结合机器学习与多目标优化的水库生态调度：缓解过饱和总溶解气体（TDG）影响与提升发电效益

本文提出一种融合机器学习（XGBoost算法）与多目标优化（NSGA-II算法）的水库调度框架，旨在精准预测过饱和总溶解气体（TDG）水平并优化泄洪过程，实现在保障满负荷发电的同时显著降低TDG生态风险（暴露时间短于鱼类半数致死时间），为水坝的生态友好型运行提供可解释、高效率的决策支持。

　　

Highlights

模型参数选择与TDG水平预测

本研究建立了多种机器学习模型用于预测过饱和TDG水平，并采用遗传算法（GA）优化超参数以提升预测性能。在众多模型中，经GA优化的XGBoost模型（GA-XGBoost）表现最为出色，预测精度最高。因此，最终选择GA-XGBoost模型进行TDG水平预测。GA的参数设置及GA-XGBoost的超参数配置详见表3。该模型在测试集上表现出优异的性能，其平均绝对误差（MAE）低至1.3923，均方误差（MSE）为3.4899，而决定系数（R2）高达0.8845，显著优于其他对比模型。

为深入探究模型的内在机制和输入特征的贡献度，我们采用了SHapley Additive exPlanations（SHAP）分析方法。SHAP分析揭示，总流量是影响XGBoost模型预测过饱和TDG水平的最关键因子，其平均SHAP值高达0.093；其次是泄洪流量，平均SHAP值为0.033。这些发现清晰地量化了不同操作和环境变量对TDG饱和度的影响程度，极大地增强了模型的可解释性，为后续的调度优化提供了明确的目标调整参数。

单目标生态调度优化

为严谨评估本研究开发的多目标优化框架在生态调度中的有效性与鲁棒性，我们进一步实施了具有不同优先权重的单目标优化情景分析，包括生态优先（权重0-1）、生态与发电平衡（权重0.5-0.5）以及发电优先（权重1-0）三种方案。

采用0-1标准方法（生态优先方案）的优化结果如图12所示。该方案能显著降低过饱和TDG水平，但其代价是发电量的大幅牺牲。相比之下，多目标优化方法（NSGA-II）展现出了其卓越的协同优化能力。它成功找到了帕累托最优解集，能够在最大限度地提升发电效益的同时，将过饱和TDG水平控制在125%以下，且高浓度暴露持续时间仅持续8小时。这一持续时间短于目标鱼类的半数致死时间（LT₅₀），显著降低了生态风险。此外，优化方案还实现了满负荷发电，凸显了水库调度中生态效益与经济效益的协同增强。

Conclusion

本研究开发了GA-XGBoost机器学习模型用于预测过饱和TDG水平，并将其与NSGA-II方法相结合，以优化大坝泄洪操作，最终实现发电量最大化与过饱和TDG水平最小化的双重目标。GA-XGBoost模型相较于传统方法展现出更高的预测精度和稳定性，而NSGA-II则有效解决了多目标间的冲突，具有重要的理论与现实意义。