水利工程数字孪生技术研究与探索

张绿原，胡露骞，沈启航，谈 震，牛霄飞

（1.南瑞集团（国网电力科学研究院）有限公司，南京211000；2.杭州市千岛湖原水股份有限公司，杭州310000；3.慈溪市水利局，浙江宁波315399）

0 引 言

当前，我国治水的工作的总基调已转变为水利工程补短板和水利行业强监管［1］。而水利信息化作为“补短板和强监管”的重要措施之一，经过多年建设，已取得了长足发展。我国的水利工程信息化系统基础感知及远程集中监视控制系统已初具规模，业务应用系统已逐步完善，为水利工程运行管理人员提供了高效、便捷、可靠的管理手段。

但是，如何将现有信息化系统与经典水文、水利、水质等理论充分结合，为工程运行管理提供科学决策，仍然是“信息水利”向“智慧水利”跨越中需要解决的重要问题。数字孪生技术为解决这一问题带来了曙光［2，3］，该技术在物理世界和虚拟世界之间建立了一道桥梁，可将经典水文、水利、水质理论与水利工程信息化系统深度融合，解决“智慧水利”中的科学决策问题。

1 对水利工程数字孪生技术的理解

在工业领域，数字孪生技术并不是一种全新的技术，它是系统建模与仿真应用的重要形式［4］，是在物联网技术提供了便捷采集和可靠传输能力、大数据技术提供了海量数据存储分析能力、云计算技术提供了强大的计算能力、人工智能技术提供了强大的推理分析能力的技术背景下，系统建模与仿真应用技术发展的新阶段。数字孪生技术通过数字化的手段构建了一个与物理世界同样的虚拟体，从而实现对物理实体的了解、分析、预测、优化、控制决策［5-8］。

对于运维阶段的水利工程数字孪生技术来讲，信息化系统提供了工程的运行状态信息，例如闸阀开关状态、气象水情信息、结构应力应变信息、水质信息等，这些信息在一定程度上，反映了真实世界中的水利工程的运行状态。而基于工程建设阶段的设计资料，例如水工建筑物设计图、闸泵站结构设计图，利用经典的水文、水利、水质分析理论，并借助地理信息（GIS，Geographic Information System）、建筑信息模型（BIM，Building Information Modeling）等技术，则可在计算机中搭建物理实体对应的虚拟体。基于虚拟体，可对物理实体的变化规律进行预测，并验证、优选调度运行决策。

2 水利工程数字孪生技术的架构设计

水利工程数字孪生技术就基础组成来讲，主要分为两个部分，物理实体和虚拟体。物理实体提供水利工程的实际运行状态给虚拟体，虚拟体以物理实体的真实状态为初始条件或边界约束条件进行决策模拟仿真。经决策仿真验证后的操作方案将会反馈到物理实体的信息化系统，从而实现对物理实体（如闸、泵等设备）的控制操作。

物理实体从广义上讲包括信息化系统和数据质量管理系统。信息化系统主要包括闸泵监控、水情监测、工程安全监测、水质监测等系统。物理实体的状态数据来源于信息化系统的监控采集值，但由于传感器异常、通讯故障等原因［9］，工程上一般会出现监控采集值的异常，导致监控采集值并不能反映物理实体的真实状态，这将导致虚拟体的决策错误。因此，物理实体还应包含专门的数据质量管理系统，能够对异常数据自动筛选、剔除，并能提供人机交互的数据修正功能。

虚拟体从广义上讲包括数字模型和决策算法。数字模型主要包括产汇流模型、河网水动模型、水质模型等，以及黑箱模型，如神经网络模型、时间序列模型等。但是，仅有数字模型还不足支撑对水利工程的调度决策，因此对虚拟体来讲，还必须有决策算法做支撑，这些算法不仅包括传统的线性规划、动态规划算法［10］等，还包括遗传算法［11］、粒子群算法［12］等智能算法等，以及能满足大规模并行计算技术手段。

3 水利工程数字孪生技术的关键问题

水利工程数字孪生技术并不是一项全新技术，以往的水利工程实时在线仿真决策系统都可以视为其雏形，根据这些项目的建设经验，水利工程数字孪生技术要真正落地，解决“智慧水利”的科学决策，应该在建设过程中关注解决以下关键问题。

（1）数据质量管理。数据是虚拟体模拟仿真和决策的依据，虚拟体中的数字模型往往需要信息化系统提供的几十个甚至上百个采集数据作为初始条件或边界约束条件。但是，水利信息化系统采集的原始数据往往夹杂着随机的误差和噪音［13］，这些误差将影响数字孪生体决策的准确性。例如，将错误的水位数据采集值作为初始条件代入圣维南方程组，那么计算的结果将无法达到预期。

因此，数据质量管理是水利工程数字孪生系统建设中的重要的内容。数据质量管理系统应具备强健的数据容错管理机制，保证提供给虚拟体的数据是物理实体的真实状态。

（2）数字模型的构建。对于数字模型的构建，首先需要解决模型边界问题。大多数水利工程在自然界并不存在天然的边界，它的实际运行工况与工程范围之外的系统（如水系）存在着较强的耦合关系。因此，对虚拟体中的数字模型，需要设定合理的边界条件，只有在合理的边界条件下，数字模型才会反映物理世界中水利工程的真实性能。

图1 数字孪生技术的架构设计Fig.1 Architecture design of digital twin technology

其次，要解决数字模型的参数率定问题。水利工程一般都有明确的基础参数，如河道断面形状、长度等，但是河道糙率、闸门过流系数等则需要凭借人工经验调整。在云时代，基于公有云或私有云提供的海量算力，可用智能算法对这些参数进行整体率定。例如，基于信息化系统采集的历史数据，在云端利用智能算法可同时率定同一渠段的多个闸门的过流系数。

再次，模型选用的问题。在传统的水文、水利、水质模型建模的基础参数不可得，或者模型效果不好的情况下，可以基于历史数据用深度学习模型做局部模型的替代。在某些情况下，这会取得较好的效果，但深度学习模型有一个缺陷，那就是对已有的经验数据学习效果很好，但是当新的输入超过它的经验数据数据范围后，输出的结果无法把控［14］，也就是说深度学习模型的输入输出不能超越它的经验范围。这也是在大云物移时代，必须更加重视传统的水文水利模型和回归分析等技术手段，而不能单单用基于历史数据的深度学习去做数字模型的原因。

最后，模型计算的时效性问题。对于复杂的模型，单核运算难以满足数字孪生技术决策的时效要求。在云计算的技术背景下，一般考虑采用多核并行计算，提高模型的求解速度。此外，在模型设计上，要考虑计算机内存与中央处理器（CPU，Central Processing Unit）的均衡匹配，多采用矩阵，利用图形处理器（GPU，Graphics Processing Unit）提高计算速度。在决策算法选择上，要考虑能支持并行性计算的算法，如遗传算法，其在个体适应度、适应度评价等具备天然的并行性［15］。

（3）接口设计及集成。数字孪生系统是多个子系统的集成，这些系统一般由不同的单位建设，只有设计合理的边界和接口，才能实现整个系统的稳健运行。在工程建设中，信息化系统和模型之间应该是一种松耦合的系统，两者之间应有清晰的边界和数据接口，便于模型的更替以及信息化系统的更新改造。一般情况下，信息化系统仅提供原始的采集数据，而数据质量管理系统和数字模型密切相关，因此两者应由同一家单位建设。此外，数据质量管理系统的数据是经过加工处理的，因此，数据质量管理系统应自建数据存储体系，存储修正后的数据给模型使用。对于虚拟体产生的决策集，应增加序列编号后提供给信息化系统执行，防止因某一决策步骤的操作缺失造成工程事故。

（4）系统功效评价。数字孪生系统建设复杂，会在多个系统间产生数据交互。在工程中一般遇到的问题是数字模型和信息化系统耦合性太强，导致调试运行时互为掣肘，难以理清头绪。根据建设经验，数字孪生系统要达到预期效果，在开发过程中可遵循“三可”原则：①可观察：虚拟体决策过程必须是可观察的，提供给用户的不能是仅有输入输出的黑箱子；②可执行：虚拟体决策的结果必须是清晰的可操作的指令，譬如几点几分几号几号闸门开多少米。③可追溯：调度指令从虚拟体产生到信息化系统执行，必须有清晰的信息记录，譬如这条决策是那个模块产生的，是否执行了，谁执行的，什么时候执行的。

4 水利工程数字孪生技术的典型应用场景

场景一：梯级泵站恒水位控制参数率定问题。

某调水工程为梯级泵站，站间采用明渠输水，无调蓄设施。在这种情况下，下级泵站的变频机组要自动调频，实现前池水位的相对恒定。自动调频一般采用PID 控制［16］，这就需要对比例（P）、积分（I）、微分（D）三个参数和调节步长（T）合理选取，防止系统出现超调或振荡。但是，受制于泵站不能频繁启停机试验等问题，在现实中率定这些参数也只能进行有限次数的试验，而有限次数的试验往往难以达到预期效果。

在数字孪生的技术手段下，可以基于泵组特性曲线、渠道的施工图，建立泵组和渠段的数字模型，将上级泵站、下级泵站、渠段组成一个整体模型；然后，根据信息化系统采集的历史数据对泵组模型、渠系水动模型进行修正，使得这个整体模型能够反映泵站和渠系的真实性能；其次，基于数字模型，可对比例、积分、微分参数和调节步长进行优选；最后将优选后的参数在实际物理系统中验证。

恒水位控制参数率定流程如图2 所示，系统基于Python 语言开发，水源、进水口渠段、出水口用PySwmm建模，变频泵组基于特性曲线建模。将泵组模型和PID 控制器嵌入在PySwmm 的单步时间步长St中，设定P、I、D、T参数后，以St为时间步长对恒水位调节过程模拟仿真，之后可查看整个调节过程中前池水位变化情况。

图2 泵站前池恒水位控制参数率定流程Fig.2 The parameter calibration process for the constant water level control of the pumping station forebay

图3显示的是距离3.5 km 的两级泵站的下级泵站前池恒水位控制参数率定模拟仿真过程，该次模拟仿真中，P参数取0.003，I参数取0.002，D参数取0.000 01，T参数取时60 s。下级泵站前池设计水深6.61 m，如红色虚线所示，下级泵站前池水深的变化如蓝色实线所示。上级泵站开机后，下级泵站前池水深逐渐上升，在第200 min 左右，恒水位控制控制器发挥作用，维持前池水深在设计水深附近。根据不同的工况需求，可以修改水动模型，实现P、I、D、T参数的比选，为实际的恒水位控制参数选择提供参考。

图3 前池恒水位控制参数率定模拟仿真Fig.3 The Calibration simulation of the forebay constant water level control parameters

场景二：引水环通中闸泵群最优调度决策问题。

在浙江某城市，需要通过引水环通来解决主城区的水质净化问题。该主城区有一进六出共计7座闸泵站，在调度过程中，需要对7 座闸泵站的运行次序和运行时段优化决策，达到河段水体的最佳净化效果。

在数字孪生的技术手段下，可根据河网基础参数建立河网的一维水动力学模型；然后，结合信息化系统中水位、流量采集站点的历史数据对模型的参数进行调整，使的数字模型能反映物理河段的真实属性；其次，将遗传算法和数字模型相互耦合，求解闸泵站调度的最优决策；最后，将最优的决策反馈到信息系统执行闸泵的控制操作。

本系统的开发工作量较大，在系统的开发过程中，水动力模型子系统和监控子系统的建设同步进行，两个子系统采用松耦合的设计模式，子系统边界明确后，通过统一模型号进行关联。在监控子系统提供给水动力模型的数据质量管理上，采用了人工设值、监控采集值、默认值三级管理模式，优先级依次降低，即监控子系统有采集值时，水动力模型就以采集值作为初始条件，当监控子系统无采集值时采用默认值作为初始条件，如果人工设了值，那么水动力模型就采用人工设值作为初始条件。这就保证了提供给虚拟体的数据是物理实体的真实状态。

闸泵群最优调度决策问题计算流程如图4 所示，系统基于Python 语言开发，遗传算法采用Geatpy 包，河网采用PySwmm 建模，闸泵站基于特性曲线建模。遗传算法的优化变量为7 台闸泵站的运行状态，目标函数为基于PySwmm 建立的河网模型计算得到的仿真时段河段水质的整体评价最优值。将闸泵站模型嵌入PySwmm 建立的河网模型的单步时间步长St中，Geatpy设定闸泵站状态参数后，PySwmm 计算整个仿真时段河网水质的整体评价值。Geatpy 按照设定规则对闸泵站状态选择、交叉和变异，最终获得7台闸泵站运行方案的最优解。

图4 闸泵群最优调度决策问题计算流程Fig.4 The calculation process of the optimal dispatching decision problem for the gate and pumping station group

以2021年4月21日的优化计算为例，在系统中截取了引水环通中闸泵群最优调度决策的人机交互界面。最优解对应的河网运行模拟仿真结果如图5 所示，数字表示河网关键节点的水深，线条表示河网的流速和流向，对于不同的水深和流速用不同的颜色展示，河网节点的水深、流速随时间变化，数字和线条的颜色跟随变化。图6为调度结束后某节点的监控实测水深值与模拟仿真值的对比，绿色的线条及阴影为节点水深的模拟仿真值，黄色的线条为水深的监控实测值。图7 为系统生成的调度方案，该方案告诉操作人员在什么时刻将哪个闸门或泵站调整到什么状态，调度人员确认后，调度指令将直接下发到监控系统，闸泵控制器执行相应的操作，将闸泵调节到方案要求的状态。

图5 河网运行模拟仿真Fig.5 Simulation of river network operation

图6 调度结束后某节点水深的监控实测值与模拟仿真值的对比Fig.6 The comparison between the monitored value and the simulated value of one node water depth after the scheduling was over

图7 系统生成的最优调度方案Fig.7 The optimal scheduling scheme generated by the system

5 结 论

在目前已经探索的应用场景中，数字孪生技术能为泵站的恒水位控制提供调参依据，能解决引水环通中闸泵群最优调度的决策问题，这些案例表明，数字孪生技术确实能解决“信息水利”向“智慧水利”跨越过程中的某些科学决策问题，数字孪生技术的应用也标志着“信息水利”向“智慧水利”迈出了关键一步。在大数据、云计算、物联网、人工智能等新技术蓬勃发展的背景下，水利工程数字孪生技术必将引领水利工程运行管理进入更加智慧的新阶段。 □