水文化论文范例(3篇)
水文化论文范文篇1
1.1材料
1.1.1实验装置膜生物反应器(MBR)处理水产养殖废水的工艺流程如图1所示。反应主体为圆柱形有机玻璃容器，有效体积为70L。膜组件为杭州捷滤膜分离技术有限公司生产的聚偏氟乙烯（PVDF）+特种纳米材料材质的中空纤维膜，截留孔径为0.1μm，中空纤维内径为0.9mm，中空纤维外径为1.5mm，膜面积为2m2，出水方式为负压抽吸。正常运行时反应器采用间歇运行，每隔6h抽2h水。出水时间和停抽时间8min和2min。水力停留时间为8h。
1.1.2培养基（1）牛肉膏蛋白胨硝酸盐固体培养基：5g牛肉浸膏，10g蛋白胨，1gKNO3，20g琼脂，1000mL自来水，pH7.2～7.4。（2）硝酸盐葡萄糖反硝化培养基：5g葡萄糖，2gKNO3，1gK2HPO4，1gKH2PO4，0.20gMgSO4•7H2O，1000mL蒸馏水，pH7.2～7.5。（3）DM培养基：4.70g琥珀酸，7.90gNa2HPO4•7H2O，1.00gKNO3，1.50gKH2PO4，0.30gNH4Cl，0.10gMgSO4•7H2O，2mL微量元素溶液。微量元素溶液：50gEDTA，2.20gZnSO4，5.06gMnC12•4H2O，5.50gCaC12，5gFeSO4•7H2O，1.10g（NH4）6Mo7O24•4H2O，1.61gCoC12•6H2O，1.57gCuSO4•5H2O，1000mL蒸馏水，pH7.0。
1.1.3检测试剂（1）格里斯试剂（GriessReagent）Ⅰ和Ⅱ：试剂Ⅰ：将0.5g的对氨基苯磺酸（SulfanilicAcid）加到150mL的30%稀醋酸溶液中，保存于棕色瓶中。试剂Ⅱ：将0.5gα-萘胺（α-naphthylamine）加到50mL蒸馏水中，煮沸后，缓慢加入150mL的20%稀醋酸溶液中，保存于棕色瓶中。（2）二苯胺试剂：溶1.0g无色的二苯胺（Diphenylamine）于20mL蒸馏水中，然后徐徐加入100mL浓硫酸（相对密度1.84）中，保存于棕色瓶中。
1.2实验方法
1.2.1活性污泥的培养驯化实验所用的污泥为哈尔滨市文昌污水处理厂间歇曝气池的活性污泥，其MLVSS/MLSS为45%，SV为34%，MLSS为5296mg/L。在活性污泥中好氧反硝化菌的富集驯化是通过MBR装置驯化上述活性污泥。操作过程为瞬时进水（水产养殖废水添加营养液配制而成）、曝气、出水。曝气期间，监测DO的浓度，保持DO浓度在2mg/L,温度保持28~30℃，pH为7左右。进水COD值在250～350mg/L,氨氮值在20mg/L左右，MLSS值为350mg/L。好氧反硝化菌污泥的驯化富集过程采用的COD和氨氮浓度逐步提高的方法，最后达到COD800mg/L，氨氮70mg/L；曝气时间从开始每个周期（24h）曝气6h，逐步增加到8、12、18、24h，使系统逐渐适应，最后保持好氧状态。为了加强好氧反硝化菌的优势，每隔24h向培养液中加入适量5%硫酸铵溶液、5%硝酸钾溶液和5%亚硝酸钠溶液，培养60d。
1.2.2菌株的分离、纯化与筛选取膜生物反应器中驯化60d的活性污泥10mL，经过充分打碎，用无菌水制备稀释液，取稀释倍数10-2、10-3、10-4稀释液在牛肉膏蛋白胨硝酸盐固体培养基平板上涂布，于30℃培养48h。挑取形状各异的菌株纯化数次，获得36株菌株。将此36株菌株分别接种于装有5mL的以硝酸钾为氮源的反硝化培养基的试管中，反硝化培养基的试管中应放入一倒置杜氏发酵管，以检测气体的生成。试管置于30℃恒温箱中培养。培养14d后，各取培养液5滴于白色比色皿上，加入格利斯试剂Ⅰ和Ⅱ各2滴，只有F20、F21、F28三株菌接种的试管中培养液（分别记为F20培养液、F21培养液、F28培养液，下同）呈红色，说明培养液中的硝酸盐被还原成亚硝酸盐，这3株菌具有好氧反硝化作用。再分别取这3支试管中培养液5滴于白瓷比色板上，加二苯胺试剂2滴，F20培养液和F21培养液呈蓝色，而F28未变色。说明F20培养液和F21培养液中仍有硝酸盐未被转化，F28培养液中没有硝酸盐；F28培养液中反硝化进行程度比F20培养液、F21培养液中反硝化程度高，F28菌株好氧反硝化能力较强。从而筛选获得一株好氧反硝化能力较强的菌株F28。将菌株F28接种于硝酸盐葡萄糖反硝化培养基斜面上扩大培养备用。
1.2.3菌株的鉴定从硝酸盐葡萄糖反硝化斜面上挑取菌株F28，做平板划线培养。待长出菌落后,观察菌落的形状、颜色等特征。采用革兰染色,显微镜观察其个体形态。另外,进行硝酸盐还原试验、淀粉水解试验、葡萄糖发酵试验、吲哚试验、乙酰甲基甲醇试验、甲基红试验、柠檬酸盐试验、产硫化氢试验、过氧化氢酶试验等生理生化鉴定。并同时进行16SrDNA基因序列分析。使用DNA提取试剂盒（E.Z.N.A.BacterialDNAkit，购自美国Omega生物技术公司）提取F28菌株基因组DNA。对该菌的基因组DNA进行PCR扩增的引物采用27F：5''''-AGAGTTTGATCCTGGCTCAG-3''''和1492R：5''''-GGTTACCTTGTTACGACTT-3''''。PCR反应体系(25μL)：2.5μL10×PCR缓冲液,3.5μLMgCl2，0.5μL模板DNA，0.5μLPF和PR，1μLdNTP，0.5μLTaqDNA聚合酶，16μL超纯水。PCR反应条件为：98℃5min；95℃35s，55℃35s，72℃1min，35个循环；72℃8min。得到的PCR扩增产物经琼脂糖凝胶电泳检测。测序由上海生工生物工程有限公司完成。测序结果通过NCBI的BLAST检索程序与GenBank中已知16SrRNA序列进行同源性分析。通过MEGA5.05软件用NJ法构建系统发育树。
1.2.4菌株的反硝化性能实验从硝酸盐葡萄糖反硝化斜面上挑取菌株F28接种于DM液体培养基中，200r/min、37℃摇床中培养，测OD600值，在OD600值0.4左右，按1%(V/V)接种量接种于DM液体培养基中，200r/min下恒温振荡培养3d，每隔2h测定培养液OD600值、培养液中硝酸盐以确定菌株F28的生长情况和反硝化能力。
1.2.5菌株F28对水产养殖废水的净化效果采集集约化水产养殖车间水处理过滤装置中的混合液，充分搅拌后，静置，取上清液过滤，装过滤液2L于5L三角瓶中。以5%（V/V）的接种量接种于上述污水中。每隔1d取样测定培养液中COD、硝酸盐、氨氮含量。
1.3分析方法硝酸盐的测定用紫外分光光度法；氨氮的测定用纳氏分光光度法；OD600采用分光光度计在600nm波长下，以未接种的培养液为参比，测量菌液的吸光度。COD的测定采用重铬酸钾法。
2结果与讨论
2.1含好氧反硝化菌污泥的培养驯化经过60d的不断调试,曝气时间由开始的每个周期(24h)6h变为24h。活性污泥里的菌群以好氧菌为主。此时进水营养液的COD为800mg/L,氨氮为70mg/L左右。系统稳定，COD去除率在80%以上，氨氮的去除率在80%以上，总氮的出去除率在55%以上。驯化结果良好。
2.2菌种鉴定菌落呈圆形,乳白色，表面光滑。生理生化检测表明，菌株F28革兰氏染色反应呈阴性，硝酸盐还原试验、葡萄糖发酵试验、柠檬酸盐试验、产硫化氢试验、过氧化氢酶试验呈阳性，淀粉水解试验、吲哚试验、乙酰甲基甲醇试验、甲基红试验呈阴性。经过对菌株F28菌株DNA的提取及PCR扩增，得到了一定长度的DN段，16SrRNA的PCR扩增产物电泳照片见图2。通过与左侧的Marker对照，可知目标扩增产物的片段长度约1500bp。对菌株F28的DNA进行测序研究，得到长度为1442bp的16SRNA基因序列，将获得的基因序列与GenBank数据库中序列比对，结果表明，菌株F28与多株假单胞菌属的菌株具有高度同源性，同源性均在99%以上,结合生理生化检测推断菌F28为Pseudomonassp。应用MEGA5.05软件采用NJ法构建系统发育树，确定其进化地位.结果如图3所示。
2.3菌株的反硝化作用菌株F28在DM液体培养基上培养生长时，溶液中硝酸盐浓度的变化曲线以及菌体生长变化曲线如图4所示。由图4可知，菌株F28延迟期内硝酸盐浓度有下降，但反硝化过程主要发生在对数期，对数生长期时间较长。在稳定期和衰亡期之后菌量不再增加，并在后期略有下降，但仍具有较强的反硝化能力。F28的延迟期较长，为7h。当菌种接种到新培养基之后，需要经过一段时间的调整和适应，以合成多种酶和细胞其它成分。F28的对数期相对较长，约持续9h，反硝化主要发生在这个时期，这可能是因为对数期生长速率最大，细胞合成所需要的能量和还原力主要在这一阶段被消耗，因此指数期是反硝化效率最高的时期。
2.4菌株F28对水产养殖废水的净化作用由表1可以看出，菌株F28对于集约化水产养殖废水处理2d后，NO3--N、NH4+-N浓度由初始77.1mg/L、46.3mg/L分别降至7.4mg/L、1.59mg/L，去除率分别为90.4%、96.6%。同时，菌株对废水中COD具有一定去除作用，处理2d后的去除率为33.7%。处理第3天基本上和第2天变化不大。因此，菌株F28在处理水产养殖废水处理中具有相当好的效果，在实际工程应用中具有较大潜力。本研究针对MBR反应器处理水产养殖废水系统，逐步提高反应器COD和氨氮的负荷，逐步增加活性污泥曝气时间以至全时段曝气，反应器内菌群以好氧菌为主，污泥驯化结果良好，系统稳定，MBR反应器的总氮的去除率在55%以上。经过稀释、平板划线分离纯化与筛选，从MBR处理水产养殖废水体系中获得的适合水产养殖废水处理的好氧反硝化菌F28。结合生理生化试验和16SrRNA基因序列分析及同源性对比确定所筛得的菌株F28为一株假单胞菌（Pseudomonassp）。好氧反硝化细菌广泛存在于自然生态系统中，目前分离出的好氧反硝化菌归属于多个属，假单胞菌是主要的属之一。从土壤、城市污水处理厂污泥中分离好氧反硝化菌常见报道。但适用于水产养殖系统的好养反硝化菌报道不多，李卫芬等从草鱼养殖池水中分离出一株高效好氧反硝化作用的施氏假单胞菌（Pseudomonasstutzeri），杨小龙等从富营养化的鱼塘中分离出一株好养反消菌鉴定为不动杆菌属(Acinetobactersp)。分离好氧反硝化菌的常规方法是根据Takaya等建立的有氧反硝化菌平板分离法。有氧反硝化菌平板分离方法是基于溴百里酚（BTB）培养基的指示剂溴百里酚蓝在pH大于7.6时呈蓝色，而细菌的反硝化过程伴随着产碱，当平板培养基内有反硝化菌生长时，pH升高，菌落呈现蓝色晕圈或者出现蓝色。
全向春、李卫芬、杨小龙和姜磊等是基于有氧反硝化菌平板分离法进行好氧反硝化菌分离实验。本实验采用一种不同的高效分离好氧反硝化细菌方法。先使用牛肉膏蛋白胨固体培养基平板划线法，将驯化良好MBR反应器中的活性污泥可分离细菌分离出来，分别接种于内置有杜氏发酵管的DM液体培养基中。培养12d后，用格里斯试剂溶液Ⅰ和Ⅱ检测培养液中是否有亚硝酸盐产生和观察杜氏发酵管中气泡的产生以及培养液变浑浊情况，用二苯胺试剂检测培养液中硝酸盐消耗情况。Takaya等建立的有氧反硝化菌平板分离方法，是间接利用碱指示剂筛选出好氧反硝化菌。与有氧反硝化菌平板分离法本实验直接使用格利斯试剂Ⅰ及Ⅱ检测有无亚硝酸盐生成以及用二苯胺试剂检测硝酸盐更科学合理、准确度更高，且周期短，操作性强。对菌株F28反硝化作用研究，显示其反硝化作用主要发生在细菌的对数生长期，随着细菌快速增殖，硝酸盐氮迅速下降，验证了李卫芬等报道的，好氧反硝化菌反硝化特性主要发生在对数期。菌株F28对水产养殖废水处理结果表明，24h时反硝化率去除率在70%以上；48h菌株对于水产养殖废水中硝酸盐、氨氮去除效果明显，去除率均在90%以上，同时碳的去除率达到30%以上。文献报道的适用于废水处理系统的好氧反硝化菌对氮去除率达到82%，菌株F28对氮的去除效率更高，适用于水产养殖废水处理。本研究分离出的适用于水产养殖废水处理系统的好氧反硝化细菌F28，对氮有良好的去除作用，同时对碳有一定的去除作用。集约化水产养殖用水量较大，养殖废水水质恶劣，利用生物方法处理水产养殖废水循环利用是降低养殖成本、控制环境条件、保护生态环境的有效途径。水产养殖废水中氮含量对养殖对象具有较大毒害作用，研究工艺中好氧反硝化菌对于水产养殖废水处理具有重要意义。菌株F28在水产养殖废水处理特别是集约化水产养殖废水处理实际工程应用中具有实际潜力与价值。
3结论
水文化论文范文
1．1在设备管理上思想比较陈旧水利水电工程施工信息化管理主要面临的问题就是管理人员的管理思想跟不上新技术和新设备发展的速度，设备和技术更新换代后逐步的应用在工程施工的过程中，由于观念的陈旧难以真正的接受先进的管理经验。设备管理人员承担着生产与安全的责任，如果不深入现场及时掌握工程设备的运行信息并制定有效的管理措施，就很难把工程设备的竞争能力提高起来，也就使得设备管理适应不了社会的发展。
1．2工程施工与设备管理严重脱节设备管理工作在企业生产经营过程中是很重要的一个环节，但是在大量的调查论证之后发现水电水利工程施工、生产组织经营和设备信息管理上不能有效结合。首先是在施工组织上缺乏设备管理人员的参与，第二点作为生产管理者也很少去考虑设备的性能和使用情况，在只考虑生产的情况下做出的施工计划与设备管理的要求存在偏差。在设备管理中不能只注意购置、出厂及检验等表面性的资料，也要根据实际生产中设备的运行状况作出具体的分析，达到全面的设备管理要求。
1．3不能很好的落实管理职责作为室外作业大部分的水利水电工程施工都存在工程量大、工期紧张的困难。施工企业面对这样的恶劣条件还必须遵照国家相关的法规去制定和完善施工设备管理的相关措施并加强技术上的提高，这些虽然苛刻缺失必要的。但是现实情况却是缺乏管理责任的落实，设备的管理人员在设备管理中没有明确的责任，因为没有相应的责任心难以让他们去把设备保养的问题重视起来，难以使设备的寿命得到延长。
2设备信息化管理系统的建立要科学合理
2．1前期管理模块设备信息前期管理主要包括采购、验收、供应商和采购合同等几项内容。设备管理的工作人员建立供应商信息库并从中快速读取审理与审批、采购与合同签订等方面的信息，使设备信息方面查询并实现共享。
2．2台帐管理模块设备的台帐管理包含设备标识卡、设备租赁与报废、变动预防措施等几个主要模块。
2．3运行和维修管理模块运行和维修管理模块的基础是日常维护与保养，主要就是对单体设备的审核与信息统计，详细记录下设备保养周期和运行时间，并可以根据保修时间设置报警系统定期警示使用者对设备去进行维修与保养，同时也可以详细的了解到常见故障的分析结果和解决措施，根据以往的经验及时的把故障排除，保障设备正常运转。此外，为了实现对工作人员对日常设备管理工作的知道和即时向上级反馈精确数据的需要，不仅要分析系统数据库中的档案数据更要分析其中的运行数据，大致上有以下几个方面:对比设备管理技术和费用指标以及设备机型、设备的使用周期和使用费用、设备的维修费用预测和事故情况，通过对上述几方面内容的分析，可以使管理人员清晰的明白不同类型设备的使用情况以及投资的效益，从而更好服务于为企业的发展战略。
2．4配件的管理方块对配件的入库与退货、盘点与查询以及报废等缓解进行全面安排配置是配件管理模块的内容。由于配件的库存涉及到大量资金，管理人员不得不面临着合理降低资金的难题。所以，库存管理预警设施和储存评价方面的机制应该加以设立，从而能够动态分析库存和计算机设备配件情况，根据库存制定合理的使用计划得以实现降低库存、减少资金占用的目的。
2．5特殊设备管理模块工程设备的管理机构和人员、基础数据的报表与统计、数据的查询、管理和运转等构成了特殊设备管理模块。经过对上述内容的协同，不同设备信息入库、维护的及时性得以保障，同时还可以达到使设备的即时运行情况和相关信息被不同层级的管理人员了解的效果。
2．6文档资料管理方块文书档案、设施档案和技术档案三者共同组成了文档管理，而针对设备实行该管理意义重大。实行对三者的统一管理，系统不仅能够实现数据管理的及时性，同时还能使设备各种报表如消耗报表、明细报表自动生成。这样的话，由于报表可以依据一定的规则自动生成，月尾或年末需要统计设备的台班、配件、耗料时可以大大减轻管理人员的负担。
3设备信息系统的优越性
设备信息系统能把公司的资金、物资和信息通过工作程序有机的结合起来，使公司各方面如维修、工作管理、管理统计等的需要均得以实现，还满足了不断改进和优化设备管理工作的需要。
4结束语
水文化论文范文
金盆水库是西安黑河引水工程的主要水源工程，是一项以西安市供水为主，兼顾周至、户县37万亩农田灌溉，还有发电、防洪和养鱼等多种功能的大型综合利用水利工程。如何合理的调度金盆水库，发挥其最大效益，对缓解西安市供水紧张的局面以及实现社会经济的可持续发展和人民生活稳步提高都具有极其重要的意义和价值。
水库优化调度是一典型的多维非线性函数优化问题，目前常用的方法有模拟法、动态规划及其系列算法、非线性规划等等。这些方法各具特色，但应用中也常有一些问题，模拟法不能对问题直接寻优，动态规划（DP）随着状态数目的增加会出现所谓“维数灾”问题，增量动态规划（IDP）可能收敛到非最优解，逐步优化算法（POA）需要一个好的初始轨迹才能收敛到最优解[1]。因此，这些方法还有待进一步的完善。
遗传算法（GA）作为一种借鉴生物界自然选择思想和自然基因机制的全局随机搜索算法，可模拟自然界中生物从低级向高级的进化过程，GA在优化计算时从多个初始点开始寻优，对所求问题没有太多的数学约束，而且优化求解过程与梯度信息无关[2]，因此在多个不同领域得到了广泛应用。而GA在水库优化调度方面GA应用相对较少[3]，马光文等[4]使用基于二进制编码的遗传算法对水库优化调度进行了研究。由于二进制编码存在的编码过长、效率低及需要反复的数据转换等问题，畅建霞、王大刚分别提出了基于整数编码的遗传算法[5-6]，并将GA与动态规划的计算结果进行了比较。
自适应遗传算法（AdaptiveGA，AGA）使得交叉概率Pc和变异概率Pm能够随个体适应度的大小以及群体适应度的分散程度进行自适应的调整，因而AGA能够在保持群体多样性的同时，保证遗传算法的收敛性。本文根据黑河金盆水库的具体情况，建立了水库长期优化调度的自适应遗传算法模型，并将其与动态规划的计算结果进行了比较。
2.水库优化调度数学模型的建立
金盆水库为多功能水库，其优化调度应使其达到城市供水量最大、灌溉缺水量最小、年发电量最大和弃水量最小等目标要求。但此多目标优化模型如果直接采用多维多目标动态规划或其它方法求解，则可能因为目标、状态、和决策变量较多的占用计算机内存和时间，因而有必要先做适当处理，将多目标问题转化为单目标，再进行求解。考虑到城市供水和灌溉用水要求保证率高，因此将水库优化调度目标定为年发电量最大，而将城市与灌溉供水当作约束条件进行处理。
这样，金盆水库优化调度的目标函数就可以描述为：在满足水库城市供水、灌溉用水和蓄水要求条件下，使水库年发电量最大。
目标函数：F=max（1）
上式中，N（k）为各时段的发电量。
约束条件：
①水量平衡约束：（2）
②水库蓄水量约束：（3）
③电站水头约束：（4）
④水轮机最大过流量约束：（5）
⑤电站出力约束；（6）
⑥城市供水约束：（7）
⑦灌溉供水约束：（8）
⑧非负约束。
其中，Nmin与Nmax分别为电站允许的最小及最大机组出力，Hmin与Hmax分别为电站最小及最大工作水头，qmax为机组过水能力，WCt、WIt分别为第t时段城市和灌溉供水量。DIt为第t时段灌溉需水量，DCt,max与DCt,min分别为第t时段城市需水上下限。
3.自适应遗传算法的实现
在水库优化调度中，水库的运行策列一般用发电引用流量序列来表示，而该序列又可以转换为水库水位或库容变化序列。对于水库优化调度的遗传算法可以理解为：在水位的可行变化范围内，随机生成m组水位变化序列,,…,，其中，m为群体规模，n为时段数，再通过一定的编码形式分别将其表示为称作染色体（个体）的数字串，在满足一定的约束条件下，按预定的目标函数评价其优劣，通过一定的遗传操作（选择、交叉和变异），适应度低的个体将被淘汰，只有适应度高的个体才有机会被遗传至下一代，如此反复，直至满足一定的收敛准则。
3.1个体编码
为简化计算，本文采用实数编码。个体的每一向量（基因）即为水库水位的真值。表示
为：（9）
式中，分别为时段t水库水位的最大值和最小值。m为控制精度的整数，Nrand为小于m的随机数。
3.2适应度函数
在遗传算法中，用适应度函数来标识个体的优劣。通过实践，采用如下适应度函数，效果更好。
（10）
式中为目标函数值，c为目标函数界值的保守估计，并且≥0,≥0。水库优化调度为约束优化问题，关于约束条件的处理，本文采用罚函数法,
（11）
式中，为原优化问题的目标函数值，M为罚因子，Wi为与第i个约束有关的违约值，p为违约数目。
3.3遗传操作
交叉运算交叉的目的是寻找父代双亲已有的但未能合理利用的基因信息。设x和y是两父代个体，则交叉产生的后代为=ax+(1-a)y和=ay+(1-a)x，这里，a为[0,1]内均匀分布的一个随机数。
变异运算通过变异可引入新的基因以保持种群的多样性，它在一定程度上可以防成熟前收敛的发生。具体方法为：个体Z的每一个分量Zi,i=0,1…,n以概率1/n被选择进行变异。设对分量ZK进行变异，其定义区间为（ZK,min,ZK,max）,则
=（12）
式中，Rand为0到1之间的随机数，rand（u）函数产生最大值为u的正整数。
3.3参数的自适应调整
遗传算法的参数中交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键所在，直接影响算法的收敛性，Pc越大，新个体产生的速度就越快。然而，Pc过大，遗传模式被破坏的可能性越大。对于变异概率Pm，如果Pm过小，不易形成新的个体；如果Pm过大，则遗传算法就成了纯粹的随机搜索算法。自适应遗传算法（AGA）使得Pc和Pm能够随适应度按如下公式自动调整：
Pc=（13）
Pm=（14）
式中，为群体中最大的适应度值；为每代群体的平均适应度值；为要交叉的两个个体中较大的适应度值；为要变异的的个体的适应度值。,,,为自适应控制参数，其变化区间为（0,1）。
综上所述，算法的运算步骤为：
(1)初始化，设置控制参数，产生初始群体；
(2)计算各个体的目标函数，应用(5)式进行适应度变换；
(3)按随机余数选择法对母体进行选择；
(4)对群体进行交叉和变异操作pc和pm分别按式(2)与(3)计算，得到新一代群体；
(5)检验新一代群体是否满足收敛准则，若满足，输出最优解，否则转向步骤2。
4.模型求解及成果分析
金盆水库坝高130米，总库容2亿方。该水库是以给西安供水为主（按照设计年均向西安供水3.05亿方），兼顾周至、户县共37万亩农田灌溉（年均灌溉供水1.23亿方），还有发电、防洪等多功能的大型综合利用水利工程。水库的特征参数为：正常蓄水位594m，死水位520m，电站出力系数8.0，装机容量2万KW，保证出力4611KW，水轮机过流能力32.6m3/s，汛限水位591米，汛期7-9月，以某中水年为例，入库径流已知，用上述算法按年发电量最大求解水库优化调度，结果见表一。
表一自适应遗传算法计算结果
Table1.Resultsbyadaptivegeneticalgorithm
月份
入库水量(108m3)
月末水位(m)
城市需水(108m3)
城市供水(108m3)
灌溉需水(108m3)
灌溉供水(108m3)
弃水(m3/s)
发电流量(m3/s)
水头(m)
出力
(KW)
7
1.5160
572.63
0.3050
0.3050
0.2301
0.2301
20.10
40.04
6437.88
8
1.3178
591.00
0.2898
0.2898
0.2196
0.2196
24.75
68.87
13637.35
9
0.6973
591.00
0.2593
0.2593
0.1342
0.1342
26.90
77.50
16679.24
10
0.8464
594.00
0.2410
0.2410
0.0000
0.0000
30.05
78.69
18918.95
11
0.2063
589.33
0.2349
0.2349
0.0879
0.0879
12.47
76.88
7667.76
12
0.1963
587.96
0.2257
0.2257
0.0440
0.0440
10.08
75.26
6069.95
1
0.1513
585.61
0.2257
0.2257
0.0000
0.0000
8.43
73.38
4947.77
2
0.1260
582.23
0.2349
0.2349
0.0000
0.0000
9.72
70.31
5467.50
3
0.3000
581.54
0.2410
0.2410
0.0810
0.0810
12.20
68.38
6673.10
4
0.3732
581.75
0.2440
0.2440
0.1206
0.1206
14.07
68.14
7671.54
5
0.2373
561.68
0.2593
0.2593
0.0226
0.0226
31.83
59.00
15023.79
6
0.1776
520.00
0.2898
0.2898
0.2900
0.2900
32.56
32.06
8350.21
注：年发电量E=8608.3万KW·h；POP=100；Gen=200；==0.85；==0.01。
作为比较，本文又使用了基本遗传算法（SGA）、动态规划法（DP）进行计算，其目标函数、约束条件完全相同。对应的计算结果见表二，其中，DP的离散点为300。
表二动态规划及基本遗传算法计算结果比较
parisonofResultsofDPandSGA
月份
动态规划（DP)计算结果
基本遗传算法（SGA）计算结果
月末水位(m)
弃水(m3/s)
发电流量(m3/s)
水头(m)
出力
(KW)
月末水位(m)
弃水(m3/s)
发电流量(m3/s)
水头
(m)
出力
(KW)
7
572.5
20.23
39.95
6466.38
572.65
20.08
40.05
6433.56
8
591
24.62
68.82
13553.20
591.00
24.77
68.88
13650.11
9
591
26.90
77.50
16679.20
591.00
26.90
77.50
16679.24
10
593.5
30.02
78.72
18905.40
594.00
30.05
78.69
18918.97
11
588.5
13.10
76.68
8037.72
589.33
12.46
76.88
7663.79
12
586.5
10.53
74.83
6303.83
587.96
10.09
75.26
6075.39
1
584.5
8.79
72.28
5084.92
585.21
8.85
73.20
5180.34
2
581.5
9.82
69.17
5434.83
581.83
9.88
69.90
5524.98
3
580.5
12.46
67.30
6706.82
581.04
12.39
67.93
6733.84
4
580.5
14.40
66.90
7705.63
580.87
14.66
67.46
7911.34
5
562
29.42
58.24
13706.00
561.62
30.56
58.38
14273.88
6
520
0.32
32.60
32.31
8426.54
520.00
32.50
32.02
8323.96
注：DP年发电量8568.9万KW·h；SGA年发电量8581.3万KW·h，POP=100,Gen=200。
比较表一和表二可见，动态规划在控制精度为0.5m时，优化结果为8568.9万KW·h，低于SGA的8581.3万KW·h和改进本文算法的8608.3万KW·h，主要是因为DP的离散点数较后两类算法少。为了说明本文算法的优越性，将其与SGA在不同的进化代数时分别进行10次计算，结果列于表三。
表三不同进化代数的两类算法年发电量比较比较
parisonofResultsoftheTwoAlgorithmsinDifferentGeneration
编号
本文算法（AGA）
基本遗传算法（SGA）
Gen=200
Gen=500
Gen=200
Gen=500
1
8607.1
8596.8
8374.1
8594.2
2
8597.5
8607.2
8581.6
8571.9
3
8604.7
8612.7
7957.2
8433.1
4
8601.2
8603.5
8593.4
8475.3
5
8596.6
8595.4
8599.1
8596.2
6
8606.8
8607.2
7837.2
8608.4
7
8608.3
8608.4
8365.9
7892.1
8
8525.4
8611.3
8521.5
8592.6
9
8605.9
8551.6
8575.3
8610.3
10
8603.4
8603.7
8121.6
8441.2
注：表中年发电量单位为万KW·h。
从上表可以看出，随着进化代数的增加，两算法计算结果都越接近最优解；无论是自适应遗传算法还是基本遗传算法，其计算结果明显优于动态规划；在进化代数相同时，AGA的计算结果优于SGA，并且未收敛次数也有明显减少，表明AGA能够有效加快收敛速度。
5.结论
本文建立了水库优化调度的自适应遗传算法模型，并将其用于黑河金盆水库优化调度。与动态规划相比，遗传算法能够从多个初始点开始寻优，能有效的探测整个解空间，通过个体间的优胜劣汰，因而能更有把握达到全局最优或准全局最优；自适应遗传算法通过参数的自适应调整，能更有效的反映群体的分散程度以及个体的优劣性，从而能够在保持群体多样性的同时，加快算法的收敛速度。
ApplicationofAdaptiveGeneticAlgorithmstotheoptimaldispatchingofJinpenreservoir
FuYongfeng1ShenBing1LiZhilu1ZhangXiqian1
(1Xi’anUniversityofTechnology,Xi’an710048,
2HeadquartersofHeiheWaterDiversionProject,Xi’an,710061)
AbstractBasedontheanalysisofthecharacteristicsituationofJinpenreservoir,acomprehensiveoptimaloperationmodelisdevelopedwithconsiderationofitsmulti-objectiveandnonlinearfeatures.Themodelissolvedbythethreemethodsofdynamicprogram,thesimplegeneticalgorithmandtheadaptivegeneticalgorithm.Itisshowedthattheadaptivegeneticalgorithm,withthecharacterofitsparametercanbeadjustedadaptivelyaccordingtothedispersiondegreeofpopulationandthefitnessvalueofindividuals,hasthefastestconvergencevelocityandthebestresultcomparedtoothertwoalgorithms.
Keywords:optimaloperation；geneticalgorithms；dynamicprogram
参考文献
[1]方红远,王浩,程吉林.初始轨迹对逐步优化算法收敛性的影响[J].水利学报,2002,11:27-30.
[2]潘正君,康立山,陈毓屏.演化计算[M].北京:清华大学出版社,1998.
[3]RobinWardlawandmohdSharif.Evaluationofgeneticalgorithmsforoptimalreservoirsystemoperation[J].WaterResour.Plng.andMgmt.,1999,125(1):25-33.
[4]马光文,王黎.遗传算法在水电站优化调度中的应用[J].水科学进展,1997,8(3):275-280.
