1.基于最优卷积二维化的水库调度方法，包括如下步骤：步骤1.基于多目标最优化算法的输入数据卷积化处理

1.1:计算多层二维矩阵Mc；输入水库动态精细化综合调度数据的二维卷积化部分将输入的多维时间序列历史数据进行二维化处理，生成多层二维矩阵Mc；

式中，c为二维矩阵的层数，Sp,Sq为序号为p和q传感器采集的水库动态精细化综合调度数据向量，p,q是任何一种时间序列的调度数据，包括各个水库的径流量历史、各个水库的所在区域的降雨量历史数据、各个水库的所在区域的温度历史数据，将两个维度的历史数据按照公式(1)进行可卷积化，生成一个单层的二维可卷积矩阵，若对输入数据所有的数据维度tw都进行卷积化处理；

1.2:计算水库动态精细化综合调度数据维度之间的相关性P，多维矩阵的最大层数是数据维度的组合数，在实际的水库动态精细化综合调度过程中，直接组合数会产生组合爆炸，此外，在所有的可卷积矩阵都代表着水库调度输入数据的两两相关性，在这些相关性中，很多的矩阵中提供的信息是重复的，就会造成计算量的进一步的浪费；因此，为了增加模型的计算效率，需要根据水库动态精细化综合调度数据的实际物理意义，将实际有效的卷积矩阵挑选出来，形成卷积矩阵链；将步骤1中得到的历史数据Mc通过大数据分析方法A(·)，得到水库动态精细化综合调度数据维度之间的相关性P；

1.3:建立目标函数寻找最优矩阵链条；根据P可以建立一个最优化问题来寻找最优的卷积矩阵链，在最优的卷积矩阵链中，剔除了无法为模型提供有效信息的单张卷积矩阵，并且将所有的有效单张卷积矩阵以最优的顺序排列了起来；从而转化成最优化问题，其目标函数如下：

s.t.：0＜i＜tw      (2)式中E代表整个排列的总相关性矩阵，矩阵中保存了卷积矩阵链的相关性E1，长度E2，广泛性E3等目标参数，分别为相应计算模型R(l)描述，i为相对的索引参数；对于该多目标优化模型，采用已取得成果的改进的基于分解的多目标优化算法(MOEA/D‑AU)进行相应的优化求解；该算法将一个多目标优化问题分解为N个子问题进行同步求解，并且在进化过程中采用邻居解集和解到相关权向量到角度关系作为评判标准；

1.4：确定多目标问题

算法采用的分解方法是切比雪夫分解法(TCH)，分解方法如下：subject to X∈Ω               (3)te *

其中g 是目标聚合函数，也就是公式(2)中所要求解的E，是算法中的权向量，Z 是理想，i＝1,2,…m为对应的优化目标系数，对于公式(2)而言，此处的m＝k，所要优化的目标有卷积矩阵链的相关性E1，长度E2，广泛性E3等目标参数，公式(3)中的各个目标对应的目标函数f(x)则为计算模型R(l)；

1.5:进行进化

对步骤1中确定的卷积优化问题进行进化求解，根据所采用算法的特性，选择用来确保进化解集收敛性的邻居向量数量和控制解集分布性的角度范围数量T都为5，对公式(2)中的目标E进行进化求解，在迭代过程中不断求得更加优秀的卷积矩阵链的相关性E1，长度E2，广泛性E3的目标参数；

1.6:进化结束，求得最优解集PS经过进化求解后，求得了收敛性和分布性都较为优秀的最优解集PS，将解集带入到公式(3)中，可以得到对应的相关性矩阵P，从而得到最优的卷积矩阵链；

步骤2.基于卷积神经网络的动态调度模型构建

2.1:深度卷积网络的权值矩阵初始化在对网络训练前，需要对整个网络的结构进行总体设计；对网络的深度，每一层的神经元的个数，非线性单元的种类和形式进行初始化；

2.2:深度神经网络的卷积化训练网络的训练流程如下：

输入数据的前向传播，前向传播满足公式如下所示：l l l l l

z＝wMc'+b ,a＝σ(z)         (4)l l l l

式(4)中，z为向下一级传输的信息，w为神经网络的权值，a为网络的偏置，σ(z)为非线性的神经元处理；卷积网络通过共享权值的卷积核进行权值的设定，在本文中不做详细介绍；计算输出层产生的误差，误差满足如下公式：l l+1 T l+1 l

δ＝((w )δ )Θσ'(z)     （5）l l

公式(5)中δ为网络的最终输出与标签的错误误差， 为梯度算子，CΘσ'(z)代表在输出层的目标输出与模型计算输出的差距；

计算每一层的反向传播误差，反向传播的误差满足如下公式：l l+1 T l+1 l

δ＝((w )δ )Θσ'(z)          (6)l l

公式(6)中δ为使用δ计算的向前传递的每层误差，l为层数；

使用梯度下降法进行训练，训练使用的方法满足如下公式(7)：步骤3.评估模型和调整方案生成包括训练部份和实时调度部分，具体步骤如下：

3.1训练部分

3.1.1：获取水质全局数据，数据储存的历史数据(H)：各个水库流域的历史降水量(Hj)历史径流量(Hr)，历史湿度(Hs)，历史温度(Hw)，历史排水量(Hp)，历史生态需水量(Ha)和和传感器采集(M)的当前数据，和历史目标数据(A)；

3.1.2：卷积二维化，将上述数据(H)输入按照步骤一进行二维化处理，将结构复杂的数据形式(H)转化为规则的二维数据(Eh)；

3.1.3：调度卷积神经网络的训练；使用二维数据(E)和历史目标数据(A)进行神经网络的训练，其中E作为导师数据的输入形式，A作为导师数据的输出；通过训练，将整个神经网络的系数进行调整，直到可以适应调度输出形式；得到神经网络权值结构数据(Nd)在实时调度部分的步骤如下：

3.2.1：获取水质全局数据，数据储存的历史数据(H)：各个水库流域的历史降水量(Hj)历史径流量(Hr)，历史湿度(Hs)，历史温度(Hw)，历史排水量(Hp)，历史生态需水量(Ha)和和传感器采集(M)的当前数据：当前降水量(Mj)当前径流量(Mr)，当前湿度(Ms)，当前温度(Mw)，当前排水量(Mp)，当前生态需水量(Ma)；

3.2.2：获取训练部份得到的得到神经网络权值结构数据(N)，构建卷积神经网络模型(N)

3.2.3：当前数据的卷积二维化，将实时的水质全局数据(H)和当前数据(M)按照步骤一进行二维化处理；得到规则的二维数据(Eha)；

3.2.4：实时的调度指令输出；将3.2.3得到的规则的二维数据(Eha)输入步骤3.2.2得到的调度模型中进行运算，得到实时的调度指令，完成当前调度目标；

3.2.5：使用传统的调度数学模型对调度的指令进行评估，如果评估结果优秀，则输出指令，如果调度结果不合理，切换人工操作；

3.2.6：重复操作3.2.1。