中小河流洪水预报调度智能系统建设思路及关键技术

□张 健

（贵州东方世纪科技股份有限公司）

0 引言

中国山地丘陵发育，水系发达，中小河流众多，山洪易发。中小河流洪水具有突发性强、成灾快、预见期短、以及局部区域性和分布广泛等特点。与大江大河洪水预报有大量水文测站数据和成熟预报模型不同，中小河流受资料及技术等限制，预报精度和时效性普遍不高，不能满足洪水灾害预警预报及预报调度应用需求。中小河流洪水预报及调度问题已成为水灾害防御工作的一个突出短板，且传统方法无法补齐，亟待利用新技术、新方法开展研究攻坚。

随着地理信息系统（GIS）、卫星遥感（RS）、和计算机技术的发展，尤其是人工智能与大数据技术的快速发展，为解决中小河流洪水预报及调度问题提供了新的思路和方法。文章分析了中小河流洪水预报及调度技术研究应用现状，基于大数据与人工智能等前沿技术，系统化提出中小河流洪水预报及调度智能系统建设思路及关键技术方法。

1 应用研究现状

1.1 中小河流洪水预报

中小河流洪水具有突发性强、成灾快、预见期短以及分布呈点多面广等特点，决定了其预报有别于大江大河。目前，通过GIS、RS 技术手段获得区域性流域基础资料，构建具有明确物理意义的分布式水文模型，开展中小河流洪水预报应用研究较多。如：刘志雨等（2015）采用分布式水文模型TOPKAPI 在新安江上游屯溪流域进行了应用研究，基于1989—2003 年汛期的水文序列进行模参数率定和验证，获得了较好的效果。

当前，中国中小河流大多还属于无资料地区。无资料地区洪水预报（PUB）是当前国际上水文水资源研究的热点内容。对于解决PUB问题，一般为水文区划法、水文比拟法等传统水文学方法和分布式水文模型。分布水文模型在无资料地区的应用主要在于参数的分析确定方面，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资料流域水文模型参数，或采用地貌参数法建立参数与流域地貌的相关关系。庄广树（2011）以改进的HBV 模型为例，介绍应用地貌参数法推求无资料地区模型参数的方法，并利用武江流域实测50 场雨洪资料，建立了参数与流域地貌参数的相关关系，推求无资料流域模型参数，取得了较好效果。

1.2 水文模型参数优化

模型参数设置对水文模型有效应用至关重要。传统的水文模型参数设定主要为试错法，通过人工不断调整参数值，以达到模拟精度要求，该方法存在人为主观性，工作重复性、复杂度极高。目前，在参数自动优化研究应用中，多以智能化算法，寻求模型参数的全局优化，整体向智能化方向发展。其中遗传算法、多目标粒子群算法（MOPSO）、单纯多边形进化算法（SCE-UA）及其改进的方法在水文模型的参数优化中，获得了广泛的研究及应用。张文明等（2008）建立了基于粒子群的多目标算法，应用于新安江模型参数优化计算中，马海波等（2006）用SCE-UA算法对TOPMODEL参数进行了优化应用研究，均获得了不错的效果。

1.3 水库优化调度

水库优化调度是一个涉及多方面的复杂的最优控制问题，其研究在实际生产中具有很大的社会经济价值。传统的水库调度方法有动态规划、线性规划、非线性规划、离散微分动态规划等，一般以年为周期进行优化计算，可以求得稳定的运行序列并绘出调度图来指导水库的中长期调度运行，但当水库数目较多时，计算量大，易产生“维数灾”问题。当前，各种智能算法在水库优化调度中获得广泛研究及应用，主要集中于解决大规模水电站水库群的联合优化调度问题，和寻求在精度和速度上满足应用需求的求解算法。如：周建中等（2010）提出了多目标混合粒子群算法，并将该算法应用于三峡梯级水电站多目标优化调度工程，获得了计算实时性强、分布均匀、收敛性好的调度方案集。

1.4 分析计算速度

提高洪水预报系统的分析计算速度，可延长有效预见期，对提高预报成果的时效性和防洪减灾有重要的意义。当前，针对海量数据存储、管理和分析计算，大数据技术发展迅速，如：Hadoop、Spark、Storm等，并在交通、金融、在线购物等行业获得了广泛应用。在水利行业，大数据技术重点在洪旱灾害管理、水利工程管理和水资源管理等方面开展了研究及应用，且多在数据的获取、存储和共享交换方面，而在采用大数据技术提高洪水预报模型系统的分析计算速度方面的研究及应用较少。

2 整体建设思路

基于分布式水文模型及大数据与人工智能等前沿技术，系统化开展中小河流洪水预报及调度智能化应用建设。首先，基于分布式水文模型的基本理论方法，结合中小河流气象水文规律，构建具有良好通用性的分布式中小河流降雨-径流模型，构建流域水工程调度数学模型。其次，为有效落地应用，采用遗传算法、粒子群等智能算法，解决降雨-径流模型参数自动优化问题；无资料地区模型参数分析，采用地貌参数法建立模型参数与流域属性之间的相关关系；采用最小二乘、自回归模型和卡尔曼滤波等误差校正方法，校正提高有测站河流的预报精度；采用遗传算法、多目标混合粒子群等智能算法，实现水工程优化调度；利用Hadoop MapReduce、Spark等主流大数据分析处理技术，结合降雨-径流模型的并/串行演算逻辑特点，搭建洪水预报大数据分析计算平台，提高计算速度，延长预报有效预见期。总体技术架构如图1所示。

图1 总体技术架构图

3 关键技术

3.1 中小河流降雨-径流模型构建

降雨-径流模型是洪水预报系统的核心。通过综合分析中小河流气象水文特征规律，基于数字高程模型（DEM）生成高精度数字化水系，划分基本流域计算单元。在分布式水文模型应用研究基础上，采用应用较为成熟的蓄满/超渗产流、单位线、马斯京根等产汇流方法，构建具有物理意义的中小河流分布式降雨-径流模型；并与气象模式（WRF）预报成果和实测降水数据进行耦合应用，分别实现基于实测降水数据驱动的实时洪水预报，和基于WRF预报成果驱动的气象-水文耦合洪水预报。

3.2 模型参数智能优化

流域水文过程系统具有时变性和不确定性，决定了模型参数具有同样的不确定性和时变性特点。而模型参数的优化效率及效果，在一定程度上决定了预报模型的有效应用。可应用遗传算法、粒子群（PSO）、SCE-UA 等智能优化算法，构建参数自动优化模型，实现有水文测站的中小河流模型参数的逐年（或自定义分期）自动优化更新迭代，以适应水文系统的时变性特点，提高模型预报精度。

3.3 无资料地区参数分析

充分运用新的系统理论与方法、计算机技术和遥感手段是无资料地区水文预报新的出路。无资料地区的水文模型参数分析，可采用相似性原理移用有资料地区的参数，或采用地貌参数法建立模型参数与流域属性之间的相关关系。文章推荐采用地貌参数法，根据有资料地区模型参数率定成果，建立模型参数与流域面积、河长、坡度、植被覆盖度、土壤质地等属性之间的相关关系。再根据所建立的相关关系，结合流域属性值，推算无资料地区模型参数，代入水文模型进行预报。

3.4 智能预报调度模型

针对有水工程影响的河流，根据河网、水工程拓扑关系、水工程特征等基础信息，入库径流、水库水位等状态变量，下泄流量、闸门开度、水电站出力等决策变量，水量平衡、最大下泄流量、最高水位等约束条件，以及调度目标，构建多目标调度数学模型。采用遗传算法、粒子群算法等智能优化方法，对调度数学模型进行优化求解。同时耦合洪水预报成果，实现预报调度智能一体化，为水库防洪调度提供精细化调度参考方案。

3.5 预报成果实时校正技术

为进一步提高预报准确性和可靠性，可采用递推最小二乘法、自回归模型、卡尔曼滤波等实时校正方法，进行洪水预报成果实时校正。该技术在断面稳定，实测径流过程资料可靠、准确度较高的河流，可获得较好的效果。

3.6 大数据分析处理系统平台

根据降雨-径流模型产流环节的并行、分布式和河道汇流串行演算逻辑，采用Hadoop、Spark等大数据分析处理技术，开发中小河流实时洪水预报大数据分析计算平台，可实现大范围中小河流实时洪水预报在线快速计算。

4 结论

目前中小河流洪水预报的重点研究目标方向为提高预报精度、延长有效预见期，以及无资料地区的洪水预报问题（PUB）。在预报模型方面，以具有明确物理意义的分布式水文模型研究应用为发展方向；在参数优化及分析计算方面，以人工智能与大数据方法的研究应用为最新发展趋势。

文章从系统化角度出发，分析了当前中小河流洪水预报及调度关键技术研究现状，提出了以分布式水文模型理论方法为核心，采用人工智能与大数据等技术，构建中小河流洪水预报及调度智能系统的方法思路及关键技术。可为中小河流洪水预报及调度系统建设提供参考，使中小河流洪水预报及调度向集成度更高、准确度更高、预见期更长、精细化更深、覆盖面更广和应用更智能的方向发展。