Page 63 - 2025年第56卷第9期

近年来，随着人工智能和大数据技术的发展，机器学习、深度学习等方法被应用到水库调度领
域 ［12-17］ 。特别是基于机器学习技术的大语言模型（Large Language Model，LLM）在自然语言处理领域的
强大能力，为水库调度规则的文本处理和决策特征分析提供了新的途径 ［18-20］ 。大语言模型凭借其强大
的语义理解与生成能力，能够有效地将原本复杂且模糊的调度规则文本描述，精准地转换为结构化的
逻辑表达式（如知识图谱），提高了调度规则的标准化和可操作性 ［19-20］ 。并且，通过逻辑化呈现调度决
策过程中的各个环节、条件判断以及决策路径等，为调度人员提供了清晰的决策视图，有助于快速识
别和优化决策流程中的瓶颈与不足。在目前采用大语言模型对调度规则进行研究的文献［19-20］中，
主要聚焦于将调度规则的形式进行知识图谱化。知识图谱能够表示多维度实体和关系，适合于复杂和
动态的决策问题，但它的复杂结构使得推理和推导过程的透明性较差。此外，知识图谱的构建通常需
要大量的人工干预和领域知识，图谱的动态更新和扩展也是一个挑战。
因此，本研究针对将水库调度规则的文本描述进行标准化处理的难题，通过建立本地化部署的大
语言模型，对长江流域水库群的联合防洪调度规则进行标准化改造，形成一套通用、透明、易操作的
联合调度规则决策树（Decision Tree，DT）体系。在此基础上，深入分析 DT 调度规则的关键决策变量和
决策复杂度与水库群属性的关联，揭示调度规则决策的决定性因素，为调度规则的优化和改进提供科
学依据。研究成果不仅有助于提升长江流域水库群联合调度的科学性和有效性，也为深入理解水库调
度的决策过程提供了新的视角。

2 长江流域水库群概况及调度现状

长江流域是我国重要的水资源区，其水工程体系的建设与发展对于保障区域防洪安全、促进水资
源合理利用具有重要意义。随着 《长江流域综合规划（2012—2030 年）》 的实施，目前已经建成以上游
干支流水库为主，中下游以堤防为基础、三峡水库为骨干的综合防洪体系 。根据最新批复的长江流
［3］
域水工程联合调度运用计划 ，长江流域共有 127 处水工程纳入联合调度，包括 53 座控制性水库、
［3］
46 处蓄滞洪区、13 座排涝泵站、9 座水闸以及 6 项引调水工程。在长江流域水工程联合调度运用计划
中，长江流域水库群的联合调度范围从上游逐步扩展至全流域，调度目标也从单一防洪向蓄水、供
水、生态、应急等多目标综合调度转变。目前已经形成了三峡水库为核心，辅以金沙江下游的四座梯
级水库作为骨干力量，同时整合了金沙江中游水库群、雅砻江水库群、岷江水库群、嘉陵江水库群、
乌江水库群以及清江群、洞庭湖“四水”群、汉江群、鄱阳湖“五河”群等 9 个上中游梯级水库群组，
共同构成了长江流域高效协同的水库群联合调度网络（图 1）。

图 1 长江流域控制性水库群分布

— 1167 —