CN114510583B - 一种防洪调度知识图谱构建方法 - Google Patents
一种防洪调度知识图谱构建方法 Download PDFInfo
- Publication number
- CN114510583B CN114510583B CN202210414164.3A CN202210414164A CN114510583B CN 114510583 B CN114510583 B CN 114510583B CN 202210414164 A CN202210414164 A CN 202210414164A CN 114510583 B CN114510583 B CN 114510583B
- Authority
- CN
- China
- Prior art keywords
- scheduling
- flood control
- flood
- knowledge
- nodes
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明公开了一种防洪调度知识图谱构建方法。它包括如下步骤:步骤一:建立水‑工‑险基础数据知识单元;整合防洪基础数据集,将水‑工‑险的基础信息与工程节点与控制站节点进行联接,构建防洪基本知识单元;步骤二:建立融合调度规则与调度响应关系的防洪知识体系网;将不同的基本知识单元进行有机组织,构建防洪知识体系网;步骤三:构建具有自主学习能力的防洪调度知识图谱。本发明具有能对海量防洪领域基础数据信息提取与整合,凝练水工程防洪调度逻辑,将调度经验知识进行组织与重构,增强对信息的处理和反馈能力,辅助提升防洪调度决策能力的优点。
Description
技术领域
本发明涉及流域防洪减灾技术领域,更具体地说它是一种防洪调度知识图谱构建方法。
背景技术
知识图谱技术是人工智能技术的重要组成部分,其应用价值在于,它能够改变现有的信息检索方式,以结构化的方式描述客观世界中的概念、实体及其键的关系,从而提供一种更好的组织、管理和理解海量信息的能力。知识图谱能将散乱的知识有效的组织起来,并将其表达成更接近于人类认知世界的形式,使人们更快捷、精准的查询到所需要的知识,该技术在智能搜索、智能问答、智能决策等多个领域中发挥了重要作用,有效增强了人类对问题的分解与处理能力,极大提升了智能决策水平。然而,由于缺乏对数据关系梳理和业务逻辑的深度认知,知识图谱技术在水利行业应用研究较少,多集中在基础文献知识数据库构建,应用在水利要素信息查询方面。关于防洪调度知识图谱构建方面的研究十分有限,相关研究较多聚焦于单一业务类调度知识的提取,如采用机器学习模型或深度学习模型对水库发电调度规则进行拟合学习等;
随着防洪工程体系的逐步完善,流域发生大洪水所需运用的防洪工程数量较多,涉及的工程类别可能包括水库、堤防、蓄滞洪区、民垸、泵站、防洪闸等,工程群组相互间联合运行机制复杂,已大大超出人脑经验和知识所能处理的极限。而现有防洪调度领域知识图谱技术研究较少,亟需采取行之有效的水利要素提取与整理手段,对海量防洪领域基础数据信息提取与整合,凝练水工程防洪调度逻辑,将调度经验知识进行组织与重构,以增强对信息的处理和反馈能力,辅助提升防洪调度决策能力。构建防洪调度知识图谱则是实现防洪调度智慧化水平提升的核心关键技术之一。
发明内容
本发明的目的是为了提供一种防洪调度知识图谱构建方法,按照先构建单元,再基于单元构建知识体系,最后构建图谱的先后顺序,对海量防洪领域基础数据信息提取与整合,凝练水工程防洪调度逻辑,将调度经验知识进行组织与重构,以增强对信息的处理和反馈能力,辅助提升防洪调度决策能力,实现防洪调度智慧化水平提升;通过构建防洪知识图谱,可解决现有防洪调度数据信息分散、杂乱碎片化程度较高,缺少标准统一、便于构建与管理的数据关系模型,以此对海量多源的水情、工情、险情、社情数据信息进行有机集成,导致无法快速支撑对调度方案工、险、转多风险要素进行全面预判的问题;并解决现有防洪调度模型方法尚无法集成工程群组联合调度规则和响应关系,使得流域流场状态瞬时突变影响下工程调度互馈效率较低,无法根据历史经验调度知识快速获取协调区域整体防洪安全的最优调度方案集,进而导致各类工程在防洪中拦、分、蓄、排等潜力难以充分发挥的问题。
为了实现上述目的,本发明的技术方案为:一种防洪调度知识图谱构建方法,其特征在于:包括如下步骤:
步骤一:建立水-工-险基础数据知识单元;
整合防洪基础数据集,将水-工-险的基础信息与工程节点与控制站节点进行联接,构建防洪基本知识单元;
步骤二:建立融合调度规则与调度响应关系的防洪知识体系网;
考虑不同水雨工险情条件下工程单元与站点单元之间的调度响应关系以及工程单元间的防洪任务联系,将不同的基本知识单元进行有机组织,构建防洪知识体系网;
步骤三:构建具有自主学习能力的防洪调度知识图谱
采用随机模拟技术-调度仿真-优化提取的技术方法,构建防洪工程调度响应关系自主学习模型,使工程调度响应关系能够自适应优化与完善;在此基础上,结合历史调度案例,抽取关键知识要素,不断丰富与完善防洪知识体系网,构建具有自学习功能的防洪调度知识图谱,实现不同水、雨、工、险情条件下,防洪工程群组合自动推荐以及调度响应关系智能索引的功能。
在上述技术方案中,在步骤一中,水-工-险的基础信息包括水雨情、工情、险情、调度关联对象;
建立水-工-险基础数据知识单元,具体包括如下步骤:
S11:基础数据获取;
S12:基本知识单元构建。
在上述技术方案中,在S11中,防洪调度知识图谱的构建基础数据获取包含数据提取与整合和数据组织与重构两部分内容;
数据提取与整合;防洪知识图谱构建需对不同类型的数据信息进行提取与整合,对于系统接入的网络链接数据以及历史已经成库成表数据,可直接进行使用;针对部分纯文本数据、图像数据以及网络数据非结构化数据信息,结合网络爬虫技术、文字识别技术、语音转化技术进行数据信息提取,提取的信息包括防洪工程联合调度规则、历史实时险情图像判别信息以及相关关网页新闻与音视频中关于水、雨、工、险、灾情以应对措施的描述信息,将非结构化信息转化为结构化信息统一建立数据库;将半结构化信息转成结构化信息,并与现有结构化信息进行统计存储,进一步以工程为主线将不同数据进行分类、关联;
数据组织与重构:按照工程类型不同,将数据信息分为堤防、水库、蓄滞洪区、洲滩民垸与涵闸泵站五大类,将各类工程的工情信息、工程历史险情信息、工程所在区域历史与实测水雨情信息以及工程保护对象的社会经济信息进行关联,通过交叉联接的方式对数据信息进行建库建表,构建不同属性数据之间的有机联系。
在上述技术方案中,在S12中,基本知识单元构建通过依次执行的实体节点与语义类识别抽取、节点属性抽取、实体节点属性链接实现;
实体节点与语义类识别抽取;防洪调度知识图谱围绕防洪工程语义类与控制站语义类建立,其中防洪工程语义类是不同类型的防洪工程实体节点构成的集合,具体包括堤防、水库、蓄滞洪区与洲滩的民垸工程实体节点;控制站语义类则包含水文站、水位站、气象站等控制节点,根据不同实体节点的属性在获取的基础数据集中识别并抽取相关节点信息;
节点属性抽取;针对不同类型的防洪工程实体节点,提取其行政区划、类别、建设情况、特征参数、启用方式、实时水雨工情信息、历史风险点、直接关联工程的基本属性信息;对于不同类型防洪控制站节点,则提取站点类型、站点名称、位置、水雨情实测预报信息、站点附近险情信息、站点所在区域社会经济信息的基本属性信息;
实体节点属性链接;将节点的基础属性信息与实体节点进行耦合链接,通过构建单一防洪节点的基本知识单元,采用资源描述框架(RDF)三元组或者知识框架类的方式对节点单元进行知识存储与表示;其中,节点的基础属性信息包括基本水情、工情、险情以及空间地理位置。
在上述技术方案中,在步骤二中,构建防洪知识体系网,具体包括如下步骤:
S21:根据防洪工程与站点之间的空间拓扑联系,建立工程与工程、工程与站点、站点与站点之间的基本空间联系,以距离为关系属性将不同防洪工程节点与控制站节点进行链接;其中,防洪工程与站点之间的空间拓扑联系包括行政区划、空间距离;
S22:结合水利工程节点与控制站节点之间的水文水力联系,筛选出与各个控制站点水文水力联系紧密的水库、堤防、蓄滞洪区工程节点,并根据流域防洪规划方案中制定的不同水工程对防洪控制节点的调度联系,初步确定水利工程节点与控制站节点之间的调度响应关系,并将调度响应关系作为关系属性,添加到与控制站节点链接的工程节点之间;
S23:提取水工程防洪调度方案中对应的水雨情与险情信息,构造水雨情节点与险情节点;其中水雨情节点的属性包括洪水遭遇组成、洪水过程、洪水量级等,险情节点的属性包括险情发生的类型、强度等,将该水雨情与险情作为属性节点与调度控制站节点进行互联;进一步解析不同水雨情以及险情条件下调度方案推荐使用的水工程组合以及各个的工程启用规模、启用时机以及分洪流量等调度决策参数,构造防洪工程节点,并将提取出的工程组合及其调度决策参数作为属性与防洪工程节点关联,构建现有调度规则体系下防洪调度知识体系网。
在上述技术方案中,在步骤三中,构建具有自学习功能的防洪调度知识图谱,具体包含如下步骤:
S31:构建防洪工程调度响应关系自主学习模型;
S32:构建历史案例知识库。
在上述技术方案中,在步骤S31中,调度响应关系自学习模型构建包含洪水场景模拟生成、基于物理模型的调度样本集构造以及调度响应关系拟合三个部分;
洪水场景模拟生成:洪水场景生成的主要方法有两种:一种是历史典型设计洪水法,即选取历史典型设计洪水过程,采用同倍比或者同频率法对上游各站点相应洪水进行放大,对于上游站点无历史同期洪水的情况,采用解集法或相似站点法来补充站点径流过程,同时选择多个历史典型洪水弥补洪水多样性不足的问题;另一种方法是通过多站洪水随机模拟法对多站点不同频率不同地区组成的洪水过程进行随机模拟;
调度样本集生成:根据不同洪水样本,结合现有调度规则拟定不同工程拦蓄方案,综合生成不同来水背景场以及模型初始边界场;通过机理模型进行流域防洪调度模拟,计算不同来水过程、工程运用条件下,不同控制站点的水位、流量变化过程,获取大量调度样本集;其中,机理模型包括水动力学模型、水库优化调度模型、分蓄洪优化调度模型;
调度响应关系拟合:将洪水场景集与相对应的调度样本集进行整合,设置调度决策者较为关注的多个下游控制站点的河湖水文要素特征,并采用相关分析方法,识别提取出与河湖水文要素变化密切的关键特征因子集,采用机器学习或者深度学习的方法提取特征因子与河湖水文要素特征响应变化之间的全过程映射关系,解析水库、堤防、蓄滞洪区、洲滩民垸、涵闸泵站拦蓄单位流量或者使用单位容积防洪库容对下游河湖水位要素的影响关系,并将映射关系通过网络化、参数化进行封装存储,形成关系节点;通过不断地重复“模拟-优化-拟合”过程,使模型具有自学习功能。
在上述技术方案中,在步骤S32中,构建历史案例知识库包含历史案例知识提取、基于知识图谱体系构建历史案例知识库;
历史案例知识提取:剖析历史调度案例,对历史调度方案中的调度目标、险情发生河段、面临的水情、工情、险情、启用工程组合、调度方式、相应的调度效果以及调度过程中考虑的其他要素进行提取,形成案例基本知识点;其中,调度过程中考虑的其他要素包括航运要素、水资源配置影响要素的发生时间、影响空间、要素涉及的量与影响程度;
基于知识图谱体系构建历史案例知识库:将历史案例知识提取中提取的知识要素点进行串联,并根据历史统计数据,对不同属性进行赋值,同时将构建防洪工程调度响应关系自主学习模型得到的不同工程对不同控制节点的调度响应关系模型作为关系属性与工程节点和控制站节点进行链接;重复步骤S32对不同历史案例进行知识提取与重组,不断丰富历史调度案例知识库。
本发明创新性提供一种防洪调度知识图谱构建方法,具有如下优点:
(1)本发明方法能对水、雨、工、险多源数据进行整合与组织,且能有效对历史调度经验、历史图片等非结构化数据进行语义提取,构建蕴含大量人类经验调度知识的图数据库,并可以用可视化图谱形象地展示不同实体对象之间的关联关系;
(2)调度知识图谱能结合现有调度规则与历史调度场景,快速推荐需要启用的防洪工程组合与相应调度响应关系智能索引,极大缩短调度模拟所需要的时间,可有效支撑大规模工程群组防洪实时优化调度计算;
(3)防洪调度知识图谱能快速查询出淹没范围、淹没损失、影响人口等关键风险指标,可进一步完善风险评价体系,增强灾前、灾中的洪水风险评价效率与效果,辅助实施防洪调度精准化决策;
本发明能将现有防洪调度方案与专家调度经验中的防洪工程运用逻辑进行实例化、规则化、数字化,构建知识融合的防洪调度框架体系,可填补现有实时防洪调度模型难以有效运用大量先验知识的技术空白,并且可进一步研发可嵌入式知识图谱应用工具,提升现有流域综合调度系统算力。
附图说明
图1是本发明的技术路线图;
图2是本发明以RDF三元组为例的防洪工程的基本知识单元图;
图3是本发明中的防洪调度知识体系网示意图;
图4是本发明中的防洪工程调度响应关系自主学习模型详细技术路线图;
图5是本发明实施例中的长江流域防洪知识图谱图;
图6是城陵矶 34.4m水位下附近蓄滞洪区洲滩民垸淹没示意图;
图7为本发明实施例进行调度前后与采用现有Mike模型模拟调度后城陵矶莲花塘站水位过程对比图。
具体实施方式
下面结合附图详细说明本发明的实施情况,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明使本发明的优点更加清楚和容易理解。
参阅附图可知:一种防洪调度知识图谱构建方法,总体按照“单元-网络-图谱”进行构建,包括如下步骤:
步骤一:建立水-工-险基础数据知识单元;
整合防洪基础数据集,将水雨情、工情、险情、调度关联对象等基础信息与工程节点与控制站节点进行联接,构建防洪基本知识单元;
步骤二:建立融合调度规则与调度响应关系的防洪知识体系网;
考虑不同水雨工险情条件下工程单元与站点单元之间的调度响应关系以及工程单元间的防洪任务联系,将不同的基本知识单元进行有机组织,构建防洪知识体系网;
步骤三:构建具有自主学习能力的防洪调度知识图谱
采用随机模拟技术-调度仿真-优化提取的技术方法,构建防洪工程调度响应关系自主学习模型,使工程调度响应关系能够自适应优化与完善;在此基础上,结合历史调度案例,抽取关键知识要素,不断丰富与完善防洪知识体系网,构建具有自学习功能的防洪调度知识图谱,实现不同水、雨、工、险情条件下,防洪工程群组合自动推荐以及调度响应关系智能索引的功能。
进一步地,在步骤一中,建立水-工-险基础数据知识单元,通过整合防洪知识图谱构建所需要的海量数据信息,围绕防洪工程节点与控制站节点两类实体节点,将提取整合得到的水雨情、工情、险情等属性信息与实体节点进行互联,构造基本知识单元;
具体包括如下步骤:
S11:基础数据获取;
S12:基本知识单元构建。
进一步地,在S11中,防洪调度知识图谱的构建基础数据获取包含数据提取与整合和数据组织与重构两部分内容;
数据提取与整合;防洪知识图谱构建需对不同类型的数据信息进行提取与整合,对于系统接入的网络链接数据以及历史已经成库成表数据,可直接进行使用;针对部分纯文本数据、图像数据以及网络数据非结构化数据信息,结合网络爬虫技术、文字识别技术、语音转化技术进行数据信息提取,提取的信息包括防洪工程联合调度规则、历史实时险情图像判别信息以及相关关网页新闻与音视频中关于水、雨、工、险、灾情以应对措施的描述信息,将非结构化信息转化为结构化信息统一建立数据库;将半结构化信息转成结构化信息,并与现有结构化信息进行统计存储。进一步以工程为主线将不同数据进行分类、关联;
数据组织与重构:按照工程类型不同,将数据信息分为堤防、水库、蓄滞洪区、洲滩民垸与涵闸泵站五大类,将各类工程的工情信息、工程历史险情信息、工程所在区域历史与实测水雨情信息以及工程保护对象的社会经济信息进行关联,通过交叉联接(笛卡尔积)的方式对数据信息进行建库建表,构建不同属性数据之间的有机联系。
进一步地,在S12中,基本知识单元构建通过依次执行的实体节点与语义类识别抽取、节点属性抽取、实体节点属性链接实现;
实体节点与语义类识别抽取:实体指的是具有可区别性且独立存在的某种事物,如水库、水文站点等,实体是知识图谱中的最基本元素;语义类则是具有同种特性的实体构成的集合,如防洪工程、控制站、水雨情等。为便于知识图谱构建与搜索调用,结合专业知识背景,防洪调度知识图谱将围绕防洪工程语义类与控制站语义类建立,其中防洪工程语义类是不同类型的防洪工程实体节点构成的集合,具体包括堤防、水库、蓄滞洪区与洲滩民垸等工程实体节点;控制站语义类则包含水文站、水位站、气象站等控制节点,根据不同实体节点的属性在获取的基础数据集中识别并抽取相关节点信息;
节点属性抽取:不同的语义类与实体的属性分为对象属性和数据属性两种,对象属性的值对应的是语义类或者实体节点,数据属性的属性值对应的是具体的数值或者数组;针对不同类型的防洪工程实体节点,提取其行政区划、类别、建设情况、特征参数、启用方式、实时水雨工情信息、历史风险点、直接关联工程等基本属性信息;对于不同类型防洪控制站节点,则需提取站点类型、站点名称、位置、水雨情实测预报信息、站点附近险情信息、站点所在区域社会经济信息等基本属性信息;
实体节点属性链接;将节点(包含所有的实体节点)的基本水情、工情、险情以及空间地理位置等基础属性信息与实体节点进行耦合链接,通过构建单一防洪节点的基本知识单元,采用资源描述框架(RDF)三元组或者知识框架类的方式对节点单元进行知识存储与表示,图2展示了以RDF三元组为例关于防洪工程的基本知识单元。
进一步地,在步骤二中,考虑不同水雨工险情条件下工程单元与站点单元之间的调度响应关系以及工程单元间的防洪任务联系,将基于步骤1得到的基本知识单元进行有机组织,构建防洪知识体系网,具体包括如下步骤:
S21:根据防洪工程与站点之间的空间拓扑联系,建立工程与工程、工程与站点、站点与站点之间的基本空间联系,以距离为关系属性将不同防洪工程节点与控制站节点进行链接;其中,防洪工程与站点之间的空间拓扑联系包括行政区划、空间距离;
S22:结合水利工程节点与控制站节点之间的水文水力联系,筛选出与各个控制站点水文水力联系紧密的水库、堤防、蓄滞洪区等工程节点,并根据流域防洪规划方案中制定的不同水工程对防洪控制节点的调度联系,初步确定水利工程节点与控制站节点之间的调度响应关系,并将调度响应关系作为关系属性,添加到控制站节点和与控制站节点相链接的工程节点之间;
S23:提取水工程防洪调度方案中对应的水雨情与险情信息,构造水雨情节点与险情节点。其中水雨情节点的属性包括洪水遭遇组成、洪水过程、洪水量级等,险情节点的属性包括险情发生的类型、强度等,将该水雨情与险情作为属性节点与调度控制站节点进行互联;进一步解析不同水雨情以及险情条件下调度方案推荐使用的水工程组合以及各个的工程启用规模、启用时机以及分洪流量等调度决策参数,构造防洪工程节点,并将提取出的工程组合及其调度决策参数作为属性与防洪工程节点关联。构建现有调度规则体系下防洪调度知识体系网,如图3所示。
进一步地,在步骤三中,构建知识图谱自学习与误差自适应校正机制,通过数据驱动的方法,结合历史调度案例不断丰富与完善防洪知识体系网,构建具有自学习功能的防洪调度知识图谱,具体包含如下步骤:
S31:构建防洪工程调度响应关系自主学习模型;
S32:构建历史案例知识库。
进一步地,在步骤S31中,调度响应关系自学习模型构建包含洪水场景模拟生成、基于物理模型的调度样本集构造以及调度响应关系拟合三个部分,详细技术路线图如图4所示;
洪水场景模拟生成:洪水场景生成的主要方法有两种,一种是历史典型设计洪水法,即选取历史典型设计洪水过程,采用同倍比或者同频率法对上游各站点相应洪水进行放大,对于上游站点无历史同期洪水的情况,采用解集法、相似站点法等方法来补充站点径流过程,但仍需选择多个历史典型洪水弥补洪水多样性不足的问题;另一种方法是通过多站洪水随机模拟法对多站点不同频率不同地区组成的洪水过程进行随机模拟,常用方法包括Copula法、拉丁超立方体抽样法等;本发明根据实际情况采用上述洪水场景生成方法中的其中一种;
调度样本集生成:根据不同洪水样本,结合现有调度规则拟定不同工程拦蓄方案,综合生成不同来水背景场以及模型初始边界场;通过机理模型如水动力学模型、水库优化调度模型、分蓄洪优化调度模型等进行流域防洪调度模拟,计算不同来水过程、工程运用条件下,不同控制站点的水位、流量变化过程,获取大量调度样本集;
调度响应关系拟合:将洪水场景集与相对应的调度样本集进行整合,设置调度决策者较为关注的多个下游控制站点的河湖水文要素特征,如不同控制站点的水位、流量等,并采用相关分析方法,识别提取出与河湖水文要素变化密切的关键特征因子集,采用机器学习或者深度学习的方法提取特征因子与河湖水文要素特征响应变化之间的全过程映射关系,解析水库、堤防、蓄滞洪区、洲滩民垸、涵闸泵站拦蓄单位流量或者使用单位容积防洪库容对下游河湖水位要素的影响关系,并将映射关系通过网络化、参数化进行封装存储,形成关系节点;通过不断地重复“模拟-优化-拟合”过程,使模型具有自学习功能。
进一步地,在步骤S32中,构建历史案例知识库包含历史案例知识提取、基于知识图谱体系构建历史案例知识库;
历史案例知识提取:剖析历史调度案例,对历史调度方案中的调度目标、险情发生河段、面临的水情、工情、险情、启用工程组合、调度方式、相应的调度效果以及调度过程中考虑的其他要素如航运要素、水资源配置影响要素的发生时间、影响空间、要素涉及的量与影响程度等进行提取,形成案例基本知识点;
基于知识图谱体系构建历史案例知识库:将历史案例知识提取中提取的知识要素点按照图3中的框架体系进行串联,并根据历史统计数据,对不同属性进行赋值,同时将构建防洪工程调度响应关系自主学习模型得到的不同工程对不同控制节点的调度响应关系模型作为关系属性与工程节点和控制站节点进行链接;按照此步骤,重复对不同历史案例进行知识提取与重组,不断丰富历史调度案例知识库。
实施例:
现以本发明试用于某江下游城陵矶附近区域构建防洪调度知识图谱为实施例对本发明进行详细说明,对本发明应用于其它流域构建防洪调度知识图谱同样具有指导作用。
本实施例以某江下游城陵矶附近区域为调度对象,设置参与调度的蓄滞洪区为东洞庭湖片区的钱粮湖,建设垸、大通湖东垸、建新垸以及君山垸五个蓄滞洪区共计45.24亿m3蓄洪容积,采用建立的知识图谱驱动的蓄滞洪区调度模型对1954年7月25日至7月31日洪水过程进行调度,分析其调度效果。具体实施步骤如下:
步骤1:首先,搜集城陵矶附近区域历史水情、工情、险情以及沿岸城镇的社会经济资料,建立涵盖水、工、险、社多类型数据信息的数据库;
步骤2:将水雨工险以及社会经济等多源数据信息与城陵矶附近莲花塘控制站节点与城陵矶附近蓄滞洪区、洲滩民垸等防洪工程节点进行互联,构建基本知识单元;
步骤3:解析现有某江流域防洪工程调度规则,将调度规则逻辑化,串联基本知识单元,构建防洪工程调度知识体系网;
步骤4:结合多个典型设计洪水,通过调度规则模拟出多个调度方案,采用水动力学方法构建某江中下游洪水演进模型,通过模拟调度确定不同水情下各蓄滞洪区的调度响应关系。将不同水雨情条件对应的防洪工程调度响应关系作为关系属性耦合链接到防洪工程节点与相应的控制站节点间,构建防洪调度知识图谱,如图5所示;
步骤5:根据预报流量判断7月26日六点即将到达安全水位34.4m,可以通过知识图谱快速索引出城陵矶34.4m对应的淹没面积以及相应的风险指标,如图6所示,可以帮助决策者快速了解流域当前水情条件下的险情、灾情态势。进一步,通过知识图谱快速索引不同防洪工程的调度响应关系,结合调度规则,可以在短时间内得到启用东洞庭片区蓄滞洪区进行调度后的城陵矶水位过程。将调度后的水位过程与通过Mike11的分洪结果进行对比,如图7所示,运用东洞庭片区进行分洪,7天后分洪完毕。采用本发明所述知识图谱驱动的蓄滞洪区分洪模型与MIike11模型进行对比可知,分洪开始后一天两者(即本发明与MIike11模型)误差在1公分以内,三天内两者误差保持5公分以内,五天两者误差在10公分以内,该误差在可接受范围之内,采用本发明所述知识图谱驱动的调度模型能在有效预见期内与Mike11模型模拟效果基本保持一致。同时,采用MIke11模型计算速度约为3-5 min,而本发明测试模拟全过程总耗时可达到毫秒级,速度为MIke11模型计算速度的数千倍。可见,相对于传统基于Mike的洪水模拟调度模型,本发明采用知识图谱能在保证精度的同时,快速评估不同调度前后可能导致的淹没灾损情况,并能有效根据调度响应关系,快速得到工程调度后对下游控制站的影响效果,极大提升调度决策的效率。
其它未说明的部分均属于现有技术。
Claims (6)
1.一种防洪调度知识图谱构建方法,其特征在于:包括如下步骤:
步骤一:建立水-工-险基础数据知识单元;
整合防洪基础数据集,将水-工-险的基础信息与工程节点与控制站节点进行联接,构建防洪基本知识单元;
步骤二:建立融合调度规则与调度响应关系的防洪知识体系网;
考虑不同水雨工险情条件下工程单元与站点单元之间的调度响应关系以及工程单元间的防洪任务联系,将不同的基本知识单元进行有机组织,构建防洪知识体系网;
步骤三:构建具有自主学习能力的防洪调度知识图谱
采用随机模拟技术-调度仿真-优化提取的技术方法,构建防洪工程调度响应关系自主学习模型,使工程调度响应关系能够自适应优化与完善;在此基础上,结合历史调度案例,抽取关键知识要素,不断丰富与完善防洪知识体系网,构建具有自学习功能的防洪调度知识图谱,实现不同水、雨、工、险情条件下,防洪工程群组合自动推荐以及调度响应关系智能索引的功能;
在步骤三中,构建具有自学习功能的防洪调度知识图谱,具体包含如下步骤:
S31:构建防洪工程调度响应关系自主学习模型;
在步骤S31中,调度响应关系自学习模型构建包含洪水场景模拟生成、基于物理模型的调度样本集构造以及调度响应关系拟合三个部分;
洪水场景模拟生成:洪水场景生成的主要方法有两种:一种是历史典型设计洪水法,即选取历史典型设计洪水过程,采用同倍比或者同频率法对上游各站点相应洪水进行放大,对于上游站点无历史同期洪水的情况,采用解集法或相似站点法来补充站点径流过程,同时选择多个历史典型洪水弥补洪水多样性不足的问题;另一种方法是通过多站洪水随机模拟法对多站点不同频率不同地区组成的洪水过程进行随机模拟;
调度样本集生成:根据不同洪水样本,结合现有调度规则拟定不同工程拦蓄方案,综合生成不同来水背景场以及模型初始边界场;通过机理模型进行流域防洪调度模拟,计算不同来水过程、工程运用条件下,不同控制站点的水位、流量变化过程,获取大量调度样本集;其中,机理模型包括水动力学模型、水库优化调度模型、分蓄洪优化调度模型;
调度响应关系拟合:将洪水场景集与相对应的调度样本集进行整合,设置调度决策者较为关注的多个下游控制站点的河湖水文要素特征,并采用相关分析方法,识别提取出与河湖水文要素变化密切的关键特征因子集,采用机器学习或者深度学习的方法提取特征因子与河湖水文要素特征响应变化之间的全过程映射关系,解析水库、堤防、蓄滞洪区、洲滩民垸、涵闸泵站拦蓄单位流量或者使用单位容积防洪库容对下游河湖水位要素的影响关系,并将映射关系通过网络化、参数化进行封装存储,形成关系节点;通过不断地重复“模拟-优化-拟合”过程,使模型具有自学习功能;
S32:构建历史案例知识库。
2.根据权利要求1所述的防洪调度知识图谱构建方法,其特征在于:在步骤一中,水-工-险的基础信息包括水雨情、工情、险情、调度关联对象;
建立水-工-险基础数据知识单元,具体包括如下步骤:
S11:基础数据获取;
S12:基本知识单元构建。
3.根据权利要求2所述的防洪调度知识图谱构建方法,其特征在于:在S11中,防洪调度知识图谱的构建基础数据获取包含数据提取与整合和数据组织与重构两部分内容;
数据提取与整合;防洪知识图谱构建需对不同类型的数据信息进行提取与整合,对于系统接入的网络链接数据以及历史已经成库成表数据,可直接进行使用;针对部分纯文本数据、图像数据以及网络数据非结构化数据信息,结合网络爬虫技术、文字识别技术、语音转化技术进行数据信息提取,提取的信息包括防洪工程联合调度规则、历史实时险情图像判别信息以及相关网页新闻与音视频中关于水、雨、工、险、灾情以应对措施的描述信息,将非结构化信息转化为结构化信息统一建立数据库;
数据组织与重构:按照工程类型不同,将数据信息分为堤防、水库、蓄滞洪区、洲滩民垸与涵闸泵站五大类,将各类工程的工情信息、工程历史险情信息、工程所在区域历史与实测水雨情信息以及工程保护对象的社会经济信息进行关联,通过交叉联接的方式对数据信息进行建库建表,构建不同属性数据之间的有机联系。
4.根据权利要求3所述的防洪调度知识图谱构建方法,其特征在于:在S12中,基本知识单元构建通过依次执行的实体节点与语义类识别抽取、节点属性抽取、实体节点属性链接实现;
实体节点与语义类识别抽取;防洪调度知识图谱围绕防洪工程语义类与控制站语义类建立,其中防洪工程语义类是不同类型的防洪工程实体节点构成的集合,具体包括堤防、水库、蓄滞洪区与洲滩的民垸工程实体节点;控制站语义类则包含水文站、水位站、气象站这些控制节点,根据不同实体节点的属性在获取的基础数据集中识别并抽取相关节点信息;
节点属性抽取;针对不同类型的防洪工程实体节点,提取其行政区划、类别、建设情况、特征参数、启用方式、实时水雨工情信息、历史风险点、直接关联工程的基本属性信息;对于不同类型防洪控制站节点,则提取站点类型、站点名称、位置、水雨情实测预报信息、站点附近险情信息、站点所在区域社会经济信息的基本属性信息;
实体节点属性链接;将节点的基础属性信息与实体节点进行耦合链接,通过构建单一防洪节点的基本知识单元,采用资源描述框架三元组或者知识框架类的方式对节点单元进行知识存储与表示;其中,节点的基础属性信息包括基本水情、工情、险情以及空间地理位置。
5.根据权利要求4所述的防洪调度知识图谱构建方法,其特征在于:在步骤二中,构建防洪知识体系网,具体包括如下步骤:
S21:根据防洪工程与站点之间的空间拓扑联系,建立工程与工程、工程与站点、站点与站点之间的基本空间联系,以距离为关系属性将不同防洪工程节点与控制站节点进行链接;其中,防洪工程与站点之间的空间拓扑联系包括行政区划、空间距离;
S22:结合水利工程节点与控制站节点之间的水文水力联系,筛选出与各个控制站点水文水力联系紧密的水库、堤防、蓄滞洪区工程节点,并根据流域防洪规划方案中制定的不同水工程对防洪控制节点的调度联系,初步确定水利工程节点与控制站节点之间的调度响应关系,并将调度响应关系作为关系属性,添加到与控制站节点链接的工程节点之间;
S23:提取水工程防洪调度方案中对应的水雨情与险情信息,构造水雨情节点与险情节点;其中水雨情节点的属性包括洪水遭遇组成、洪水过程、洪水量级,险情节点的属性包括险情发生的类型、强度,将该水雨情与险情作为属性节点与调度控制站节点进行互联;进一步解析不同水雨情以及险情条件下调度方案推荐使用的水工程组合以及各个的工程启用规模、启用时机以及分洪流量这些调度决策参数,构造防洪工程节点,并将提取出的工程组合及其调度决策参数作为属性与防洪工程节点关联,构建现有调度规则体系下防洪调度知识体系网。
6.根据权利要求5所述的防洪调度知识图谱构建方法,其特征在于:在步骤S32中,构建历史案例知识库包含历史案例知识提取、基于知识图谱体系构建历史案例知识库;
历史案例知识提取:剖析历史调度案例,对历史调度方案中的调度目标、险情发生河段、面临的水情、工情、险情、启用工程组合、调度方式、相应的调度效果以及调度过程中考虑的其他要素进行提取,形成案例基本知识点;其中,调度过程中考虑的其他要素包括航运要素、水资源配置影响要素的发生时间、影响空间、要素涉及的量与影响程度;
基于知识图谱体系构建历史案例知识库:将历史案例知识提取中提取的知识要素点进行串联,并根据历史统计数据,对不同属性进行赋值,同时将构建防洪工程调度响应关系自主学习模型得到的不同工程对不同控制节点的调度响应关系模型作为关系属性与工程节点和控制站节点进行链接;重复步骤S32对不同历史案例进行知识提取与重组,不断丰富历史调度案例知识库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210414164.3A CN114510583B (zh) | 2022-04-20 | 2022-04-20 | 一种防洪调度知识图谱构建方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210414164.3A CN114510583B (zh) | 2022-04-20 | 2022-04-20 | 一种防洪调度知识图谱构建方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114510583A CN114510583A (zh) | 2022-05-17 |
CN114510583B true CN114510583B (zh) | 2022-07-12 |
Family
ID=81555485
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210414164.3A Active CN114510583B (zh) | 2022-04-20 | 2022-04-20 | 一种防洪调度知识图谱构建方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114510583B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116860893B (zh) * | 2023-07-14 | 2024-03-08 | 浪潮智慧科技有限公司 | 一种水利数据管理方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090001550A (ko) * | 2007-04-25 | 2009-01-09 | 주식회사 유비케어 | Sos 서비스 제공 방법 및 시스템 |
CN105976103A (zh) * | 2016-05-03 | 2016-09-28 | 大连理工大学 | 一种基于动态蓄水容量的洪水预报方法 |
CN107463901A (zh) * | 2017-08-07 | 2017-12-12 | 中国科学院遥感与数字地球研究所 | 多尺度区域洪涝灾害危险性遥感评估方法和系统 |
CN111680171A (zh) * | 2020-07-08 | 2020-09-18 | 中国水利水电科学研究院 | 一种基于专题知识图谱的河系洪水预报方案构建方法 |
CN112182234A (zh) * | 2020-07-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 流域防洪规划数据知识图谱构建方法 |
CN113159451A (zh) * | 2021-05-13 | 2021-07-23 | 长江水利委员会水文局 | 一种基于事件知识图谱构建的流域旱涝事件长期预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200034935A1 (en) * | 2018-07-24 | 2020-01-30 | MediaAgility Inc | System and method for intelligent subsidence risk analysis using gis data |
-
2022
- 2022-04-20 CN CN202210414164.3A patent/CN114510583B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090001550A (ko) * | 2007-04-25 | 2009-01-09 | 주식회사 유비케어 | Sos 서비스 제공 방법 및 시스템 |
CN105976103A (zh) * | 2016-05-03 | 2016-09-28 | 大连理工大学 | 一种基于动态蓄水容量的洪水预报方法 |
CN107463901A (zh) * | 2017-08-07 | 2017-12-12 | 中国科学院遥感与数字地球研究所 | 多尺度区域洪涝灾害危险性遥感评估方法和系统 |
CN111680171A (zh) * | 2020-07-08 | 2020-09-18 | 中国水利水电科学研究院 | 一种基于专题知识图谱的河系洪水预报方案构建方法 |
CN112182234A (zh) * | 2020-07-29 | 2021-01-05 | 长江勘测规划设计研究有限责任公司 | 流域防洪规划数据知识图谱构建方法 |
CN113159451A (zh) * | 2021-05-13 | 2021-07-23 | 长江水利委员会水文局 | 一种基于事件知识图谱构建的流域旱涝事件长期预测方法 |
Non-Patent Citations (1)
Title |
---|
长江流域水工程智能调度平台建设探讨;喻杉等;《人民长江》;20220228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114510583A (zh) | 2022-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | Location selection of seawater pumped hydro storage station in China based on multi-attribute decision making | |
CN107992961A (zh) | 一种自适应的流域中长期径流预报模型架构方法 | |
CN107368648A (zh) | 一种面向市政给水管网压力监测点优化布置方法 | |
CN107609707B (zh) | 一种洪水预报、防灾决策方法及系统 | |
CN108256249B (zh) | 一种三峡库区efdc模型集成方法 | |
Yildirim et al. | A geographic information system‐based model for economical and eco‐friendly high‐speed railway route determination using analytic hierarchy process and least‐cost‐path analysis | |
CN114510583B (zh) | 一种防洪调度知识图谱构建方法 | |
CN115759459B (zh) | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 | |
CN109636670A (zh) | 一种基于小流域水生态环境保护阶段的河流类型划分方法 | |
CN112765300B (zh) | 基于ArcGIS空间数据的水利对象关系图谱构建方法 | |
CN109271465A (zh) | 一种基于云计算的水文数据分析及展示方法 | |
Ye et al. | The system architecture of smart water grid for water security | |
Rauschenbach | Modeling, control, and optimization of water systems | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
Ranjbar et al. | Framework for a digital twin of the Canal of Calais | |
CN117235219A (zh) | 一种基于防汛需求的水库知识智能问答系统 | |
CN111581186B (zh) | 黄河水沙变化数据仓库的构建方法及公共服务平台 | |
CN115964875B (zh) | 一种数字孪生水网四面体模型构建方法 | |
CN116431824A (zh) | 一种流域水环境问题专家咨询系统 | |
Lyu et al. | Water level prediction model based on GCN and LSTM | |
Xie et al. | Evaluation of sustainable use of water resources based on random forest: A Case study in the Lishui River Basin, Central China | |
Yue et al. | Exploration and application of the value of big data based on data-driven techniques for the hydraulic internet of things | |
McManamay et al. | A holistic framework for environmental flows determination in hydropower contexts | |
Stevovic | Present scenario for exploitation of hydropotential of the river changed according to environmental and legal aspects | |
Chau et al. | Knowledge representation on design of storm drainage system |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |