通过使用人工神经网络（ANN）、随机搜索法（RSM）和多准则决策法（MCDM）进行环境流量调节来优化径流式小型水电站的运行：以印度尼西亚为例

《Sustainable Computing: Informatics and Systems》：Optimizing run-of-river small hydropower plants through environmental flow regulation using ANN, RSM, and MCDM: a case study in Indonesia

小水电生态优化框架研究：通过人工神经网络和TOPSIS分析评估十种生态流量方法，发现EFM7在生态与发电间实现最佳平衡，支持可持续发展目标。

　　

安德烈·普拉塞蒂亚（Andre Prasetya）|阿赫玛德·里亚迪（Achmad Riadi）|迪马斯·安加·法赫里·穆兹霍法尔（Dimas Angga Fakhri Muzhoffar）|阿克巴尔·维巴瓦·穆罕默德（Akbar Wibawa Muhammad）

印度尼西亚大学机械工程系，德波克16424

摘要

径流式小型水电站（Run-of-River Small Hydropower Plants, RoR SHPs）能够提供可持续的电力，但可能会通过改变河流流量模式来威胁河流生态系统。本研究开发了一个灵活的框架，以优化径流式小型水电站的运营，实现能源生产与生态保护的平衡。研究了十种环境流量方法（Environmental Flow Methods, EFM），并使用了人工神经网络（Artificial Neural Networks, ANN）、响应面方法（Response Surface Methodology, RSM）以及结合熵权重法（Entropy Weight Method）和TOPSIS的多标准决策分析（Multi-Criteria Decision-Making, MCDM）框架进行评估。人工神经网络取得了最佳准确性（R2 = 0.9602；MAPE = 5.12%），优于响应面方法（R2 = 0.9466；MAPE = 6.02%）和基于主成分分析（PCA）的回归基准方法（R2 = 0.9453；MAPE = 6.03%）。在各种方案中，EFM7——根据最低年流量分配0.9立方米/秒的最小流量——在TOPSIS评估中得分最高（人工神经网络为0.7650；响应面方法为0.7825），实现了生态流量与电力生产之间的有效平衡（人工神经网络产生294千瓦电力；响应面方法产生305千瓦电力）。该框架的创新之处在于将高分辨率水文数据、先进的预测建模和结构化决策分析整合到一个统一的平台上，这在小型水电站研究中较为罕见。研究结果为可持续的小型水电站运营提供了可复制的策略，有助于实现可再生能源转型以及联合国可持续发展目标7、13和14。未来的工作应加入生态指标、更长期的数据集，并与光伏发电和储能技术相结合，以提高系统的韧性。

引言

向可持续能源系统转型的紧迫性日益增加，这源于满足不断增长的全球电力需求和减轻对化石燃料依赖所带来的环境影响的双重挑战[50]。随着气候变化的影响（如极端天气事件和生物多样性丧失）日益明显，世界各国都在加大力度推动电力部门的脱碳[15]。在这一全球转型过程中，可再生能源被视为确保长期能源安全和环境可持续性的关键[4]。这种全球能源转型的趋势凸显了同时优化水力发电运营以支持脱碳和生态可持续性目标的紧迫性。

由于技术成熟度、可靠性和储能能力，水力发电仍然是可再生能源组合中的关键组成部分。现有的大坝基础设施也为支持农村社区和可持续能源转型提供了小型发电的机会[5,22]。在各种形式的水力发电方式中，径流式小型水电站（Run-of-River Small Hydropower Plants, RoR SHPs）作为分散式能源解决方案尤为突出，特别是在山区和电网未覆盖的地区，它们在提供稳定电力的同时，最大限度地减少了大型水力发电项目通常带来的社会和环境干扰[33]。径流式小型水电站具有较小的环境足迹，相对较低的资本和运营要求，为农村电气化和电网稳定性提供了有效的解决方案，同时支持更广泛的可持续性和能源转型目标[27]。然而，这些系统的运行方式可能会破坏河流生态系统——尤其是在干旱季节——通过减少下游流量、改变沉积物输送和破坏水生栖息地[23]。在某些情况下，低水头水电站可能会对其能源产出产生不成比例的生态破坏，尤其是当当地的鱼类群落已经受损时[51]。在特定运行条件下，低影响水力发电技术被认为具有较低的生态风险，特别是当这些技术旨在保持自然流量特征并减少水力干扰时[41]。

为了减轻这些影响，提出了“环境流量”概念——即维持生态系统服务所需的水量、时间和水质[11]——以确保河流的生态完整性。虽然已经开发了几种环境流量方法（EFMs），但在缺乏结构化、客观的比较框架的情况下，选择最适合特定小型水电站的方法仍然具有挑战性。在最近的一些小型水电站优化研究中，流量需求的确定并未基于明确的生态保护原则，导致流量分配可能存在偏见，不足以保护河流生态系统[29,31]，或者仅使用一种环境流量方法来评估生态效益和能源产量，这限制了分析的全面性和结论的可靠性[9,30,35,52]。其他研究虽然考虑了多种环境流量方法，但未采用系统的选择框架，许多情况下仍使用纯粹的分析方法进行能源产量评估，这可能简化了非线性的运行动态，导致估计结果不够准确[2,3,26,34]。作者之前的研究[40]仅使用了四种环境流量方法进行评估，但没有与更简单的统计方法进行对比，也没有应用系统的决策支持框架。为了弥补这些局限性，本研究扩大了分析范围，通过结合环境流量评估、预测建模和结构化的多标准决策分析，提出了一个更全面的方法。

本研究通过提出一个新颖的集成优化框架来填补这一空白，该框架结合了环境流量评估、预测建模和多标准决策分析，以支持生态可持续的小型水电站运营。该框架评估了十种环境流量方法，并使用人工神经网络（ANN）和响应面方法（RSM）模拟电力输出，捕捉了进水配置与能源生产之间的非线性关系。同时引入了基于主成分分析（PCA）的回归模型进行基准测试，并采用熵权重-TOPSIS（Entropy Weight-TOPSIS）方法根据生态和能源性能客观地对各种方法进行排序。

本研究的关键创新在于将人工神经网络-响应面（ANN-RSM）建模与基于多标准决策分析（MCDM）的环境流量评估方法相结合，这种方法在小型水电站研究中并不常见。所提出的灵活框架通过将统计分析、基于水文的流量调节和机器学习整合到一个统一平台上，代表了方法论上的重大进步。这种整合为分析生态需求与能源效益之间的权衡提供了新的途径，特别是在数据稀缺地区的新兴小型水电站发展中。

数据收集与预处理

本研究使用了印度尼西亚一座2×350千瓦径流式小型水电站2023年的资产和运营数据。该电站配备了一个Ogee型堰闸，通过一条宽2米、长1990米的渠道和一条长50米的压力管道引水，利用41.12米的水头驱动两台水平轴弗朗西斯涡轮机，每台涡轮机需要1.1立方米/秒的流量。图1显示了水流通过涡轮机后的情况以及通过尾水渠回流的过程，而多余的流量则从堰闸溢出。然而，在流量较低时期，

在环境流量方法约束下评估运营调整

本研究应用了十种环境流量方法（EFMs），这些方法遵循印度尼西亚政府第38/2011号法规，以支持河流生态可持续性。每种环境流量方法根据不同的最小流量计算方法定义了特定的环境流量幅度。为了满足这些要求，堰闸处的水面高度必须保持在规定的水平。表2列出了所需的环境流量及其对应的高度。当实际流量（Q?）低于EFM流量时，需要根据相关公式进行调整

结论

本研究提出了一个集成且灵活的框架，通过实施环境流量方法（EFMs）来优化径流式小型水电站的运营，实现能源生产与生态保护的平衡。研究评估了十种环境流量方法，使用了人工神经网络（ANN）、响应面方法（RSM）和熵权重-TOPSIS（Entropy Weight-TOPSIS）分析。在测试的方案中，EFM7被证明是最平衡的策略，确保了至少0.9立方米/秒的最小流量——对应于最低的年流量

CRediT作者贡献声明

安德烈·普拉塞蒂亚（Andre Prasetya）：撰写——初稿编写、可视化、验证、监督、软件开发、方法论设计、调查、数据分析、数据整理、概念构思。阿赫玛德·里亚迪（Achmad Riadi）：撰写——审阅与编辑、可视化、验证、软件开发、方法论设计、数据分析、数据整理、概念构思。迪马斯·安加·法赫里·穆兹霍法尔（Dimas Angga Fakhri Muzhoffar）：撰写——审阅与编辑、可视化、验证、方法论设计、数据分析、数据整理、概念构思。阿克巴尔·维巴瓦·穆罕默德（Akbar Wibawa Muhammad）：撰写——

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文所述的工作。