CN115083134B - 一种水利工程大坝泄洪溶解气体过饱和预警调控系统 - Google Patents

一种水利工程大坝泄洪溶解气体过饱和预警调控系统 Download PDF

Info

Publication number
CN115083134B
CN115083134B CN202210856373.3A CN202210856373A CN115083134B CN 115083134 B CN115083134 B CN 115083134B CN 202210856373 A CN202210856373 A CN 202210856373A CN 115083134 B CN115083134 B CN 115083134B
Authority
CN
China
Prior art keywords
data
flood discharge
gas
unit
supersaturation
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
Application number
CN202210856373.3A
Other languages
English (en)
Other versions
CN115083134A (zh
Inventor
戴会超
毛劲乔
戴杰
蒋定国
陈彦宏
龚轶青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202210856373.3A priority Critical patent/CN115083134B/zh
Publication of CN115083134A publication Critical patent/CN115083134A/zh
Application granted granted Critical
Publication of CN115083134B publication Critical patent/CN115083134B/zh
Priority to EP23167675.0A priority patent/EP4310743A1/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/211—Schema design and management
    • G06F16/212—Schema design and management with details for data modelling support
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G06Q10/103—Workflow collaboration or project management
    • 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
    • G06Q50/02—Agriculture; Fishing; Mining
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/05—Underwater scenes
    • 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

本说明书公开了一种水利工程大坝泄洪溶解气体过饱和预警调控系统，能够对泄洪过程中下游水体气体过饱和状态进行及时准确预警。所述系统包括：泄洪本体数字模块，用于获取泄洪过程的多尺度数据，包括泄洪流域数据单元、泄洪影响因子单元与流域理化监测单元；泄洪数字孪生模块，用于根据所述多尺度数据构建泄洪数字孪生体，包括水坝数字孪生单元与下游流域数字孪生单元；数据交互预测模块，用于对溶解气体过饱和状态进行预测，包括数据交互单元、机器学习单元与智能预测单元；以及预警保护模块，用于根据所预测的所述溶解气体过饱和状态生成预警信息，并对下游流域的水体生物进行保护性调度。

Description

一种水利工程大坝泄洪溶解气体过饱和预警调控系统
技术领域
本说明书涉及水利工程技术领域，具体涉及一种水利工程大坝泄洪溶解气体过饱和预警调控系统。
背景技术
大型水利水电工程可用于供电、灌溉、拦洪、泄洪、抵御特大洪水等，然而水利工程在运行过程中也会造成一些不良影响，其中高坝的泄水建筑物在泄洪过程中气体掺入水流，导致水中总溶解气体过饱和，对水生生态环境造成一定危害，水流向下游流动的过程中过饱和气体逸散速度较慢，在很长的距离、时间内水体中的气体保持较高的饱和度。水体溶解的气体过饱和还会对下游建筑物、下游生态环境等都造成不利影响。 因此对高坝泄洪过程中水体溶解气体过饱和等关键要素进行预警，以保持水生态环境的健康，具有重要的意义。
目前针对高坝泄洪过程中产生的气体过饱和现象的研究主要为过饱和气体对下游鱼类产生的影响，现有技术措施主要针对促进过饱和气体的释放、改善气体过饱和的现象两个方面。而高坝泄洪过程中各项参数实时动态变化，存在明显的不确定性，因此高坝泄洪过程中的气体饱和程度的实时监测任务十分复杂。
发明内容
有鉴于此， 本说明书实施例提供了一种水利工程大坝泄洪溶解气体过饱和预警调控系统，以能够对高坝泄洪过程中下游水体的气体饱和程度进行实时准确监测。
本说明书的实施例提供了一种水利工程大坝泄洪溶解气体过饱和预警调控系统，包括泄洪本体数字模块、泄洪数字孪生模块、数据交互预测模块与预警保护模块；
所述泄洪本体数字模块，用于获取与目标水坝泄洪过程相关的多尺度数据，包括泄洪流域数据单元、泄洪影响因子单元与流域理化监测单元；
其中，所述泄洪流域数据单元，用于获取所述目标水坝泄洪所涉及的现实流域数据，包括所述目标水坝下游流域的地形数据、干支流交汇数据、干支流流量数据、障碍物数据以及所述目标水坝的基础工程数据；
所述泄洪影响因子单元，用于确定所述目标水坝泄洪过程相关的影响因子数据，包括泄洪调度方式因子、环境因子与水质理化参数因子；
所述流域理化监测单元，用于探测所述目标水坝下游流域中水体的多维理化性质数据；
所述多尺度数据包括所述流域现实数据、所述影响因子数据与所述多维理化性质数据；
所述泄洪数字孪生模块，用于根据所述多尺度数据构建与所述目标水坝泄洪过程相应的泄洪数字孪生体，包括水坝数字孪生单元与下游流域数字孪生单元；
其中，所述水坝数字孪生单元，用于根据所述基础工程数据与所述泄洪调度方式因子构建水坝数字孪生体；
所述下游流域数字孪生单元，用于根据下游流域的所述地形数据、所述干支流交汇数据、所述干支流流量数据以及所述障碍物数据构建下游流域数字孪生体；
所述泄洪数字孪生体包括所述水坝数字孪生体与所述下游流域数字孪生体；
所述数据交互预测模块，用于对所述泄洪本体数字模块与所述泄洪数字孪生模块进行数据镜像交互，并基于所述泄洪数字孪生体对溶解气体过饱和状态进行预测，包括数据交互单元、机器学习单元与智能预测单元；
其中，所述数据交互单元，用于接收、存储和处理所述多尺度数据，根据所述多尺度数据对所述泄洪数字孪生体进行实时数字同步，并基于所述泄洪数字孪生体构建气体过饱和预测模型；
所述机器学习单元，用于以所述多维理化性质数据为训练数据进行学习训练，确定水体生物耐受区间与气体过饱和程度的耐受关系函数；
所述智能预测单元，用于利用所述气体饱和预测模型对所述下游流域中溶解气体过饱和状态进行预测，包括饱和程度预测模组与饱和衰减预测模组；
所述预警保护模块，用于根据所述智能预测单元所预测的所述溶解气体过饱和状态生成预警信息，并基于所述耐受关系函数对所述下游流域的水体生物进行保护性调度。
可选的，所述流域理化监测单元包括水下滑翔检测装置与多个断面观测装置；
所述水下滑翔检测装置，用于检测所述下游流域中不同检测位置不同水深处的鱼类生活信息与过饱和气体浓度，包括仿生滑翔主体以及搭载在所述仿生滑翔主体上的超声传感器、水下成像仪与水质多参数分析仪；
多个所述断面观测器设置在所述下游流域中的多个关键断面，用于测定相应所述关键断面处的所述气体过饱和程度；
所述超声传感器用于探测所述下游流域中的多种鱼类，所述水下成像仪用于捕捉并识别确定多种鱼类的生活行为数据，所述水质多参数分析仪用于监测分析所处水体中过饱和气体浓度数据、水温数据与水深数据。
可选的，所述水下滑翔监测装置在水体中垂向运动轨迹为：
Figure DEST_PATH_IMAGE001
其中，
Figure 286393DEST_PATH_IMAGE002
表示所述水下滑翔监测装置在水体中的运动垂向深度，
Figure DEST_PATH_IMAGE003
为垂向伸展系 数，
Figure 683877DEST_PATH_IMAGE004
表示监测位置，
Figure DEST_PATH_IMAGE005
为流向监测系数，
Figure 475115DEST_PATH_IMAGE006
为不确定系数。
可选的，所述数据交互单元基于所述泄洪数字孪生体构建所述气体过饱和预测模型的方法，包括：
所述气体过饱和预测模型基于所述基础工程数据与所述泄洪调度方式因子确定所述下游流域中起点处的气体过饱和程度作为所述气体过饱和预测模型的初始条件；
所述气体过饱和预测模型基于所述初始条件，结合所述下游流域的所述地形数据、所述干支流交汇数据、所述干支流流量数据以及所述障碍物数据进行预测计算，确定所述下游流域中多个所述关键断面处的气体过饱和程度预测值；
将多个所述断面观测装置所测定多个所述关键断面处的所述气体过饱和程度与对应所述气体过饱和程度预测值进行对比，若二者差异超过预设阈值，则将所述断面观测装置所测定的所述气体过饱和程度作为所述气体过饱和预测模型的初始条件再次进行预测；
通过多次对比对所述气体过饱和预测模型进行更新迭代，直至多个所述关键断面处所述断面观测装置所测定的所述气体过饱和程度与相应所述气体过饱和程度预测值均吻合。
可选的，所述饱和程度预测模组，用于预测所述下游流域中起点处的气体过饱和程度：
Figure DEST_PATH_IMAGE007
其中，
Figure 350667DEST_PATH_IMAGE008
表示所述气体过饱和程度，
Figure DEST_PATH_IMAGE009
表示所述下游流域的平均相对压强，
Figure 645382DEST_PATH_IMAGE010
表示水体初始压强，
Figure DEST_PATH_IMAGE011
表示泄洪调度方式系数，
Figure 948188DEST_PATH_IMAGE012
表示校正系数，
Figure DEST_PATH_IMAGE013
表示所述下游 流域中的局部水深。
可选的，所述饱和衰减预测模组，用于预测多个所述关键断面处过饱和气体释放系数：
Figure 961143DEST_PATH_IMAGE014
其中，
Figure DEST_PATH_IMAGE015
分别表示第
Figure 905965DEST_PATH_IMAGE016
个与第
Figure DEST_PATH_IMAGE017
个所述关键断面处的所述过饱和气 体释放系数，
Figure 55187DEST_PATH_IMAGE018
表示气体释放修正系数，
Figure DEST_PATH_IMAGE019
表示气体扩散系数，
Figure 791543DEST_PATH_IMAGE020
表示第
Figure 760636DEST_PATH_IMAGE016
个所述关键 断面处的平均流速，
Figure DEST_PATH_IMAGE021
表示断面平均水深，
Figure 712412DEST_PATH_IMAGE022
表示断面平均流量，
Figure DEST_PATH_IMAGE023
表示干支流交汇系 数。
可选的，所述耐受关系函数：
Figure 981719DEST_PATH_IMAGE024
其中，
Figure DEST_PATH_IMAGE025
表示所述关系函数，
Figure 891906DEST_PATH_IMAGE026
表示目标鱼类的平均游速，
Figure DEST_PATH_IMAGE027
表示所述目标鱼类 的平均体长，
Figure 348295DEST_PATH_IMAGE028
表示所述目标鱼类所处位置的所述气体过饱和程度，
Figure DEST_PATH_IMAGE029
表示所述耐受区间 的水体温度，
Figure 103762DEST_PATH_IMAGE030
表示所述耐受区间的水体深度。
可选的，所述预警保护模块包括预警调度单元；
所述预警调度单元，用于利用所述耐受关系函数根据所述智能预测单元所预测的所述溶解气体过饱和状态为所述目标鱼类确定最优耐受区间，并释放生物诱导信号引导所述目标鱼类下潜或上浮至所述最优耐受区间。
可选的，所述预警保护模块包括通报单元；
所述通报单元，用于根据所预测的所述溶解气体过饱和状态生成所述预警信息并进行通报；
所述通报单元，还用于对应所述预警信息生成相应的生态优化调度信息、干支流调整信息与水产养殖调整信息。
从上面可以看出，本说明书实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统，具有如下有益技术效果：
（1）所述水利工程大坝泄洪溶解气体过饱和预警调控系统，利用泄洪本体数字模块获取能够从多个层面全面表征泄洪过程静态特性与动态特性的多尺度数据，基于所述多尺度数据利用所述泄洪数字孪生模块构建相对应的所述泄洪数字孪生体，再利用所述数字交互预测模型对所述泄洪本体数字模块与所述泄洪数字孪生模块进行数据镜像交互，保证在泄洪过程的现实本体与数字孪生体之间实现实时动态的数字镜像、数据交互与数字同步，保证所述泄洪数字孪生体与现实本体具有相同的构造、方式、过程及结果，从而基于所述泄洪数字孪生体可以实现对水坝泄洪过程现实本体的构造孪生展示、方式孪生展示、过程孪生展示、结果孪生展示。从而，利用基于所述泄洪数字孪生体所确定的所述气体过饱和预测模型，其映射到泄洪过程本体中，也具有相应的现实意义。所述智能预测单元根据所述气体过饱和预测模型即可以实现对现实本体中所述下游流域中溶解气体过饱和状态进行准确有效预测。
（2）根据所述智能预测单元所预测的所述溶解气体过饱和状态生成预警信息，并基于所述耐受关系函数对所述下游流域的水体生物进行保护性调度，从而尽可能的降低泄洪过程气体过饱和对下游流域生态造成影响，实现有效预警。
在所述水利工程大坝泄洪溶解气体过饱和预警调控系统中，利用机器学习单元以所述多维理化性质数据为训练数据进行学习训练，确定水体生物耐受区间与气体过饱和程度的耐受关系函数，准确确定多种不同鱼类在不同气体过饱和程度情况下相应的耐受区间。而所述预警调度单元，则利用所述耐受关系函数根据所述智能预测单元所预测的所述溶解气体过饱和状态为所述目标鱼类确定最优耐受区间，并释放生物诱导信号引导所述目标鱼类下潜或上浮至所述最优耐受区间。这样的方式，在下游水体中的气体过饱和程度发生变化之前，就预先对水体中的多种鱼类进行诱导性引导，使得多种鱼类提前进入相应的最优耐受区间，从而可以避免因泄洪引起的水体溶解气体过饱和浓度变化导致鱼类出现疾病甚至死亡的严重后果。
（3）所述数据交互单元基于所述泄洪数字孪生体构建所述气体过饱和预测模型时，将多个所述断面观测装置所测定多个所述关键断面处的所述气体过饱和程度与对应所述气体过饱和程度预测值进行对比，根据二者差异所述气体过饱和预测模型进行更新迭代，提高所述智能预测单元利用所述气体过饱和预测模型对气体过饱和沿程的预测精度，保证数字孪生体与现实本体数据实时交互，高精度的镜像映射，进而可以保证整体系统运行的有效性与稳定性。
附图说明
通过参考附图会更加清楚的理解 本说明书的特征和优点，附图是示意性的而不应理解为对 本说明书进行任何限制，在附图中：
图1示出了本说明书一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统示意图；
图2示出了本说明书一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统中流域理化监测单元示意图；
图3示出了本说明书一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统中数据交互单元构建气体过饱和预测模型的方法示意图；
图4示出了本说明书一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统的原理示意图；
图5为示例性研究流域示意图；
图6示出了采用本说明书实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统进行预警处理后的效果示意图。
具体实施方式
为使本说明书实施例的目的、技术方案和优点更加清楚，下面将结合 本说明书实施例中的附图，对 本说明书实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是 本说明书一部分实施例，而不是全部的实施例。基于 本说明书中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于 本说明书保护的范围。
大型水利水电工程可用于供电、灌溉、拦洪、泄洪、抵御特大洪水等，然而水利工程在运行过程中也会造成一些不良影响，其中高坝的泄水建筑物在泄洪过程中气体掺入水流，导致水中总溶解气体过饱和，对水生生态环境造成一定危害，水流向下游流动的过程中过饱和气体逸散速度较慢，在很长的距离、时间内水体中的气体保持较高的饱和度，水体溶解气体过饱和形成过程十分复杂，受温度、水深、压力、气体体积、气泡尺寸分布等诸多因素的影响。
水体溶解的气体过饱和会导致多种危害，如下游建筑物表面的混凝土被腐蚀，造成一定的经济损失，加大工作人员的检修强度。水体溶解气体过饱和会破坏下游生态环境，致使部分水生生物产生疾病，如鱼类患气泡病出现大规模的死亡等，研究表明，气体过饱和程度高的水体中鱼类通常在1-2小时内就表现出明显的气泡病症状。因此对高坝泄洪过程中水体溶解气体过饱和等关键要素进行预警，以保持水生态环境的健康，具有重要的意义。
目前针对高坝泄洪过程中产生的气体过饱和现象的研究主要为过饱和气体对下游鱼类产生的影响，现有技术措施主要针对促进过饱和气体的释放、改善气体过饱和的现象两个方面。而高坝泄洪过程中各项参数实时动态变化，存在明显的不确定性，因此高坝泄洪过程中的气体饱和程度的实时监测任务十分复杂，尤其是水体溶解过饱和气体动态实时预警方面的研究还较为有限，缺乏现实状况与预测模拟技术之间的动态交互，因此难以做到对工程-水体-气体-生物之间的动态模拟、实时预警与智慧决策。
针对上述问题，本说明书技术方案的目的在于，对高坝泄洪过程中水体溶解气体过饱和状态进行数字孪生动态预警，以下游流域中实际的气体过饱和程度为依据进行负反馈调整，从而实现对水体中气体过饱和参数的实时预测及校准纠正，以能够及时在关键断面预先采取有效的措施，从而提升高坝建筑物调度运行效益，保护下游水生生态环境。
以下结合具体实施例对本说明书技术方案进行说明。
本说明书实施例提供了一种水利工程大坝泄洪溶解气体过饱和预警调控系统。
如图1所示，本说明书的一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统100，其特征在于，包括泄洪本体数字模块102、泄洪数字孪生模块104、数据交互预测模块106与预警保护模块108。
所述泄洪本体数字模块102，用于获取与目标水坝泄洪过程相关的多尺度数据，包括泄洪流域数据单元1020、泄洪影响因子单元1022与流域理化监测单元1024。
其中，所述泄洪流域数据单元1020，用于获取所述目标水坝泄洪所涉及的现实流域数据，包括所述目标水坝下游流域的地形数据、干支流交汇数据、干支流流量数据、障碍物数据以及所述目标水坝的基础工程数据。
所述基础工程数据可以包括水电站外部形态、内部孔口管道构造和细部机组设备等水库大坝的基础数据。
所述泄洪影响因子单元1022，用于确定所述目标水坝泄洪过程相关的影响因子数据，包括泄洪调度方式因子、环境因子与水质理化参数因子。
所述流域理化监测单元1024，用于探测所述目标水坝下游流域中水体的多维理化性质数据。
所述多尺度数据包括所述流域现实数据、所述影响因子数据与所述多维理化性质数据。
所述泄洪数字孪生模块104，用于根据所述多尺度数据构建与所述目标水坝泄洪过程相应的泄洪数字孪生体，包括水坝数字孪生单元1040与下游流域数字孪生单元1042。
其中，所述水坝数字孪生单元1040，用于根据所述基础工程数据与所述泄洪调度方式因子构建水坝数字孪生体；
所述下游流域数字孪生单元1042，用于根据下游流域的所述地形数据、所述干支流交汇数据、所述干支流流量数据以及所述障碍物数据构建下游流域数字孪生体；
所述泄洪数字孪生体包括所述水坝数字孪生体与所述下游流域数字孪生体；
所述数据交互预测模块106，用于对所述泄洪本体数字模块102与所述泄洪数字孪生模块104进行数据镜像交互，并基于所述泄洪数字孪生体对溶解气体过饱和状态进行预测，包括数据交互单元1060、机器学习单元1062与智能预测单元1064。
其中，所述数据交互单元1060，用于接收、存储和处理所述多尺度数据，根据所述多尺度数据对所述泄洪数字孪生体进行实时数字同步，并基于所述泄洪数字孪生体构建气体过饱和预测模型。
所述机器学习单元1062，用于以所述多维理化性质数据为训练数据进行学习训练，确定水体生物耐受区间与气体过饱和程度的耐受关系函数；
所述智能预测单元1064，用于利用所述气体饱和预测模型对所述下游流域中溶解气体过饱和状态进行预测，包括饱和程度预测模组与饱和衰减预测模组。
所述预警保护模块108，用于根据所述智能预测单元1064所预测的所述溶解气体过饱和状态生成预警信息，并基于所述耐受关系函数对所述下游流域的水体生物进行保护性调度。
所述水利工程大坝泄洪溶解气体过饱和预警调控系统100，利用泄洪本体数字模块102获取能够从多个层面全面表征泄洪过程静态特性与动态特性的多尺度数据，基于所述多尺度数据利用所述泄洪数字孪生模块104构建相对应的所述泄洪数字孪生体，再利用所述数字交互预测模型对所述泄洪本体数字模块102与所述泄洪数字孪生模块104进行数据镜像交互，保证在泄洪过程的现实本体与数字孪生体之间实现实时动态的数字镜像、数据交互与数字同步，保证所述泄洪数字孪生体与现实本体具有相同的构造、方式、过程及结果，从而基于所述泄洪数字孪生体可以实现对水坝泄洪过程现实本体的构造孪生展示、方式孪生展示、过程孪生展示、结果孪生展示。从而，利用基于所述泄洪数字孪生体所确定的所述气体过饱和预测模型，其映射到泄洪过程本体中，也具有相应的现实意义。所述智能预测单元1064根据所述气体过饱和预测模型即可以实现对现实本体中所述下游流域中溶解气体过饱和状态进行准确有效预测。
根据所述智能预测单元1064所预测的所述溶解气体过饱和状态生成预警信息，并基于所述耐受关系函数对所述下游流域的水体生物进行保护性调度，从而尽可能的降低泄洪过程气体过饱和对下游流域生态造成影响，实现有效预警。
如图2所示，在本说明书的一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统100中，所述流域理化监测单元102包括水下滑翔检测装置200与多个断面观测装置202；
所述水下滑翔检测装置200，用于检测所述下游流域中不同检测位置不同水深处的鱼类生活信息与过饱和气体浓度，包括仿生滑翔主体以及搭载在所述仿生滑翔主体上的超声传感器、水下成像仪与水质多参数分析仪；
多个所述断面观测器202设置在所述下游流域中的多个关键断面，用于测定相应所述关键断面处的所述气体过饱和程度；
所述超声传感器用于探测所述下游流域中的多种鱼类，所述水下成像仪用于捕捉并识别确定多种鱼类的生活行为数据，所述水质多参数分析仪用于监测分析所处水体中过饱和气体浓度数据、水温数据与水深数据。
所述水下滑翔监测装置200在所述下游流域中的不同位置不同深度处进行检测。在一些可选实施例中，所述水下滑翔监测装置200的在水体中垂向运动轨迹为：
Figure DEST_PATH_IMAGE031
其中，
Figure 961996DEST_PATH_IMAGE032
表示所述水下滑翔监测装置在水体中的运动垂向深度；
Figure DEST_PATH_IMAGE033
为垂向伸展 系数，可选的，其取值范围可以设定为1.5~9.5；
Figure 777506DEST_PATH_IMAGE034
表示监测位置，
Figure DEST_PATH_IMAGE035
为流向监测系数， 其中
Figure 986770DEST_PATH_IMAGE036
的取值范围可以设定为-2.0~2.0，
Figure DEST_PATH_IMAGE037
的取值范围可以设定为
Figure 545927DEST_PATH_IMAGE038
。
Figure DEST_PATH_IMAGE039
为不确 定系数，所述不确定系数可以根据监测深度进行灵活设定，一般情况下其取值范围为-50~ 50。
如图3所示，在本说明书的一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统100中，所述数据交互单元1060基于所述泄洪数字孪生体构建所述气体过饱和预测模型的方法，包括：
S301：所述气体过饱和预测模型基于所述基础工程数据与所述泄洪调度方式因子确定所述下游流域中起点处的气体过饱和程度作为所述气体过饱和预测模型的初始条件。
S302：所述气体过饱和预测模型基于所述初始条件，结合所述下游流域的所述地形数据、所述干支流交汇数据、所述干支流流量数据以及所述障碍物数据进行预测计算，确定所述下游流域中多个所述关键断面处的气体过饱和程度预测值。
S303：将多个所述断面观测装置202所测定多个所述关键断面处的所述气体过饱和程度与对应所述气体过饱和程度预测值进行对比，若二者差异超过预设阈值，则将所述断面观测装置202所测定的所述气体过饱和程度作为所述气体过饱和预测模型的初始条件再次进行预测。
S304：通过多次对比对所述气体过饱和预测模型进行更新迭代，直至多个所述关键断面处所述断面观测装置202所测定的所述气体过饱和程度与相应所述气体过饱和程度预测值均吻合。
所述数据交互单元1060基于所述泄洪数字孪生体构建所述气体过饱和预测模型时，将多个所述断面观测装置202所测定多个所述关键断面处的所述气体过饱和程度与对应所述气体过饱和程度预测值进行对比，根据二者差异所述气体过饱和预测模型进行更新迭代，提高所述智能预测单元1064利用所述气体过饱和预测模型对气体过饱和沿程的预测精度，保证数字孪生体与现实本体数据实时交互，高精度的镜像映射，进而可以保证整体系统运行的有效性与稳定性。
在本说明书的一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统100中，所述饱和程度预测模组，用于预测所述下游流域中起点处的气体过饱和程度：
Figure 524248DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
表示所述气体过饱和程度，
Figure 245079DEST_PATH_IMAGE042
表示所述下游流域的平均相对压强，
Figure DEST_PATH_IMAGE043
表示水体初始压强，
Figure 944569DEST_PATH_IMAGE044
表示泄洪调度方式系数，
Figure DEST_PATH_IMAGE045
表示校正系数，
Figure 307417DEST_PATH_IMAGE046
表示所述下游流 域中的局部水深。
在本说明书的一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统100中，所述饱和衰减预测模组，用于预测多个所述关键断面处过饱和气体释放系数：
Figure DEST_PATH_IMAGE047
其中，
Figure 405823DEST_PATH_IMAGE048
分别表示第
Figure DEST_PATH_IMAGE049
个与第
Figure 563135DEST_PATH_IMAGE050
个所述关键断面处的所述过饱和气 体释放系数，
Figure DEST_PATH_IMAGE051
表示气体释放修正系数，
Figure 481413DEST_PATH_IMAGE052
表示气体扩散系数，
Figure DEST_PATH_IMAGE053
表示第
Figure 647952DEST_PATH_IMAGE049
个所述关键 断面处的平均流速，
Figure 804127DEST_PATH_IMAGE054
表示断面平均水深，
Figure DEST_PATH_IMAGE055
表示断面平均流量，
Figure 397919DEST_PATH_IMAGE056
表示干支流交汇系 数。
在本说明书的一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统100中，所述机器学习单元1062所确定的水体生物耐受区间与气体过饱和程度的所述耐受关系函数：
Figure DEST_PATH_IMAGE057
其中，
Figure 69072DEST_PATH_IMAGE058
表示所述关系函数，
Figure DEST_PATH_IMAGE059
表示目标鱼类的平均游速，
Figure 39302DEST_PATH_IMAGE060
表示所述目标鱼类 的平均体长，
Figure DEST_PATH_IMAGE061
表示所述目标鱼类所处位置的所述气体过饱和程度，
Figure 846721DEST_PATH_IMAGE062
表示所述耐受区间 的水体温度，
Figure DEST_PATH_IMAGE063
表示所述耐受区间的水体深度。
所述耐受关系函数用于描述鱼类在不同气体饱和程度情况下，其所对应适宜的耐受区间的深度。在所述水利工程大坝泄洪溶解气体过饱和预警调控系统中，利用机器学习单元1062以所述多维理化性质数据为训练数据进行学习训练，可以确定水体生物耐受区间与气体过饱和程度的耐受关系函数，准确确定多种不同鱼类在不同气体过饱和程度情况下相应的耐受区间。
在一些可选实施例中，所述预警保护模块108包括预警调度单元。所述预警调度单元，用于利用所述耐受关系函数根据所述智能预测单元1064所预测的所述溶解气体过饱和状态为所述目标鱼类确定最优耐受区间，并释放生物诱导信号引导所述目标鱼类下潜或上浮至所述最优耐受区间。
所述预警调度单元，利用所述耐受关系函数根据所述智能预测单元1064所预测的所述溶解气体过饱和状态为所述目标鱼类确定最优耐受区间，并释放生物诱导信号引导所述目标鱼类下潜或上浮至所述最优耐受区间。这样的方式，在下游水体中的气体过饱和程度发生变化之前，就预先对水体中的多种鱼类进行诱导性引导，使得多种鱼类提前进入相应的最优耐受区间，从而可以避免因泄洪引起的水体溶解气体过饱和浓度变化导致鱼类出现疾病甚至死亡的严重后果。
在一个或多个可选实施例中，所述预警保护模块108还包括通报单元。所述通报单元，用于根据所预测的所述溶解气体过饱和状态生成所述预警信息并进行通报；所述通报单元，还用于对应所述预警信息生成相应的生态优化调度信息、干支流调整信息与水产养殖调整信息。
根据所述智能预测单元1064所预测的所述溶解气体过饱和状态生成预警信息，并基于所述耐受关系函数对所述下游流域的水体生物进行保护性调度，从而尽可能的降低泄洪过程气体过饱和对下游流域生态造成影响，实现有效预警。
如图4所示，为本说明书的一个或多个可选实施例所提供的一种水利工程大坝泄洪溶解气体过饱和预警调控系统100实现气体过饱和预警调控的核心原理图，系统针对气体过饱和预警调控的过程分为监测阶段、分析阶段、预警阶段与调控阶段。
在监测阶段，所述泄洪本体数字模块102对泄洪过程进行多维监测，获取相关的多尺度数据。利用所述流域理化检测单元1024中的所述水下滑翔检测装置200在水下巡航获取水下多种鱼类生活信息作为鱼类指标，利用多个所述断面观测装置202对多个关键断面进行监测，获取多个所述关键断面处水体包括所述气体过饱和程度在内的理化指标。多个所述关键断面可以包括水利工程坝前、库尾、尾水出口及下游干流河段、支流河口、支流汇口等位置的水体断面。
在分析阶段，所述数据交互预测模块106基于监测阶段多维监测的结果进行计算预测。所述数据交互单元1060，根据所述多尺度数据对所述泄洪数字孪生体进行实时数字同步，并基于所述泄洪数字孪生体构建气体过饱和预测模型。
其中，所述机器学习单元1062记录理化指标数据和相应的鱼类指标数据针对鱼类行为特征进行机器学习，建立预测对应鱼类耐受区间与气体过饱和程度的耐受关系函数。其中，所述理化指标数据包括水深、水温等数据，鱼类指标数据则包括鱼类的体型、年龄、大小、类别和鱼类耐受行为表现等。
所述智能预测单元1064则利用于利用所述气体饱和预测模型对所述下游流域中溶解气体过饱和状态进行预测，包括关键断面处气体过饱和程度以及下游流域过饱和气体释放衰减情况。
在预警阶段，所述预警保护模块108根据分析阶段的分析预测结果中多个所述关键多面的理化指标针对所述泄洪数字孪生体进行理化参数预警；根据分析阶段的分析预测结果中所述机器学习单元1062建立的所述耐受关系函数对针对所述泄洪数字孪生体进行耐受性生态区间预警；根据分析阶段的分析预测结果中的气体过饱和程度和过饱和气体释放衰减情况针对所述泄洪数字孪生体进行数字孪生预警。
在调控阶段，所述预警保护模块中的预警调度单元对下游流域中的多种鱼类进行诱导性引导，实现诱导鱼类垂向补偿；所述预警保护模块中所述通报单元，对应所述预警信息生成相应的生态优化调度信息、干支流调整信息与水产养殖调整信息，对应实现生态优化调度、干支流流量调控以及养殖网箱深度调整。
如图5所示，为示例性研究流域示意图。所述研究流域为流域上游梯级水电站的江段，总长约156km，A水电站设有7个泄洪表孔、8个泄洪深孔，坝后设水垫塘和二道坝，左右两岸共布置了4条泄洪洞；B水电站是梯级水电开发的最末一个梯级，泄水建筑物由10个中孔和12个表孔组成。
两座梯级水电站及其之间流域为现实本体，包括水电站外部形态、内部孔口管道构造和细部机组设备等水库大坝的基础数据；包括水电站之间流域的地形数据、干支流交汇数据、流域干支流流量数据、流域障碍物数据等；包括水电站调度方式、周围空气环境、水体理化参数等数据；还包括水下滑翔机按照既定的测点航迹，对流域内水体的巡航监测的获得的鱼类行为数据等。
通过水库大坝基础数据、调度泄洪数据、环境因子和水质因子等数据建立多维度现实本体中相同的三维水库大坝数值模型，表征现实本体的三维几何特性；通过上下游边界条件、机组运行方式等数据表征现实本体的运行过程特性；通过周围环境、水质等数据表征现实本体的运行结果特性。通过上述方法构建与现实本体相对应的泄洪数字孪生体。
通过下游流域地形数据、下游流域干支流交汇数据、下游流域干支流流量数据、下游流域障碍物等数据建立多维度现实本体中相同的下游流域数字孪生体。通过水库大坝调度泄洪方式孪生通过确定起点断面气体过饱和浓度参数，并作为初始条件输入二维流域数字孪生体，计算模拟沿程关键断面的气体过饱和浓度，以及过饱和气体释放系数，从而实现释放衰减过程孪生。通过上述方法构建针对高库大坝泄洪数字孪生体的气体过饱和预测模型。
通过三维高坝大库泄洪数字孪生体和二维流域数字孪生体构建与现实本体相同构造、方式、过程、结果的数学模型，实现多维度现实本体的构造孪生展示、方式孪生展示、过程孪生展示、结果孪生展示。
根据预测结果，预警保护模块能够实现多个目标要求的优化决策，其中包括生态优化调度、仿生水下滑翔机释放生物信号诱导鱼类进行深度补偿等方式为实际工程提供指导措施方案，减缓过饱和气体带来的危害。
结果显示，未经过预警鱼类由于水体溶解气体过饱和这一问题死亡率可达到83%，如图6所示，经过预测后在距关键水电站100Km后的水域中，对关键断面及时实行相应的措施，使气体饱和度降低至110%以下，同时水下滑翔机在鱼类栖息关键区域释放生物信号诱导鱼类规避气体过饱和，完成不同鱼类垂向下潜水深补偿，例如，在关键断面处圆口铜鱼垂向下潜补偿水深为2米，齐口裂腹鱼垂向下潜补偿水深为1米；在关键断面B处未发现圆口铜鱼，齐口裂腹鱼垂向下潜补偿水深为2米；经过预警以及鱼类诱导保护，在下游流域的各个断面实测发现鱼类死亡率降低至51%~64%，明显改善鱼类因气泡病而受损的问题。
上述实施例阐明的系统、模块、单元或模组，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白， 本说明书的实施例可提供为方法、系统、或计算机程序产品。因此， 本说明书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， 本说明书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。
本说明书是参照根据 本说明书实施例的方法、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设备上，使得在计算机或其他可编程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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者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、商品或者设备所固有的要素。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、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random AccessMemory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了 本说明书的实施例，但是本领域技术人员可以在不脱离 本说明书的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (9)

1.一种水利工程大坝泄洪溶解气体过饱和预警调控系统，其特征在于，包括泄洪本体数字模块、泄洪数字孪生模块、数据交互预测模块与预警保护模块；
所述泄洪本体数字模块，用于获取与目标水坝泄洪过程相关的多尺度数据，包括泄洪流域数据单元、泄洪影响因子单元与流域理化监测单元；
其中，所述泄洪流域数据单元，用于获取所述目标水坝泄洪所涉及的现实流域数据，包括所述目标水坝下游流域的地形数据、干支流交汇数据、干支流流量数据、障碍物数据以及所述目标水坝的基础工程数据；
所述泄洪影响因子单元，用于确定所述目标水坝泄洪过程相关的影响因子数据，包括泄洪调度方式因子、环境因子与水质理化参数因子；
所述流域理化监测单元，用于探测所述目标水坝下游流域中水体的多维理化性质数据；
所述多尺度数据包括所述现实流域数据、所述影响因子数据与所述多维理化性质数据；
所述泄洪数字孪生模块，用于根据所述多尺度数据构建与所述目标水坝泄洪过程相应的泄洪数字孪生体，包括水坝数字孪生单元与下游流域数字孪生单元；
其中，所述水坝数字孪生单元，用于根据所述基础工程数据与所述泄洪调度方式因子构建水坝数字孪生体；
所述下游流域数字孪生单元，用于根据下游流域的所述地形数据、所述干支流交汇数据、所述干支流流量数据以及所述障碍物数据构建下游流域数字孪生体；
所述泄洪数字孪生体包括所述水坝数字孪生体与所述下游流域数字孪生体；
所述数据交互预测模块，用于对所述泄洪本体数字模块与所述泄洪数字孪生模块进行数据镜像交互，并基于所述泄洪数字孪生体对溶解气体过饱和状态进行预测，包括数据交互单元、机器学习单元与智能预测单元；
其中，所述数据交互单元，用于接收、存储和处理所述多尺度数据，根据所述多尺度数据对所述泄洪数字孪生体进行实时数字同步，并基于所述泄洪数字孪生体构建气体过饱和预测模型；
所述机器学习单元，用于以所述多维理化性质数据为训练数据进行学习训练，确定水体生物耐受区间与气体过饱和程度的耐受关系函数；
所述智能预测单元，用于利用所述气体过饱和预测模型对所述下游流域中溶解气体过饱和状态进行预测，包括饱和程度预测模组与饱和衰减预测模组；
所述预警保护模块，用于根据所述智能预测单元所预测的所述溶解气体过饱和状态生成预警信息，并基于所述耐受关系函数对所述下游流域的水体生物进行保护性调度。
2.根据权利要求1所述的系统，其特征在于，所述流域理化监测单元包括水下滑翔检测装置与多个断面观测装置；
所述水下滑翔检测装置，用于检测所述下游流域中不同检测位置不同水深处的鱼类生活信息与过饱和气体浓度，包括仿生滑翔主体以及搭载在所述仿生滑翔主体上的超声传感器、水下成像仪与水质多参数分析仪；
多个所述断面观测装置设置在所述下游流域中的多个关键断面，用于测定相应所述关键断面处的所述气体过饱和程度；
所述超声传感器用于探测所述下游流域中的多种鱼类，所述水下成像仪用于捕捉并识别确定多种鱼类的生活行为数据，所述水质多参数分析仪用于监测分析所处水体中过饱和气体浓度数据、水温数据与水深数据。
3.根据权利要求2所述的系统，其特征在于，所述水下滑翔检测装置在水体中垂向运动轨迹为：
Figure 91656DEST_PATH_IMAGE002
其中，
Figure 539955DEST_PATH_IMAGE004
表示所述水下滑翔检测装置在水体中的运动垂向深度，
Figure 585271DEST_PATH_IMAGE006
为垂向伸展系数，
Figure 246060DEST_PATH_IMAGE008
表示监测位置，
Figure 326011DEST_PATH_IMAGE010
为流向监测系数，
Figure 679632DEST_PATH_IMAGE012
为不确定系数。
4.根据权利要求2所述的系统，其特征在于，所述数据交互单元基于所述泄洪数字孪生体构建所述气体过饱和预测模型的方法，包括：
所述气体过饱和预测模型基于所述基础工程数据与所述泄洪调度方式因子确定所述下游流域中起点处的气体过饱和程度作为所述气体过饱和预测模型的初始条件；
所述气体过饱和预测模型基于所述初始条件，结合所述下游流域的所述地形数据、所述干支流交汇数据、所述干支流流量数据以及所述障碍物数据进行预测计算，确定所述下游流域中多个所述关键断面处的气体过饱和程度预测值；
将多个所述断面观测装置所测定多个所述关键断面处的所述气体过饱和程度与对应所述气体过饱和程度预测值进行对比，若二者差异超过预设阈值，则将所述断面观测装置所测定的所述气体过饱和程度作为所述气体过饱和预测模型的初始条件再次进行预测；
通过多次对比对所述气体过饱和预测模型进行更新迭代，直至多个所述关键断面处所述断面观测装置所测定的所述气体过饱和程度与相应所述气体过饱和程度预测值均吻合。
5.根据权利要求4所述的系统，其特征在于，所述饱和程度预测模组，用于预测所述下游流域中起点处的气体过饱和程度：
Figure 962977DEST_PATH_IMAGE014
其中，
Figure 427456DEST_PATH_IMAGE016
表示所述气体过饱和程度，
Figure 361914DEST_PATH_IMAGE018
表示所述下游流域的平均相对压强，
Figure 886437DEST_PATH_IMAGE020
表示水体初始压强，
Figure 906345DEST_PATH_IMAGE022
表示泄洪调度方式系数，
Figure 174515DEST_PATH_IMAGE024
表示校正系数，
Figure 714212DEST_PATH_IMAGE026
表示所述下游流域中的局部水深。
6.根据权利要求4所述的系统，其特征在于，所述饱和衰减预测模组，用于预测多个所述关键断面处过饱和气体释放系数：
Figure 409636DEST_PATH_IMAGE028
其中，
Figure 916841DEST_PATH_IMAGE030
分别表示第
Figure 457543DEST_PATH_IMAGE032
个与第
Figure 366594DEST_PATH_IMAGE034
个所述关键断面处的所述过饱和气体释放系数，
Figure 967339DEST_PATH_IMAGE036
表示气体释放修正系数，
Figure 961840DEST_PATH_IMAGE038
表示气体扩散系数，
Figure 306234DEST_PATH_IMAGE040
表示第
Figure 86102DEST_PATH_IMAGE032
个所述关键断面处的平均流速，
Figure 123328DEST_PATH_IMAGE042
表示断面平均水深，
Figure 339546DEST_PATH_IMAGE044
表示断面平均流量，
Figure 487630DEST_PATH_IMAGE046
表示干支流交汇系数。
7.根据权利要求1所述的系统，其特征在于，所述耐受关系函数：
Figure 105694DEST_PATH_IMAGE048
其中，
Figure 313821DEST_PATH_IMAGE050
表示所述关系函数，
Figure 17335DEST_PATH_IMAGE052
表示目标鱼类的平均游速，
Figure 734491DEST_PATH_IMAGE054
表示所述目标鱼类的平均体长，
Figure 472640DEST_PATH_IMAGE056
表示所述目标鱼类所处位置的所述气体过饱和程度，
Figure 851669DEST_PATH_IMAGE058
表示所述耐受区间的水体温度，
Figure DEST_PATH_IMAGE060
表示所述耐受区间的水体深度。
8.根据权利要求7所述的系统，所述预警保护模块包括预警调度单元；
所述预警调度单元，用于利用所述耐受关系函数根据所述智能预测单元所预测的所述溶解气体过饱和状态为所述目标鱼类确定最优耐受区间，并释放生物诱导信号引导所述目标鱼类下潜或上浮至所述最优耐受区间。
9.根据权利要求1所述的系统，其特征在于，所述预警保护模块包括通报单元；
所述通报单元，用于根据所预测的所述溶解气体过饱和状态生成所述预警信息并进行通报；
所述通报单元，还用于对应所述预警信息生成相应的生态优化调度信息、干支流调整信息与水产养殖调整信息。
CN202210856373.3A 2022-07-21 2022-07-21 一种水利工程大坝泄洪溶解气体过饱和预警调控系统 Active CN115083134B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210856373.3A CN115083134B (zh) 2022-07-21 2022-07-21 一种水利工程大坝泄洪溶解气体过饱和预警调控系统
EP23167675.0A EP4310743A1 (en) 2022-07-21 2023-04-13 Early-warning and regulating control system for dissolved gas supersaturation in flood discharge of hydraulic dam

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210856373.3A CN115083134B (zh) 2022-07-21 2022-07-21 一种水利工程大坝泄洪溶解气体过饱和预警调控系统

Publications (2)

Publication Number Publication Date
CN115083134A CN115083134A (zh) 2022-09-20
CN115083134B true CN115083134B (zh) 2022-12-02

Family

ID=83260135

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210856373.3A Active CN115083134B (zh) 2022-07-21 2022-07-21 一种水利工程大坝泄洪溶解气体过饱和预警调控系统

Country Status (2)

Country Link
EP (1) EP4310743A1 (zh)
CN (1) CN115083134B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116295649B (zh) * 2023-03-24 2024-02-27 广东省源天工程有限公司 一种泄洪闸泄槽段的水利监测系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6176899B1 (en) * 1998-09-17 2001-01-23 The United States Of America As Represented By The Secretary Of The Interior Water treatment process for neutralizing gas supersaturation
CN106544982A (zh) * 2016-09-29 2017-03-29 河海大学 梯级水库泄洪溶解气体过饱和预警系统和方法
CN111340394A (zh) * 2020-03-24 2020-06-26 中国电建集团成都勘测设计研究院有限公司 流域梯级电站环境管理信息系统
CN113222296A (zh) * 2021-06-07 2021-08-06 中国水利水电科学研究院 一种基于数字孪生的防洪调度方法
CN113837493A (zh) * 2021-10-27 2021-12-24 广东工业大学 水库下游tdg浓度生成预测方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6176899B1 (en) * 1998-09-17 2001-01-23 The United States Of America As Represented By The Secretary Of The Interior Water treatment process for neutralizing gas supersaturation
CN106544982A (zh) * 2016-09-29 2017-03-29 河海大学 梯级水库泄洪溶解气体过饱和预警系统和方法
CN111340394A (zh) * 2020-03-24 2020-06-26 中国电建集团成都勘测设计研究院有限公司 流域梯级电站环境管理信息系统
CN113222296A (zh) * 2021-06-07 2021-08-06 中国水利水电科学研究院 一种基于数字孪生的防洪调度方法
CN113837493A (zh) * 2021-10-27 2021-12-24 广东工业大学 水库下游tdg浓度生成预测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
三峡水库下游水文情势分析及生态调度研究;姬晶;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 C037-27》;20180831;全文 *
高坝工程总溶解气体过饱和预测研究;李然;《中国科学》;20091220;第39卷(第12期);全文 *

Also Published As

Publication number Publication date
EP4310743A1 (en) 2024-01-24
CN115083134A (zh) 2022-09-20

Similar Documents

Publication Publication Date Title
Deng et al. Horizontal migration of algal patches associated with cyanobacterial blooms in an eutrophic shallow lake
Ge et al. A dike–groyne algorithm in a terrain-following coordinate ocean model (FVCOM): Development, validation and application
CN110359415A (zh) 一种基于个体模式的鱼道过鱼模拟方法
JP2007063849A (ja) 河川水位予測モデル作成方法、河川水位予測装置及び河川水位予測モデル作成プログラム
CN115083134B (zh) 一种水利工程大坝泄洪溶解气体过饱和预警调控系统
CN113642274B (zh) 一种基于流场模型的河流流量计算方法
CN104933268A (zh) 一种基于一维非恒定流数值模型的洪水分析方法
Müller et al. Flow field in a reservoir subject to pumped-storage operation–in situ measurement and numerical modeling
CN114881544A (zh) 一种水库流量调控方法、装置、电子设备及存储介质
Laks et al. Problems with modelling water distribution in open channels with hydraulic engineering structures
CN110847110B (zh) 植被群落前端及内部水流偏转区纵向流速分布预测方法
Sattar et al. Hydraulic modeling and evaluation equations for the incipient motion of sandbags for levee breach closure operations
Aguilera et al. On characteristic hydraulic times through hydrodynamic modelling: discussion and application in Patos Lagoon (RS)
Wu et al. Flow characteristics in open channels with aquatic rigid vegetation
CN112036043B (zh) 长距离重力流大管径供水管道破裂模型计算的方法
Alam et al. Application of 2D morphological model to assess the response of Karnafuli River due to capital dredging
WO2016179840A1 (zh) 一种模拟溃坝的方法和装置以及计算机可读存储介质
CN115761520A (zh) 基于河流漂浮物自主学习的河流径流量分析方法及系统
Zhang et al. A Comprehensive Hydrodynamics-Salinity-p H Model for Analyzing the Effects of Freshwater Withdrawals in Calcasieu Lake and Surrounding Water Systems
Gergeľová et al. Hydrodynamic modeling and GIS tools applied in urban areas.
Sekine et al. Development of a simulation model considering vegetation growth and flushing in Arakawa River
Morell et al. Flow pattern at a river diffluence at the alluvial system of the Paraná River
Gessese Algorithms for bed topography reconstruction in geophysical flows
Tang et al. Impact of Different Vegetation Zones on the Velocity and Discharge of Open-Channel Flow
Peng et al. Improved model for predicting total dissolved gas generation with the residence time of the water in the stilling phase

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