水利行业智能水情监测与调度方案

水利行业智能水情监测与调度方案TOC\o"1-2"\h\u6969第1章绪论 4150331.1背景与意义 481591.2国内外研究现状 4304461.3研究目标与内容 410739第2章水利行业智能水情监测技术 5177242.1水情监测技术概述 5326482.2数据采集与传输技术 5288322.2.1传感器技术 5123042.2.2通信技术 585812.3数据处理与分析技术 5179292.3.1数据预处理 554452.3.2数据分析技术 5150832.3.3机器学习与人工智能 5293982.4水情监测新技术与发展趋势 5265442.4.1遥感技术 6117112.4.2物联网技术 6159802.4.3大数据与云计算 6127402.4.4智能化调度 615822第3章水利行业智能调度技术 694553.1智能调度技术概述 6218883.2水库调度技术 6150703.3河道调度技术 6273333.4智能调度算法与应用 711131第4章水利信息系统设计与实现 7263104.1系统总体设计 7124314.1.1设计原则 7175074.1.2系统架构 7186384.1.3技术选型 73964.2数据库设计 8133824.2.1数据库选型 8144464.2.2数据表设计 8320964.2.3数据库访问接口设计 817854.3系统功能模块设计 8150594.3.1用户管理模块 8244484.3.2水情监测模块 8230954.3.3调度方案模块 8295794.3.4预警信息模块 8214.3.5数据统计与分析模块 8128214.4系统实现与测试 8127184.4.1系统实现 8237494.4.2系统测试 8240184.4.3系统部署 950914.4.4系统维护与升级 917781第5章水情监测与调度模型构建 9304975.1水文水资源模型 925345.1.1模型概述 9106025.1.2模型结构 955935.1.3模型参数 9144125.2水质模型 9326725.2.1模型概述 9112115.2.2模型结构 9138935.2.3模型参数 9270265.3水库调度模型 962495.3.1模型概述 9119975.3.2模型结构 10192095.3.3模型参数 10160235.4河道调度模型 1060545.4.1模型概述 1034545.4.2模型结构 1052115.4.3模型参数 1017481第6章智能水情监测与调度算法研究 10117446.1机器学习算法 10287116.1.1线性回归算法 10109076.1.2决策树算法 10153786.1.3支持向量机算法 10141146.2深度学习算法 1186446.2.1卷积神经网络（CNN） 11204446.2.2循环神经网络（RNN） 11141626.2.3长短时记忆网络（LSTM） 11144996.3遗传算法与粒子群优化算法 1199226.3.1遗传算法 11313916.3.2粒子群优化算法 1118046.4多目标优化算法 11249976.4.1多目标优化算法概述 11190496.4.2帕累托优化方法 11322256.4.3多目标粒子群优化算法 1121472第7章智能水情监测与调度系统集成 1150217.1系统集成技术概述 1257407.2系统集成架构设计 12292737.2.1系统整体架构 12292417.2.2系统模块架构 12137167.3系统集成关键技术 12268147.3.1数据采集与处理技术 12176597.3.2通信技术 13181197.3.3数据分析与决策技术 13222217.4系统集成测试与优化 1370807.4.1系统集成测试 1337767.4.2系统优化 1320272第8章智能水情监测与调度应用案例 14257688.1案例一：某水库智能调度应用 14297218.1.1项目背景 1465698.1.2系统构成 1489628.1.3应用效果 14306628.2案例二：某河道智能调度应用 14190058.2.1项目背景 14140828.2.2系统构成 142378.2.3应用效果 15318548.3案例三：某城市防洪排涝智能调度应用 1582728.3.1项目背景 15191728.3.2系统构成 15154078.3.3应用效果 15148968.4案例总结与分析 167093第9章智能水情监测与调度效益评估 16125419.1评估方法与指标 1677599.1.1经济效益指标：包括投资回报期、净现值、内部收益率等。 16324569.1.2社会效益指标：包括水资源利用效率、防洪减灾效益、供水保障率等。 1651869.1.3环境效益指标：包括水环境质量改善、生态系统恢复、生物多样性保护等。 16242119.2经济效益评估 1643669.2.1投资回报期：通过优化调度，提高水资源利用效率，降低运行成本，使投资回报期缩短。 16287419.2.2净现值：项目在整个运行期内，产生的现金流入与现金流出的差额，反映出项目的盈利能力。 16117439.2.3内部收益率：评估项目投资收益水平，反映投资风险程度。 16260559.3社会效益评估 1693719.3.1水资源利用效率：通过实时监测和优化调度，提高水资源的利用效率，缓解水资源紧张局面。 17190509.3.2防洪减灾效益：通过提前预警、及时调度，降低洪水灾害风险，保障人民群众生命财产安全。 17123679.3.3供水保障率：提高供水调度水平，保证供水安全，满足社会经济发展需求。 17158959.4环境效益评估 17179269.4.1水环境质量改善：通过优化水资源调度，减少污染物排放，改善水环境质量。 1729009.4.2生态系统恢复：保障生态用水，促进生态系统恢复，维护生态平衡。 1744299.4.3生物多样性保护：通过合理调度，保护生物栖息地，维护生物多样性。 1730247第10章智能水情监测与调度发展展望 171483910.1技术发展趋势 172134110.2政策与管理建议 172581910.3市场前景分析 181299310.4未来研究方向与挑战 18第1章绪论1.1背景与意义全球气候变化和人口增长，我国水利行业面临着日益严峻的挑战。水资源短缺、水环境污染、水灾害频发等问题严重威胁着国家的经济建设和人民群众的生活安全。在此背景下，智能水情监测与调度成为解决我国水利问题的关键技术手段。通过运用现代信息技术、自动化技术及大数据分析等方法，实现水资源的合理调配、水灾害的有效预防和水利工程的高效管理，对提高我国水利行业管理水平具有重要意义。1.2国内外研究现状国内外学者在智能水情监测与调度领域取得了丰硕的研究成果。国外研究主要集中在水信息采集、水文模型、水资源优化配置等方面，如美国、澳大利亚等国家利用卫星遥感技术、无人机等手段进行大范围水情监测，并通过水资源管理系统实现水资源的实时调度。国内研究则主要关注水文预报、水资源配置、水库调度等方面，如长江、黄河等流域的水情监测与调度系统建设，取得了显著的成果。1.3研究目标与内容本研究旨在针对我国水利行业的特点和需求，提出一套智能水情监测与调度方案，主要包括以下研究内容：（1）研究水情监测技术，包括地面监测站、遥感卫星、无人机等多种监测手段的集成与应用，为水情预测与调度提供准确的数据支持。（2）构建水文模型，结合机器学习、深度学习等方法，提高水情预测的准确性。（3）研究水资源优化配置方法，以实现水资源的高效利用。（4）设计智能调度系统，充分考虑水利工程、经济社会、生态环境等多方面因素，实现水资源的合理调度。（5）开展实证研究，验证所提出的智能水情监测与调度方案的有效性。通过本研究，有望为我国水利行业提供科学、先进、实用的智能水情监测与调度技术，为保障国家水安全、促进经济社会可持续发展贡献力量。第2章水利行业智能水情监测技术2.1水情监测技术概述水情监测是水利工程管理的重要组成部分，涉及水文、气象、地质等多个学科领域。智能水情监测技术通过先进的信息化手段，对水体的各种物理、化学、生物特性进行实时监测，为水利工程的规划、设计、建设及运营管理提供科学依据。本章将从数据采集、传输、处理与分析等方面，对水利行业智能水情监测技术进行详细阐述。2.2数据采集与传输技术2.2.1传感器技术水情监测传感器是获取水情数据的关键设备，主要包括水位、流速、降雨量、水温、水质等参数的传感器。传感器技术的发展趋势是向高精度、小型化、低功耗、智能化方向发展。2.2.2通信技术水情监测数据传输主要依赖于无线通信技术，包括GPRS、3G/4G、LoRa、NBIoT等。这些通信技术在传输距离、功耗、数据速率等方面各有优势，可根据实际需求选择合适的通信技术。2.3数据处理与分析技术2.3.1数据预处理数据预处理主要包括数据清洗、数据校验、数据归一化等，目的是消除数据中的异常值、缺失值等，保证数据质量。2.3.2数据分析技术数据分析技术包括时序分析、相关性分析、聚类分析等，通过这些分析方法，可以挖掘出水位、降雨量、水质等参数之间的内在联系，为水情预测和调度提供依据。2.3.3机器学习与人工智能机器学习与人工智能技术在水情监测领域得到了广泛应用。如使用神经网络、支持向量机等算法进行水情预测，以及利用深度学习技术进行图像识别，提取水体特征等。2.4水情监测新技术与发展趋势2.4.1遥感技术遥感技术具有监测范围广、时效性强、成本低等优点，逐渐成为水情监测的重要手段。通过遥感卫星、无人机等平台，获取水体面积、水位、水质等数据，为水情监测提供丰富信息。2.4.2物联网技术物联网技术将传感器、通信技术、数据处理技术等有机融合，实现水情监测的智能化、自动化。未来，物联网技术在水情监测领域的应用将更加广泛。2.4.3大数据与云计算水情监测数据量的不断增长，大数据与云计算技术在水情监测领域的应用日益显现。通过海量数据的存储、处理和分析，为水利工程提供更加精确、实时的决策支持。2.4.4智能化调度智能化调度是水情监测技术的最终目标。通过构建水情监测与调度模型，实现对水利工程设施的自动控制与优化调度，提高水利工程的运行效率和安全功能。第3章水利行业智能调度技术3.1智能调度技术概述智能调度技术是指利用现代信息技术、自动化技术、数据挖掘与分析技术等，实现对水资源的合理、高效调度与管理。本章主要介绍水利行业智能调度技术的基本原理、方法及其在水库、河道等方面的应用。3.2水库调度技术水库调度是水利工程中的重要环节，对于保障水资源合理利用、防洪减灾、发电等方面具有重要意义。智能水库调度技术主要包括以下几个方面：（1）水库运行参数监测：利用各种传感器、遥感技术等，实时监测水库的水位、库容、降雨量、入库流量等运行参数。（2）水库调度模型：根据水库运行目标（如发电、供水、防洪等），构建数学模型，实现对水库调度的优化。（3）水库调度策略：结合实时监测数据、历史数据和预报数据，制定合理的调度策略，实现水库运行的自动化、智能化。3.3河道调度技术河道调度是针对河道水位、流量、水质等方面进行管理与控制的过程。智能河道调度技术主要包括以下几个方面：（1）河道监测技术：利用水文站、水位站等设施，实时监测河道水位、流量、水质等参数。（2）河道调度模型：构建河道水动力学模型、水质模型等，为河道调度提供理论依据。（3）河道调度策略：结合实时监测数据、预报数据等，制定河道调度策略，实现河道水资源的合理配置。3.4智能调度算法与应用智能调度算法是实现水利行业智能调度的重要手段。以下介绍几种常用的智能调度算法及其应用：（1）遗传算法：通过模拟生物进化过程，求解水库调度、河道调度等优化问题。（2）粒子群算法：基于群体智能优化理论，求解水利工程中的调度问题。（3）神经网络算法：利用神经网络的学习和泛化能力，对水库、河道等调度问题进行建模和预测。（4）支持向量机算法：通过构建最优分割超平面，实现调度问题的分类和预测。在实际应用中，智能调度算法可根据具体问题进行组合和优化，为水利行业提供高效、准确的调度决策支持。第4章水利信息系统设计与实现4.1系统总体设计4.1.1设计原则本系统遵循模块化、标准化、可扩展性和易用性原则，保证系统的高效运行和后期维护。4.1.2系统架构系统采用B/S架构，分为客户端和服务端两部分。客户端主要负责数据展示和交互，服务端负责数据处理和存储。4.1.3技术选型系统采用Java语言开发，使用SpringBoot框架，结合MyBatis数据库访问技术，实现前后端分离的设计。4.2数据库设计4.2.1数据库选型根据系统需求，选择关系型数据库MySQL作为数据存储方案。4.2.2数据表设计根据业务需求，设计以下主要数据表：用户表、监测点表、监测数据表、调度方案表、预警信息表等。4.2.3数据库访问接口设计使用MyBatis框架，为每个数据表定义相应的Mapper接口，实现数据表的增删改查操作。4.3系统功能模块设计4.3.1用户管理模块实现对系统用户的注册、登录、权限分配等功能。4.3.2水情监测模块实现对监测点的水位、流量、水质等数据的实时采集、展示和分析。4.3.3调度方案模块根据监测数据，合理的水库调度方案，并进行优化。4.3.4预警信息模块对监测数据进行实时分析，发觉异常情况及时发出预警信息。4.3.5数据统计与分析模块对历史监测数据进行统计和分析，为决策提供依据。4.4系统实现与测试4.4.1系统实现根据系统设计，采用前后端分离的方式，分别实现客户端和服务端的代码编写。4.4.2系统测试对系统进行功能测试、功能测试、兼容性测试等，保证系统满足需求且稳定可靠。4.4.3系统部署将系统部署到生产环境，进行实际运行和监控。4.4.4系统维护与升级根据用户反馈和需求变更，及时进行系统维护和功能升级。第5章水情监测与调度模型构建5.1水文水资源模型5.1.1模型概述水文水资源模型是水情监测与调度的基础，其目的在于模拟和预测流域内水文循环过程，为水资源管理提供科学依据。本节将构建适用于水利行业的水文水资源模型，综合考虑降水、蒸发、土壤水、地表水及地下水等水文要素。5.1.2模型结构水文水资源模型采用分布式水文模型，将流域划分为若干个子流域，对每个子流域进行水文过程模拟。模型结构包括降水模块、蒸散发模块、土壤水分模块、地表径流模块和地下水模块。5.1.3模型参数模型参数的选取和率定对模型精度具有重要影响。本节将介绍模型参数的选取原则及率定方法，包括敏感性分析、参数优化等。5.2水质模型5.2.1模型概述水质模型是预测和评估水环境中污染物浓度分布的重要工具。本节将构建适用于水利行业的水质模型，以期为水质管理和保护提供科学依据。5.2.2模型结构水质模型采用对流扩散方程为基础，考虑污染物在水体中的吸附、降解、生物转化等过程。模型结构包括对流模块、扩散模块、反应模块和边界条件模块。5.2.3模型参数本节将介绍水质模型参数的选取和率定方法，包括敏感性分析、参数优化等。同时针对不同污染物特性，对模型参数进行分类讨论。5.3水库调度模型5.3.1模型概述水库调度模型是针对水库运行管理中的水量、水位、发电、灌溉、防洪等需求，进行优化调度的数学模型。本节将构建适用于水利行业的水库调度模型。5.3.2模型结构水库调度模型采用线性规划、非线性规划等方法，以水库运行目标为约束条件，构建目标函数和约束条件。模型结构包括目标函数、约束条件、决策变量等。5.3.3模型参数本节将介绍水库调度模型参数的选取和率定方法，包括敏感性分析、参数优化等。同时针对不同水库运行阶段，对模型参数进行调整。5.4河道调度模型5.4.1模型概述河道调度模型是针对河道水流过程进行优化调度的数学模型。本节将构建适用于水利行业的河道调度模型，以提高河道水资源利用效率。5.4.2模型结构河道调度模型采用水力学方程、优化算法等方法，以河道水位、流量、防洪等需求为约束条件，构建目标函数和约束条件。模型结构包括目标函数、约束条件、决策变量等。5.4.3模型参数本节将介绍河道调度模型参数的选取和率定方法，包括敏感性分析、参数优化等。同时针对不同河道特点，对模型参数进行分类讨论。第6章智能水情监测与调度算法研究6.1机器学习算法6.1.1线性回归算法线性回归算法在水情监测与调度中，主要应用于预测河流径流量、水库蓄水量等指标。本节将介绍线性回归算法的基本原理及其在水利行业的应用。6.1.2决策树算法决策树算法具有易于理解、计算简单等特点，适用于水情分类与预测。本节将阐述决策树算法的原理，并探讨其在水情监测与调度中的应用。6.1.3支持向量机算法支持向量机算法在水情监测与调度领域具有良好的泛化功能，本节将介绍支持向量机算法的基本概念，并分析其在水利行业的应用前景。6.2深度学习算法6.2.1卷积神经网络（CNN）卷积神经网络在图像识别、语音识别等领域取得了显著成果。本节将探讨卷积神经网络在水情监测与调度中的应用，如洪水预测、水质分析等。6.2.2循环神经网络（RNN）循环神经网络在时间序列数据分析方面具有优势，本节将阐述循环神经网络的基本原理，并分析其在水情监测与调度中的应用潜力。6.2.3长短时记忆网络（LSTM）长短时记忆网络是循环神经网络的一种改进算法，适用于处理长序列数据。本节将探讨LSTM在水情监测与调度中的应用。6.3遗传算法与粒子群优化算法6.3.1遗传算法遗传算法是一种模拟自然选择和遗传机制的优化算法。本节将介绍遗传算法的基本原理，并分析其在水情监测与调度优化中的应用。6.3.2粒子群优化算法粒子群优化算法是一种基于群体智能的优化方法。本节将探讨粒子群优化算法在水情监测与调度中的应用，以提高水资源调度的效率。6.4多目标优化算法6.4.1多目标优化算法概述多目标优化算法旨在求解具有多个相互冲突的目标函数的问题。本节将介绍多目标优化算法的基本概念及其在水情监测与调度中的应用。6.4.2帕累托优化方法帕累托优化方法是一种多目标优化方法，可在多个目标之间寻求最优解。本节将阐述帕累托优化方法的基本原理，并探讨其在水利行业的应用。6.4.3多目标粒子群优化算法多目标粒子群优化算法结合了粒子群优化算法和多目标优化的特点。本节将分析多目标粒子群优化算法在水情监测与调度中的应用效果。第7章智能水情监测与调度系统集成7.1系统集成技术概述智能水情监测与调度系统集成是将各类监测设备、通信网络、数据处理与分析、调度决策等多个技术环节有机融合，实现水资源管理的高效、自动化和智能化。本章主要从系统集成技术角度出发，概述了智能水情监测与调度系统集成的关键技术和方法。7.2系统集成架构设计7.2.1系统整体架构智能水情监测与调度系统整体架构分为三层：感知层、传输层和应用层。（1）感知层：主要包括各种水情监测设备，如水位计、流速仪、水质分析仪等，实现对水体的实时监测。（2）传输层：采用有线和无线通信技术，如光纤、4G/5G、LoRa等，将感知层获取的数据传输至应用层。（3）应用层：对传输层接收到的数据进行处理、分析和调度决策，为水利行业提供智能化服务。7.2.2系统模块架构系统模块架构包括数据采集与处理模块、通信模块、数据分析与决策模块、调度执行模块等。（1）数据采集与处理模块：负责实时采集水情数据，并进行预处理，如数据清洗、数据压缩等。（2）通信模块：实现感知层与传输层的数据传输，保证数据的实时性和可靠性。（3）数据分析与决策模块：对采集到的数据进行分析处理，结合水利模型和算法，为调度决策提供支持。（4）调度执行模块：根据决策结果，对水利工程设施进行自动或手动调度。7.3系统集成关键技术7.3.1数据采集与处理技术数据采集与处理技术包括：（1）传感器技术：采用高精度、低功耗的传感器，实现对水体的多参数监测。（2）数据预处理技术：对采集到的原始数据进行清洗、压缩和归一化处理，提高数据质量。（3）数据融合技术：将多源、异构的水情数据融合处理，提高数据的可用性。7.3.2通信技术通信技术包括：（1）有线通信技术：采用光纤、网线等传输介质，实现数据的高速传输。（2）无线通信技术：采用4G/5G、LoRa、NBIoT等技术，实现远程、低功耗的数据传输。7.3.3数据分析与决策技术数据分析与决策技术包括：（1）水利模型构建：根据实际情况，构建适用于智能水情监测与调度的水利模型。（2）机器学习与人工智能算法：运用机器学习、深度学习等方法，实现水情预测和调度决策。（3）优化算法：采用遗传算法、粒子群算法等优化算法，提高调度决策的优化程度。7.4系统集成测试与优化7.4.1系统集成测试系统集成测试主要包括：（1）功能测试：验证系统各模块功能的正确性、完整性和稳定性。（2）功能测试：评估系统在负载、压力等条件下的功能表现，如响应时间、并发处理能力等。（3）兼容性测试：保证系统在不同硬件、软件环境下的正常运行。7.4.2系统优化系统优化主要包括：（1）硬件优化：根据测试结果，对硬件设备进行升级或更换，提高系统功能。（2）软件优化：优化算法和程序，提高数据处理和调度决策的效率。（3）系统维护与升级：定期对系统进行维护和升级，保证系统的长期稳定运行。第8章智能水情监测与调度应用案例8.1案例一：某水库智能调度应用8.1.1项目背景某水库位于我国东部地区，主要功能为供水、发电和防洪。水库运行年限的增加，传统的水情监测与调度方式已无法满足日益增长的用水需求。为提高水库调度效率，降低运行成本，水库管理部门决定引入智能水情监测与调度系统。8.1.2系统构成该水库智能调度系统主要包括以下部分：（1）水雨情监测系统：采用自动水位计、雨量计等设备实时采集水位、降雨量数据；（2）水质监测系统：采用在线水质监测仪器实时监测水库水质；（3）气象监测系统：收集水库周边的气温、湿度、风向等气象数据；（4）调度决策支持系统：利用大数据分析、人工智能等技术，对水库调度进行优化。8.1.3应用效果通过智能水情监测与调度系统的应用，该水库实现了以下效果：（1）提高水库调度精度，实现水资源合理分配；（2）降低水库运行成本，提高发电效率；（3）提前预警，有效应对水库洪水风险；（4）为水库管理部门提供科学、准确的决策依据。8.2案例二：某河道智能调度应用8.2.1项目背景某河道位于我国南部地区，流经多个城市，承担着重要的供水、航运和防洪任务。由于河道水位、流量等水情变化较大，传统调度方式难以满足实际需求。为提高河道水资源的利用效率，保障河道安全，决定引入智能水情监测与调度系统。8.2.2系统构成该河道智能调度系统主要包括以下部分：（1）水雨情监测系统：实时采集河道水位、降雨量等数据；（2）流量监测系统：采用超声波流量计等设备监测河道流量；（3）视频监控系统：对河道重点区域进行实时监控；（4）调度决策支持系统：通过大数据分析、人工智能等技术，为河道调度提供决策支持。8.2.3应用效果通过智能水情监测与调度系统的应用，该河道实现了以下效果：（1）提高河道水资源利用效率，保证河道供水安全；（2）降低河道防洪风险，保障沿岸居民生命财产安全；（3）优化航运条件，提高河道航运能力；（4）为河道管理部门提供科学、准确的决策依据。8.3案例三：某城市防洪排涝智能调度应用8.3.1项目背景某城市位于我国沿海地区，受台风、暴雨等天气影响，防洪排涝任务艰巨。为提高城市防洪排涝能力，减少内涝灾害，该城市决定引入智能水情监测与调度系统。8.3.2系统构成该城市防洪排涝智能调度系统主要包括以下部分：（1）水雨情监测系统：实时采集城市河道、湖泊水位、降雨量等数据；（2）泵站监控系统：监测泵站运行状态，实现远程控制；（3）排水管网监测系统：实时监测排水管网流量、水位等数据；（4）调度决策支持系统：利用大数据分析、人工智能等技术，为防洪排涝调度提供决策支持。8.3.3应用效果通过智能水情监测与调度系统的应用，该城市实现了以下效果：（1）提高防洪排涝能力，减少内涝灾害；（2）优化泵站运行，降低运行成本；（3）为城市防洪排涝管理部门提供科学、准确的决策依据；（4）提高城市应急响应能力，保障人民群众生命财产安全。8.4案例总结与分析（1）提高水资源利用效率，实现水资源合理分配；（2）降低水旱灾害风险，保障人民群众生命财产安全；（3）优化水利工程运行，降低运行成本；（4）为管理部门提供科学、准确的决策依据。同时这些案例也表明，智能水情监测与调度系统在实际应用过程中，需要充分考虑不同地区、不同工程的特点，结合实际情况进行优化调整，以保证系统的高效运行。在未来的发展中，智能水情监测与调度系统将继续为我国水利行业提供有力支持，助力水利事业高质量发展。第9章智能水情监测与调度效益评估9.1评估方法与指标为了全面、科学地评估智能水情监测与调度方案产生的效益，本章采用定性与定量相结合的评估方法。评估指标体系包括经济效益、社会效益和环境效益三个方面。具体评估指标如下：9.1.1经济效益指标：包括投资回报期、净现值、内部收益率等。9.1.2社会效益指标：包括水资源利用效率、防洪减灾效益、供水保障率等。9.1.3环境效益指标：包括水环境质量改善、生态系统恢复、生物多样性保护等。9.2经济效益评估智能水情监测与调度方案的经济效益主要体现在以下几个方面：9.2.1投资回报期：通过优化调度，提高水资源利用效率，降低运行成本，使投资回报期缩短。9.2.2净现值：项目在整