基于因果特征与物理机制耦合的梯级水库多目标调度规则提取框架研究

为解决梯级水库调度中深度学习模型输入特征维度高、物理可解释性差的问题，研究人员提出了一种融合因果特征筛选(CCM)和物理约束损失函数(BO-MHSAM-BiLSTM)的规则提取框架。该研究应用于雅砻江中下游梯级水库，使年发电量较设计值增加33.87亿千瓦时，Nash效率系数(NSE)达0.81-0.96，水均衡指数(WBI)接近1.00。该成果为复杂水库系统的智能调度提供了新范式。

　　

在全球能源转型背景下，水电作为清洁可再生能源的核心组成部分，其高效调度关乎国家能源安全与可持续发展。中国拥有全球15%的水电装机容量（694 GW），而梯级水库的协同优化运行能显著提升水电效益。然而，当前基于深度学习的调度规则提取面临两大瓶颈：一是高维输入特征导致"维度灾难"，传统降维方法如Pearson相关系数和主成分分析(PCA)仅能捕捉变量相关性而忽视因果性；二是模型"黑箱"特性使其缺乏物理机制约束，可能产生违背水库运行原理的调度方案。

针对这些挑战，中国某研究机构团队在《Journal of Hydrology: Regional Studies》发表研究，提出创新性的规则提取框架。研究人员首先采用带差分进化的非支配排序遗传算法(NSGA-III-DE)和组合权重多属性决策(CW-MADM)生成最优调度方案作为训练样本，进而构建融合多头自注意力机制(MHSAM)和贝叶斯优化(BO)的双向长短期记忆网络(BiLSTM)基准模型。关键创新在于：通过收敛交叉映射(CCM)算法量化特征与决策变量的因果强度，筛选关键因果特征；将水库水量平衡、泄流边界、库容约束等物理机制嵌入损失函数，增强规则物理合理性。

研究选取雅砻江中下游三大控制性水库——两河口(LHK)、锦屏一级(JP-I)和二滩(ET)作为案例，这些水库分别具有多年、年、季调节性能。技术路线包含四个关键环节：(1)采用NSGA-III-DE求解以总出力最大化(MTO)、最小下泄流量最大化(MMD)和时段最小出力最大化(MMO)为目标的优化模型；(2)应用CCM算法分析12维候选特征（包括当前及前期入库流量、水位、出库流量）与决策变量的因果强度；(3)构建BO-MHSAM-BiLSTM模型，其超参数如学习率(0.0020-0.0088)、L2正则项(0.00006-0.00179)通过贝叶斯优化确定；(4)设计包含数据拟合损失、水量平衡损失(_lossbalance)、泄流约束损失(_lossoutflow)和库容约束损失(_losscapacity)的复合损失函数，权重系数通过试错法优化。

研究结果展现出多维度创新价值：

1. 优化调度效益：联合调度使梯级年均发电量达477.85亿千瓦时，较设计值增长6.94%。其中LHK通过牺牲部分发电量（-9.68亿千瓦时）提升下游JP-I和ET发电效率（分别+20.47亿、+20.24亿千瓦时），体现"龙头水库"的调节优势。
2. 因果特征筛选：CCM分析揭示LHK出库流量因果强度整体较低（仅LHK_O(t-1)>0.8），而JP-I和ET的因果关联更强，这与梯级调度物理机制高度吻合。采用CRS>0.6的特征作为输入时，模型NSE提升至0.79-0.95，Kling-Gupta效率系数(KGE)达0.88-0.93。
3. 物理约束增强：耦合物理机制的模型使WBI严格趋近1.00，解决了传统数据驱动模型水量不平衡的问题。对比实验显示，纯数据驱动策略1（全特征无约束）的WBI为1.08，而策略4（因果特征+物理约束）将其优化至1.00，且NSE进一步提高到0.81-0.96。

在讨论部分，作者指出两方面的研究局限：一是当前框架将入库流量视为确定值，未考虑水文预报不确定性；二是缺乏对区间预报与规则提取的融合研究。这些为未来研究指明了方向，包括引入蒙特卡洛模拟等不确定性分析方法，以及开发概率性调度规则提取框架。

该研究的科学价值在于：首次将因果推理与物理机制约束系统性地引入水库调度规则提取，突破了传统数据驱动模型的解释性瓶颈。实践层面，所提框架可直接应用于雅砻江等大型水电基地的智能调度系统，为实现"双碳"目标下的清洁能源高效利用提供技术支撑。方法论层面的创新——特别是CCM因果量化与物理约束损失函数的构建——对气象预报、生态流量管理等其他环境系统建模也具有普适参考价值。