摘要
对串联水库进行协调优化对于最大化河流流域的经济、社会和生态效益至关重要。然而，传统的水电调度方式缺乏对复杂未来情景的适应性，受到季节性水文变化和不确定流入量的限制。虽然人工智能算法为水库运行提供了新的途径，但在历史径流预测和高效未来调度之间架起桥梁仍是一个关键挑战。本研究提出了一个优化-学习-仿真（OLS）框架——结合了基于模型的、数据驱动的以及基于物理原理的方法——以提高在不确定性水文条件下的串联水库运行的动态适应性和长期稳健性。“基于物理原理”在水库运营中的含义是指在整个运行周期内满足水量平衡和边界条件。这意味着在优化过程中，水库的运行不仅要旨在最大化调度效益，还要确保基本的物理一致性，避免违反水库的物理运行条件和管理要求。该框架结合了优化（用于多目标优化的INSGA-III，用于平衡决策的VIKOR）、学习（结合强化学习的基于物理原理的LSTM，即PIRLSTM）和仿真（用于径流预测的SARIMA，用于不确定流入量的Bootstrap/Cholesky方法），以协同提高适应性和稳健性。通过在金沙河下游的四个大型串联水库上进行验证，OLS框架能够在极端干旱、正常和极端湿润年份学习到最优化的调度规则。其纳什-萨特克利夫效率（NSE）达到0.96，水量平衡指数（WBI）接近1.00，突显了该框架在保持物理一致性和预测准确性方面的卓越表现；未来径流情景下的仿真结果进一步表明，OLS框架能够保证调度方案严格符合水库运行边界和水量平衡的基本约束。此外，它还能够有效识别并根据复杂的水文事件动态调整调度策略，包括交替出现的极端湿润-干旱序列以及干旱和洪水之间的突然转变。通过将人工智能算法与水文和物理原理相结合，本研究为在复杂和不确定的未来条件下协调优化串联水库运行提供了一种新颖且实用的方法，实现了理论创新与工程实践的紧密结合。
通俗语言总结
串联水库是最大化河流流域综合效益的关键，如水电（经济利益）、供水（社会效益）和生态流量维持。然而，传统的调度方法难以应对季节性水文变化和不确定的未来流入量，限制了对复杂情景的适应性。我们提出了一个优化-学习-仿真（OLS）框架，结合了基于模型的、数据驱动的以及基于物理原理的方法。该框架整合了多目标优化（用于高维问题的INSGA-III，用于平衡决策的VIKOR）、基于物理原理的学习（结合物理约束的PIRLSTM）和情景模拟（用于径流预测的SARIMA，用于不确定未来流入量的Bootstrap/Cholesky方法）。在金沙河下游的四个大型水库上进行测试后，该框架能够在干旱、正常和湿润年份学习到最优化的调度规则（NSE高达0.96，WBI接近1.00）。它能够适应未来的不确定性（例如极端的湿润-干旱转变），确保调度符合运行边界和水量平衡要求，为可靠的串联水库管理提供了实用工具。
利益冲突
作者声明与本研究无关的任何利益冲突。
可用性声明
优化-学习-仿真框架的代码（Wang, 2026a）可在 https://doi.org/10.5281/zenodo.18229779 获取。本研究中使用的数据（Wang, 2026b）包括：(a) 径流数据、(b) 工程参数、(c) 沉积物数据和(d) 碳通量数据。这些数据可在 https://doi.org/10.5281/zenodo.18230021 获取。
