基于人工智能的洪水预报调度模型关键技术与应用

摘要：为了满足新形势下防灾减灾的预警预报以及洪水预报的相关要求，填补防灾减灾的空白，文章以洪水预报调度模型为研究对象，在神经网络算法基础上，利用遗传算法优化资源配置，科学智能地开发流域预测和规划系统，并实时采集雨量、水位和排水数据，及时处理和预测流域内的降雨量、水位和排水量等水文气象参数，旨在优化防洪规划。

关键词：人工智能;神经网络;大数据;分布式模型;预报调度

中图法分类号：TP181文献标识码：A

Key technologies and applications of flood forecasting and scheduling model based on artificial intelligence

LV Jifa

（Ninghai Hydrographic Station，Ningbo，Zhejiang 315600，China）

Abstract：In order to meet the requirements of early warning and flood forecast of disaster prevention and mitigation under the new situation and fill in the gap of disaster prevention and mitigation， this paper takes the flood forecast dispatching model as the research object. Based on neural network algorithm， genetic algorithm is used to optimize the allocation of resources， develop river basin prediction and planning system reasonably， and acquire real-time data of rainfall， water level and drainage， timely process and forecaste in the basin， such as rainfall， water level and displacement hydrometeorological parameters， so as to optimize the flood control planning.

Key words： artificial intelligence，neural network， big data， distributed model， forecast scheduling

隨着人工智能技术的发展，传统洪水预报技术需要在新的数据模式下进行调整。为了保证洪水预报工作的精确度与效率，其采用数据驱动的、多维的、有方法的人工智能模式进行业务分析，为预测工作的开展提供了有力的技术支撑，也为多功能的流域规划与运行提供了科学的基础。在此基础上，基于集中式的人工神经网络方法构建了一个面向特定地区的洪水预报模型，并应用遗传算法进行资源配置，实现了科学、合理的洪水预报与规划。

1人工智能与遗传算法

人工神经网络模型是一个模拟人脑及其功能的数学模型。它的优势在于具有并行、分布式存储、非线性映射、自组织、自学习等特点，同时具有较强的鲁棒性和容错性，并且能够很好地解决非凸问题。遗传算法是一种受到自然生物遗传学启发的最优方法，它以“物竞天择，适者生存”的原理为依据，在有限理解力的数字代码的形式下，通过采用适当的评价标准，选择最合适的成员进行复制、融合和突变，确定最佳的生存基础，从而使最符合目标函数的解决方案在下一代中得到复制[1]，保留最佳的解决方案，当然也会淘汰最差的解决方案，即经过几代继承，获取最佳方案。另外，神经网络有以下缺点：首先，其很难确定隐藏层的数量和隐藏层中神经节点的数量，算法收敛缓慢，网络往往会走到局部极端，没有完美的理论来确定网络的拓扑结构。根据定理，三层 BP 网络可以在ε平方误差范围内以一定的精度近似目标函数f（ x ），隐层节点的选择由2n+1决定，其中 n 是输入因子。随着电子计算机技术的发展，算法收敛缓慢的问题得到了解决，即使经过几千万次的训练，算法收敛也只需要3～5分钟。对于网络倾向于收敛到局部最小值的情况，存在许多算法。例如，完善传统的 BP 算法、将小波分割成神经网络以及将基本的水文知识纳入神经网络等技术都取得了成功。同时，关于利用遗传算法改进神经网络的研究也很多，大致分为三种改进方法，即使用遗传算法来进化神经网络的结构、使用遗传算法来优化神经网络的初始权重、使用遗传算法来训练网络。基于后两种方法，人工神经网络可以被改进，并且改进后的网络可以在实际的洪水预报中得到检验。

2基于人工智能和大数据驱动的水文模型应用分析

洪水是中国最严重的自然灾害之一。中小型集水区的洪水预报是防洪减灾最重要的非技术措施。预防和缓解山洪的主要技术难点是计算小流域的风暴潮。径流的非线性和小流域的数据模糊以及参数分割是计算小流域风暴潮的主要技术问题。随着遥感水文大数据的增加（如全国范围内的山洪调查和评估、水文调查、遥感和高分辨率地面调查等），水文遥感实现了由点到面的转变，从静态监测扩展到动态监测，为解决复杂水文现象和建立新的水文模型提供了新的机遇。水文模型已经成为水文研究的重点。

2.1大数据基础

中国在2019～2020年进行了全国山洪灾害的调查与评价。在此基础上，对我国各流域进行了划分，划分出了各流域的60多万个小流域，确定了各流域的基线属性得分，并建立了各流域基线属性指标，使用国家遥感影像资料，根据土壤类型与质地资料，以2.5米为单位，构建了土壤结构参数和土壤类型数据，对近12000余份暴雨洪水观测资料进行了统计和整理。通过对700个水文站的暴雨洪水观测资料与1949～2020年的洪水资料进行汇总，积累了大量的历史资料，对小流域的风暴潮进行了初步研究，并为机器学习提供了充足的范例[2]。

2.2基于机器学习的人工智能技术

近年来，在降雨预测、小流域遥感数据分类、洪水模型参数估计、洪水预测预警、洪水风险评价等方面，我国都有深入的研究和探索。在高分辨率数据分类方面，为了有效提高遥感影像和激光点云的分类准确率，针对目前我国分水岭参数划分中存在的数据差距，提出了一种以基本属性数据、基本参数数据、土壤质量数据为基础的分水岭参数分区方法。对1000多个洪水特征和参数进行了机器学习，以河南、北京、甘肃、福建、吉林等5个省份（直辖市）小流域的无资料区域参数库为参考目标，其将有效提高我国小流域的水情预测能力。另外，为了构建以小流域为基础的风暴潮风险因子评价指标体系，有关人士提出了几大主要风险因子，分别为短期风暴特征、单位洪水系数、汇流时间、房屋风险，评价采用53个时期的235起历史洪水事件，其一致性达到91%，从而极大地提高了洪水危险性的判断精度。

2.3新一代分布式水文模型

以山洪灾害监测与评估结果为依据，利用实时卫星、雷达、台站等多源降雨信息和预测降雨资料，以流域结构和基本特征为参考目标，以历史暴雨洪水和率定参数为先验知识，以降雨蒸发、产汇流、河道演进、水库调蓄等水文过程为主线，以流域为计算单元，集成模型库、人工智能算法库、参数库和先验知识库为一体的新一代分布式水文模型。通过对15个不同区域的降雨资料进行分析，比较了新安江、连续路、 TOPMODEL 和 PRMS 等10种模式的仿真精度，通过新一代分布式水文模式在小流域中的应用，其精度可提高30%左右。

3水文模型应用现状

3.1水文模型参数优化

若要有效利用水文模型，那么建立模型的参数非常关键。传统水文模型参数设定多采用试错法，即用人工不断地调节参数值，以达到仿真精度。该方法是人为的，具有很强的重复性和复杂性。当前，智能算法在参数自动优化方面的研究与实现，主要是针对模型参数的全局优化问题，总体上属于智能化。其中，遗传算法、多目标粒子群优化（MOPSO）和 SCE?UA（SCE?UA）算法，其改进算法得到了较多的关注，并在水文模型参数优化中得到了广泛应用。相关研究人员提出一种多目标粒子群优化方法，用于新安江流域的参数优化。利用 SCE?UA 方法对 TOPMODEL 的参数进行了优化，根据测试结果来看，有着良好效果。

3.2水库优化调度

水库的发展是一个复杂的、多方面的管理问题，其研究将直接关系到实际的生产和经济发展。传统水库管理方法主要有动态规划、线性规划、非线性规划、离散差动规划等。为了保证中长期储层的作业次序和作业安排，一般需要每年进行最优计算。但是，随着字段数目的增加，运算负担就会增加，从而产生“规模灾难”问题。针对大型水电站与水库的联合优化调度问题，国内外学者进行了大量研究，并针对这些问题，建立了一系列的优化调度算法。以某学者为例，其介绍了一种基于多目标的微粒群优化方法，并将其用于多目标优化工程，对一座跨江三级水电站进行了规划，得到了一批实时稳定、均匀分布、收敛良好的多目标规划。

3.3分析计算速度

加速洪水预测系统的分析与计算，可以使预测周期大大延长，从而提高预测的准确性和防灾能力。海量的数据存储、管理、分析、计算等技术（如 Hadoop ，Spark ，Storm[4]等）正在飞速发展，其在交通、金融和在线商务等领域得到了广泛应用。在水利领域，大数据技术的研究与应用成果较多，尤其是数据的采集、存储、共享与交换，而大数据技术在提高洪水预报模型分析和运算速度等方面缺乏研究与应用成果。

3.4总体设计思想

在分布式水文模型、大数据、人工智能等先进技术的基础上，实现了对中小河流的预报与规划。首先，在分布式水文建模的基础上，结合中小河流的气象、水文特征，构建了适合中小河流的“降雨?径流”分布模型，并对其进行了数值模拟。其次，采用遗传算法、粒子群优化等先进算法，实现了“雨水?径流”模型参数的自动优化;采用地形参数方法对数据丢失区域进行模型参数分析，并建立了集水区特性与模型参数的相关性，从而提高了预测精度。遗传算法完整的技术架构如图1所示。

3.5模型参数智能优化

由于水文系统具有不确定性和多样性，使得模型的各参数也具有一定的不稳定性和时效性。在某种程度上，优化效率和模型参数对模型的影响是决定模型有效性的重要因素。利用遗传算法、PSO ，SCE?UA 等智能优化算法，可以为自动优化参数优化提供理论依据。针对水文站内的中小河流，采用每年自动优化（或按用户定义的步骤）及模型参数更新迭代，使之与水文系统的时间变化相适应，从而提高预报精度。综合利用新的系统理论和方法、计算机技术和遥感技术，代表了在数据贫乏地区进行水文预测的新方法。为了分析数据贫乏地区的水文模型参数，可以使用相似性原则从数据域转移参数，或者使用地貌参数方法来确定模型参数和流域特征之间的相关性。根据数据域中模型参数的校准结果，建议使用地貌参数法来确定模型参数与流域面积、河流长度、坡度、植被覆盖、土壤结构和其他特征之间的相关性。根据确定的关联关系，然后从开放区数据和流域特征值中计算出模型参数，并将其代入水文模型进行预测[5]。

4结语

通过技术分析和案例研究可以看出，人工智能算法在洪水预测中的应用打破了传统径流产生和集中过程的多参数和多维度影响。在大量历史数据的基础上，找到了适合统计预测尺度的预测模型，以此用于分析传统径流产生和浓度数据。统计数据的转换可以从不同方面对水文预报进行测试，大大提高了预报的准确性。同时，面对复杂的水库运行等情况，传统的单一水库运行和动态规划的方式无法完成整体优化的最优方案，缩短系统响应时间，增加数据采样范围，降低经验判断的不确定性，提高决策效率。该技术能够提供早期预警和预测服务，使结果可视化的方法多样化，并充分整合现有资源以提高效率。

参考文献：

[1]劉昌军.基于人工智能和大数据驱动的新一代水文模型及其在洪水预报预警中的应用[ J].中国防汛抗旱，2019，29（5）：11+22.

[2]杨海燕，徐岭，戚娟.运用水文模型计算小流域致汛临界面雨量的探讨[J].陕西水利，2018（S1）：26?28.

[3]惠强.基于人工智能的洪水预报算法的研究与实现[D].西安：西安电子科技大学，2020.

[4]王春平，王金生，梁团豪.人工智能在洪水预报中的应用[J].水力发电，2005（9）：12?15.

[5]廖厚初，王加虎.基于分布式预报平台的水文模型预报研究[J].水利科学与寒区工程，2022，5（3）：59?62.

作者简介：

吕吉法（1968—），本科，高级工程师，研究方向：水利工程运行管理。