CN110222372A - 一种基于数据同化的河网水流水质实时预测方法及装置 - Google Patents
一种基于数据同化的河网水流水质实时预测方法及装置 Download PDFInfo
- Publication number
- CN110222372A CN110222372A CN201910381233.3A CN201910381233A CN110222372A CN 110222372 A CN110222372 A CN 110222372A CN 201910381233 A CN201910381233 A CN 201910381233A CN 110222372 A CN110222372 A CN 110222372A
- Authority
- CN
- China
- Prior art keywords
- waterways
- network
- water quality
- data
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于数据同化的河网水流水质实时预测方法及装置,本申请技术方案基于河网的水位、流量和水质等实时监测数据,利用集合卡尔曼滤波或其改进算法,将实时监测数据同化到河网水流水质模型中,构建河网水流水质数据同化模型,并利用并行计算架构来提升数据同化模型的计算效率。由于数据同化技术综合考虑了水流水质模型结构误差、进出口边界误差和观测值误差,融合实时观测资料来动态校正水流水质模型的水位、流量和水质浓度状态变量和糙率、水质参数,因此采用河网水流水质数据同化模型和并行计算架构能够动态预测复杂河网系统的水位、流量和水质浓度,可以提高模型预测精度。
Description
技术领域
本发明涉及水资源监控管理领域,尤其涉及一种基于数据同化的河网水流水质实时预测方法及装置。
背景技术
随着城市化快速发展和城市人口的高速增长,城市供水需求不断增加,加之工业废水、生活污水的大量排放,使得本就突显的水资源供需矛盾及水污染问题更加剧烈。如何科学合理的进行取水以及污染物排放成为水资源可持续利用和发展以及水环境保护急需解决的问题。
水环境数学模型是将水动力问题和污染物在水体中的迁移转化问题用数学方程进行描述,并在一定的定解条件下求解这些方程,从而模拟水流、水质状况动态变化的有效工具,并有力支持实际问题的解决,可用于指导水环境工程实践并实现水资源调配、水环境和水生态治理保护等。
传统的预测系统主要采用历史回归的方法,如神经网络、支持向量机等对河道的水沙现状进行预测。这些方法忽略了河道水流演进中动力学特性和守恒规律,因此此类系统只适合于瞬时预测,无法辅助决策,达不到水资源实时管理的目的。
近年来,利用水流水质数学模型对水流水质状态变化进行数值计算成为了重要的预测手段,并在水资源管理、水环境保护等等方面起到了关键作用。然而,利用模型进行实时水位、流量、水质等方面预报时出现了误差大、精度低的问题,其主要原因是:(1)传统水质方程存在的误差;(2)未知量不封闭或者条件参数不封闭;(3)模型参数不能适应边界条件的变化;(4)水质指标众多,不同指标之间具有相互作用,而且众多参数率定效率非常低,对模型计算精度影响较大。
将原型观测资料纳入到水流水质数学模型方程中,用于提高模型预测精度成为系统研究和开发的新方向。但是,直接将实时观测值带入水流水质数学模型会导致方程计算失稳和整个计算区域的不和谐。对于大区域来讲,因为水动力水质模型和数据同化算法计算中涉及河段众多,还有复杂的矩阵计算,势必影响模型的计算效率。
发明内容
针对上述问题,本发明提供了一种基于数据同化的河网水流水质实时预测方法及装置。
为了解决上述问题,本发明公开了一种基于数据同化的河网水流水质实时预测方法,所述方法包括:
采集河网的基础数据和实时数据;
根据所述基础数据以及河网拓扑结构,建立基于并行计算架构的水动力水质模型;
根据河网的实时监测数据,利用集合卡尔曼滤波或其改进算法,对所述水动力水质模型进行数据同化,得到基于并行计算架构的数据同化模型;
采用所述数据同化模型,对河网各河段的水位、流量和水质浓度预测,并同步更新糙率、水质扩散系数和水质模型参数。
可选地,所述河网的基础数据包括:河网的河道底部高程和河宽、河网边界的水位、流量和水质浓度,各个断面的初始流量场Q初始、初始水位场Z初始以及初始水质浓度场C初始;
所述的实时数据包括:河网出入流边界的监测数据、河网内部河段关键断面的监测数据以及卫星遥感反演的数据产品。
可选地,所述根据所述基础数据以及河网拓扑结构,建立基于并行计算架构的水动力水质模型的步骤,包括:
根据所述河网结构绘制河网有向图;
根据所述河网有向图构建河网关系矩阵;
以所述河网关系矩阵为基础,并根据所述基础数据,建立基于并行计算架构的水动力水质模型。
可选地,所述根据所述河网拓扑结构绘制河网有向图的步骤包括:
确定河网的节点总数以及河段总数;
以圆代表节点,根据河段的空间分布绘制连接各节点的有向边,并任意指定各有向边的正方向,分别为各节点和各条有向边进行编号,得到反映河网拓扑结构的河网有向图;
所述根据所述河网有向图构建河网关系矩阵的步骤包括:
按照如下公式确定所述河网关系矩阵A的第i行、第j列元素aij:
可选地,所述实时监测数据包括:水位Z监测、流量Q监测和水质浓度C监测。
为了解决上述问题,本发明还公开了一种基于数据同化的河网水流水质实时预测装置,所述装置包括:
信息采集模块,被配置为采集河网的基础数据和实时数据;
模型建立模块,被配置为根据所述基础数据以及河网拓扑结构,建立基于并行计算架构的水动力水质模型;
模型同化模块,被配置为根据河网的实时监测数据,利用集合卡尔曼滤波或其改进算法,对所述水动力水质模型进行数据同化,得到基于并行计算架构的数据同化模型;
动态预测模块,被配置为采用所述数据同化模型,对河网各河段的水位、流量和水质浓度预测,并同步更新糙率、水质扩散系数和水质模型参数。
可选地,所述河网的基础数据包括:河网的河道底部高程和河宽、河网边界的水位、流量和水质浓度,各个断面的初始流量场Q初始、初始水位场Z初始以及初始水质浓度场C初始;
所述的实时数据包括:河网出入流边界的监测数据、河网内部河段关键断面的监测数据以及卫星遥感反演的数据产品。
可选地,所述模型建立模块还被配置为:
根据所述河网结构绘制河网有向图;
根据所述河网有向图构建河网关系矩阵;
以所述河网关系矩阵为基础,并根据所述基础数据,建立基于并行计算架构的水动力水质模型。
可选地,所述模型建立模块还被配置为:
确定河网的节点总数以及河段总数;
以圆代表节点,根据河段的空间分布绘制连接各节点的有向边,并任意指定各有向边的正方向,分别为各节点和各条有向边进行编号,得到反映河网拓扑结构的河网有向图;
所述根据所述河网有向图构建河网关系矩阵的步骤包括:
按照如下公式确定所述河网关系矩阵A的第i行、第j列元素aij:
可选地,所述实时监测数据包括:水位Z监测、流量Q监测和水质浓度C监测。
与现有技术相比,本发明包括以下优点:
本申请实施例提供了一种基于数据同化的河网水流水质实时预测方法及装置,本申请技术方案基于河网的水位、流量和水质等实时监测数据,包括物联网监测数据以及卫星遥感反演数据,利用集合卡尔曼滤波或其改进算法,将实时监测数据同化到河网水流水质模型中,构建河网水流水质数据同化模型,并利用并行计算架构来提升数据同化模型的计算效率。由于数据同化技术综合考虑了水流水质模型结构误差、进出口边界误差和观测值误差,融合实时观测资料来动态校正水流水质模型的水位、流量和水质浓度状态变量和糙率、水质参数,因此采用河网水流水质数据同化模型和并行计算架构能够动态预测复杂河网系统的水位、流量和水质浓度,可以提高模型预测精度;同时将目前的规划模型发展为实时校正模型,不仅为水量水质联合调控提供决策支持,而且为水环境保护和水资源管理提供保障依据。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请实施例提供的一种基于数据同化的河网水流水质实时预测方法的步骤流程图;
图2a示出了本申请实施例提供的有环河网的示意图;
图2b示出了本申请实施例提供的无环河网的示意图;
图3a示出了本申请实施例提供的有环河网的有向图;
图3b示出了本申请实施例提供的无环河网的有向图;
图4示出了本申请实施例提供的有向图节点上的河网断面示意图;
图5示出了本申请实施例提供的水动力水质模型并行计算框架;
图6示出了本申请实施例提供的一种基于数据同化的河网水流水质实时预测装置的结构框图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
本申请一实施例提供了一种基于数据同化的河网水流水质实时预测方法,参照图1,所述方法包括:
步骤101:采集河网各河段的基础数据和实时监测数据。
具体地,河网基础数据可以包括:河网各河段的河道底部高程和河宽、河网各河段外边界的水位、流量和水质浓度,河网各河段断面的初始流量场Q初始、初始水位场Z初始以及初始水质浓度场C初始。将上述信息按采样时间的先后顺序分别进行排列,可以得到一张河网基础数据表。
实时数据包括:河网出入流边界的监测数据、河网内部河段关键断面的监测数据以及卫星遥感反演的数据产品。
步骤102:建立基于并行计算架构的河网水动力水质模型。
具体地,根据基础数据以及河网拓扑结构,建立基于并行计算架构的水动力水质模型。
一种实现方式中,该步骤具体可以包括如下步骤:
S1:根据河网结构绘制河网有向图。
具体地,可以首先确定河网的节点总数以及河段总数;然后以圆代表节点,根据河段的空间分布绘制连接各节点的有向边,并任意指定各有向边的正方向,分别为各节点和各条有向边进行编号,得到反映河网结构的河网有向图。
有向图是用于表示物件之间的关系的拓扑结构,以G代表有向图,其数学定义可写为G=(V,E),V和E分别为节点和有向边的结合。图3a和图3b分别是与图2a和图2b对应的有环河网和无环河网的有向图,有环有向图中存在环路,无环有向图仅由支汊组成。若以|V|表示有向图G中的节点数,以|E|表示G中的有向边数,则图3a是一个|V|=4、|E|=5的有环有向图,图3b则是无环有向图。
以有向图描述河网结构时,有向边与两断面间的河段是1对1的关系,节点与河网断面一般是“1对n”的关系(如图4所示),n是在节点上交汇的河段总数。对于单一河道,其首尾两个节点上的断面分别由首尾两个河段独占,其内每个节点上,一般只对应1个由上下游河段共享的断面。以有向图描述河网的方法如下:
(1)确定河网的节点总数|V|;
(2)确定河网的微河段总数|E|;
(3)以圆代表节点,根据河段的空间分布绘制连接各节点的有向边,并任意指定各有向边的正方向,例如可以从1开始的连续自然数为节点编号,保证每个节点均具有唯一编号,可以以同样的方法给各条有向边编号,即得反映河网结构的有向图G。
河网有向图中河段方向可任意规定,当河段内流量计算结果为负时,表示该河段的实际水流方向与河段的规定方向相反,这并不影响河段内的真实流向和流量结果。
S2:根据河网有向图构建河网关系矩阵。
具体地,在绘制出河网结构的有向图后,可根据河网有向图构建河网关系矩阵,此矩阵包含了河网结构的全部信息。以图2a为例,此有环有向图的关系矩阵如式所示。
式(1)中矩阵A有4列5行,表示图3a所示的有环有向图由4个节点和5条有向边组成,关系矩阵A的第i行与有向图的第i条有向边相应,第j列与有向图的第j个节点相应,关系矩阵A的第i行第j列元素ai,j的确定方法如以下公式所示:
关系矩阵A反映了有向图中节点和有向边的关系,如式(1)中矩阵A的第一行表示有环路河网3a的1号有向边的起点为节点1、终点为节点2。
S3:以河网关系矩阵为基础,并根据基础数据,建立能适用于并行计算结构的水动力水质模型。
具体地,可以采用并行计算架构进行水动力水质模型的建立。每个时间步计算中各河段的迭代过程相互独立,可将其拆分为能在不同从进程中同时进行计算的任务,不同从进程迭代计算完成后,将与该河段关联汊点的计算结果发给主进程,主进程再根据校正原理,计算出该汊点下一迭代步的校正水位值,各从进程接收到新的边界条件后再进行下一迭代步计算,直到满足收敛条件,完成该时间步的水动力水质模型计算。水动力水质模型计算完成后,继续水质模型计算。在下一个时间步按此方法继续计算,直到计算终止,结束计算。具体流程如图5所示。以上并行计算采用CPU、GPU或者两者混合的计算架构。
根据上述并行计算的方式,求解以下一维水动力水质模型,一维水动力水质模型包括河网水动力过程和水质过程。
河网水动力过程由一维圣维南方程组描述,如方程所示:
其中,Z为水位;Q为过水流量;B为过水宽度;A为过水断面面积;t为时间;x为距离;g为重力加速度;q为旁侧入流流量;Sf为摩阻坡度,计算公式为n2Q|Q|/(A2R4/3);R为水力半径;n为糙率系数。当各河道组成河网时,在汊点处需要补充连续条件,如方程所示:
∑Qi-∑Qo=0 (5)
Zi-Zo=0 (6)
式中,下标i和o分别代表流入或流出汊点的河道断面变量值。与水流数学模型一致,当在横断面上混合比较均匀时,污染物在水体中的输移转化过程符合一维运动特征,一维非恒定流水质输运方程为:
式中参数的意义为:C为水质浓度,表示COD、总氮、总磷、溶解氧、叶绿素a等;Cq为支流水质浓度;DL为纵向离散系数;S为源(汇)项。在汊口处,假设污染物完全混合,即:
Co=∑QiCi/∑Qi (8)
求解得到河网各河段各断面的水位计算值Z预报、流量计算值Q预报和水质浓度计算值C预报。
上述河网一维水动力水质模型的求解方法有多种,本发明的一个实施例中,采用汊点水位校正方法求解:
采用Presissmann隐式差分格式离散方程,并利用Newton-Raphson方法求解离散形成的非线性方程组,得到如下方程:
a2j-1,1△Qj+a2j-1,2△Aj+a2j-1,3△Qj+1+a2j-1,4△Aj+1+RFCj=0 (9)
a2j,1△Qj+a2j,2△Aj+a2j,3△Qj+1+a2j,4△Aj+1+RFMj=0 (10)
式中,
其中,FC、FM分别表示连续方程和动量方程,RFC、RFM分别表示其余量,Δ表示连续两个Newton-Raphson迭代步之间的变量增量。同样,采用Newton-Raphson法求解(5)-(6)得:
∑△Qi-∑△Qo+f=0 (11)
△Ai/Bi-△Ao/Bo+g=0 (12)
其中,B表示渠道水面宽度,f和g分别表示方程(5)和(6)的左边项余量。由方程(11)和(12)可见,因为回水效应,不同分支河道的变量互相联系,河网离散方程组的系数矩阵不再是单一河道的五对角矩阵,这就是隐式差分法求解缓流河网的难点所在。
汊点水位预测校正方法利用非恒定流渐变缓流的特点,实现了汊点处变量间的解耦,能有效处理汊点处的回流效应,关于该方法的原理,详见文献(陈永灿,王智勇,朱德军,等.一维河网非恒定渐变流计算的汊点水位迭代法及其应用[J].水力发电学报,2010,29(4):140-147.)
水质控制方程数值离散:
为了便于数值模拟,将方程展开,变化为如下形式:
其中,
采用分步法(Environmental Laboratory.CE-QUAL-RIV1:A dynamic,one-dimensional(longitudinal)water quality model for streams:user’s manual,instruction report EL-95-2[R],U.S.Army Engineer Waterways ExperimentStation,.Vicksburg,MS,1995.)求解该方程,即把上述方程分解为方程,分别处理方程中的对流项、源(汇)项和纵向离散项。
对流项是问题的关键,采用改进的Holly-Preisssmann格式(EnvironmentalLaboratory.CE-QUAL-RIV1:A dynamic,one-dimensional(longitudinal)water qualitymodel for streams:user’s manual,instruction report EL-95-2[R],U.S.ArmyEngineer Waterways Experiment Station,.Vicksburg,MS,1995.),该格式可以达到四阶精度,有利于模拟大梯度浓度场。
方程(17)和(18),即源(汇)项和纵向离散项,分别采用显式和隐式处理,详细处理方法见文献(Environmental Laboratory.CE-QUAL-RIV1:A dynamic,one-dimensional(longitudinal)water quality model for streams:user’s manual,instructionreport EL-95-2[R],U.S.Army Engineer Waterways Experiment Station,.Vicksburg,MS,1995.)
步骤103:建立基于并行计算架构的数据同化模型。
具体地,根据河网的实时监测数据,利用集合卡尔曼滤波或其改进算法,对水动力水质模型进行数据同化,得到基于并行计算架构的数据同化模型。并行计算采用CPU、GPU或者两者混合的计算架构。
在实际应用中,可以利用数据同化算法,将实时观测数据融合到水动力水质模型中,可以得到水动力水质同化系统,能够实现对水流水质状态变量和水动力水质参数的同步估计更新。
一种实现方式中,该步骤具体可以包括采集河网各河段各断面的实时监测数据,包括水位Z监测、流量Q监测和水质浓度C监测,根据河网各河段的实时监测数据,采用集合卡尔曼滤波方法(其他集合卡尔曼滤波的改进算法也包含在内),对水动力水质模型数据同化得到同化模型。
数据同化由模型算子、观测算子和同化算法组成。首先模型算子根据上一时刻的状态变量向前预测得到状态向量的预测值;观测算子将状态向量转化为观测值所对应的模型预测值;最后同化系统利用观测信息,对预测值进行同化运算,得到状态变量的分析值。分析值作为下一时刻的模型算子输入变量,重复上述过程直至模型模拟结束。
采用扩展状态变量法将模型状态变量和参数包含在一个矩阵中形成状态向量,使用集合卡尔曼滤波(EnKF)方法或其改进算法同时更新状态变量和待估计参数。集合卡尔曼滤波方法中通过模型状态变量和参数加入高斯白噪声生成状态向量集合,利用集合计算出模型预报误差协方差矩阵,再基于蒙特卡洛抽样方法来估计高维非线性动力学模型中的状态变量和参数。再具体的实施过程中,集合卡尔曼滤波方法包括预测和分析两个步骤,首先根据前一时刻的模型状态向量生成当前时刻状态向量的预报值:
式中,为t+1时刻第i个集合成员模型向量的预测值;为t时刻第i个集合成员模型向量的分析值;M为模型算子,即河网一维水动力水质模型;ei为模型误差向量,其满足均值为0、方差为Q的高斯分布。
当有观测数据时,利用观测数据计算得到当前时刻状态向量的分析值:
式中,H为观测算子;为预测值观测误差协方差;Re为观测误差协方差;di,t+1为t+1时刻各集合成员的观测向量。详细的集合卡尔曼滤波计算流程请参见文献([1]EVENSENG.Sequential data assimilation with a nonlinear quasi-geostrophic model usingMonte Carlo methods to forecast error statistics[J].Journal of GeophysicalResearch:Oceans,1994,99(C5):10143-10162.[2]EVENSEN G.The Ensemble KalmanFilter:Theoretical formulation and practical implementation[J].OceanDynamics,2003,53(4):343-367)。
基于集合卡尔曼滤波的河网水动力水质状态变量和参数估计流程如下:
(1)水动力水质模型初始设置,包括模型参数、初始条件和边界条件。
(2)根据集合数量通过随机数函数抽样得到待估计的参数集合;
(3)每一时刻,水动力水质模型向前计算,得到模型状态变量的预测值;
(4)当该时刻有观测数据时,对观测值进行扰动得到观测向量;
(5)利用计算得到状态向量的分析值,即更新水位、流量、糙率等水动力水质模型的状态变量和参数以及水质浓度、水质扩散系数、水质模型参数,作为下一时刻模型预测的初始条件;
重复步骤(3)~(5)直至模拟时间结束。
对于数据同化过程,设定集合数为N,共有M个河段,那么总的计算任务数为NTask=N×M,将NTask的任务数分配给P个进程。因此,在每一时刻,可以计算出每个集合对应m个河段的水位、流量、水质浓度等状态变量和糙率、降解系数等参数值,最终可以得到河网的M个河段的水位、流量、水质浓度等状态变量的平均值以及糙率、水质扩散系数、水质模型参数等参数的平均值。将状态变量的平均值和参数的平均值作为下一时刻的初始值进行计算。
步骤104:预测水流水质状态变量和同步更新模型参数。
具体地,采用数据同化模型,对河网各河段的水位、流量和水质浓度预测,并同步更新糙率、水质扩散系数和水质模型参数。
采集实时监测的出入流边界数据和河网内部河段数据,同化到基于并行计算架构的水动力水质数据同化模型中,对河网各河段的水位、流量和水质浓度进行预测,并同步更新糙率、水质扩散系数和水质模型参数。利用模型预测结果,可以制定合理的水量水质联合调控方案,提高应急处置效率。
本实施例提出的基于数据同化的河网水流水质实时预测方法,针对实际工程需要,结合已有的实时水流水质观测手段,构建水流水质实时数据采集系统,实时获取水位、流量和水质浓度等数据,将实测的水位、流量和水质浓度等数据同化到水动力水质模型中,使得原有的水流水质数学模型的应用范围从工程设计和规划领域拓展到河道水流水质的实时预测领域。
本申请采用先进的数据同化方法,同时考虑实测数据的测量误差和水流水质模型的计算误差,对实测数据融入水流水质模型的过程进行优化,使得模型预报的初始场取得最优值,从而有效提高水流水质模型实时预测河网水流水质的预报精度。
本申请系统地提出了从实时水流水质数据接收、水流水质模型演算、数据同化初始场、水量水质状态量预测等全部模块,完善了水流水质模型实时预报系统框架,可实现水位流量预测、洪水预报、水质浓度预测等功能,具有针对性强、功能齐全、方便实用等特点,可应用在复杂河网的水流水质预测中,为实际水资源管理工作提供决策支持。
本申请另一实施例还提供了一种基于数据同化的河网水流水质实时预测装置,参照图6,该装置可以包括:
信息采集模块201,被配置为采集河网各河段的基础数据和实时数据;
模型建立模块202,被配置为根据所述基础数据以及河网拓扑结构,建立基于并行计算架构的河网水动力水质模型;
模型同化模块203,被配置为根据河网的实时监测数据,利用集合卡尔曼滤波或其改进算法,对所述水动力水质模型进行数据同化,得到基于并行计算架构的数据同化模型;
动态预测模块204,被配置为采用所述数据同化模型,对河网各河段的水位、流量和水质浓度预测,并同步更新糙率、水质扩散系数和水质模型参数。
其中,所述的河网基础数据包括:河网的河道底部高程和河宽、河网出入流边界的水位、流量和水质浓度,各个断面的初始流量场Q初始、初始水位场Z初始以及初始水质浓度场C初始。
所述的实时数据包括:河网出入流边界的监测数据、河网内部河段关键断面的监测数据以及卫星遥感反演的数据产品。
一种实现方式中,模型建立模块202还被配置为:
根据所述河网拓扑结构绘制河网有向图;
根据所述河网有向图构建河网关系矩阵;
以所述河网关系矩阵为基础,并根据所述基础数据,建立基于并行计算架构的河网水动力水质模型。
一种实现方式中,模型建立模块202还被配置为:
确定河网的节点总数以及河段总数;
以圆代表节点,根据河段的空间分布绘制连接各节点的有向边,并任意指定各有向边的正方向,分别为各节点和各条有向边进行编号,得到反映河网拓扑结构的河网有向图;
所述根据所述河网有向图构建河网关系矩阵的步骤包括:
按照如下公式确定所述河网关系矩阵A的第i行、第j列元素aij:
一种实现方式中,所述实时监测数据包括:水位Z监测、流量Q监测和水质浓度C监测;所述模型同化模块还被配置为:
采用集合卡尔曼滤波方法或其改进算法,对所述河网水动力水质模型进行数据同化,得到数据同化模型。
本发明实施例提供的基于数据同化的河网水流水质实时预测装置能够实现上述基于数据同化的河网水流水质实时预测方法实施例中的各个过程,为避免重复,这里不再赘述。
本申请实施例提供了一种基于数据同化的河网水流水质实时预测方法及装置,本申请实时监测数据基于河网的水位、流量和水质等实时监测数据,利用集合卡尔曼滤波或其改进算法,将实时监测数据同化到河网水流水质模型中,构建河网水流水质数据同化模型,并利用并行计算架构来提升数据同化模型的计算效率。由于数据同化技术综合考虑了水流水质模型结构误差、进出口边界误差和观测值误差,融合实时观测资料来动态校正水流水质模型的水位、流量和水质浓度状态变量和糙率、水质参数,因此采用河网水流水质数据同化模型和并行计算架构能够动态预测复杂河网系统的水位、流量和水质浓度,可以提高模型预测精度;同时将目前的规划模型发展为实时校正模型,不仅为水量水质联合调控提供决策支持,而且为水环境保护和水资源管理提供保障依据。
本申请在并行计算架构下,采用基于同化实时的水位、流量、水质浓度等数据,预测河网实时状态的系统,用于支持水量水质联合调控,并为水资源管理提供依据。
本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本发明实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本发明实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本发明实施例进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于数据同化的河网水流水质实时预测方法,其特征在于,所述方法包括:
采集河网的基础数据和实时数据;
根据所述基础数据以及河网拓扑结构,建立基于并行计算架构的水动力水质模型;
根据河网的实时监测数据,利用集合卡尔曼滤波或其改进算法,对所述水动力水质模型进行数据同化,得到基于并行计算架构的数据同化模型;
采用所述数据同化模型,对河网各河段的水位、流量和水质浓度预测,并同步更新糙率、水质扩散系数和水质模型参数。
2.根据权利要求1所述的基于数据同化的河网水流水质实时预测方法,其特征在于,所述河网的基础数据包括:河网的河道底部高程和河宽、河网边界的水位、流量和水质浓度,各个断面的初始流量场Q初始、初始水位场Z初始以及初始水质浓度场C初始;
所述的实时数据包括:河网出入流边界的监测数据、河网内部河段关键断面的监测数据以及卫星遥感反演的数据产品。
3.根据权利要求1所述的基于数据同化的河网水流水质实时预测方法,其特征在于,所述根据所述基础数据以及河网拓扑结构,建立基于并行计算架构的水动力水质模型的步骤,包括:
根据所述河网结构绘制河网有向图;
根据所述河网有向图构建河网关系矩阵;
以所述河网关系矩阵为基础,并根据所述基础数据,建立基于并行计算架构的水动力水质模型。
4.根据权利要求3所述的基于数据同化的河网水流水质实时预测方法,其特征在于,所述根据所述河网拓扑结构绘制河网有向图的步骤包括:
确定河网的节点总数以及河段总数;
以圆代表节点,根据河段的空间分布绘制连接各节点的有向边,并任意指定各有向边的正方向,分别为各节点和各条有向边进行编号,得到反映河网拓扑结构的河网有向图;
所述根据所述河网有向图构建河网关系矩阵的步骤包括:
按照如下公式确定所述河网关系矩阵A的第i行、第j列元素aij:
5.根据权利要求1至4任一项所述的基于数据同化的河网水流水质实时预测方法,其特征在于,所述实时监测数据包括:水位Z监测、流量Q监测和水质浓度C监测。
6.一种基于数据同化的河网水流水质实时预测装置,其特征在于,所述装置包括:
信息采集模块,被配置为采集河网的基础数据和实时数据;
模型建立模块,被配置为根据所述基础数据以及河网拓扑结构,建立基于并行计算架构的水动力水质模型;
模型同化模块,被配置为根据河网的实时监测数据,利用集合卡尔曼滤波或其改进算法,对所述水动力水质模型进行数据同化,得到基于并行计算架构的数据同化模型;
动态预测模块,被配置为采用所述数据同化模型,对河网各河段的水位、流量和水质浓度预测,并同步更新糙率、水质扩散系数和水质模型参数。
7.根据权利要求6所述的基于数据同化的河网水流水质实时预测装置,其特征在于,所述河网的基础数据包括:河网的河道底部高程和河宽、河网边界的水位、流量和水质浓度,各个断面的初始流量场Q初始、初始水位场Z初始以及初始水质浓度场C初始;
所述的实时数据包括:河网出入流边界的监测数据、河网内部河段关键断面的监测数据以及卫星遥感反演的数据产品。
8.根据权利要求6所述的基于数据同化的河网水流水质实时预测装置,其特征在于,所述模型建立模块还被配置为:
根据所述河网结构绘制河网有向图;
根据所述河网有向图构建河网关系矩阵;
以所述河网关系矩阵为基础,并根据所述基础数据,建立基于并行计算架构的水动力水质模型。
9.根据权利要求8所述的基于数据同化的河网水流水质实时预测装置,其特征在于,所述模型建立模块还被配置为:
确定河网的节点总数以及河段总数;
以圆代表节点,根据河段的空间分布绘制连接各节点的有向边,并任意指定各有向边的正方向,分别为各节点和各条有向边进行编号,得到反映河网拓扑结构的河网有向图;
所述根据所述河网有向图构建河网关系矩阵的步骤包括:
按照如下公式确定所述河网关系矩阵A的第i行、第j列元素aij:
10.根据权利要求6至9任一项所述的基于数据同化的河网水流水质实时预测装置,其特征在于,所述实时监测数据包括:水位Z监测、流量Q监测和水质浓度C监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381233.3A CN110222372A (zh) | 2019-05-08 | 2019-05-08 | 一种基于数据同化的河网水流水质实时预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910381233.3A CN110222372A (zh) | 2019-05-08 | 2019-05-08 | 一种基于数据同化的河网水流水质实时预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110222372A true CN110222372A (zh) | 2019-09-10 |
Family
ID=67820679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910381233.3A Pending CN110222372A (zh) | 2019-05-08 | 2019-05-08 | 一种基于数据同化的河网水流水质实时预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110222372A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241758A (zh) * | 2020-01-10 | 2020-06-05 | 燕山大学里仁学院 | 基于可溶性污染物在水环境中输移扩散模型的评估方法 |
CN111597732A (zh) * | 2020-06-02 | 2020-08-28 | 中国水利水电科学研究院 | 一种使用汊点影响区水面梯度的河网水流数值模拟方法 |
CN112685688A (zh) * | 2021-01-12 | 2021-04-20 | 长江水资源保护科学研究所 | 一种长距离输水明渠水质模拟预测方法及系统 |
CN112883644A (zh) * | 2021-02-10 | 2021-06-01 | 中国环境科学研究院 | 一种动态水环境管理方法 |
CN113624931A (zh) * | 2021-07-15 | 2021-11-09 | 河海大学 | 平原河网交汇区氮转化动态调节河工模型试验系统及方法 |
CN113672775A (zh) * | 2021-08-06 | 2021-11-19 | 南方电网数字电网研究院有限公司 | 一种电网实时图并行计算方法 |
CN114462120A (zh) * | 2022-01-12 | 2022-05-10 | 中国长江三峡集团有限公司 | 一种基于一维水动力模型的河道槽蓄量计算方法 |
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218538A (zh) * | 2013-04-28 | 2013-07-24 | 中国水利水电科学研究院 | 基于河网关联矩阵的河网一维恒定流计算方法 |
CN103886187A (zh) * | 2014-03-06 | 2014-06-25 | 清华大学 | 一种基于数据同化的河道水沙实时预测方法 |
-
2019
- 2019-05-08 CN CN201910381233.3A patent/CN110222372A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103218538A (zh) * | 2013-04-28 | 2013-07-24 | 中国水利水电科学研究院 | 基于河网关联矩阵的河网一维恒定流计算方法 |
CN103886187A (zh) * | 2014-03-06 | 2014-06-25 | 清华大学 | 一种基于数据同化的河道水沙实时预测方法 |
Non-Patent Citations (8)
Title |
---|
IDRISSA AMOUR等: ""A variational ensemble Kalman filtering method for data assimilation using 2D and 3D version of COHERENS model"", 《NUMERICAL METHODS IN FLUIDS》 * |
LEQIANG SUN等: ""Review of the Kalman-type hydrological dataReview of the Kalman-type hydrological data assimilation"", 《HYDROLOGICAL SCIENCES JOURNAL》 * |
刘荣华等: ""基于JPWSPC的河网一维水动力学"", 《应用基础与工程科学学报》 * |
张明亮: ""河流水动力及水质模型研究"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
李伟等: "《地下水人工回灌模拟研究》", 30 November 2018, 河海大学出版社 * |
王卓民: ""南水北调中线总干渠水质快速预测理论与方法"", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈一帆等: ""结合糙率校正的河网水情数据同化"", 《水科学进展》 * |
魏娟: ""基于集合卡尔曼滤波的太湖叶绿素同化模拟研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111241758B (zh) * | 2020-01-10 | 2022-09-20 | 燕山大学里仁学院 | 基于可溶性污染物在水环境中输移扩散模型的评估方法 |
CN111241758A (zh) * | 2020-01-10 | 2020-06-05 | 燕山大学里仁学院 | 基于可溶性污染物在水环境中输移扩散模型的评估方法 |
CN111597732A (zh) * | 2020-06-02 | 2020-08-28 | 中国水利水电科学研究院 | 一种使用汊点影响区水面梯度的河网水流数值模拟方法 |
CN111597732B (zh) * | 2020-06-02 | 2020-12-08 | 中国水利水电科学研究院 | 一种使用汊点影响区水面梯度的河网水流数值模拟方法 |
CN112685688A (zh) * | 2021-01-12 | 2021-04-20 | 长江水资源保护科学研究所 | 一种长距离输水明渠水质模拟预测方法及系统 |
CN112685688B (zh) * | 2021-01-12 | 2021-10-01 | 长江水资源保护科学研究所 | 一种长距离输水明渠水质模拟预测方法及系统 |
CN112883644A (zh) * | 2021-02-10 | 2021-06-01 | 中国环境科学研究院 | 一种动态水环境管理方法 |
CN113624931A (zh) * | 2021-07-15 | 2021-11-09 | 河海大学 | 平原河网交汇区氮转化动态调节河工模型试验系统及方法 |
CN113672775A (zh) * | 2021-08-06 | 2021-11-19 | 南方电网数字电网研究院有限公司 | 一种电网实时图并行计算方法 |
CN114462120A (zh) * | 2022-01-12 | 2022-05-10 | 中国长江三峡集团有限公司 | 一种基于一维水动力模型的河道槽蓄量计算方法 |
CN114462120B (zh) * | 2022-01-12 | 2024-05-28 | 中国长江三峡集团有限公司 | 一种基于一维水动力模型的河道槽蓄量计算方法 |
CN114970375A (zh) * | 2022-07-29 | 2022-08-30 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN114970375B (zh) * | 2022-07-29 | 2022-11-04 | 山东飞扬化工有限公司 | 一种基于实时采样数据的精馏过程监测方法 |
CN115545678A (zh) * | 2022-11-29 | 2022-12-30 | 浙江贵仁信息科技股份有限公司 | 一种基于水环境画像与污染物溯源的水质监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110222372A (zh) | 一种基于数据同化的河网水流水质实时预测方法及装置 | |
Long et al. | A genetic algorithm-based method for scheduling repetitive construction projects | |
Tavana et al. | A new multi-objective multi-mode model for solving preemptive time–cost–quality trade-off project scheduling problems | |
Guo et al. | A distributed event-triggered transmission strategy for sampled-data consensus of multi-agent systems | |
Zhang et al. | Automatic partitioning of water distribution networks using multiscale community detection and multiobjective optimization | |
CN108334660B (zh) | 一种基于数据同化的强冲积河流的水沙预测方法和系统 | |
CN104463374A (zh) | 一种分布式电源优化配置的方法及系统 | |
CN104462861A (zh) | 一种基于水库调度规则合成的水库调度决策方法 | |
Montero et al. | Simplified hydraulic modelling in model predictive control of flood mitigation measures along rivers | |
Yang et al. | Modified grey model predictor design using optimal fractional-order accumulation calculus | |
Tospornsampan et al. | Split-pipe design of water distribution network using simulated annealing | |
Du et al. | Construction simulation for a core rockfill dam based on optimal construction stages and zones: case study | |
Xie et al. | An excess-demand dynamic traffic assignment approach for inferring origin-destination trip matrices | |
Marzouk et al. | Quantifying weather impact on formwork shuttering and removal operation using system dynamics | |
Chanron et al. | Convergence and stability in distributed design of large systems | |
Łangowski et al. | Optimised robust placement of hard quality sensors for robust monitoring of quality in drinking water distribution systems | |
Mihon et al. | Grid based hydrologic model calibration and execution | |
Fitriana et al. | A Sequentially Updated Distributed Receding Horizon Control Scheme with Application to Irrigation Canal Systems. | |
Duviella et al. | A reactive control strategy for networked hydrographical system management | |
Niewiadomska-Szynkiewicz et al. | Simulation-based optimization methods applied to large scale water systems control | |
CN109408972B (zh) | 基于Delft3D模型的计算机程序化计算水环境容量的方法 | |
Borzemski et al. | Spatial Web Performance Forecasting with Sequential Gaussian Simulation Method | |
CN104915479B (zh) | 基于性能组件库和图文法的产品自动方案优化设计方法 | |
Jafari et al. | Optimum Design of Dam Structures Using Multi-objective Chaos Game Optimization Algorithm | |
Das | Parameter estimation for flow in open-channel networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190910 |
|
RJ01 | Rejection of invention patent application after publication |