浅析人工智能技术在水利管理中的应用

刘家慧

(水利部水利水电规划设计总院,北京 100120)

水利作为支持国计民生的重要产业，充分利用先进信息技术以提升行业效率，是其主要发展方向。人工智能技术被视为第五次工业革命的主要驱动力，在本世纪第二个十年得到迅速发展，并被成功应用在自然语言处理和计算机视觉等场景。因此以包括深度学习在内的人工智能技术赋能，将是今后水利信息化和智慧水利建设的工作重点。

1 研究背景

水是生命之源，生产之要，生态之基，可是在中国当前经济发展面临的众多挑战中，水资源紧缺是最令人担忧的挑战之一。党的十九届四中全会提出要“推进国家治理体系和治理能力现代化”，而现代化离不开科技的赋能，以科技治水，以科技管水将会是今后水利管理和建设智慧水利工作中的主要方向。

近十年来，大数据和人工智能(AI)技术带来的变革在所有社会部门都已出现，对于这些基于数据的科技手段是否具有能够颠覆传统水利管理行业的潜力尚存在不同的看法，但毫无疑问，人工智能将逐渐且不可避免地改变我们思考和提供基础设施服务的方式。据估计到2025年，发达国家和发展中国家分别有80%和50%的公共事业部门和公司将在一定程度上经历由人工智能技术带来的数字化转型。

成本低廉的传感器、高分辨率遥感、通信技术和社交媒体的快速发展正在推动水利管理部门可获取数据量的激增，并正在改变传统的决策方式。大数据分析与人工智能(及其相关的机器学习方法)一起，将为水利行业带来新的机遇和挑战。曾经基于经验和直觉的决策方式可能很快就会被人工智能与大数据科学，以及其他从大量不同类型的信息中分析、组织和提取信息的数据驱动方法所取代。这一过程需要多久尚不清楚，但是开展人工智能等技术在水利行业中的应用探索是十分必要的。

2 人工智能技术

人工智能是一个用来描述计算机系统的理论和发展的术语，这些计算机系统能够执行通常需要人类智慧的任务。以人工智能赋能的实用系统有很多，包括各种专家系统、语音识别和用于金融交易的系统等。在人工智能的领域中经常提到的重要概念包括机器学习、深度学习和计算机视觉等。

严格来说，人工智能实际上是机器学习的延伸，机器学习通常涉及根据数据建立计算机模型，模型能够在以后对数据进行预测，而不需要额外的软件编程。最著名的机器学习方法之一是人工神经网络(ANN)，它通过模仿存在于人脑中的生物神经网络来工作，如图1所示最简单类型的多层神经网络。人工神经网络从提供给它们的训练数据中学习，以便捕捉数据之间的映射关系，而这种潜在映射关系通常是未知的或是物理意义难以人为解释。这使得ANN能够发现数据中隐含的模式，而其中的模式即使是该领域最好的专家也无法完全清楚。人工神经网络被应用与许多研究方向，如计算机视觉领域采用人工神经网络来训练计算机从数字图像获取潜在特征间关系以解决特定问题，取代了过去采用复杂数学模型来分析图像的方法，成功的应用例子包括面部识别、医疗诊断和智能安防。

图1 多层神经网络示意图

随着能够获取的数据量增大和硬件处理能力增强，尤其在使用GPU的并行计算能力来训练模型之后，人工神经网络模型的复杂度可以变得很高，也就是网络的层数变得很多(既模型深度变深)。深度学习是机器学习的一个子集，机器学习本质上是一个具有3层或更多层的神经网络。这些神经网络试图模拟人脑的行为，并从大量数据中“学习”。

深度学习推动了许多人工智能应用和服务，这些应用和服务提高了自动化，即在没有人工干预的情况下执行分析和提供服务。深度学习技术目前存在于许多日常产品和服务中，如数字音频助理、语音电视遥控器和信用卡欺诈检测以及自动驾驶汽车。

深度神经网络由多层相互连接的节点组成，每一层都建立在前一层的基础上，以改进和优化预测或分类。这种通过网络进行的计算过程称为前向传播(Forward Propagation)。深度神经网络的输入层和输出层称为可见层，网络中间层被称为隐藏层。输入层是深度学习模型接收数据进行处理的地方，输出层是做出最终预测或分类的地方。

另一个称为反向传播(Back Propagation)的过程使用梯度下降等算法来计算预测中的误差，然后通过向后遍历各层来调整函数的权重和偏差，以此来训练模型。前向传播和反向传播共同作用下可使神经网络做出预测并相应地纠正误差。随着时间的推移，算法逐渐变得越来越准确。

深度学习算法复杂，针对特定问题或数据集需使用不同类型的神经网络。例如，卷积神经网络(CNN)主要用于计算机视觉应用，可以检测图像中的特征和模式，从而实现目标检测或识别等任务。递归神经网络(RNN)通常用于自然语言和语音识别应用，因为它利用顺序或时间序列数据。

深度学习模型通过组合非线性模块获得，每个模块将输入数据转换为更高、更抽象的表示，而通过组合足够多的此类非线性变换，可以学习非常复杂的映射关系。例如，在图像分类问题中，图像以像素值数组的形式出现，在神经网络第一层学习的特征通常表示图像中特定方向和位置的边缘是否存在，如图2所示。第二层通常通过发现边缘的特定排列来检测图案，而不管边缘位置的微小变化，如图3所示。第三层可以将特征组合成更大的部分，随后的层会将对象检测为这些部分的组合，如图4所示。深度学习的关键方面是这些特征层不是由人类工程师设计的，它们是使用通用学习过程从数据中获得的。

图2 第一层检测对象

图3 第二层检测对象

图4 第三层检测对象

3 人工智能在水利管理中的应用

从无人驾驶汽车到虚拟医生，人工智能技术(AI)正在改变我们在21世纪的生活、工作和旅行的方式。在水利管理领域，学界和工业界同样也已做出许多探索，并取得了引人注目的进展，本章介绍其中较为成功的应用案例。

3.1 给水管网渗漏的实时检测

对于世界上任何一个国家来说，渗漏都是其供水系统的一个主要问题。本节介绍一种基于人工智能的渗漏检测系统，该系统不仅可以检测管道的爆裂和泄漏，还可以检测出这些供水系统中的设备故障。该检测系统的工作原理是自动处理实时压力和流量传感器信号，然后利用人工神经网络预测近期的信号值，最后将这些数值与传入的监测结果相比较，作为是否发生故障的证据。以这种方式收集的证据使用贝叶斯网络进行处理，估计事件发生的可能性并发出相应警报。该系统可有效地从历史突发事件和其他事件中学习，预测未来的突发事件。该检测系统最初是作为一个研究项目的组成部分开发的，后来被整合到一款商用的异常事件检测系统(EDS)中。

自2015年以来，EDS一直被英国一家大型水利管理公司使用。它每15分钟处理来自七千多个压力和流量传感器的数据，这使EDS能够及时、可靠地检测管道爆裂和相关泄漏，并且具有高准确率和低虚警率。此外，EDS还可以通过检测通常发生在突发事件之前的设备故障(例如，减压阀故障)来主动预防突发事件。EDS不使用水力或所分析配水管网的其他模拟模型，即它仅通过从偏离正常压力和流量信号的传感器信号中提取有用信息来工作，这使得EDS具有较高的鲁棒性和可扩展性。到目前为止，EDS让应用单位节省了大量的运营成本，显著减少了泄漏，降低客户损失，改善了使用公司对数百万客户的服务。

3.2 基于人工智能和计算机视觉的管道自动检查

对城市排水系统管道的定期检查非常重要，因为未发现的结构故障和其他故障(如接缝移位、裂缝等)可能会导致严重污染或洪灾事件。这种检查通常是通过录制监控视频，然后靠人工分析来完成的。这一过程十分耗时费力，而且通常依据工作人员的主观判断，结论并不可靠。本节介绍一种基于人工智能的城市排水系统管道检查解决方案，该方案可通过使用计算机视觉和机器学习方法，以自动化方式分析监控视频和检测管道故障。该解决方案首先通过图像处理，将监控视频中的图像进行处理并转换为合适的数据。然后，依靠随机森林方法使用该数据来检测故障。在应用前，该解决方案所用的模型需使用一些预先标记的监控视频画面来训练完善。自动检测的工作原理类似于人脸识别系统，尽管故障检测的任务更复杂，因为存在太多不同类型的故障，这些故障可能在监控视频图像中以非常不同的方式表现出来。上述解决方案在英国、芬兰和澳大利亚的几家水利管理公司的真实监控视频数据上成功地进行了测试和验证。该方法具有较高的真实检测率和较低的虚警率。

3.3 污水处理厂预测控制

2019年3月，一款污水处理厂预测控制软件被部署在新加坡一处再生水处理厂。它的部署是为了在提高工厂绩效的同时为操作员和管理人员提供预测性分析。该软件收集工厂测量的实时数据，包括氨、硝酸盐、氧气、磷酸盐等物质，并建立历史数据库。然后，该软件利用先进的数据分析和机器学习算法来预测工厂的废水流量、氧气需求、化学剂量需求和其他需求。该系统控制关键的处理过程，根据其预测和工厂的历史表现实时自动优化它们。它通过基于多次测量的分位数回归技术进一步检测工厂过程中的异常。随着软件的自学习，预测精度会随着时间的推移而提高，仅一个月就达到了88%的预测准确率。

该软件连接到工厂的监督控制和数据采集系统以收集数据并控制关键流程，并将数据发送到软件云平台进行处理。依靠云平台近乎实时地收集数据的能力，该软件能够通过数字孪生跟踪内部部署解决方案的实际性能。机器学习技术被用来理解每个过程的运行效率，然后利用学习到的关系和进水负荷的预测来确定最优的有效处理设定值。结果表明，该软件可以提前几天预测将要采取的操作，并能够实现无人值守。

3.4 污水网络的智能报警工具

本节介绍一款基于人工智能的污水网络预测分析工具，该工具可以预测和预警下水道的水位过高和潜在的污染事件，以及检测可能表征污水网络堵塞的异常水位。

由于下水道洪水、管道容量限制和异物，供水设施在降雨期间堵塞的风险最大。该工具使用人工智能技术来检测下水道中的高水位流量何时超过临界水位或与预期流量不一致。该系统通过可定制的智能警报通知系统将这些征兆识别为异常。使用人工智能技术可较大地减少错误警报，并通过早期检测和实时响应准确有效地管理阻塞，防止问题恶化。

由监测设备收集的流量和水位数据被传输到安全、可靠的云平台，该平台以易于使用的仪表板和报告形式显示信息，供用户分析。使用智能算法、实时数据、历史数据集和来自其他来源(如降雨量)的信息，数据被转化为操作员可操作的形式。

该工具的人工智能模型建立在两个多层感知器神经网络的基础上，其中回归神经网络预测未来48小时的流量水平，启发式神经网络识别堵塞等事件异常。集成机器学习技术可以使异常检测能力随着时间的推移而不断优化。数据分析人员可与预测分析软件一起审查数据，以验证警报。对高下水道水位的预测使自来水公司能够主动通知客户潜在的下水道泛滥，并在关键环境地区积极防止泄漏。异常检测使用户能够在堵塞导致下水道溢出之前发现并清除堵塞。

3.5 海流的实时预报

本节介绍一款可对海洋表面流进行准确预报的系统，该系统主要使用递归人工神经网络。该系统是为了支持建设连接丹麦首都哥本哈根和瑞典马尔莫市的伊尔雷索德连接线而开发。这条连接线首先由公路和铁路线桥梁结合在一起，全长近8km，然后在最后3.5km处转变为水下隧道。由于海底的地质条件，在海床中挖掘隧道是不可能的。因此，工程师们选择下沉并连接20个预制钢筋混凝土节段，每节重达5.5万t，然后在海床上挖掘的沟渠中相互连接。这些部件是在哥本哈根北部的一个特殊用途的建筑设施中预制的，并使用一艘专门设计的驳船和7艘拖船，以2.5cm的对准精度降到适当的位置。每个部件的拖曳作业可以在36h的时间窗口内进行。在此期间，必须保证海面洋流小于0.75m/s。在1997年8月11日至1999年1月6日期间，所有20个部件都成功地放置在各自的位置上。基于人工神经网络的密封表面电流的准确预测是取得这一成就的关键因素之一。

3.6 用于主动式资产管理的贝叶斯网络

近年来，与现代供水系统管道爆裂和泄漏有关的经济和社会成本不断上升。决策者面临的挑战是在规划范围内确定要修复管网中的哪些管道、采用哪种修复方法以及何时修复。本节介绍一个使用了先进的人工智能、机器学习和统计方法的管理工具，该工具可及时发现管道破裂的风险。此管理工具基于贝叶斯网络机器学习模型，被用于预测哪些管道最容易发生故障。训练模型时使用已发生突发事件的数据库，主要采用作为爆裂管道的相关特征(其使用时长、直径、建造它的材料等)、铺设管道的土壤类型、和气候因素(诸如温度)等特征。贝叶斯网络是一种概率图形模型，它使用贝叶斯推理进行概率计算。该方法模拟了条件依赖，也就是因果关系。通过这些关系，可以有效地依据管道特征对故障做出判断。使用该方法的项目已在斯德哥尔摩、新加坡、英国和丹麦等国家进行了试验。

3.7 计算机视觉在随机降雨监测中的应用

降水数据的数量和质量在气象和水资源管理应用中至关重要。过去测量降雨量主要依靠雨量计。然而，随着我们进入物联网时代，任何东西都可能成为数据，所以现在可以使用人工智能技术，主要是图像处理和计算机视觉技术，根据智能手机或监控摄像头获取的视频数据来估计定量和分析降雨强度和识别雨带。

4 结语

虽然人工智能技术在计算机视觉和自然语言处理等方向有显著的成果，但是在水利管理中尚未得到广泛的使用，其应用方式还处于探索之中。要使用人工智能技术为水利管理赋能，提高效率并降低成本还需要克服许多困难，比如，如何将不同项目中的数据整合起来训练模型，打破各个项目的数据孤岛，但人工智能技术在水利管理中的应用仍将会有广阔的前景。