水环境数字孪生管控平台构建——以临沂市黑臭水体治理项目为例

文｜临沂市市政工程建设管理服务中心 王艳君；北京北控悦慧环境科技有限公司 王鹏；易智瑞信息技术有限公司 董晓非

1.引言

临沂是一座依水而建、凭水而兴的城市，中心城区“九水绕城”，水是临沂最靓丽的名片。然而，随着经济快速发展、城市建设步伐加快、城区人口不断增长，临沂中心城区部分河流水体黑臭、水质超标问题突出，水环境质量亟待提升。自2015年底，临沂市全面开展黑臭水体排查，共确定了16 条24 段80.7 公里城市黑臭水体，共实施了河道治理及配套污水处理厂、污水管网建设、水系互连互通程、管网修复、能力建设与监测评估系统等5 类39 项工程，累计完成投资39.2 亿元。2018年10月，临沂成功入围国家首批黑臭水体治理示范城市，获得国家6 亿元奖补资金。截至目前，临沂市上报的24 段黑臭水体已全部通过省级初见成效评估，其中21 段通过省级长制久清评估，临沂市黑臭水体治理已进入长效管养阶段。

在近十年黑臭水体治理的过程中，各项工程措施发挥了积极重要且不可替代的作用，随着云计算、物联网、人工智能等IT 新技术的应用，软件平台在其中发挥的作用越来越明显。2021年随着“黑臭水体监测平台”（一期）的上线试运行，黑臭水体治理工作有了一个聪明的大脑。随着治理工作进入长效营养阶段，越来越多的新需求、新问题也浮出水面，给“黑臭水体监测平台”带来了新的挑战和机遇。本文按照水利部数字孪生流域平台的构建思路，结合水环境数字孪生管控平台即“黑臭水体监测平台”二期（规划），从数字孪生的视角讨论并尝试解决这些问题。

2.水环境数字孪生管控平台构建

数字孪生平台是基于信息化基础设施，利用云计算、物联网、大数据、人工智能、遥感、数字仿真等技术，对物理单元全要素和相关治理管理活动全过程进行数字映射、智能模拟和前瞻预演，支撑业务各项功能的实现。纵观黑臭水体治理的各项工作，水环境数字孪生管控平台也需要基于现有的信息化基础设施，利用物联传感技术对各类水体和排水管网水质水量进行监测，利用AI 和大数据的能力，以汇水分区区/排水分区/流域单元来进行系统分析和治理，最终通过采取各类前瞻性预演、预案、实时联合调度等方式来解决问题。下面从四个方面来探讨水环境数字孪生管控平台的构建。

2.1 数据底板建设

数据底板以集水区/排水区为单元，以实体模型为核心，以时空数据为表现形式。数据底板在一期一张图的基础上升级扩展，通过进一步的数据收集/采集、治理、融合、数据建模来补充和完善。数据底板还将以服务的形式来支撑上层的集成展示、模型分析、调度优化。参照数字孪生平台相关指导技术文件，数据底板包括基础数据、监测数据、业务管理数据、跨行业共享数据、地理空间数据等五大类数据资源。

2.1.1 基础数据

基础数据包括政区、流域、集水区、河流、湖泊、水利工程、排水规划等带有行业属性的基础数据，以及人口分布、现状道路、植被覆盖、土地利用、地形地貌等通用基础数据。目前项目一期已收集了全部的基础数据，并以地图服务（二维）、场景服务（三维）、数据服务（内容）的形式向上层提供。

图1 排水分区

图2 植被覆盖

二期将补充重点区域高精度的地形数据，以及更新补充水利设施相关的基础数据。

2.1.2 监测数据

实时监测数据接入种类包括：河道水质数据、河道流量数据，管网水质数据、管网水量数据、污水厂进水口出水口水质数据、实时降雨量数据、降水监测点数据、内河水位数据、视频监控数据、河长牌数据等。其中河道监测设备、管网监测设备、雨量计、视频监控、河长牌等属于项目自建。其余监测数据为集成接入。

项目一期自建各类监测共计100 余套，其中河道相关监测设备20 余套，管网相关监测设备30 余套，视频监控设备30 余套，其余各类设备20 余套。项目二期根据一期业务应用及现场监测情况对相关监测点位进行加密，计划新增管网监测设备20 余套，河道监测设备10 余套。

2.1.3 业务管理数据

业务管理数据包括调度预案、调度指令、设备工况、外业巡检处置等数据。其中调度预案包括厂网河联合调度预案、水环境应急决策预案、超标事件处置预案等；设备调度指令包括临时调度指令和预案调度指令；设备工况包括各类设施的工作状态和运行负荷；外业巡检处置数据针对外业巡检和内业决策，全流程覆盖。

项目二期将针对业务应用，结合场景，细化功能，持续扩展业务管理数据。

图3 河道浮标水质监测站

图4 管网水质水量监测站

图5 厂网河联合调度预案

图6 污水分水闸工况详情

图7 青龙河实景三维数据

图8 中心城区建模白模

2.1.4 跨行业共享数据

项目二期将推进与气象部门的合作，集成接入短临降雨预报数据用于优化模型调度；推动与城市管理部门的合作，集成接入最新一期的管网普查数据；推动与水利环保部门的深入合作，集成接入更多的河长制相关数据；开展与临沂地质遥感大数据中心的合作，获取更高分辨率、更强时效性的遥感数据。

2.1.5 地理空间数据

项目一期已经完成核心区建筑三维模型的构建，并使用了覆盖整个临沂市的DOM 和DEM 数据，完成了L1 级数字孪生的构建。在此基础之上，平台还对倾斜摄影等实景三维数据的应用做了初步探索。项目二期将持续推进倾斜摄影和建筑信息模型的试点应用，收集污水厂、重要的河道管网设备的BIM 数据，打造L2+级别的数字孪生场景。

2.2 厂网河联合调度模型构建

项目一期在融合基础数据、监测数据、业务管理数据、地理空间数据的基础上，通过集成河道水质水动力模型，建立起集实时监测、预警、调度指挥等功能于一体的厂网河联合调度模型。与此同时项目承建方还与政府主管部门、咨询团队、当地运营公司、水质检测单位共同建立起一套运营管理制度和指挥调度流程。厂网河联合调度模型，将涑河、陷泥河、青龙河片区视为厂网河联动的整体，依托平台全方位的监测监控体系、全覆盖的基础数字资源体系、以实时监测的河道水质报警数据为依托，结合既定的水质目标，通过数值模型模拟，依据优化算法自动计算水质优化方案。厂网河联合调度模型平台还支持同目标不同方案的对比，调度预案的生成和管理，为科学调度补水、水体治理提供决策支撑。

项目一期搭建的厂网河联合调度模型，在日常的调水补水、突发水环境应急决策、超标事件调度中，已经发挥了重要的作用。经过一年的上线运行，各方对模型平台提出了更多的诉求，例如一期建立的数值计算模型没有考虑汛期降雨的外部影响因素；地面产流、管网汇流机理模型尚未纳入到一期数值模型当中；尚未接入污水厂内部工艺关键指标，未将污水厂的弹性调度纳入模型考虑范围；数值模型生成的调度预案对于各类厂网河设施设备的控制力度较粗，调度时间尺度较大，多为小时或天；无法通过给定多目标调度策略，自动推荐最优调度方案。鉴于项目一期存在的不完善之处，项目二期在一期数值模型的基础之上，将构建基于MPC（模型预测控制）的厂网河全覆盖调度模型。

图9 基于MPC（模型预测控制）的厂网河全覆盖调度模型

基于MPC（模型预测控制）的厂网河全覆盖调度模型包括几个重要的组成部分：

2.2.1 管网机理模型

管网机理模型部分计划以SWMM 模型为基础进行构建。SWMM 是美国环保局推出的暴雨径流管理模型，该模型可以对单场降雨或者连续降雨产生的坡面径流进行动态模拟，进而计算出特定环境条件下，管网中的水量和水质状况。管网机理模型相比项目一期有如下改进：结合平台中已有的基础环境数据，通过对接气象局实时降雨数据以及第三方短临降雨预报数据，可以准确接入或预测单场或多场降雨，解决一期模型未考虑外部降雨的问题；以最新一期的管网普查数据为基础，构建适宜模型计算的管网骨架数据，保证参与模型计算管网数据的现势性和准确性；通过在管网中布设的传感器，可以对管网中的流量、液位、水质等指标进行监测，进而可对复杂降雨条件下的管网机理模型进行校验。

2.2.2 污水厂机理模型

污水厂机理模型部分计划以某污水厂模拟软件为基础进行构建。利用污水厂模拟软件可对污水厂的各种工艺过程和构造进行建模和模拟。污水厂机理模型不但需要对污水厂运行进行实时模拟，还需要支持通过设定多策略目标方案，进而确定特定场景下不同处置目标的运行方案。通过接入污水厂实时监测数据和处理工艺关键指标，可以对污水厂机理模型进行校验。

2.2.3 MPC 实时控制器

MPC 即模型预测，是一种反馈控制算法，其目的就是预测出未来的输出。MPC实时控制器内置简化预测模型，集成了管网机理模型和污水厂机理模型的主要能力，通过接入某时刻污水厂运行指标数据、污水厂进口指标数据、排水管网重要节点指标数据，来预测分析未来某段时间的排水管网流量、污水浓度、污水厂处理能力，在多目标控制算法的驱动之下，最终计算出各类排水设施、污水处理厂的运行调度方案。MPC 实时控制器追求在一定精度条件下，短时间步长的快速计算，进而给出各类可调度设备的精准调控指令，从而提高调度效率。

2.2.4 模型集成运行

基于MPC 的厂网河全覆盖调度模型一体化实时调度架构如图10所示。首先确定初始运行时间、初始运行基础环境。在初始运行基础环境中，包括：降雨数据，实时或预测；管网模型数据，附带各类重要控制设施，例如调蓄池、闸门等；管网中重要节点的监测指标数据，例如：液位、流量等；污水厂的运行指标和运行方案。管网机理模型和污水厂机理模型作为集成模型仿真器进行初始计算，将计算结果推送至MPC 实时控制器。MPC 实时控制器，根据确定的时间步长，例如10 分钟，通过内置的简化模型，预测未来输出，并给出调出指令。调度指令的给出需要以用户预先设定的多目标控制策略为导向，满足例如污水厂效率最优、处理能力最大化、管网无溢流等不同优先等级的策略。管网机理模型和污水厂机理模型通过接收调控设备控制指令，变更其运行状态，再次开始机理模型的运行，准确模拟某时刻的管网与污水厂状态，并将结果推送至MPC 实时控制器。MPC 实时控制器接收到最新一次的管网、污水厂状态信息，开始下一次的预测控制计算。通过短时间间隔，长时间序列，带有纠偏模式的模型计算，最终得到一次事件完整的调度方案。

图10 基于MPC 的厂网河全覆盖调度模型一体化实时调度架构设计

基于MPC 的厂网河全覆盖调度模型，通过集成多种机理模型、经验模型、简化模型，可以解决外部因素考虑不全、调度预案颗粒度不够、模型分析不准等等问题；通过提供模拟调度和实时调度两种调度方式，来满足前瞻性预演、预案、实时联合调度的需求；通过运筹学多目标控制算法，在复杂环境下，可以实现多目标、分层次、分优先级的最佳调度预案。

2.3 智能识别模型构建

智能识别模型主要是利用人工智能方法从图片、视频、遥感等数据中自动识别特定对象特征，并辅助业务应用。水环境数字孪生管控平台中已建和计划建设的智能识别模型包括：

2.3.1 河道漂浮物识别——基于视频监控

河道上的漂浮物可能是水草树叶、垃圾袋、塑料瓶，种类繁多，形态各样，在日常的巡检过程中无法做到全天候全天时。因此利用人工智能技术，通过训练图像语义分割模型，结合视频监控，可以智能识别河道中的漂浮物。当有AI 加持的视频监控发现河道有漂浮物时，会在第一时间告警，同时识别出物体的轮廓和像素面积占比。系统管理员可以根据视频报警进行巡检推送，减少漂浮物对河道水质的影响。

图11 河道漂浮物AI 识别

2.3.2 设备巡检智能预判——基于设备监测数据

河道及管网中布设的监测设备数量较多，且较为分散，很多设备需要放置到检查井或河道中央。在日常巡检过程中，难以时时查看或近距离查看，往往以设备是否丢失，设备位置是否发生偏移，设备外观是否有损坏、设备目视范围内是否有异物干扰等作为常规检查项。对于设备网络传输是否正常、传感器是否正常、传感器探头是否需清洗或更换，设备内部是否有异物干扰等问题确难以及时发现。基于设备传感器监测指标数据，通过构建智能判别模型，利用数据传输数量、质量、准确率、延迟率，数据质量异常数量统计，监测指标分布值域等信息，可以及时识别潜在隐患，并自动提示巡检养护人员。巡检养护人员可以根据提示，采取针对性的处置措施，例如：指标异常探头需要清洗、网络异常需要检查设备网络，指标值整体偏离正常区间探头需要更换等。

2.3.3 河道水环境监测——基于遥感影像

基于遥感影像的水质监测可以实现从长时间序列、全空间角度了解水体富营养化、水体黑臭等水环境问题的变化趋势及其成因。项目二期计划利用遥感手段，获取河道水体中叶绿素含量、悬浮物浓度、透明度、总磷、总氮、氨氮、黄色物质、溶解氧等水环境指标参数。通过与已有监测数据进行拟合校正，补充大范围长时间序列的监测水体水质指标。

图12 数据传输监控

图13 数据质量分析

2.4 可视化平台构建

可视化平台包括数字孪生展示系统、实时监测与报警管理系统、厂网河一体化调度管理系统等内容。

数字孪生展示系统，将数据底板中的五类数据进行统一管理和展示，具有虚实结合、状态感知、模拟推演等特点。数字孪生展示系统的功能包括：实体数据浏览，各类实体数据的可视化浏览、叠加显示，物联数据查看、二三维图属联动查看；场景数据浏览，大面积连续三维地形场景、实景三维MESH 模型、三维精细模型、BIM模型等数据的加载与显示；晴、雨、雪、雾、动态水面、污染物扩散等特效；厂网河全覆盖调度模型结果模拟仿真。

实时监测与报警管理系统，基于实时监测数据实现水环境多维预警，及时识别异常、风险及问题，包括：实时监测与报警、监测数据趋势分析、报警信息统计、智能视频分析等。

厂网河一体化调度管理系统包括：场景与预案管理、模型管理、雨情信息管理、模型实时调度、模型预测调度、模型调度效果评估等内容。

图14 基于遥感影像的悬浮物浓度空间分布（示例）

图15 基于遥感影像的叶绿素a浓度空间分布（示例）

3.小结

水环境数字孪生管控平台充分利用了物联网、大数据、人工智能、遥感、三维GIS等技术，参照水利部数字孪生平台的理念，结合项目实际进行构建，目前已经初具规模。笔者相信，随着应用的不断深入，需求的不断涌现，还会有更多的问题需要解决、更多的挑战需要面对，水环境数字孪生管控平台也会持续进化，持续完善，变得更加智能，发挥出更多更大的价值！