中小河流洪水預報調度智能系統建設思路及關鍵技術

□張 健

（貴州東方世紀科技股份有限公司）

0 引言

中國山地丘陵發育，水系發達，中小河流眾多，山洪易發。中小河流洪水具有突發性強、成災快、預見期短、以及局部區域性和分布廣泛等特點。與大江大河洪水預報有大量水文測站數據和成熟預報模型不同，中小河流受資料及技術等限制，預報精度和時效性普遍不高，不能滿足洪水災害預警預報及預報調度應用需求。中小河流洪水預報及調度問題已成為水災害防御工作的一個突出短板，且傳統方法無法補齊，亟待利用新技術、新方法開展研究攻堅。

隨著地理信息系統（GIS）、衛星遙感（RS）、和計算機技術的發展，尤其是人工智能與大數據技術的快速發展，為解決中小河流洪水預報及調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報及調度技術研究應用現狀，基于大數據與人工智能等前沿技術，系統化提出中小河流洪水預報及調度智能系統建設思路及關鍵技術方法。

1 應用研究現狀

1.1 中小河流洪水預報

中小河流洪水具有突發性強、成災快、預見期短以及分布呈點多面廣等特點，決定了其預報有別于大江大河。目前，通過GIS、RS 技術手段獲得區域性流域基礎資料，構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報應用研究較多。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行了應用研究，基于1989—2003 年汛期的水文序列進行模參數率定和驗證，獲得了較好的效果。

當前，中國中小河流大多還屬于無資料地區。無資料地區洪水預報（PUB）是當前國際上水文水資源研究的熱點內容。對于解決PUB問題，一般為水文區劃法、水文比擬法等傳統水文學方法和分布式水文模型。分布水文模型在無資料地區的應用主要在于參數的分析確定方面，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，或采用地貌參數法建立參數與流域地貌的相關關系。莊廣樹（2011）以改進的HBV 模型為例，介紹應用地貌參數法推求無資料地區模型參數的方法，并利用武江流域實測50 場雨洪資料，建立了參數與流域地貌參數的相關關系，推求無資料流域模型參數，取得了較好效果。

1.2 水文模型參數優化

模型參數設置對水文模型有效應用至關重要。傳統的水文模型參數設定主要為試錯法，通過人工不斷調整參數值，以達到模擬精度要求，該方法存在人為主觀性，工作重復性、復雜度極高。目前，在參數自動優化研究應用中，多以智能化算法，尋求模型參數的全局優化，整體向智能化方向發展。其中遺傳算法、多目標粒子群算法（MOPSO）、單純多邊形進化算法（SCE-UA）及其改進的方法在水文模型的參數優化中，獲得了廣泛的研究及應用。張文明等（2008）建立了基于粒子群的多目標算法，應用于新安江模型參數優化計算中，馬海波等（2006）用SCE-UA算法對TOPMODEL參數進行了優化應用研究，均獲得了不錯的效果。

1.3 水庫優化調度

水庫優化調度是一個涉及多方面的復雜的最優控制問題，其研究在實際生產中具有很大的社會經濟價值。傳統的水庫調度方法有動態規劃、線性規劃、非線性規劃、離散微分動態規劃等，一般以年為周期進行優化計算，可以求得穩定的運行序列并繪出調度圖來指導水庫的中長期調度運行，但當水庫數目較多時，計算量大，易產生“維數災”問題。當前，各種智能算法在水庫優化調度中獲得廣泛研究及應用，主要集中于解決大規模水電站水庫群的聯合優化調度問題，和尋求在精度和速度上滿足應用需求的求解算法。如：周建中等（2010）提出了多目標混合粒子群算法，并將該算法應用于三峽梯級水電站多目標優化調度工程，獲得了計算實時性強、分布均勻、收斂性好的調度方案集。

1.4 分析計算速度

提高洪水預報系統的分析計算速度，可延長有效預見期，對提高預報成果的時效性和防洪減災有重要的意義。當前，針對海量數據存儲、管理和分析計算，大數據技術發展迅速，如：Hadoop、Spark、Storm等，并在交通、金融、在線購物等行業獲得了廣泛應用。在水利行業，大數據技術重點在洪旱災害管理、水利工程管理和水資源管理等方面開展了研究及應用，且多在數據的獲取、存儲和共享交換方面，而在采用大數據技術提高洪水預報模型系統的分析計算速度方面的研究及應用較少。

2 整體建設思路

基于分布式水文模型及大數據與人工智能等前沿技術，系統化開展中小河流洪水預報及調度智能化應用建設。首先，基于分布式水文模型的基本理論方法，結合中小河流氣象水文規律，構建具有良好通用性的分布式中小河流降雨-徑流模型，構建流域水工程調度數學模型。其次，為有效落地應用，采用遺傳算法、粒子群等智能算法，解決降雨-徑流模型參數自動優化問題；無資料地區模型參數分析，采用地貌參數法建立模型參數與流域屬性之間的相關關系；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報精度；采用遺傳算法、多目標混合粒子群等智能算法，實現水工程優化調度；利用Hadoop MapReduce、Spark等主流大數據分析處理技術，結合降雨-徑流模型的并/串行演算邏輯特點，搭建洪水預報大數據分析計算平臺，提高計算速度，延長預報有效預見期。總體技術架構如圖1所示。

圖1 總體技術架構圖

3 關鍵技術

3.1 中小河流降雨-徑流模型構建

降雨-徑流模型是洪水預報系統的核心。通過綜合分析中小河流氣象水文特征規律，基于數字高程模型（DEM）生成高精度數字化水系，劃分基本流域計算單元。在分布式水文模型應用研究基礎上，采用應用較為成熟的蓄滿/超滲產流、單位線、馬斯京根等產匯流方法，構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）預報成果和實測降水數據進行耦合應用，分別實現基于實測降水數據驅動的實時洪水預報，和基于WRF預報成果驅動的氣象-水文耦合洪水預報。

3.2 模型參數智能優化

流域水文過程系統具有時變性和不確定性，決定了模型參數具有同樣的不確定性和時變性特點。而模型參數的優化效率及效果，在一定程度上決定了預報模型的有效應用。可應用遺傳算法、粒子群（PSO）、SCE-UA 等智能優化算法，構建參數自動優化模型，實現有水文測站的中小河流模型參數的逐年（或自定義分期）自動優化更新迭代，以適應水文系統的時變性特點，提高模型預報精度。

3.3 無資料地區參數分析

充分運用新的系統理論與方法、計算機技術和遙感手段是無資料地區水文預報新的出路。無資料地區的水文模型參數分析，可采用相似性原理移用有資料地區的參數，或采用地貌參數法建立模型參數與流域屬性之間的相關關系。文章推薦采用地貌參數法，根據有資料地區模型參數率定成果，建立模型參數與流域面積、河長、坡度、植被覆蓋度、土壤質地等屬性之間的相關關系。再根據所建立的相關關系，結合流域屬性值，推算無資料地區模型參數，代入水文模型進行預報。

3.4 智能預報調度模型

針對有水工程影響的河流，根據河網、水工程拓撲關系、水工程特征等基礎信息，入庫徑流、水庫水位等狀態變量，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，以及調度目標，構建多目標調度數學模型。采用遺傳算法、粒子群算法等智能優化方法，對調度數學模型進行優化求解。同時耦合洪水預報成果，實現預報調度智能一體化，為水庫防洪調度提供精細化調度參考方案。

3.5 預報成果實時校正技術

為進一步提高預報準確性和可靠性，可采用遞推最小二乘法、自回歸模型、卡爾曼濾波等實時校正方法，進行洪水預報成果實時校正。該技術在斷面穩定，實測徑流過程資料可靠、準確度較高的河流，可獲得較好的效果。

3.6 大數據分析處理系統平臺

根據降雨-徑流模型產流環節的并行、分布式和河道匯流串行演算邏輯，采用Hadoop、Spark等大數據分析處理技術，開發中小河流實時洪水預報大數據分析計算平臺，可實現大范圍中小河流實時洪水預報在線快速計算。

4 結論

目前中小河流洪水預報的重點研究目標方向為提高預報精度、延長有效預見期，以及無資料地區的洪水預報問題（PUB）。在預報模型方面，以具有明確物理意義的分布式水文模型研究應用為發展方向；在參數優化及分析計算方面，以人工智能與大數據方法的研究應用為最新發展趨勢。

文章從系統化角度出發，分析了當前中小河流洪水預報及調度關鍵技術研究現狀，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據等技術，構建中小河流洪水預報及調度智能系統的方法思路及關鍵技術。可為中小河流洪水預報及調度系統建設提供參考，使中小河流洪水預報及調度向集成度更高、準確度更高、預見期更長、精細化更深、覆蓋面更廣和應用更智能的方向發展。