中小河流洪水預(yù)報(bào)調(diào)度智能系統(tǒng)建設(shè)思路及關(guān)鍵技術(shù)

□張 健

（貴州東方世紀(jì)科技股份有限公司）

0 引言

中國山地丘陵發(fā)育，水系發(fā)達(dá)，中小河流眾多，山洪易發(fā)。中小河流洪水具有突發(fā)性強(qiáng)、成災(zāi)快、預(yù)見期短、以及局部區(qū)域性和分布廣泛等特點(diǎn)。與大江大河洪水預(yù)報(bào)有大量水文測站數(shù)據(jù)和成熟預(yù)報(bào)模型不同，中小河流受資料及技術(shù)等限制，預(yù)報(bào)精度和時(shí)效性普遍不高，不能滿足洪水災(zāi)害預(yù)警預(yù)報(bào)及預(yù)報(bào)調(diào)度應(yīng)用需求。中小河流洪水預(yù)報(bào)及調(diào)度問題已成為水災(zāi)害防御工作的一個(gè)突出短板，且傳統(tǒng)方法無法補(bǔ)齊，亟待利用新技術(shù)、新方法開展研究攻堅(jiān)。

隨著地理信息系統(tǒng)（GIS）、衛(wèi)星遙感（RS）、和計(jì)算機(jī)技術(shù)的發(fā)展，尤其是人工智能與大數(shù)據(jù)技術(shù)的快速發(fā)展，為解決中小河流洪水預(yù)報(bào)及調(diào)度問題提供了新的思路和方法。文章分析了中小河流洪水預(yù)報(bào)及調(diào)度技術(shù)研究應(yīng)用現(xiàn)狀，基于大數(shù)據(jù)與人工智能等前沿技術(shù)，系統(tǒng)化提出中小河流洪水預(yù)報(bào)及調(diào)度智能系統(tǒng)建設(shè)思路及關(guān)鍵技術(shù)方法。

1 應(yīng)用研究現(xiàn)狀

1.1 中小河流洪水預(yù)報(bào)

中小河流洪水具有突發(fā)性強(qiáng)、成災(zāi)快、預(yù)見期短以及分布呈點(diǎn)多面廣等特點(diǎn)，決定了其預(yù)報(bào)有別于大江大河。目前，通過GIS、RS 技術(shù)手段獲得區(qū)域性流域基礎(chǔ)資料，構(gòu)建具有明確物理意義的分布式水文模型，開展中小河流洪水預(yù)報(bào)應(yīng)用研究較多。如：劉志雨等（2015）采用分布式水文模型TOPKAPI 在新安江上游屯溪流域進(jìn)行了應(yīng)用研究，基于1989—2003 年汛期的水文序列進(jìn)行模參數(shù)率定和驗(yàn)證，獲得了較好的效果。

當(dāng)前，中國中小河流大多還屬于無資料地區(qū)。無資料地區(qū)洪水預(yù)報(bào)（PUB）是當(dāng)前國際上水文水資源研究的熱點(diǎn)內(nèi)容。對于解決PUB問題，一般為水文區(qū)劃法、水文比擬法等傳統(tǒng)水文學(xué)方法和分布式水文模型。分布水文模型在無資料地區(qū)的應(yīng)用主要在于參數(shù)的分析確定方面，目前一般基于相似性原理，移用流域水文特性相近的其他有資料流域水文模型參數(shù)，或采用地貌參數(shù)法建立參數(shù)與流域地貌的相關(guān)關(guān)系。莊廣樹（2011）以改進(jìn)的HBV 模型為例，介紹應(yīng)用地貌參數(shù)法推求無資料地區(qū)模型參數(shù)的方法，并利用武江流域?qū)崪y50 場雨洪資料，建立了參數(shù)與流域地貌參數(shù)的相關(guān)關(guān)系，推求無資料流域模型參數(shù)，取得了較好效果。

1.2 水文模型參數(shù)優(yōu)化

模型參數(shù)設(shè)置對水文模型有效應(yīng)用至關(guān)重要。傳統(tǒng)的水文模型參數(shù)設(shè)定主要為試錯(cuò)法，通過人工不斷調(diào)整參數(shù)值，以達(dá)到模擬精度要求，該方法存在人為主觀性，工作重復(fù)性、復(fù)雜度極高。目前，在參數(shù)自動(dòng)優(yōu)化研究應(yīng)用中，多以智能化算法，尋求模型參數(shù)的全局優(yōu)化，整體向智能化方向發(fā)展。其中遺傳算法、多目標(biāo)粒子群算法（MOPSO）、單純多邊形進(jìn)化算法（SCE-UA）及其改進(jìn)的方法在水文模型的參數(shù)優(yōu)化中，獲得了廣泛的研究及應(yīng)用。張文明等（2008）建立了基于粒子群的多目標(biāo)算法，應(yīng)用于新安江模型參數(shù)優(yōu)化計(jì)算中，馬海波等（2006）用SCE-UA算法對TOPMODEL參數(shù)進(jìn)行了優(yōu)化應(yīng)用研究，均獲得了不錯(cuò)的效果。

1.3 水庫優(yōu)化調(diào)度

水庫優(yōu)化調(diào)度是一個(gè)涉及多方面的復(fù)雜的最優(yōu)控制問題，其研究在實(shí)際生產(chǎn)中具有很大的社會(huì)經(jīng)濟(jì)價(jià)值。傳統(tǒng)的水庫調(diào)度方法有動(dòng)態(tài)規(guī)劃、線性規(guī)劃、非線性規(guī)劃、離散微分動(dòng)態(tài)規(guī)劃等，一般以年為周期進(jìn)行優(yōu)化計(jì)算，可以求得穩(wěn)定的運(yùn)行序列并繪出調(diào)度圖來指導(dǎo)水庫的中長期調(diào)度運(yùn)行，但當(dāng)水庫數(shù)目較多時(shí)，計(jì)算量大，易產(chǎn)生“維數(shù)災(zāi)”問題。當(dāng)前，各種智能算法在水庫優(yōu)化調(diào)度中獲得廣泛研究及應(yīng)用，主要集中于解決大規(guī)模水電站水庫群的聯(lián)合優(yōu)化調(diào)度問題，和尋求在精度和速度上滿足應(yīng)用需求的求解算法。如：周建中等（2010）提出了多目標(biāo)混合粒子群算法，并將該算法應(yīng)用于三峽梯級(jí)水電站多目標(biāo)優(yōu)化調(diào)度工程，獲得了計(jì)算實(shí)時(shí)性強(qiáng)、分布均勻、收斂性好的調(diào)度方案集。

1.4 分析計(jì)算速度

提高洪水預(yù)報(bào)系統(tǒng)的分析計(jì)算速度，可延長有效預(yù)見期，對提高預(yù)報(bào)成果的時(shí)效性和防洪減災(zāi)有重要的意義。當(dāng)前，針對海量數(shù)據(jù)存儲(chǔ)、管理和分析計(jì)算，大數(shù)據(jù)技術(shù)發(fā)展迅速，如：Hadoop、Spark、Storm等，并在交通、金融、在線購物等行業(yè)獲得了廣泛應(yīng)用。在水利行業(yè)，大數(shù)據(jù)技術(shù)重點(diǎn)在洪旱災(zāi)害管理、水利工程管理和水資源管理等方面開展了研究及應(yīng)用，且多在數(shù)據(jù)的獲取、存儲(chǔ)和共享交換方面，而在采用大數(shù)據(jù)技術(shù)提高洪水預(yù)報(bào)模型系統(tǒng)的分析計(jì)算速度方面的研究及應(yīng)用較少。

2 整體建設(shè)思路

基于分布式水文模型及大數(shù)據(jù)與人工智能等前沿技術(shù)，系統(tǒng)化開展中小河流洪水預(yù)報(bào)及調(diào)度智能化應(yīng)用建設(shè)。首先，基于分布式水文模型的基本理論方法，結(jié)合中小河流氣象水文規(guī)律，構(gòu)建具有良好通用性的分布式中小河流降雨-徑流模型，構(gòu)建流域水工程調(diào)度數(shù)學(xué)模型。其次，為有效落地應(yīng)用，采用遺傳算法、粒子群等智能算法，解決降雨-徑流模型參數(shù)自動(dòng)優(yōu)化問題；無資料地區(qū)模型參數(shù)分析，采用地貌參數(shù)法建立模型參數(shù)與流域?qū)傩灾g的相關(guān)關(guān)系；采用最小二乘、自回歸模型和卡爾曼濾波等誤差校正方法，校正提高有測站河流的預(yù)報(bào)精度；采用遺傳算法、多目標(biāo)混合粒子群等智能算法，實(shí)現(xiàn)水工程優(yōu)化調(diào)度；利用Hadoop MapReduce、Spark等主流大數(shù)據(jù)分析處理技術(shù)，結(jié)合降雨-徑流模型的并/串行演算邏輯特點(diǎn)，搭建洪水預(yù)報(bào)大數(shù)據(jù)分析計(jì)算平臺(tái)，提高計(jì)算速度，延長預(yù)報(bào)有效預(yù)見期?？傮w技術(shù)架構(gòu)如圖1所示。

圖1 總體技術(shù)架構(gòu)圖

3 關(guān)鍵技術(shù)

3.1 中小河流降雨-徑流模型構(gòu)建

降雨-徑流模型是洪水預(yù)報(bào)系統(tǒng)的核心。通過綜合分析中小河流氣象水文特征規(guī)律，基于數(shù)字高程模型（DEM）生成高精度數(shù)字化水系，劃分基本流域計(jì)算單元。在分布式水文模型應(yīng)用研究基礎(chǔ)上，采用應(yīng)用較為成熟的蓄滿/超滲產(chǎn)流、單位線、馬斯京根等產(chǎn)匯流方法，構(gòu)建具有物理意義的中小河流分布式降雨-徑流模型；并與氣象模式（WRF）預(yù)報(bào)成果和實(shí)測降水?dāng)?shù)據(jù)進(jìn)行耦合應(yīng)用，分別實(shí)現(xiàn)基于實(shí)測降水?dāng)?shù)據(jù)驅(qū)動(dòng)的實(shí)時(shí)洪水預(yù)報(bào)，和基于WRF預(yù)報(bào)成果驅(qū)動(dòng)的氣象-水文耦合洪水預(yù)報(bào)。

3.2 模型參數(shù)智能優(yōu)化

流域水文過程系統(tǒng)具有時(shí)變性和不確定性，決定了模型參數(shù)具有同樣的不確定性和時(shí)變性特點(diǎn)。而模型參數(shù)的優(yōu)化效率及效果，在一定程度上決定了預(yù)報(bào)模型的有效應(yīng)用。可應(yīng)用遺傳算法、粒子群（PSO）、SCE-UA 等智能優(yōu)化算法，構(gòu)建參數(shù)自動(dòng)優(yōu)化模型，實(shí)現(xiàn)有水文測站的中小河流模型參數(shù)的逐年（或自定義分期）自動(dòng)優(yōu)化更新迭代，以適應(yīng)水文系統(tǒng)的時(shí)變性特點(diǎn)，提高模型預(yù)報(bào)精度。

3.3 無資料地區(qū)參數(shù)分析

充分運(yùn)用新的系統(tǒng)理論與方法、計(jì)算機(jī)技術(shù)和遙感手段是無資料地區(qū)水文預(yù)報(bào)新的出路。無資料地區(qū)的水文模型參數(shù)分析，可采用相似性原理移用有資料地區(qū)的參數(shù)，或采用地貌參數(shù)法建立模型參數(shù)與流域?qū)傩灾g的相關(guān)關(guān)系。文章推薦采用地貌參數(shù)法，根據(jù)有資料地區(qū)模型參數(shù)率定成果，建立模型參數(shù)與流域面積、河長、坡度、植被覆蓋度、土壤質(zhì)地等屬性之間的相關(guān)關(guān)系。再根據(jù)所建立的相關(guān)關(guān)系，結(jié)合流域?qū)傩灾?，推算無資料地區(qū)模型參數(shù)，代入水文模型進(jìn)行預(yù)報(bào)。

3.4 智能預(yù)報(bào)調(diào)度模型

針對有水工程影響的河流，根據(jù)河網(wǎng)、水工程拓?fù)潢P(guān)系、水工程特征等基礎(chǔ)信息，入庫徑流、水庫水位等狀態(tài)變量，下泄流量、閘門開度、水電站出力等決策變量，水量平衡、最大下泄流量、最高水位等約束條件，以及調(diào)度目標(biāo)，構(gòu)建多目標(biāo)調(diào)度數(shù)學(xué)模型。采用遺傳算法、粒子群算法等智能優(yōu)化方法，對調(diào)度數(shù)學(xué)模型進(jìn)行優(yōu)化求解。同時(shí)耦合洪水預(yù)報(bào)成果，實(shí)現(xiàn)預(yù)報(bào)調(diào)度智能一體化，為水庫防洪調(diào)度提供精細(xì)化調(diào)度參考方案。

3.5 預(yù)報(bào)成果實(shí)時(shí)校正技術(shù)

為進(jìn)一步提高預(yù)報(bào)準(zhǔn)確性和可靠性，可采用遞推最小二乘法、自回歸模型、卡爾曼濾波等實(shí)時(shí)校正方法，進(jìn)行洪水預(yù)報(bào)成果實(shí)時(shí)校正。該技術(shù)在斷面穩(wěn)定，實(shí)測徑流過程資料可靠、準(zhǔn)確度較高的河流，可獲得較好的效果。

3.6 大數(shù)據(jù)分析處理系統(tǒng)平臺(tái)

根據(jù)降雨-徑流模型產(chǎn)流環(huán)節(jié)的并行、分布式和河道匯流串行演算邏輯，采用Hadoop、Spark等大數(shù)據(jù)分析處理技術(shù)，開發(fā)中小河流實(shí)時(shí)洪水預(yù)報(bào)大數(shù)據(jù)分析計(jì)算平臺(tái)，可實(shí)現(xiàn)大范圍中小河流實(shí)時(shí)洪水預(yù)報(bào)在線快速計(jì)算。

4 結(jié)論

目前中小河流洪水預(yù)報(bào)的重點(diǎn)研究目標(biāo)方向?yàn)樘岣哳A(yù)報(bào)精度、延長有效預(yù)見期，以及無資料地區(qū)的洪水預(yù)報(bào)問題（PUB）。在預(yù)報(bào)模型方面，以具有明確物理意義的分布式水文模型研究應(yīng)用為發(fā)展方向；在參數(shù)優(yōu)化及分析計(jì)算方面，以人工智能與大數(shù)據(jù)方法的研究應(yīng)用為最新發(fā)展趨勢。

文章從系統(tǒng)化角度出發(fā)，分析了當(dāng)前中小河流洪水預(yù)報(bào)及調(diào)度關(guān)鍵技術(shù)研究現(xiàn)狀，提出了以分布式水文模型理論方法為核心，采用人工智能與大數(shù)據(jù)等技術(shù)，構(gòu)建中小河流洪水預(yù)報(bào)及調(diào)度智能系統(tǒng)的方法思路及關(guān)鍵技術(shù)。可為中小河流洪水預(yù)報(bào)及調(diào)度系統(tǒng)建設(shè)提供參考，使中小河流洪水預(yù)報(bào)及調(diào)度向集成度更高、準(zhǔn)確度更高、預(yù)見期更長、精細(xì)化更深、覆蓋面更廣和應(yīng)用更智能的方向發(fā)展。