王高旭-面向數字孿生流域建設的洪澇模擬方法.pdf

《王高旭-面向數字孿生流域建設的洪澇模擬方法.pdf》由會員分享，可在線閱讀，更多相關《王高旭-面向數字孿生流域建設的洪澇模擬方法.pdf（42頁珍藏版）》請在三個皮匠報告上搜索。

1、P1王高旭水利部交通運輸部國家能源局南京水利科學研究院大數據與智慧水利研究中心副主任2024年6月26日面向數字孿生流域建設的洪澇模擬方法Tel:025-85828523Email:P2P2匯報提綱一、建設背景與新的要求二、洪澇模擬方面技術成果三、數字孿生流域建設成果四、未來展望P3P3建設背景與新的要求01P4數字孿生流域建設背景p 洪澇災害一直是我國的心腹之患 據2000多年的歷史資料統計，我國平均每兩年發生一次較大洪水 2/3以上的國土面積處在洪水威脅下“洪水風險依然是最大威脅”“全面提高風險防控水平”(習近平，2018）全國洪水威脅區域分布圖研發面向數字孿生流域建設的洪澇動態演進模擬業

2、務系統，是實現國家防洪減災和水利高質量發展和的關鍵任務P5數字孿生流域建設背景2017年，習近平總書記提出要建設網絡強國、數字中國、智慧社會，把“智慧社會”作為建設創新型國家的重要內容，這是黨中央從黨和國家事業全局出發做出的重要決策構建智慧水利體系，以流域為單元提升水情測報和智能調度能力2021年國家國民經濟和社會發展第十四個五年規劃和2035年遠景目標綱要大力推進數字孿生流域建設，并部署各流域管理機構先行先試。2021年水利部召開推進數字孿生流域建設工作會議大力推進數字孿生水利建設，支撐保障“四預”工作。2023年全國水利工作會議2023年，基本建成七大江河、11個重要水利工程數字孿生平臺。

3、2022年水利部印發關于開展數字孿生流域建設先行先試工作的通知P6新的要求p 雨水情監測尚不能滿足洪澇模擬的需求，需要加快構建雨水情監測預報“三道防線”受全球氣候變暖影響，我國極端暴雨頻發，人民群眾生命財產受到嚴重威脅，提升致災暴雨精細監測、精準預報預警能力，延長洪水預見期、提高預報精準度，是打好洪澇災害防御硬仗的重要基礎和支撐。痛點難點抓不住不敢用測不準時空分辨率低精準率低無法有效業務化P7新的要求p 模型的區域屬性強、且缺少多模型耦合工作機制，需要提出大范圍精細化產流模擬方法傳統模型復用難度大，在多模型耦合工作機制方面較為薄弱，在大范圍地區產流模擬存在一定的不足，需要建立一套統一的模型開發

4、和映射標準規范，在此基礎上研發大流域尺度精細化的產流模擬方法。水文模型土壤含水量土壤類型土地利用方式水利工程布局 水文模型中的下墊面信息P8新的要求p 模型普遍停留在定制化階段，通用化程度不高，重復建模工作大目前的水利專業模型尚不能適應智慧水利建設對水利專業模型“標準統一、接口規范、分布部署、快速組裝、敏捷復用”的要求，已成為行業亟待攻關解決的卡脖子技術之一。國外模型國內模型國外相關的商業軟件方法較為通用多針對特定區域問題定制，通用化程度低集中于數據模擬，與業務化運用有一定的距離針對性強，但尚欠缺統一、規范化接口。P9新的要求p 算法在高效支撐數字孿生業務上存在明顯不足，需改進算法，以提高計算

5、效率現有傳統的模型建模過程復雜，復用難度大、推廣成本高，在模型計算方面存在著計算時間過長的問題。需要改進算法與計算模式，提高模型的計算速度。復雜水網系統示意復雜水網系統示意堤防復雜水網精細刻畫水量交換節點精準建模P10P10洪澇模擬方面技術成果02P11第一道防線第一道防線天基：氣象衛星靜止：風云四號、葵花九號極軌：風云三號空基：測雨雷達第二道防線第二道防線地基：雨量站第三道防線第三道防線地基：水文站技術成果：延長預見期p 高精度X波段測雨雷達裝備與預報系統 針對高精度降水觀測的要求，研發了X波段高精度測雨雷達；針對低空降水研發了降雨觀測快速掃描模式及短時臨近降水預報系統，解決不同水文模型對降

6、水產品時空精度的定制化要求，提高了對流域局地極端降水的監測的精度和時效性；本成果可為延長雨水情的預見期、構建雨水情監測的“三道防線”提供解決方案。P12技術成果：延長預見期全新硬件設計，小型化、輕量化、低功耗化 整機重量150kg、可快速拆解為天線單元、俯仰艙體、收發組件、信號處理單元以及伺服底座等多個部件，最重分部件重量約20kg。整機功耗200瓦，可實現太陽能電池板供電，連續陰雨天運行7到10天。全天候全自動無人值守系統 一鍵開關機，無需專業人員操作；自適應體掃模式，選擇最優觀測角度；自動切換運行模式，節能環保；數據量小，普通網絡即可滿足遠程值守和數據傳輸。高適應性水文行業需求及水文模型系

7、統雷達觀測數據機內外實時訂正；結合地面雨量計動態修正降水算法系數；06小時短時臨近降水量預報產品；輸出流域或區域面降水量產品，與現有水文系統無縫對接。維修簡單方便高度集成化插拔式收發組件、信號處理器，故障實時響應，到達設備現場2小時內恢復工作。P13技術成果：延長預見期 提出了耦合深度學習和時空地理加權回歸的數據融合方法（GTWR-LSTM）；融合站點觀測數據與雷達回波反演或模式短臨預報數據，提供精細化降水時空數據；降低短臨預報平均絕對誤差減小10%以上，預見期延長6h以上。p 融合短臨預報和實測數據的降水空間分布計算方法短臨預報和實測數據深度融合引用LSTM模型計算GTWR距離權重時空地理加

8、權回歸長短記憶神經網絡P14技術成果：提高模擬精度p 基于物聯網感知與反饋的模型參數尺度自適應技術實現了不同空間尺度的高精度產流模擬，200m、500m和1000m尺度峰值流量的平均誤差分別下降10.3%、18.8%、32.0%提 出 了 產 流 模 型 空 間 尺度 自 適 應 校 正 方 法，建 立了 流 域 蓄 水 容 量 和 地 形 指數 的 動 態 響 應 關 系，降 低了 產 流 模 型 的 空 間 尺 度 依賴 性，實 現 了 不 同 空 間 尺度的高效模擬。不同尺度下蓄水容量空間分布不同尺度下的模擬結果1 Chen G,Zhao X,Zhou Y,et al.Emergency

9、 Disposal Solution for Control of a Giant Landslide and Dammed Lake in Yangtze River,ChinaJ.Water,2019,11(9).2 陳鋼,翟月,李小寧.河流逐時水溫預報方法.中國,CN201811187721.2.P15技術成果：提高模擬精度p 考慮流域空間異質性的組合水文預報模型 綜合考慮流域不同土地利用類型、地形差異和建模精度要求，建立了基于空間異質性的自適應水文單元劃分方法；建立了產流模式時空動態轉換的判別方法，在不同降水場景下動態匹配產流模型，實現了大范圍精細化產流模擬。產流空間異質性規律組合水文

10、預報模型P16技術成果：提高模擬精度p 耦合物理機制的深度學習：產匯流機制約束的深度學習洪水預報模型將水文學原理和數據驅動模型相耦合，構建物理函數約束的深度學習模型，在深度學習模型中考慮了流域產匯流的物理機制，使深度學習模型測預測結果更符合物理規律。在損失函數中嵌入物理機制在模型訓練模式中考慮物理機制P17p 耦合物理機制的深度學習：產匯流機制約束的深度學習洪水預報模型技術成果：提高模擬精度 模型結構：在充分考慮流域產匯流機制基礎上，模型構建了分布式的深度學習預報模型進行滾動預報，最大程度控制誤差；模型輸入：前24h降雨與邊界流量/水位，未來72h的氣象網格降雨預報結果；模型輸出：四條支流關鍵

11、斷面，以及麗水站、開潭水庫未來72h的流量/水位。P18技術成果：提高模擬精度p 耦合物理機制的深度學習：產匯流機制約束的深度學習洪水預報模型 適用性強：與其他神經網絡模型相比，模型結構適用于雨水情時間序列特征數據；精度較高：典型暴雨場景下，模型Nash效率系數達到0.95；建?？焖伲合噍^傳統水文模型率定參數的耗時，率定參數速度提高40倍。P19技術成果：提高模擬精度p 調度模型精細化模擬在各類規劃規程調度的基礎上，根據工程調度的需求，在流域水利工程調度拓撲關系圖上，針對調度對象和目標，可進一步優化水庫水閘的調度方式。不同控制單元水工程控制方式分段模式控制各種水力特性單元開展數值模擬，完整反應

12、洪水調度的物理過程P20技術成果：提高模擬精度p 誤差實時校正：物聯網感知與反饋的模型評估與實時校正技術同化測流數據后，河道流場模擬誤差降低15%以上建立了水文-水動力耦合模型適應性評估方法，提出了誘導有序二項式系數多模型集合方法，解決了適用模型的動態組合問題。構建了水文-水動力耦合模型的四維變分和集合卡爾曼濾波數據同化算法，實現了利用HADCP在線流量、側掃雷達和視頻測流數據對模型狀態的實時校正。多模型評估與集合卡爾曼濾波數據同化 多模式降水預報結果評估與融合：多元回歸分析、貝葉斯模型加權平均。水文-水動力耦合模型適應性評估：綜合多維精度評定指標（均方根誤差、效率系數、相關系數等）動態打分，

13、誘導有序二項式系數多模型集合方法。水文-水動力模型自適應校正四維變分數據同化1 Fan Y,et al.Machine learning methods for improved understanding of a pumping test in heterogeneous aquifersJ.Water,2020,12(5):1342.2 卓鵬,謝自銀等.一種基于視頻所測河流表面流速結合水力模型的河流流量測驗方法.ZL201910295293.3.3 北京師范大學,基于混合核函數的支持向量機模型軟件MixedSVM V1.0.P21技術成果：提升建模效率p 提高參數率定速度：基于深度學習替

14、代模型的參數快速動態率定 結合機器學習與隨機模擬的方法，基于深度學習構建了洪水模擬的替代模型；通過替代模型挖掘洪水模擬模型參數空間與對應目標函數空間的響應關系，經多次迭代計算確定相應目標空間的近似Pareto解集，實現對模型參數的快速率定，解決參數率定的計算負荷問題。采用替代模型快速率參P22技術成果：提升建模效率p 模型自我升級優化：增量學習模型下的模型自適應調整增量學習可以主動從新的洪水數據中學習并自主調整模型，能夠做到不重復處理歷史數據，修正并增強歷史數據使其與新數據相匹配。因此模型可以從新的數據中持續學習新知識，在歷史數據和新數據上均能表現良好。p 模型特點模型運行后自主學習，無需手動

15、調參；避免模型學習新知識后出現“災難性遺忘”（此長彼消）現象。P23技術成果：提升建模效率p 模型算法通用化與標準化P24技術成果：提升建模效率p 水系與工程拓撲關系解析與自動生成結合空間地理信息系統，基于前處理模塊形成的水工程、匯水單元、河網拓撲結構等基礎信息，確定工程調度模型范圍，以拖拽、鏈接等繪制或自動生成等方式，通過組件的組合和鏈接，形成流域或區域的水系和水利工程拓撲關系圖，為后續通用調度模型的構建提供數據底板。新建流域水系和工程拓撲關系拓撲關系自動化生成水庫水閘控制斷面P25技術成果：提升建模效率p 積木裝配式調度模型建?；谙到y連通拓撲關系和通用化標準化模塊，研發模型自組裝技術，實

16、現復雜防洪系統裝配式建模，提高建模效率、自動化和智能化水平復雜防洪系統調度模型庫與裝配式建模技術P26技術成果：提升模擬速度p 模型高效求解：并行優化算法二維有限控制體積計算的加速方法模型并行優化算法結合二維有限控制體積計算的加速方法，與基于CPU和GPU耦合并行加速技術的一二維耦合水動力學模型，實現洪水演進的快速模擬演算，解決洪水模擬計算時效性的問題P27技術成果：提升模擬速度p 模型高效求解：水工程優化調度算法 提出基于非支配等級的自適應約束處理方法NRAM 可提升復雜梯級高維調度決策模型的求解收斂速度、可行調度方案求解成功率f(x)cj(x)f(x)cj(x)OFF3OFF1OFF2f(

17、x)cj(x)OFF3OFF1OFF2OFF3 f(x)cj(x)F(x)OFF2 f(x)cj(x)F(x)OFF1 f(x)cj(x)F(x)PAR1 f(x)cj(x)F(x)PAR3 f(x)cj(x)F(x)PAR2 f(x)cj(x)F(x)1 遺傳操作2 個體評估3 適應度分配&4 個體選擇NRAMSRBRM個體約束處理方法若仍未達到最大進化代數約束處理方法NRAM概念設計約束處理集合技術框架P28技術成果：提升模擬速度p 智能調度：基于強化學習的水庫防洪調度強化學習是一種模型在環境中進行探索，并通過獎勵和懲罰來學習如何實現其目標的機器學習方法。例如，訓練一個游戲AI，如下棋或打

18、電子游戲，以便它能夠學習如何贏得比賽。在水庫調度中也可以通過獎懲信息來決策最優調度方案。游戲世界冠軍被OpenAI輕松擊敗在在1010個實時月內經歷了大約個實時月內經歷了大約4 4萬萬5 5千年的游戲千年的游戲訓練，平均每天的游戲量相當于人類玩家訓練，平均每天的游戲量相當于人類玩家250250年的積累。年的積累?？聺嵚鋽∮贏lpha GoP29技術成果：提升模擬速度p 智能調度：基于強化學習的水庫防洪調度 運用強化學習技術，有效解決了傳統調度方法面對大規模水庫群防洪調度時的“維數災”問題；模型訓練不依賴歷史洪水數據，克服了傳統調度方法過多依賴歷史先驗經驗的問題；能夠快速依據優化的調度策略給出調

19、度方案，解決了預見期較短下的水庫實時防洪調度模型計算的時效性問題；同時基于強化學習的人工智能水庫調度模型能夠實現自學習，不斷自我完善調度策略。P30技術成果：提升模擬速度p 洪澇快速模擬：基于深度學習的城市暴雨內澇時空變化快速模擬模型結合水文水動力模型和深度學習算法的優勢，實現地區暴雨內澇時空變化的快速模擬。構建水文水動力內澇模型，生成不同特征暴雨-內澇數據。構建深度學習模型，實現基于降雨預報下的內澇淹沒演進情況的快速模擬。內澇模型構建深度學習預測數據處理劃定研究區邊界，對現有研究區高程、管網和土地利用等數據進行處理，為模型搭建做好前期準備工作。構建SWMM和LISFLOOD-FP水文水動力模

20、型，經率定及驗證后，生成暴雨內澇數據庫。運用CNN深度學習算法對暴雨-內澇數據庫訓練和測試，實現基于實際降雨預報下的內澇淹沒演進情況的快速模擬。P31技術成果：提升模擬速度p 洪澇快速模擬：基于深度學習的城市暴雨內澇時空變化快速模擬 基于LISFLOOD-FP模型模擬河道洪水演進：動量方程連續性方程表1 LISFLOOD-FP模型二維求解方法模型特點模型特點1.基于正方形網格，地形采基于正方形網格，地形采用用ASCII格式；格式；2.輸出結果為輸出結果為ASCII碼文件碼文件，便于與，便于與GIS平臺對接；平臺對接；3.開源，可二次開發。開源，可二次開發。P32技術成果：提升模擬速度p 洪澇快

21、速模擬：基于深度學習的城市暴雨內澇時空變化快速模擬基于“2022620”洪水設計的不同洪水情景基于“2014820”洪水設計的不同洪水情景 基于典型洪水事件，利用同倍比放大/縮小法生成不同洪水等級的情景。生成了不同峰值大小和不同峰值時間的洪水情景共40場。P33技術成果：提升模擬速度p 洪澇快速模擬：基于深度學習的城市暴雨內澇時空變化快速模擬 模型基于Python語言開發，使用國際主流的 Tensorflow 2.10 深度學習框架。共構建3個一維卷積神經網絡模型，分別對應水位預測、x方向的流速預測以及y方向的流速預測。邊界條件：模型的上游邊界為玉溪水庫實測下泄流量及4個支流的流量，下游邊界為

22、開潭水庫的實測水位。輸入：5個流量邊界前24小時的流量（以每小時的流量為1個特征，共120個特征），淹沒發生時間T為所預測淹沒的時刻，共121個輸入特征。輸出：研究區水位淹沒柵格圖、流速淹沒柵格圖（x和y方向）。模型模型濾波器濾波器數量數量神經元神經元數量數量卷積核尺卷積核尺寸寸池化池化大小大小批大小批大小 學習率學習率水位預測水位預測CNN32,64,6432,11477273,5,52,2,2320.001流速預測流速預測CNN（x方向）方向）32,64,6416,11477279,9,93,3,3320.001流速預測流速預測CNN（y方向）方向）32,64,6416,11477279,

23、9,95,3,3320.001各CNN預測模型的超參數P34技術成果：提升模擬速度p 洪澇快速模擬：基于深度學習的城市暴雨內澇時空變化快速模擬基于傳統水動力學模型洪澇場景庫，采用CNN模型學習訓練，實現洪水演進的秒級模擬緊水灘水庫出庫流量松蔭溪：靖居口流量好溪：秋塘流量小安溪：長瀨流量宣平溪：上顯灘流量大港頭大港頭上游邊界流量過程開潭水庫水位 推廣性強：成果可為人工智能在城市暴雨內澇快速模擬及防災減災工作應用中提供參考；精度可靠：典型暴雨場景模擬中，計算峰值水位誤差在0.5%左右，峰現時間誤差在1h左右；模擬快速：較傳統水動力學模型，在115萬個網格上模擬典型暴雨場景，速度提高3600倍。下游

24、邊界水位過程P35P35數字孿生流域建設成果03P36數字孿生流域建設成果p 寶安區河湖智慧監管系統建設了基于X波段雷達的深圳市寶安區短時臨近降雨預報系統，建設了沙井河-排澇河流域骨干河網和重點工程的數字孿生平臺，研發了全過程、全要素的城市暴雨洪澇精細化模擬技術。預警結果展示道路淹沒預演預報結果展示預案對比展示P37數字孿生流域建設成果p 數字孿生潭江流域廣東江門數字孿生潭江流域先行先試：針對流域內22宗大中型水庫干流6宗水閘的防洪潮調度業務需求，通過通用平臺，搭建示范區域的水工程調度模型系統，實現流域水庫水閘群防洪潮調度業務功能。獲水利部數字孿生流域建設先行先試優秀應用案例，在全國科技周、中

25、國水博會展示。實時水雨情預警預報預演預案知識平臺2023年全國科技周2022年優秀應用案例2023年中國水博會P38數字孿生流域建設成果p 數字孿生潭江流域復演2018年山竹臺風暴雨過程，提出了72小時48小時的水工程群預泄控泄方案、24小時的實時調度方案，針對流域區間來水比重大的問題，上游水庫盡可能攔蓄洪峰、中游關鍵節點水閘開展錯峰適潮調度。數字孿生潭江現已處于試運行階段，利用現有和新建潭江流域監測數據，結合臺風暴雨、風暴潮預報情況，輸出潭江流域防汛監測預警分布圖及防洪調度指導圖，助力潭江流域水庫水閘群的聯合調度。典型臺風過程復演實時防洪潮調度指導P39數字孿生流域建設成果p 數字孿生佳蒂格

26、德(Jatigede)承擔了印尼水庫大壩數字孿生水利工程水利專業模型建設的任務，發揮技術與經驗優勢，持續提升東盟國家大壩安全保障能力水平，李國英部長對數字孿生建設階段成果給予了充分肯定。李部長視察大壩與指導工作對接資料系統平臺P40P40未來展望04P41未來展望 現代數據和計算機技術等為洪水預報的發展創造了有利條件；面向復雜氣候條件與水系條件下洪澇模擬，需要滿足“精準性”與“時效性”的高要求；以產匯流理論研究為基礎、智能算法為動力，數字孿生為技術框架，實現精細化分布式模擬，構建智慧化、通用化、知識化的系統是洪澇動態演進模擬的發展方向；基礎產匯流理論物理機制模型數據驅動模型知識驅動模型新安江模型結構框圖新安江模型結構框圖P42謝謝各位！Tel:025-85828523Email: