本發(fā)明涉及水庫增蓄的聲波增雨作業(yè)點(diǎn)選址方法、系統(tǒng)、設(shè)備及介質(zhì)，屬于聲波增雨作業(yè)。

背景技術(shù)：

1、傳統(tǒng)的水庫增蓄是指通過人工手段，如開閘放水、關(guān)閉閘門等，使得水庫中的水位上升，增加水庫的蓄水量，確保水庫在干旱季節(jié)或水資源緊張時期有足夠的儲備水源。而近幾年逐漸涌現(xiàn)通過聲波增雨技術(shù)進(jìn)行水庫增蓄的手段。

2、聲波增雨作業(yè)是一種通過聲波技術(shù)來促進(jìn)云層降水的人工影響天氣的方法。在進(jìn)行聲波增雨作業(yè)時，選址是一個非常重要的環(huán)節(jié)。選址的合理性直接關(guān)系到聲波增雨作業(yè)的效果和安全性。選址要考慮聲波增雨設(shè)備的功率、覆蓋范圍、當(dāng)?shù)氐臍庀髼l件、環(huán)境保護(hù)等因素。

3、現(xiàn)有的設(shè)施選址方案大多針對的是固定的設(shè)施，例如公開號為cn114049031a的中國發(fā)明專利公開了一種雨水調(diào)蓄池優(yōu)化選址的方法，利用構(gòu)建指標(biāo)體系、swmm模型和層次分析法等手段，確定城市中內(nèi)澇風(fēng)險大的節(jié)點(diǎn)，以對應(yīng)節(jié)點(diǎn)確定雨水調(diào)蓄池的地址。上述專利中，城市建設(shè)和結(jié)構(gòu)在很長的一段時間內(nèi)并不會發(fā)生變化，但是一旦城市結(jié)構(gòu)發(fā)生變化，內(nèi)澇風(fēng)險大的節(jié)點(diǎn)也會發(fā)生相應(yīng)變化，以往設(shè)置的調(diào)蓄池地址就非最優(yōu)選擇。而水庫增蓄的聲波增雨作業(yè)正是一個需要頻繁調(diào)整的過程，在短期內(nèi)云層和空氣條件都會發(fā)生巨大的改變，聲波增雨作業(yè)的優(yōu)選選址就會跟著改變，因此傳統(tǒng)的設(shè)施選址方案并不適用于聲波增雨作業(yè)選址問題。

4、如何綜合考慮水庫增蓄、氣象條件、生態(tài)環(huán)境等因素，選擇一個合適的位置進(jìn)行作業(yè)，以達(dá)到最佳的水庫增蓄效果，是目前急需解決的問題。

技術(shù)實現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中存在的問題，本發(fā)明提出了一種水庫增蓄的聲波增雨作業(yè)點(diǎn)選址方法、系統(tǒng)、設(shè)備及介質(zhì)。

2、本發(fā)明的技術(shù)方案如下：

3、一方面，本發(fā)明提供一種水庫增蓄的聲波增雨作業(yè)點(diǎn)選址方法，包括以下步驟：

4、將水庫增蓄的聲波增雨作業(yè)點(diǎn)選址問題構(gòu)建為多目標(biāo)組合問題；

5、基于多目標(biāo)組合問題的決策空間獲取多目標(biāo)組合問題的基本影響因子；

6、構(gòu)建多目標(biāo)組合問題的目標(biāo)函數(shù)，并基于各基本影響因子以及水庫增蓄的歷史聲波作業(yè)數(shù)據(jù)，使用多元組將多目標(biāo)組合問題轉(zhuǎn)換為馬爾科夫決策過程；

7、將多目標(biāo)強(qiáng)化學(xué)習(xí)算法應(yīng)用于上述馬爾科夫決策過程，將聲波增雨裝置的控制系統(tǒng)作為智能體，目標(biāo)水庫范圍作為環(huán)境，利用多目標(biāo)強(qiáng)化學(xué)習(xí)算法獲取智能體在不同狀態(tài)下的帕累托前沿，基于帕累托前沿輸出目標(biāo)水庫的聲波作業(yè)點(diǎn)地址。

8、作為優(yōu)選實施方式，所述多目標(biāo)組合問題包括水庫庫容最優(yōu)化、增雨影響最優(yōu)化以及環(huán)境影響最優(yōu)化。

9、作為優(yōu)選實施方式，所述構(gòu)建多目標(biāo)組合問題的目標(biāo)函數(shù)具體包括：

10、水庫庫容最優(yōu)化目標(biāo)函數(shù)、增雨影響最優(yōu)化目標(biāo)函數(shù)以及環(huán)境影響最優(yōu)化目標(biāo)函數(shù)；

11、所述水庫庫容最優(yōu)化目標(biāo)函數(shù)具體為：

12、

13、其中，為制定的時段內(nèi)的計劃水庫增蓄水量，為時段內(nèi)在對應(yīng)選址進(jìn)行聲波增雨作業(yè)在水庫區(qū)域的預(yù)計降水量，為時段內(nèi)水庫的自然增蓄水量，為時段內(nèi)水庫的水蒸發(fā)量；

14、所述增雨影響最優(yōu)化目標(biāo)函數(shù)具體為：

15、

16、其中，為時段內(nèi)在對應(yīng)選址進(jìn)行聲波增雨作業(yè)引起的降雨類型預(yù)測變化次數(shù)；為第次降雨類型所對應(yīng)的權(quán)值，∈0~1；為第次降雨類型的預(yù)測降雨持續(xù)時長；

17、所述環(huán)境影響最優(yōu)化目標(biāo)函數(shù)具體為：

18、

19、其中，為對應(yīng)選址的地貌系數(shù)，對應(yīng)選址的地貌交通越便捷，地貌系數(shù)越?。粸閷?yīng)選址的海拔系數(shù)，海拔系數(shù)隨海拔的高度而減?。粸閷?yīng)選址的聲波影響系數(shù)，對應(yīng)選址在預(yù)設(shè)范圍內(nèi)的居民戶數(shù)越少，聲波影響系數(shù)越??；為水庫區(qū)域面積，為在對應(yīng)選址進(jìn)行聲波增雨作業(yè)引起的降雨區(qū)域與水庫區(qū)域的重疊面積。

20、作為優(yōu)選實施方式，所述使用多元組將多目標(biāo)組合問題轉(zhuǎn)換為馬爾科夫決策過程的步驟具體為：

21、通過水庫增蓄的歷史聲波作業(yè)數(shù)據(jù)，使用多元組構(gòu)建水庫增蓄的聲波增雨作業(yè)點(diǎn)選址的馬爾科夫決策過程；

22、其中，為狀態(tài)空間，，為時刻下從水庫范圍內(nèi)第個地點(diǎn)獲取的狀態(tài)數(shù)據(jù)，，其中為時刻下從水庫范圍第個地點(diǎn)獲取的第個基本影響因子的觀測值；為動作空間，時刻智能體的動作，動作對應(yīng)時刻聲波增雨作業(yè)點(diǎn)的移動；為狀態(tài)轉(zhuǎn)移矩陣；為獎勵函數(shù)，獎勵函數(shù)具體為多目標(biāo)組合問題的目標(biāo)函數(shù)。

23、作為優(yōu)選實施方式，所述利用多目標(biāo)強(qiáng)化學(xué)習(xí)算法獲取智能體在不同狀態(tài)下的帕累托前沿的步驟具體為：

24、建立如下式所示的尋找最大化獎勵函數(shù)：

25、

26、其中，為獎勵函數(shù)所對應(yīng)的多目標(biāo)組合問題的目標(biāo)函數(shù)中的第m個目標(biāo)的累計獎勵；

27、

28、其中，為考慮t時刻狀態(tài)數(shù)據(jù)和動作的累計獎勵計算函數(shù)，是根據(jù)t時刻狀態(tài)數(shù)據(jù)和動作的聯(lián)合概率分布，為尋優(yōu)的終止時間，為第m個目標(biāo)的獎勵系數(shù)，指示t時刻第m個目標(biāo)的重要性，∈0~1，且，表示第個目標(biāo)的重要性；為根據(jù)t時刻狀態(tài)數(shù)據(jù)和動作計算出的第m個目標(biāo)的獎勵值；

29、初始化多目標(biāo)強(qiáng)化學(xué)習(xí)算法，通過水庫增蓄的歷史聲波作業(yè)數(shù)據(jù)迭代執(zhí)行多目標(biāo)強(qiáng)化學(xué)習(xí)任務(wù)，將獲取的帕累托點(diǎn)放入帕累托集中；

30、對帕累托集進(jìn)行標(biāo)準(zhǔn)化處理，并對標(biāo)準(zhǔn)化處理后的帕累托集中的標(biāo)準(zhǔn)化帕累托點(diǎn)進(jìn)行排序處理，得到序列化最優(yōu)點(diǎn)集；

31、在每次迭代時，基于序列化最優(yōu)點(diǎn)集確定下一時刻第m個目標(biāo)的獎勵系數(shù)，根據(jù)下一時刻第m個目標(biāo)的獎勵系數(shù)執(zhí)行下一時刻的強(qiáng)化學(xué)習(xí)任務(wù)，獲取新的帕累托集，根據(jù)新的帕累托集重構(gòu)帕累托前沿。

32、作為優(yōu)選實施方式，所述對帕累托集進(jìn)行標(biāo)準(zhǔn)化處理，并對標(biāo)準(zhǔn)化處理后的帕累托集中的標(biāo)準(zhǔn)化帕累托點(diǎn)進(jìn)行排序處理，得到序列化最優(yōu)點(diǎn)集；在每次迭代時，基于序列化最優(yōu)點(diǎn)集確定下一時刻第m個目標(biāo)的獎勵系數(shù)的步驟具體為：

33、根據(jù)帕累托集，獲取對應(yīng)每一目標(biāo)的帕累托點(diǎn)中的最小值集合和最大值集合，其中最小值集合為：

34、

35、其中，表示第個目標(biāo)的第個帕累托最優(yōu)點(diǎn)；表示第個目標(biāo)的帕累托最優(yōu)點(diǎn)中的最小值；

36、最大值集合為：

37、

38、其中，表示第個目標(biāo)的帕累托最優(yōu)點(diǎn)中的最大值；

39、對帕累托集中的每一帕累托最優(yōu)點(diǎn)進(jìn)行標(biāo)準(zhǔn)化處理：

40、

41、其中，為標(biāo)準(zhǔn)化處理后的帕累托最優(yōu)點(diǎn)；

42、對標(biāo)準(zhǔn)化處理后的帕累托最優(yōu)點(diǎn)按目標(biāo)進(jìn)行排序處理，得到各目標(biāo)的序列化最優(yōu)點(diǎn)集：

43、

44、其中，為第m個目標(biāo)的序列化最優(yōu)點(diǎn)集中排序第j的點(diǎn)，為排序的總數(shù)；

45、根據(jù)各目標(biāo)的序列化最優(yōu)點(diǎn)集，通過以下公式計算下一時刻第m個目標(biāo)的獎勵系數(shù)：

46、

47、其中，表示下一時刻第m個目標(biāo)的獎勵系數(shù)，表示二范數(shù)。

48、作為優(yōu)選實施方式，所述基本影響因子包括：

49、溫度、濕度、云層覆蓋度、云層回波強(qiáng)度、云底高度、云厚度、地形因子以及氣流影響因子。

50、另一方面，本發(fā)明還提供一種水庫增蓄的聲波增雨作業(yè)點(diǎn)選址系統(tǒng)，包括：

51、目標(biāo)構(gòu)建模塊，用于將水庫增蓄的聲波增雨作業(yè)點(diǎn)選址問題構(gòu)建為多目標(biāo)組合問題；

52、影響因子確定摸模塊，基于多目標(biāo)組合問題的決策空間獲取多目標(biāo)組合問題的基本影響因子；

53、馬爾科夫決策模塊，用于構(gòu)建多目標(biāo)組合問題的目標(biāo)函數(shù)，并基于各基本影響因子以及水庫增蓄的歷史聲波作業(yè)數(shù)據(jù)，使用多元組將多目標(biāo)組合問題轉(zhuǎn)換為馬爾科夫決策過程；

54、選址優(yōu)化模塊，用于將多目標(biāo)強(qiáng)化學(xué)習(xí)算法應(yīng)用于上述馬爾科夫決策過程，將聲波增雨裝置的控制系統(tǒng)作為智能體，目標(biāo)水庫范圍作為環(huán)境，利用多目標(biāo)強(qiáng)化學(xué)習(xí)算法獲取智能體在不同狀態(tài)下的帕累托前沿，基于帕累托前沿輸出目標(biāo)水庫的聲波作業(yè)點(diǎn)地址。

55、再一方面，本發(fā)明還提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述程序時實現(xiàn)如本發(fā)明任一實施例所述的水庫增蓄的聲波增雨作業(yè)點(diǎn)選址方法。

56、再一方面，本發(fā)明還提供一種計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時實現(xiàn)如本發(fā)明任一實施例所述的水庫增蓄的聲波增雨作業(yè)點(diǎn)選址方法。

57、本發(fā)明具有如下有益效果：

58、1、本發(fā)明通過將水庫增蓄的聲波增雨作業(yè)點(diǎn)選址轉(zhuǎn)換為多目標(biāo)組合問題，基于多目標(biāo)組合問題的決策空間歸集影響選址問題的基本影響因子，并構(gòu)建對多目標(biāo)進(jìn)行優(yōu)化的目標(biāo)函數(shù)。再利用馬爾科夫決策過程將多目標(biāo)優(yōu)化問題轉(zhuǎn)換為隨機(jī)動態(tài)過程，利用多目標(biāo)強(qiáng)化學(xué)習(xí)的方法在這個隨機(jī)動態(tài)過程中輸出對應(yīng)于多目標(biāo)優(yōu)化的帕累托前沿，獲得在動態(tài)過程中綜合考慮多個水庫增蓄問題的聲波增雨作業(yè)點(diǎn)選址點(diǎn)，實現(xiàn)聲波增雨作業(yè)點(diǎn)選址點(diǎn)的智能化。

59、2、本發(fā)明綜合考慮水庫增蓄的聲波增雨作業(yè)點(diǎn)選址中的庫容優(yōu)化、降雨影響和環(huán)境影響問題，并分別構(gòu)建目標(biāo)函數(shù)，使得后續(xù)輸出的帕累托前沿綜合考慮了聲波增雨與計劃增蓄的貼切度，聲波增雨對自然環(huán)境的影響最小，聲波增雨對地理環(huán)境的影響最小。在保證聲波增雨作業(yè)的完成度的同時，降低聲波增雨作業(yè)有可能引起的威脅。

60、3、本發(fā)明通過對帕累托集進(jìn)行標(biāo)準(zhǔn)化處理，將帕累托集轉(zhuǎn)換為尺度一致的對應(yīng)每個目標(biāo)的序列化最優(yōu)點(diǎn)集，根據(jù)每個目標(biāo)的序列化最優(yōu)點(diǎn)集中距離最大的兩個點(diǎn)確定該目標(biāo)在下一次強(qiáng)化學(xué)習(xí)的獎勵系數(shù)，通過該獎勵系數(shù)引入每個時刻不同目標(biāo)的重要性，以獲取考慮各個目標(biāo)的最大化累積獎勵，逼近帕累托前沿。