将水文学原理和数据驱动模型相耦合 ，构建物理函数约束的深度学习模型 ，在深度学习模型中考虑了 流域产汇流的物理机制 ，使深度学习模型测预测结果更符合物理规律。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 在损失函数中嵌入物理机制 在模型训练模式中考虑物理机制 P16 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模型 模型结构： 精度较高： 典型暴雨场景下 ，模型 Nash 效率系数达到 0.95 ； 建模快速： 相较传统水文模型率定参数的耗时 ， 率定参数速 度提高 40 倍。 耦合物理机制的深度学习： 产汇流机制约束的深度学习洪水预报模 型 技术成果： 提高模拟精 度 P18 在各类规划规程调度的基础上 ，根据工程调度的需求 ，在流域水利工 程 调度拓扑关系图上 ，针对调度对象和目标 ，可进一步优化水库水闸的 模型并行优化算法 技术成果： 提升模拟速 度 模型高效求解： 水工程优化调度算法 提出基于非支配等级的自适应约束处理方法 NRAM 可提升复杂梯级高维调度决策模型的求解收敛速度、可行调度方案求解成功 率 SR PAR3 f(x) cj(x) F(x) OFF3 OFF3 f(x) cj(x)

预报技术上，根据水情和调 度需求，对水利工程调度参数进行调整，采用多种调度模式，为防汛指挥提供决策支持。 3.2.2.1.3.2 调度寻优模型 调度寻优模型的目的是在满足水力、调度和入流等各种约束条件下，采用某种策略， 找到水系中闸门和泵站等可控工程设施的组合运行调度规则，使整个水系的综合防洪效 果达到最优。调度寻优模型以水系的暴雨径流过程为输入，通过预报调度耦合模型模拟 计算得到整个