《Hydrology》：Multi-Objective Optimal Gate Control and Hydropower Scheduling of Haditha Dam Using the Improved Harris Hawks Multi-Objective (IMOHHO) Algorithm with Long Short-Term Memory (LSTM)
编辑推荐：
有效的水资源管理需要对大坝入流、降雨和实际电力需求进行准确预测。本文提出了一种基于改进哈里斯鹰多目标算法（Improved Harris Hawks Multi-Objective, IMOHHO）与长短期记忆网络（Long Short-Term Memory
有效的水资源管理需要对大坝入流、降雨和实际电力需求进行准确预测。本文提出了一种基于改进哈里斯鹰多目标算法（Improved Harris Hawks Multi-Objective, IMOHHO）与长短期记忆网络（Long Short-Term Memory, LSTM）的哈迪塞大坝（Haditha Dam）闸门智能控制框架。该研究旨在开发一种闸门运行调度框架，以在最大化水力发电、维持库容接近目标值、减少弃水以及优化闸门运行之间取得平衡，从而确保大坝水库维持147米的最低净水头。所提出的模型应用于哈迪塞大坝，采用运行闸门和48步时间跨度（时间间隔为30分钟，可根据需要调整）。在IMOHHO-LSTM算法中，每个筛选后的解代表运行期间六个闸门开度的集成时间线；该算法基于非支配解概念，利用帕累托（Pareto）界面建立最优解档案，以在不同运行目标之间实现平衡。最终结果表明，所提出的算法能够确保大坝的高效运行，总发电量达到MWh，平均输出功率为MW。最大容量达到660 MW，这代表了现代大坝的最大设计容量。此外，该模型将库容维持在2199至2206 Mm3的极窄范围内，围绕目标库容值2200 Mm3波动。这证实了IMOHHO-LSTM算法在平衡能源生产与维持大坝水库水位运行要求方面的有效性。
一、研究背景与问题提出
全球向现代数字化能源系统的转型，对智能能源与水资源管理策略提出了迫切需求。水电约占全球电力消费的相当比例，且随着需求增长、住房需求增加以及缓解气候变化影响的绿化空间需求扩大，这一比例持续上升。在中东地区，季节性水资源从雨季向干旱夏季的过渡，恰逢制冷高能耗与生活及农业高用水需求时期，使得能源与水资源供需平衡面临严峻挑战。在具有配电控制、老旧控制和有限容量基础设施的地区，住宅能源与水资源需求管理的挑战愈发突出。间歇性降雨、高温和恶劣气候等自然条件进一步加剧了这些约束，亟需采用先进的控制策略，在维持水储备稳定性的同时，实时改善能源与水流的调度效率。
传统的基于预定规则（推理）和阈值决策准则的闸门调度方法虽简单且可解释性强，但在动态和不确定环境中存在根本性局限：规则型控制器通常以交互方式运行，仅对当前系统状态作出响应，无法预判未来条件或从历史模式中学习，导致决策不完善，尤其在闸门开度随时间变化、发电功率波动和负荷模式欠考虑等场景中表现不佳。基于优化的方法则需要精确的热力学数学模型，且实时求解大规模优化问题的计算复杂度高，泛化能力有限。机器学习与人工智能技术为克服传统方法的诸多缺陷提供了可能，其中监督学习方法中的循环神经网络（RNN）和长短期记忆网络（LSTM）尤为突出。然而，现有大多数方法将预测与控制视为独立任务，缺乏统一决策框架下的集成。为此，本研究提出基于IMOHHO-LSTM模型的智能能源管理框架，以解决现有研究空白。
二、研究内容与主要技术方法
研究人员以伊拉克安巴尔省幼发拉底河上的哈迪塞大坝为案例研究对象，该大坝配备六台卡普兰（Kaplan）水轮机，总设计容量660 MW。研究收集了2022至2024年间至少两年半的15分钟间隔实测数据，涵盖大气压力、气温、风速、相对湿度、历史大坝入流、上游水位、放水率、净水头、发电量及下游水位等变量，按70%训练、15%验证、15%测试划分。研究采用的主要技术方法包括：（1）LSTM网络用于时间序列预测，通过HHO算法自动调优学习率、隐藏单元数、批大小、中断率和LSTM层数等超参数；（2）哈里斯鹰优化算法（HHO）模拟哈里斯鹰集体捕猎行为，通过探索与开发两阶段及四种围捕策略进行全局寻优；（3）改进的多目标哈里斯鹰算法（IMOHHO）引入外部帕累托档案及拥挤距离剪枝、基于稀疏档案区域的概率领导者选择、约束感知修复算子三项改进；（4）水力模拟模型整合闸门泄流模型、水库模型、水头模型和水轮机模型，以水均衡方程为基础进行仿真评估。
三、研究结果
3.1 大坝闸门运行分析
图8显示了IMOHHO-LSTM算法确定的最优运行期间六个闸门的开度率。结果表明，算法并未依赖所有闸门均等开启，而是在六个闸门之间不规则地分配开度百分比，表明优化过程不仅旨在增加泄流量，还在于确定最大化运行效率的最优泄流分配。部分闸门以相对较高的开度运行，其余闸门保持低或中开度，这是因为模拟模型考虑了总泄流限制、库容水平、水轮机设计容量和闸门运行等所有运行约束。相邻时段间的变化相对平缓，表明第四个目标（控制闸门运动）取得成功，减少了闸门系统的机械应力并延长设备使用寿命。
3.2 大坝水库库容水平
目标库容值设定为2200 Mm3。图9显示，整个运行期间库容保持在2199至2206 Mm3范围内，总变化量不超过约7.54 Mm3，相对于水库运行容量而言变化极小。库容曲线无急剧波动或突然下降，而是围绕目标库容水平呈平滑渐进路径，表明控制系统能够在入流决策和闸门操作持续波动的情况下维持水库近稳定状态，第二个目标得以实现。
3.3 水电站发电量
图10显示，电站平均输出功率接近设计容量，最大功率达到660 MW，相当于水电站最大设计容量。总发电量在单日运行周期内达到较高值，容量利用系数经计算表明电站平均以设计容量的一定比例运行。功率输出曲线未始终维持在660 MW最大值，这反映算法并非以持续满负荷运行为目标，而是在遵守泄流限制的同时避免不必要的弃水。平均输出功率与电站设计容量高度吻合，验证了IMOHHO-LSTM算法在维持稳定水轮机运行、减少发电大幅波动方面的能力。
3.4 帕累托前沿分析
图11和图12展示了优化过程产生的三维帕累托前沿。算法成功生成了多样化的非支配解而非收敛于单一解，每个解代表一种独特的运行策略，在能源生产、库容保持、最小化弃水、最小化闸门开度波动和最小化容量缺额之间实现特定平衡。帕累托前沿一端解实现较高能源生产水平但伴随泄流或库容漂移增加，另一端解提供更大水库稳定性但能源生产略有下降，体现了多目标优化中固有的权衡关系。算法通过拥挤距离准则维持解沿前沿的扩散，防止解在特定区域聚集，为决策者提供了根据水文条件或电网需求选择运行策略的灵活性。
四、讨论与结论
讨论部分指出，本研究的主要目标并非单纯最大化水电发电量，而是设计能够在水资源工程多目标水库管理中实现冲突目标可持续平衡的智能运行系统。与传统依赖固定规则曲线的运行方法不同，所提出的框架根据水力系统实际状态（包括入流、库容水平、净水头和电力需求以及水轮机和闸门的运行限制）动态更新闸门开度决策。研究同时承认当前局限：IMOHHO尚未与NSGA-II或MOPSO等成熟多目标优化算法在闸门调度问题上进行直接对比测试，现有GA、WOA与HHO的比较仅涉及对LSTM预测精度的影响，不应解读为多目标优化性能的对比评估。未来工作将在相同问题公式和相似评估预算下进行严格对比，采用适当的收敛性、多样性和计算成本指标进行评估。
结论部分总结：本文通过分析闸门运行、库容行为和发电量以及多目标优化产生的非支配解，对基于IMOHHO-LSTM算法的框架在优化哈迪塞大坝运行中的性能进行了全面评估。帕累托前沿表明所提模型成功生成了多样化的非支配解，为决策者根据水文条件或电网需求选择适当运行策略提供了极大灵活性。综合分析表明，将水力模型与IMOHHO-LSTM算法集成改善了库容、水头、泄流和发电之间相互关系的管理，凸显了该框架应对多目标运行挑战的效率。所提模型在现代大坝运行中具有广阔的实际应用潜力，可进一步与实时监测系统和智能大坝系统集成，或扩展至多水库系统管理，为后续发展奠定基础。
