基于知識圖譜的流域洪水智能調度研究

中圖分類號：TV697.1 文獻標識碼：A 文章編號：1001-9235（2025）07-0030-13

Abstract：Aimedatregulatingthe waterlevelduringfloodseasons，controlingthdischargeandensuringthepowergeneratiooutput， flooddispathingofcasadehdropowerstationsplasanimportantroleinallviatigtefloodontrolpressureintelowerrachsof thebasinsandprotectingthelifesafetyofresidents.However，theinformationretrievaleficiencyoftraditionalflooddispatching systemsislownditisdiiulttoatisfteeqrementofidmaageen，traliddispatchngndloseooditio thisend，thispaperintroducesthebasictheoryandtechnicalmethodsofknowledgegraphs.Meanwhile，bytakingthecascade hydropowerstationintheBeipanjiang River Basinasanexample，itanalyzesthedatasuchasbasicperformanceparametersand dispatching proceduresof thereservoir.Regularexpresionmatchingandthe TF-IDFmethodareadopted tocomplete flood dispatching knowledgeextractionandintegration，andtusconstructafloddispatchingrulelibraryandschemeset.Additioaly，a top-downappoach isemployed tobuildakowledgegraphforflooddispatchinginthebasin，facilitateinformationretrievalnd enable intellgentarlywaingandautomaticshemepushforfloods，therebyprovidingreferencesfortheconstructionof intellgent flood dispatching systems in basins.

Keywords： flood dispatching; knowledge graph; flood early warning;auxiliary decision-making

洪水災害一直是人類面臨的重大自然災害之一，據國際開發署的數據，每年有超過90個國家和地區的約196萬人暴露在洪水災害的風險中，洪澇災害所造成的生命財產損失居各類自然災害之首，已經成為全球性的問題[1]。流域洪水調度是防洪減災的核心環節[2]，其調度措施又分為工程措施和非工程措施[3，后者是指水文預報、預警和實時調度決策等管理手段。在氣候變化的背景下，全球主要城市極端徑流強度顯著提高，而對應的防洪排澇設施的工作能力僅增長 10%～20%^[4] ，為了填補工程措施防洪能力的空缺，加強洪水調度等非工程措施的研究是至關重要的。

洪水調度涉及的知識范圍廣、深度大，水文氣象、地形地貌、工程設施等因素構成了洪水調度的復雜性，對知識處理能力的要求很高5。傳統調度決策依賴于歷史數據和經驗，使得水文、氣象和調度規程等數據缺乏有效整合，在面對復雜的洪水情境時，難以處理這些多維度的信息，導致洪水調度精準性和實時性不足[6-7]

自2022年水利部推進智慧水利建設以來8，以知識工程系列技術為代表的洪水智能調度逐漸受到學者們的重視[9-10]。其中，知識圖譜是一種結構化的語義網絡，適合處理復雜信息之間的關系[11]，自2012年被谷歌公司提出以來[12]，在金融、企業管理和教育等領域的應用取得了良好效果[13]。在洪水調度領域，主要是基于應用場景對知識圖譜進行改進[14]，Johnson等[15]構建了集合OSM、Conus等數據庫的知識圖譜對洪水淹沒影響進行評估；段浩等[16提出了基于各類水利對象和學科知識的垂直知識圖譜構建方案；Bai等[17提出了基于“派生\"方法的代理模板，提高了水利知識的交互性；Senarathne等[18]構建了面向多風險災害管理的知識圖譜，提供了降雨災害風險評估和預測框架；黃艷等[19]提出了一種基于多目標層級框架的知識圖譜構建方法，建立了針對流域水情和防洪目標的響應關系方案優化模型。綜上所述，目前洪水調度知識圖譜相關技術的研究取得了一定進展，但是仍然缺乏普適性的洪水調度知識圖譜構建和應用方法。

針對上述問題，本研究提出了一種基于洪水調度知識圖譜實現遠程集中控制的洪水調度方法，采用自頂向下與自底向上相結合的方法構建知識圖譜，提高知識應用的可靠性，為洪水調度智能預警與方案推送提供支持。

1數據分析與處理

以北盤江作為研究區，流域內有大小水電站數十座，以干流上的善泥坡、光照、馬馬崖和董箐水庫為代表，空間分布見圖1。其以水電生產和保障自身安全為基礎目標，兼顧分擔下游的防洪壓力。梯級調度的重點在于如何平衡發電、防洪、供水、生態等多目標需求，合理調節泄流量，充分發揮各級水庫的消納能力削減洪峰。

圖1梯級電站空間分布

Fig.1Distributionofcascadehydropowerstations

流域內存在諸多防洪的不利因素，水文氣象條件方面，該流域內年降水在時空上的分布極不均勻，多年平均降雨量為 900～1500mm ，汛期降雨量占全年的 70% 以上，而非汛期的比例不到 6% [16]。地質條件方面，河流主干道為深切峽谷，平均坡度達 4.42%o^[20] ，在局部易形成較大的徑流。因此，北盤江流域曾發生多次大洪水，包括\"9·18\"洪水[21]、“68·7\"暴雨洪水、“83·8\"暴雨洪水等[22]，如其中的“9·18\"洪水在短時間內產流10.44億 m³ ，超過了水庫的消納能力，使流域安全受到較大威脅，以人工為主的洪水調度措施難以滿足防洪抗災的要求。

本研究的研究數據收集自上述4座梯級水庫，并收集了芙蓉江、三岔河流域5座中小型梯級電站的規程文本作為補充，主要包括流域、工程參數、預警級別及條件、水雨情信息流域梯級水庫數據[23]。以光照水庫為例，見表1。調度規程可分為調度原則和閘門開度建議，該調度規程僅作指導和約束作用，實踐中需結合具體水情分析。光照水電站調度規程見表2。

表1光照水電站洪水調度規程數據概況

Tab.1FlooddispatchingregulationdataofGuangzhaoHydropowerStation

表2光照水電站汛期洪水調度規程

Tab.2Flood dispatching regulations during flood seasons of Guangzhao Hydropower Station

分析可得調度規程的特點，一方面，存在較多語義關聯復雜的實體，識別難度大；另一方面，文本特征復雜，單一的知識抽取方法難以滿足要求。基于上述情況，本研究設計了一種基于正則表達式與深度學習相結合的知識抽取的方法，構建洪水調度知識圖譜。

本文的研究技術路線分為數據收集與處理、知識圖譜構建、方案推送模型構建和洪水智能調度集成應用4個部分，見圖2。首先分析研究區，針對各類數據構建基礎數據庫；再構建洪水調度知識圖譜和洪水調度模型，集成二者的功能，實現洪水智能預警與方案推送。

圖2研究總體技術路線

Fig. 2 Overall technology roadmap

2洪水智能調度知識圖譜構建

2.1 方法與架構

知識圖譜構建包括自頂向下和自底向上的方法[24]。針對上述水利知識的特點，選擇自頂向下與自底向上相結合的構建方法，能夠全面準確地反映知識體系，提高知識圖譜可擴展性。知識圖譜結構和構建流程分別見圖3、4。首先基于各類數據構建基礎數據庫，形成數據層；然后設計實體屬性和關系，形成概念模型，構建模式層；最后通過技術層的處理方法進行結構化知識表示，為應用層提供支持。

圖5標注操作流程

Fig.5Labelingoperation process

2.2 知識抽取

知識抽取的工作內容是識別抽取的實體及關系，主要有基于規則和詞典的方法和基于機器學習的方法，本研究針對數據的結構特點采取不同的處理方式。

2.2.1 非結構化文本抽取

對于非結構化文本，采用命名實體識別（NamedEntityRecognition，NER）進行抽取，包括文本標注、詞匯表構建和實體識別模型訓練。

a）文本序列標注。將洪水調度知識分為流域、水庫等9個命名實體標簽，采用BIO方法，以“B”名詞短語開頭、“I\"名詞短語中間和“O\"非名詞短語作為標注前綴，以及后綴一標簽類別共同組成聯合標注，采用Label-Studio序列標注組件構建文本標注序列，見圖5。按照上述流程，對北盤江各水庫調度規程和水文計算手冊等原始文本進行處理，生成259條標注序列，按照2：1的比例劃分訓練集、測試集。

b）詞向量與詞匯表構建。采用jieba中文詞語處理庫對原始文本進行逐句的分詞處理，并構建洪水調度專業詞匯表以提升實體識別模型的準確性，見表3。

表3水利專業詞匯表概覽

Tab.3Glossaryinwaterconservancy

c）實體識別模型訓練。Bert是谷歌公司的中文文本預訓練模型，長短期記憶網絡（LongShort-TermMemory，LSTM）是1種改進的循環神經網絡，能夠學習長距離依賴的信息，Bert和雙向的LSTM組成Bert-BiLSTM模型，可以實現較復雜的中文實體識別，模型結構見圖6。采用分批采樣、分批處理的方式，分別將序列標注文本通過詞嵌人和分詞編碼器對原始文本進行預處理，在監督學習環境下訓練，模型參數見表4。實體抽取模型訓練性能見表5，各類實體的綜合準確度達到0.8以上，滿足抽取要求。

圖6Bert-BiLSTM模型結構 Fig.6StructureofBert-BiLSTMmodel

表4Bert-BiLSTM模型參數

Tab.4Bert-BiLSTMmodelparameters

表5實體識別情況與模型性能

Tab.5Entityidentificationresultsandmodel performance

2.2.2 半結構化實體抽取

對于半結構化文本實體及關系，首先采用正則表達式處理原始文本，生成預定義結構，再對其中的文本內容進行抽取和標記，根據標簽識別不同實體。以原始文本中“北盤江流域（I級預警條件）：流域出現小區暴雨或累計降雨量達 3mm ，善泥坡水庫預報最大人庫流量 400～650m³/s ”為例，抽取的文本見表6。

表6抽取結果示例

Tab.6Examplesofextractionresults

采用SVM方法對上述文本進行評估，獲得的抽取性能見表7，綜合的F1值達到了0.85以上，能滿足精度要求。通過上述方法，總共從規程文本中抽取得722個實體，抽取情況見圖7。

表7半結構化數據抽取情況

Tab.7Extractionresultsof semi-structureddata

圖7實體識別效果

Fig.7Entityrecognitionresults

2.3 知識融合

上述文本需要進行知識融合，分為基于術語的方法、基于結構的方法和基于機器學習的方法[25]，TF-IDF是一種基于術語的方法，通過詞頻（TermFrequency，TF）和逆文檔頻率（InverseDocumentFrequency，IDF）計算文本的權重以評估詞語的重要性。規程文本分析的結果見圖8，關聯性強的詞匯，如\"水位\"和“流量\"被歸為相近類別，而關聯性較差的“預警”和“方案”則被歸為不同類別，證明知識融合取得了一定的效果。

對與測試文本向量距離在一定范圍內的實體進行分析，通過比較詞向量歐幾里得距離的大小進行相似度匹配，形成段落加權的詞瀕表三元組，最后對詞頻表進行TF-IDF計算，輸出對應實體的關鍵詞集，根據詞集對實體進行整合，完成共指消解，融合結果見表8，經過知識融合之后的實體滿足完整性的要求。

圖8實體語義聚類結果

Fig.8Entitysemanticclusteringresults

表8文本實體融合結果

Tab.8Textentityfusionresults

2.4 知識存儲

知識存儲需要考慮要素間語義邏輯關系，建立洪水調度的知識化描述構架。基于此，選擇Neo4j作為知識存儲的載體，這是一種圖數據庫，可以更高效地表示實體及關系，保證數據存儲的可靠性[26]。根據抽取的實體和關系，構建的業務邏輯知識圖譜和歷史案例知識圖譜見圖9，其中的氣泡表示實體，箭線表示關系。

圖10洪水智能調度系統框架

Fig.10Frameworkof the intelligent flood dispatching system

3北盤江流域洪水智能調度

3.1 系統架構

基于洪水調度知識圖譜的功能，構建了流域洪水智能調度系統，主要分為外部系統和業務平臺，見圖10。 ① 業務平臺，集成了洪水調度模型和知識抽取、融合模型，能夠實時接收來自外界的靜態知識并實例化模型，根據輸入的動態數據返回水文預報、操作方案等信息。 ② 外部系統，由洪水調度知識圖譜、洪水案例集、知識集成應用的功能及水情信息交換平臺組成，主要負責接收外界信息和用戶語句，存儲洪水調度信息。

圖11洪水調度系統架構

Fig.11Framework of flood dispatchingsystem

在設計模式上，采用MVT（模型-視圖-控制器）架構對系統功能進行維護，在MVT架構中，模型（Model）負責處理與數據庫的交互，視圖（View）負責將數據呈現給用戶，而控制器（Controller）在Django中以URL路由器為主，負責解析用戶的請求。

基于上述框架和設計模式，集成洪水調度知識圖譜、案例集與洪水調度模型的功能，構建洪水智能調度系統，見圖11。發生異常水情時，水文預報系統將水情上傳至平臺，知識圖譜從中接人信息，從中提取降雨、水位等關鍵信息以三元組形式進行存儲，然后進行情景分析，識別各類水文要素指向的洪水調度情景，文本識別模型對其進行處理并匹配查詢模板，從知識圖譜中檢索洪水概況、承災體、事件原因的概念和屬性進行輸入，生成新情景的知識圖譜，將案例輸入洪水調度模型進行初始化，對梯級水庫操作方案進行迭代計算，生成基于不同策略的調度方案。

3.2 案例匹配

基于洪水概念屬性匹配知識圖譜中的案例，設計針對短文本的相似度計算模式，分別使用傳統相似度模型和余弦相似度模型計算數值屬性和詞屬性。首先，對描述文本進行去除停用詞、特殊字符數字、分詞等操作，劃分為2個詞集，分別定義為：W_A={W_A1，W_A2，…，W_An}，W_B={W_B1，W_B2，…，W_Bm}（1） 其中， W_Ai 和 W_Bj 分別為詞集中的詞。利用Word2vec詞向量模型進行詞向量化，并利用余弦相似度計算詞之間的相似度，獲得詞集的相似度矩陣 X .

利用詞集的相似度矩陣，計算得出詞與詞間的相似度 ，，首先對矩陣 X 的每一行進行遍歷，找出其中最大的相似度值，添加到集合 R₁ 中，保留其代數余子式，重復上述2個步驟直至集合的個數為 min（n，m） ，獲得集合 {s₁ s₂ ，……， s_n/s_m} 并將此集合 R₁ 中的相似度相加并進行歸一化，得到短文本的相似度見式（3）：

通過上述計算，即可獲得不同類型屬性的相似度。為每一個屬性計算賦權再加權求和，可得單個概念的綜合相似度，見式（4）：

式中： s_att 為屬性綜合相似度； s（a_i，b_i） 為某個屬性化的語義相似度，權值 w_t 相加為1。

綜上所述，按照如下步驟推理洪水調度方案。① 按照知識圖譜結構構建目標案例的新情景； ② 計算綜合案例相似度，根據相似度閾值選取案例填入候選案例集； ③ 通過“領域-條件-方案-自標\"的推理路徑生成應對方法集合，見圖12； ④ 利用基于規則推理的推理方法生成適合新情景的洪水調度方案； ⑤ 輸出相似度最高的洪水案例和方案。

3.3方案推理

洪水調度模型通過Cypher查詢語言從知識圖譜中獲取實時水情和匹配的歷史案例并進行預測和方案推理，見圖13、14。模型基于預報和運行情況，選擇合適的攔洪方法并推求泄流和水位變化過程，選用歷史操作方案作為初始值，然后迭代修正直到方案滿足限制條件為止。

推送方案的策略分為發電優先、水庫安全優先和均衡3種。發電優先方案在滿足基本防汛要求的情況下，盡量維持高水位以提升發電效益。水庫安全優先方案傾向于預留庫容以應對緊急情況，平穩調整水位以滿足防洪需求。確定調度方案后，生成閘門啟閉操作時序圖以指導調度，確保水庫閘門操作有序同步執行，完成對異常水情的響應。均衡方案平衡流域安全與發電效益，確保洪水后仍有足量蓄水，同時減少水位波動。

3.4 應用實例

基于上述方法，選取北盤江流域2024年6月中旬的1場洪水為例進行模擬，調度系統界面見圖15。

操作方案方案一： （2024/6/1406：00）1#、4#溢洪道閘門對稱開啟7m編輯 （2024/6/1417：00）調整兩邊孔開度至12m，維持水位穩定在正常蓄水位附近。方案二： （2024/6/1401：00）1#、4#溢洪道閘門對稱局部開啟流態穩定后控制在4m開度；編輯 （2024/6/1423：00）1#、4#閘門全開，2#、3#溢洪道閘門對稱開啟3m，根據水位情況在0-7m之間調整方案三： （2024/6/1408：00）1#、4#閘門全開，2#、3#溢洪道閘門對稱開啟5m；編輯 （2024/6/1504：00）關閉2#、3#溢洪道閘門，調整邊孔開度至10m，維持水位穩定在正常蓄水位附近。

水情預測 入庫流量 壩上水位查詢 導出方案

3種不同方案的調度結果見圖16，分析調度結果，與歷史上同期人工調度的歷史數據相比，可以得到如下結果。

a）在起始水位較低且來水充足的情況下（如光照水庫），蓄水發電是主要調度目標，各方案與人工調度方案保持一致，水位穩步上升并在時段末達到729.6m 左右（人工調度為 729.84m ），減少操作頻次。

b在來水較大且下游防洪壓力較大的情況下（如馬馬崖水電站），由于下游董箐水庫接近汛限水位，馬馬崖水電站各方案提前作出響應，攔蓄洪水，使得水庫水位達到 585m 左右（相應的歷史水位為581.3m ）。

c）在洪水過程中，若預報水情發生變化，系統能夠獲取這些信息并及時修正操作，如6月14日12時預測上游馬馬崖電站即將蓄滿庫容，董箐水電站及時開閘泄水以騰出防洪庫容接納上游洪水。

d）此外，基于知識圖譜案例推薦加速的梯級水庫調度方案推理總耗時12.4s，顯著提升了模型迭代收斂速度。

綜上所述，基于知識圖譜的洪水調度基本上能夠滿足洪水調度的防洪和興利需求，與人工調度的結果相近，且在洪水情況發生變化時能及時地作出響應，滿足洪水調度精度和實時性的要求。

4結論

以北盤江流域為例，提出了基于知識圖譜實現洪水智能調度方案推送的方法。

a）針對北盤江流域水庫調度規程文本文件中的工程實體、洪水事件及其關系進行分析，采用自頂向下的知識圖譜構建方法，針對規程文本的特點提出了基于正則匹配和深度學習相結合的方法進行實體識別，完成知識抽取。

b）基于TF-IDF模型對數據進行語義相似度分析，完成共指消解工作，解決了水電站規程文本中同義詞、歧義詞識別效率不佳的問題，通過Neo4j圖數據庫存儲水利知識，提高洪水調度知識查詢和檢索效率。

c）基于知識圖譜和調度業務模型開發洪水調度輔助決策系統，提供洪水調度水情自動化預警和方案智能推送服務，有效輔助調度人員進行洪水調度決策。

d）針對北盤江歷史上幾場典型的洪水案例進行調度模擬，結果表明，在保持現有水文預報不變的情況，基于知識圖譜的洪水調度與傳統人工洪水調度結果誤差不大，調度精度滿足要求，在實時性上更優。

參考文獻：

[1]NSANGOUD，KPOUMIEA，MFONKAZ，etal.Urbanfloodsusceptibility modelling using AHP and GIS approach：case of theMfoundi watershed at Yaoundé in the South-Cameroon plateau[J].Scientific African，2022，15.DOI：10.1016/j.sciaf.2021.e01043.

[2]李致家，董增川，梁忠民，等．大流域洪水預報與洪水調度管理方法研究[J].水力發電，2004（1）：12-15.

[3］鐘華，稀海祥，王旭瀅，等．山區性流域洪水分析模擬與風險評估[J].水力發電，2023，49（3）：11-17.

[4]MABROUK M，HAN H，ABDRABO KI，et al.Spatialcongruencyordiscrepancy？Exploringthespatiotemporaldynamics of built-up expansion patterns and flood risk [J].Science of The Total Environment，2024，915.DOI：10.1016/j.scitotenv.2024.170019.

[5]王森，王霞雨，賈文豪，等．水庫智慧調度研究進展與展望[J]．人民珠江，2023，44（10）：25-34.

［6］郭龍.基于知識圖譜的防洪預案管理系統研究與應用[J].珠江水運，2023（20）：39-41.

[7]LIU XL，LUOJG.A dynamic multi-objective optimizationmodel with interactivity and uncertainty for real-time reservoirflood control operation［J]．Applied Mathematical Modelling，2019，74：606-620.

[8］黃立錯.淺談數字孿生技術在智慧水利工程中的應用[J].珠江水運，2022（16）：46-48.

[9］周妍，魏曉雯．數字賦能 提升能力驅動新階段水利高質量發展[N/OL].中國水利報，2022-01-07（004）.

[10］水利部專題研究數字孿生流域建設技術大綱等技術文件和共建共享管理辦法[J].水利技術監督，2022（3）：173.

[11］卓康，陳霄逸，鄭蔚，等．基于流域電力生產數據中心的主設備故障診斷研究[J].水力發電，2024，50（5）：110-116.

[12]劉嶠，李楊，段宏，等．知識圖譜構建技術綜述[J].計算機研究與發展，2016，53（3）：582-600.

[13］王新龍，薛曉鵬，孫如飛.基于粒子群與知識圖譜的突發水污染事件溯源方法[J].水力發電，2020，46（2）：17-21，131.

[14］孟露，楊海波．基于CiteSpace知識圖譜的水文大數據研究進展[J].人民珠江，2024，45（2）：38-44.

[15］JOHNSON J M，NAROCK T，SINGH-MOHUDPUR J，et al.Knowledge graphs to support real- time flood impact evaluation[J].AI Magazine，2022，43（1）：40-45.

[16]段浩，韓昆，趙紅莉，等．水利綜合知識圖譜構建研究[J].水利學報，2021，52（8）：948-958.

[17]BAIJR，LEEKF，HOFMEISTER M，et al.A derivedinformation framework for a dynamic knowledge graph anditsapplication to smart cities[J]. Future Generation ComputerSystems，2024，152：112-126.

[18]SENARATHNE R S A M N T，WITHANAGE W D UI，DILSHANI MGSU，et al.KnowledgeGraph for MultiHazardRisk Assessment and Management in Rainfall Prone Regions[C]//2023 5th International Conference on Advancements in Computing（ICAC）.Colombo，SriLanka：IEEE，2023：502-507.

[19］黃艷，喻杉，羅斌，等．面向流域水工程防災聯合智能調度的數字孿生長江探索[J].水利學報，2022，53（3）：253-269.

[20］樊云龍，潘保田，胡振波，等．云貴高原北盤江流域構造地貌特征分析[J].地球科學進展，2018，33（7）：751-761.

[21］黨秀娟．貴州北盤江流域\"9·18\"洪水調度分析與思考[J]．水利水電快報，2015，36（4）：16-18.

[22］望建成．北盤江流域水文特性分析[J].人民珠江，2014，35（6）：55-58.

[23]黃啟有，胡可，于思洋，等．流域河系洪水預報調度一體化研究與應用[J].水力發電，2022，48（6）：36-40，104.

[24］劉濤，姚靜華，潘慶，等．四川省數字孿生流域知識圖譜的設計與實現[J].水利信息化，2023（3）：14-19.

[25］環志剛，蔣國權，張玉健，等．基于核心句的端到端事件共指消解［J].計算機科學，2023，50（11）：185-191.

[26]VAN LANDUYTD，WIJSHOFFV，JOOSEN W.A studyofNoSQLqueryinjection in Neo4j[J].Computersamp;Security，2024，137.DOI：10.1016/j.c0se.2023.103590.

（責任編輯：李燕珊）