适应气候变化的水库管理实践：结合 HEC-Res-Sim 与胶囊神经网络的改进弹簧搜索算法

《Physics and Chemistry of the Earth, Parts A/B/C》：Adapting Reservoir Management Practices to Climate Change: Combining HEC-Res-Sim and Capsule Neural Networks with the Modified Spring Search Algorithm

　　

**气候变化的影响对水库优化的研究**

• 探讨了气候变化对水库优化的影响
• 采用改进的弹簧搜索算法（MSSA）来优化水库运行
• 利用MSSA优化器改善气候变化对水库运行的影响
• 在RCP2.6和RCP8.5情景下评估水库优化运行方案
• 利用HEC-Res-Sim模拟来流模式
• 采用胶囊神经网络模拟水库运行

## 引言

气候变化正导致全球降雨和温度模式发生显著变化[1]。这些变化对水文条件产生了巨大影响，进而波及全球众多问题。其中最明显的后果之一就是洪水事件的频率和严重程度不断上升[2]。随着气候条件的变化，人们已经注意到极端和持续的重度降水期增多，这导致各地洪水频发。这对基础设施、社区和农业系统造成了重大影响。

气候变化可能导致电力供应出现不可预测的波动[3]。气温上升导致对电力的需求增加，尤其是在制冷需求方面。能源基础设施和电力系统受到气候变化的显著影响，导致电力需求增大，如果供应无法满足需求，则可能出现停电。可再生能源的可靠性（如水电和风电）可能因水流波动和不可预测的风力模式而受到影响。这会影响这些能源来源的可靠性和效率，而这些能源对于减少温室气体排放和转向更可持续的能源结构至关重要[4]。需求的上升和可再生能源生产的不稳定性对电力系统的韧性和稳定性构成挑战。气候变化可能打破这种平衡，导致频率偏差、电压不稳定和系统故障。在某些情况下，气候变化可能导致停电和长时间断电，影响生计、产业和社区福祉。提高电网灵活性和韧性、投资储能技术、多元化能源来源以及实施需求侧管理策略都是必要的措施[5]。适应气候变化条件的电力系统变革并拥抱可持续和韧性能源解决方案，有助于我们降低不可预测的电力波动风险，朝着更安全、更可持续的能源未来迈进。

增强电网韧性和灵活性、投资储能技术、拓宽能源来源以及应用需求侧管理方法等措施对于应对这些问题至关重要。使电力系统适应气候变化条件并采用更具韧性和可持续性的能源解决方案，将使我们能够降低不可预测的电力波动风险，并确保更加可持续、可靠的能源未来[6]。

气候变化对水库运行的影响至关重要。水库管理涉及做出复杂的决策，需要在众多因素和约束之间取得平衡，同时应对受气候变化影响的不可确定来流。气候变化对不同区域的影响差异进一步加大了这一难度，凸显了在水库管理中实施适应性策略的必要性。

在复杂的约束网络、决策以及经常相互冲突的目标中导航，是水库运行的关键组成部分。由于来流的不确定性和气候变化的影响，水库管理变得更加困难。尽管气候变化可能对全球水电潜力产生积极影响，但其影响并不均匀分布，许多地区可能面临负面影响[7]。

由于气候变化，水电潜力将逐渐转移，给水库的最优利用带来挑战。采用考虑不确定性的有效优化方法来管理这些水库至关重要。这些方法可以帮助决策者考虑输入不确定性，并制定更具灵活性的规则曲线，以指导水库水位管理。

HEC-ResPRM水文模型是水库管理的一个有益工具[8]。该模型能够模拟水库动力学，并提供有价值的改进见解。通过利用这些模型并结合气候变化预测，水库运营人员可以改善决策过程并制定计划，以减轻可能的负面影响。

在气候背景下进行水库管理需要在蓄水、发电和保持环境可持续性之间进行精心平衡。优化水库运行有助于确保可靠的供水、最大化水电潜力并减少不利影响。以可靠数据和模型为指导的适应性管理计划，对于水库运营人员应对气候变化带来的困难和不确定性至关重要[9]。

目前对气候变化对水电潜力和水力发电可能影响的研究所有限。例如，Chong等人[10]强调了在评估用水需求优化中最高和最低温度因素的重要性。他们采用了支持向量回归仿真模型（SVRS）和多层感知器仿真模型（MLPS）来模拟不同情景下的需求。研究了四种不同的仿真-优化集成模型：SVRS-粒子群优化（SVRS-PSO）、SVRS-萤火虫算法（SVRS-FA）、MLPS-粒子群优化（MLPS-PSO）和MLPS-萤火虫算法（MLPS-FA）。本研究的主要目标是最小化水亏缺。在所有方面，PSO优化模型的表现均优于FA优化模型。在最低温度情景下，MLPS-PSO模型表现最佳，实现了0.6491的可靠度，缺水期持续80个月。相反，在同一情景下，SVRS-PSO模型表现出最低脆弱性，缺水指数为0.0047，总体积亏缺约为2.44百万立方米。

先前的研究通过在不同RCP情景下比较数据挖掘模型、集总模型和分布式模型来研究气候变化对径流的影响，结果普遍表明未来径流将减少，尤其是在RCP8.5情景下[11]。其他研究评估了AOGCM-TAR和AOGCM-AR5预测中的不确定性，表明径流估计因所选气候模型、降尺度方法和水文模型的不同而有很大差异[12]。与水库管理更为密切相关的近期研究，使用基于ANN的来流预测、MODSIM仿真以及水库效率指标，在RCP2.6和RCP8.5下评估了供水系统性能，但未将HEC-Res-Sim、胶囊神经网络和元启发式优化整合到面向水电的水库运行中[13]。

Yoosefdoost等人[14]研究了三种提高水库性能的策略：多目标优化（MOO）、对冲规则（HR）和标准运行政策（SOP）。目标分别是：对于SOP，最小化MAE（释放水的平均绝对误差）；对于HR，最小化LSR（长期缺水率）；对于MOO，提高可靠性和脆弱性。研究在两个时期（1985–2005年和2025–2045年）进行。帝国企鹅优化（EPO）算法与基因表达式规划（GEP）结合，对SOP和HR政策进行了修改。多目标EPO（MPOEPO）和利用三角函数的GEP被用于开发多目标策略公式。结果表明，应用逻辑运算符（EPOad）和HR后，水库大坝的性能指标有所提高，特别是在与SOP相比预测未来气候变化方面。

近期研究越来越多地将优化算法应用于气候变化条件下的水资源系统。例如，Pourali Dougaheh等人[15]开发了一个基于MOHHO的框架并结合SWMM，在气候变化条件下有效优化了低影响开发（LID）的布局。另一项研究[16]提出了一种仿真-优化水库模型，成功平衡了水质和水量的目标。文献[17]中，将MPA应用于水库运行，在气候变化条件下满足下游需求方面优于GA。文献[18]中，FA-KNN在水库运行中降低了仿真负担，同时在基线情景和气候情景下保持了可接受的正确性。MOIWOA改善了联合水资源分配，在预测的气候情景下提高了可靠性和韧性，如文献[19]所述。文献[20]中，MOFA-KNN显著加速了水库优化，并为水质管理应用保留了准确的权衡方案。此外，文献[21]中，将WEAP与IWOA结合以优化联合用水，在气候变化下提高了配置可靠性。文献[22]中，GOA在气候变化条件下优化了水电站水库，在未来时期其表现普遍与PSO持平或超越。

Lai等人[23]采用仿真-启发式方法，利用CMIP5气候情景改善了KLang Gate水坝的运行规则曲线，以评估未来气候变化对水库水资源的影响。这涉及在CMIP5下选择特定的通用环流模型（GCMs）来研究这些影响，目标是改进依赖单一GCM的先前研究。这些全球气候模型（GCMs）经过降尺度处理，并使用人工神经网络（ANN）和支持向量回归（SVR）进行测试。SVR（多项式函数）在基期（1991–2005年）的最高温度、最低温度、平均温度和降水方面分别达到0.6073、0.5743、0.6926和0.6201的性能值。第一个情景使用1991–2005年的基期来确定用水需求。第二个和第三个情景基于2020–2099年的最高温度和平均温度。情景3在满足精确需求方面表现出最高的可靠度为93.54%，同时在RCP4.5下具有最低的缺水指数和缺水持续时间。

多项研究调查了不同排放情景下气候变化对水资源和水库管理的影响。Moghadam等人[24]使用SWAT分析了径流参数的敏感性，报告在未来时期RCP2.6和RCP8.5情景下年径流平均减少高达84%，突出了在来流预测中考虑不确定性的重要性。在一项相关研究中，Ashofteh等人[25]在RCP2.6和RCP8.5情景下使用GMS和WEAP开发了集成的地下水-地表水模型，发现在悲观情景下所有用水部门的缺水显著增加，强调了需要适应性水资源分配策略。他们进一步使用贝叶斯方法评估了气候变化对地下水水位预测的不确定性，表明不同的AOGCMs产生了不同的降水预测，进而导致模拟地下水水位的显著差异[26]。从水库管理角度来看，Golfam等人[27]在水-气候-农业关联框架内建模了适应政策，表明在气候变化条件下实施优化的水库放水策略将时间可靠度指数从28%提高到85%。尽管这些研究对理解气候变化对水文系统的影响有所贡献，但其中大多数仅关注单个组成部分（如径流预测或地下水建模），或专注于农业用水分配，而未将水库仿真、来流预测和优化整合到统一的框架中[28]。除了水库和地下水系统之外，Pourali Dougaheh等人还模拟了在RCP2.6、RCP4.5和RCP8.5下使用低影响开发措施进行城市暴雨管理，结果表明LID措施将洪水水量减少了多达27%，进一步证实了气候变化广泛的hydrological影响[29]。

Dabra等人[30]介绍了Ravishankar Sagar水库在季风季节的运营策略优化方法。采用NSGA II、GA、NSGA III和Eps MOEA等元启发式算法来优化性能指标，目标是在各种约束条件下最大化水库蓄水。对所有算法进行了敏感性分析，以提高不同的评估参数。对数据进行了分析，以评估软计算算法在解决实际问题的有效性。分析结果显示，NSGA III和Eps MOEA算法的标准差分别为351.93、359.52、361.09和349.68，中位数分别为525.36、512.5、433.79和568.96。所有算法表现良好且接近，其中Eps MOEA标准差最小，蓄水效率最高。

Ehteram等人[31]旨在改善放水量以在2039年之前实现最佳水电生产。它在气候变化模型框架内使用了自适应和非自适应规则曲线以及优化算法来优化电力生产。此外，它还通过加权方法利用RCP 8.5情景下的七个气候变化模型来确定最合适的模型。结果表明，未来气温可能上升26%，降水量可能下降3%。采用蝙蝠算法来解决水资源管理中的优化问题。研究确定，由于水库来流减少，水力发电可能面临下降。然而，实施自适应规则曲线可以增强气候变化下的水力发电。

采用自适应规则曲线使得未来期间的体积可靠性提高，脆弱性指数降低。尽管已有几项研究考察了气候变化对水资源和水库性能的影响，但对气候变化对水电潜力和水力发电量影响的研究仅局限于有限范围。现有研究主要关注模拟、预测或优化等单个组成部分，而不是连接这些要素以实现气候适应性水库运行的综合框架。为填补这一空白，本研究结合 HEC-Res-Sim、胶囊神经网络和改良弹跳算法，分析了未来气候情景下的水库行为并优化了运行策略。这种综合方法为气候不确定性下的适应性水库管理和水电规划提供了更全面的基础。气候变化对水资源管理提出了重大挑战，特别是在用于灌溉、水电生产和防洪等不同用途的水库管理方面。本研究的灵感来源于理解气候变化条件对水库运行潜在影响的必要性，并建立适应性策略以确保其高效和长期使用。通过整合优化算法和机器学习技术，为政策制定者和水库管理者提供了一个综合框架，使其能够在不断变化的气候条件下做出明智的决策。本研究涉及改良弹跳算法，以考虑不同的气候变化情景改进水库运行规则。MSSA 包含自适应机制，以提高其探索和开发能力，并增强水库运行模拟的准确性和效率。本研究介绍了一种使用历史气候数据预测未来流入模式的 CNN 模型。本研究进行了全面调查，通过检查不同情景（如温度变化、降水模式和极端天气事件的发生）来评估气候变化对水库运行的可能影响。这项检查揭示了多种结果，并有助于确定针对气候变化条件的水库运行适应性策略。通过利用 MSSA，本研究制定并评估了能够动态适应气候变化条件的水库运行适应性策略。这些策略旨在增强多个目标，如确保可靠的供水、发电和防洪，以确保水资源的有效和可持续利用。本研究的结果对水库的管理方式和政策制定有重要影响，并为水库运营商、利益相关者和政策制定者提供了改进水库系统可持续性和适应性的实用建议，以应对气候变化背景。这包括调整运行程序，创建风险评估框架，并制定策略将气候变化考虑因素纳入水库管理计划。尽管关于气候变化对水文系统影响的研究日益增多，但对于同时模拟水库行为、表征复杂的流入 - 响应关系并在未来气候不确定性下优化运行决策的综合框架，关注尚有限。本研究通过结合 HEC-Res-Sim、胶囊神经网络和改良弹跳算法来填补这一空白，以评估 RCP2.6 和 RCP8.5 情景下的适应性水库运行。本工作的主要贡献是开发了一种基于气候信息和优化的水库管理框架，以支持在不断变化的环境条件下改善蓄水调节和水电性能。本研究的主要创新在于将 HEC-Res-Sim、胶囊神经网络和改良弹跳算法整合到单一框架中，用于气候适应性水库运行。这种综合方法能够在 RCP2.6 和 RCP8.5 情景下同时评估未来流入变化、水库响应和运行优化。通过这种方式，本研究超越了传统的单方法分析，为在气候变化下改善水库蓄水管理和水电性能提供了更稳健和适应性的策略。

章节片段
案例研究地点
龙滩大坝位于中国广西壮族自治区的红水河上。它位于该国南部，大约在香港西北 450 英里处。这座由碾压混凝土（RCC）建造的大坝建于红水河上，红水河是西江河和珠江的支流。在全球范围内，龙滩大坝被誉为最高的碾压混凝土（RCC）重力坝，高度为 216.2 米。它长 849 米，并且实现了
未来气候条件
本节已对水库和电力生产条件下的两个主要且有影响力的变量进行了评估。图 (2) 展示了在 RCP2.6 和 RCP8.5 情景下每月预期的温度和降水变化。RCP2.6 描绘了更积极的展望，即温室气体排放达到峰值随后减少，而 RCP8.5 描绘了业务如常的情景，排放持续上升。
温度
结论
本研究调查了气候变化如何影响水库进水以及管理水库以提高发电的最佳策略。为了模拟进水并确定最佳运行方法，本研究使用了 HEC-Res-Sim 模型和胶囊神经网络（CNN）模型。分析集中在两个气候变化情景上，即 RCP 2.6 和 RCP 8.5，以及历史气候数据。结果表明存在显著变化
CRediT 作者贡献声明
Jiongchen Kou：验证、监督、软件、方法论、正式分析、数据管理、概念化。Shujie Yang：写作 – 审查与编辑、监督、软件、资源、方法论、正式分析。fatemeh gholinia：写作 – 原始草稿、软件、资源、正式分析、数据管理。Yicheng Yu：写作 – 审查与编辑、方法论、调查、正式分析、数据管理、概念化
资金
吉林省高等教育教改项目“‘新工科’建设背景下地方高校地理信息科学专业协同驱动创新人才培养模式研究与实践”(20224BR01C500HE)
利益冲突声明
作者声明他们没有已知的相互竞争的财务利益或个人关系，这些关系可能会影响本文报告的工作。
Yicheng Yu|Shujie Yang|Jiongchen Kou|Fatemeh Gholinia