灌面积（hm2）；其他符号表示的意义与上述公式（2）中一致。
[0068]
③
变量约束：（7）其中，本式中符号表示的意义与上述公式（2）中一致。由此，具体模型参数可通过如下方式获取：
①
根据两个随机变量的边缘分布信息及其概率密度函数，基于公式（3）计算各水文情景下的年入流量和年降雨量的最可能取值，结果如下述表2所示：
②
漳河水库可供水量可由每个入流水平下的最可能值，根据漳河水库水量平衡方程计算获得。对每个降雨水平，在历史降雨量序列中选择与该降雨水平下降雨量最接近的实际年份，并将该实际年份的作物灌溉定额作为该降雨水平下的灌溉定额。对每个降雨水平，采用最可能年降雨量通过年径流深
‑
年降雨量回归方程计算得到该降雨水平下的年径流深，进而计算得到各分区内部水源的可供水量。非农业用水户需水量上下限、作物需灌面积上下限等可通过近年数据资料统计获得。
[0069]
最后，服务器200采用人工蜂群智能算法，对输入模型参数的双变量两阶段水量分配模型进行分析求解，即可得到包含配置系数和配置目标的水资源优化配置信息以供使
用，如下表3所示：可见，本技术实施例提供的智能优化水资源配置方法，较之采用确定性方法得到的水资源优化分配方案而言，不仅降低了风险，还对提高水资源利用效率和缓解水资源供需矛盾具有重要现实意义。
[0070]
在一个实施例中，在步骤s204之后，还包括：将水资源优化配置信息发送至目标控制设备，以指示目标控制设备按照水资源优化配置信息实际运行；其中，目标控制设备包括目标水电站水库的控制设备；以及响应于目标控制设备反馈的运行结果为运行成功，重复执行智能优化水资源配置的步骤，以利用新的联合概率更新水资源优化配置信息，并且采用更新后的水资源优化配置信息进行配置，直至配置期结束；响应于目标控制设备反馈的运行结果为运行失败，生成异常报警信息，异常报警信息用于报警提示水资源配置异常待处理。
[0071]
具体实现中，目标控制设备包括目标水电站水库的控制设备，目标控制设备具有通信功能，服务器200可通过广域网、局域网、城域网中的任意一种，将水资源优化配置信息发送至目标控制设备。配置期可以为智能优化水资源配置方法的执行有效期，例如，一周、一个月等；也可以为满足于成功配置次数的配置周期，例如，水资源配置三次成功之后，即确定配置期结束。由此，不仅可以提升水资源配置准确率，还可以确保水事活动的运行可靠性，若存在异常情况也可即使告知运维人员处理，改善水资源配置效率。
[0072]
上述实施例中的智能优化水资源配置方法，服务器通过获取并分析根据需水量关联度确定的目标水文随机变量的历史数据，确定第一随机变量和第二随机变量的差异类型，进而根据差异类型获取各个水文情景待发生的联合概率，最后根据联合概率构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息。本技术提出针对存在关联关系的两个随机变量，构建双变量两阶段水量分配模型，为双重随机不确定性条件下的区域水资源配置提供有效解决途径，不仅能够更加准确对水资源进行合理配置，还加强了整个水资源分配过程的科学性与合理性，对提高水资源利用效率和缓解水资源供需矛盾具有重要现实意义，使得水资源配置的准确率得到提升。
[0073]
为了更好实施本技术实施例提供的智能优化水资源配置方法，在本技术实施例所提智能优化水资源配置方法的基础之上，本技术实施例中还提供一种文本主题提取装置，如图6所示，该智能优化水资源配置装置600包括：数据获取模块610，用于获取目标水文随机变量的历史数据，目标水文随机变量包
括根据需水量关联度确定的第一随机变量和第二随机变量；数据分析模块620，用于分析目标水文随机变量的历史数据，确定第一随机变量和第二随机变量的差异类型；概率获取模块630，用于根据差异类型，获取各个水文情景待发生的联合概率；方案获取模块640，用于根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息。
[0074]
在本技术一些实施例中，概率获取模块630还用于根据差异类型，获取目标水文随机变量的边缘分布信息；根据各边缘分布信息，构建目标水文随机变量的联合分布信息；基于联合分布信息，获取各个水文情景待发生的联合概率。
[0075]
在本技术一些实施例中，概率获取模块630还用于响应于差异类型为第一性质差异，采用水文频率分析方法，获取目标水文随机变量的边缘分布信息；响应于差异类型为第二性质差异，采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息；其中，第一性质差异对应于历史数据不具有变异特征，第二性质差异对应于历史数据具有变异特征。
[0076]
在本技术一些实施例中，概率获取模块630还用于响应于差异类型为第二性质差异，以及预设的非一致性配置条件，调用基于gamlss模型的非一致性概率计算方法；采用非一致性概率计算方法，获取目标水文随机变量的边缘分布信息。
[0077]
在本技术一些实施例中，概率获取模块630还用于基于预设的候选copula函数处理历史数据，得到数据处理结果；根据数据处理结果，确定候选copula函数中的目标copula函数，得到目标copula函数对应的目标copula参数；根据目标copula函数、目标copula参数以及各边缘分布信息，构建目标水文随机变量的联合分布信息。
[0078]
在本技术一些实施例中，概率获取模块630还用于根据边缘分布信息，将各目标水文随机变量的历史数据划分为满足于预设数量的数据取值区间，得到各目标水文随机变量的数值水平等级；根据各目标水文随机变量的数值水平等级，获取待分析的各个水文情景；根据联合分布信息，分析各水文情景的发生概率，得到各个水文情景待发生的联合概率。
[0079]
在本技术一些实施例中，方案获取模块640还用于获取联合概率和预设的约束条件，构建双变量两阶段水量分配模型；分析目标水文随机变量在不同水文情景下的目标概率值，获取双变量两阶段水量分配模型的模型参数；采用人工蜂群智能算法，对输入模型参数的双变量两阶段水量分配模型进行分析求解，得到水资源优化配置信息。
[0080]
上述实施例中，服务器通过获取并分析根据需水量关联度确定的目标水文随机变量的历史数据，确定第一随机变量和第二随机变量的差异类型，进而根据差异类型，获取各个水文情景待发生的联合概率，最后根据联合概率，构建双变量两阶段水量分配模型，以通过双变量两阶段水量分配模型智能优化水资源配置，得到水资源优化配置信息。本技术提出针对存在关联关系的两个随机变量，构建双变量两阶段水量分配模型，为双重随机不确定性条件下的区域水资源配置提供有效解决途径，不仅能够更加准确对水资源进行合理配置，还加强了整个水资源分配过程的科学性与合理性，使得水资源配置的准确率得到提升。
[0081]
在本技术一些实施例中，智能优化水资源配置装置600可以实现为一种计算机程序的形式，计算机程序可在如图7所示的计算机设备上运行。计算机设备的存储器中可存储组成该智能优化水资源配置装置600的各个程序模块，比如，图6所示的数据获取模块610、
数据分析模块620、概率获取模块630以及方案获取模块640。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本技术各个实施例的智能优化水资源配置方法中的步骤。
[0082]
例如，图7所示的计算机设备可以通过如图6所示的智能优化水资源配置装置600中的数据获取模块610执行步骤s201。计算机设备可通过数据分析模块620执行步骤s202。计算机设备可通过概率获取模块630执行步骤s203。计算机设备可通过方案获取模块640执行步骤s204。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的计算机设备通过网络连接通信。该计算机程序被处理器执行时以实现一种智能优化水资源配置方法。
[0083]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0084]
在本技术一些实施例中，提供了一种计算机设备，包括一个或多个处理器；存储器；以及一个或多个应用程序，其中所述一个或多个应用程序被存储于所述存储器中，并配置为由所述处理器执行上述智能优化水资源配置方法的步骤。此处智能优化水资源配置方法的步骤可以是上述各个实施例的智能优化水资源配置方法中的步骤。
[0085]
在本技术一些实施例中，提供了一种计算机可读存储介质，存储有计算机程序，计算机程序被处理器进行加载，使得处理器执行上述智能优化水资源配置方法的步骤。此处智能优化水资源配置方法的步骤可以是上述各个实施例的智能优化水资源配置方法中的步骤。
[0086]
本邻域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器（read
‑
only memory，rom）、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器（random access memory，ram）或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，如静态随机存取存储器（static random access memory，sram）或动态随机存取存储器（dynamic random access memory，dram）等。
[0087]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0088]
以上对本技术实施例所提供的一种智能优化水资源配置方法、装置、计算机设备及存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，
本说明书内容不应理解为对本发明的限制。