CN116882211B - 一种基于数字孪生的水库水情预报仿真方法和系统 - Google Patents

一种基于数字孪生的水库水情预报仿真方法和系统 Download PDF

Info

Publication number
CN116882211B
CN116882211B CN202311144749.9A CN202311144749A CN116882211B CN 116882211 B CN116882211 B CN 116882211B CN 202311144749 A CN202311144749 A CN 202311144749A CN 116882211 B CN116882211 B CN 116882211B
Authority
CN
China
Prior art keywords
data
reservoir
model
flow
forecast
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
CN202311144749.9A
Other languages
English (en)
Other versions
CN116882211A (zh
Inventor
张炜
王汉岗
文涛
宋利祥
潘文俊
何用
肖鸿武
杨滨
陈土明
丁武
李东豪
张印
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.)
Guangdong South China Hydroelectricity Hi Tech Development Co ltd
Pearl River Hydraulic Research Institute of PRWRC
Original Assignee
Guangdong South China Hydroelectricity Hi Tech Development Co ltd
Pearl River Hydraulic Research Institute of PRWRC
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 Guangdong South China Hydroelectricity Hi Tech Development Co ltd, Pearl River Hydraulic Research Institute of PRWRC filed Critical Guangdong South China Hydroelectricity Hi Tech Development Co ltd
Priority to CN202311144749.9A priority Critical patent/CN116882211B/zh
Publication of CN116882211A publication Critical patent/CN116882211A/zh
Application granted granted Critical
Publication of CN116882211B publication Critical patent/CN116882211B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及水利信息化及防洪减灾技术领域，尤其涉及一种基于数字孪生的水库水情预报仿真方法和系统。该方法包括以下步骤：获取具体水库工程研究区域的地理、遥感、地形、工程特征、工程结构系列数据，结合三维建模技术构建水库三维孪生场景；获取水库特征数据，并利用预设的水文模型构建方式对水库特征数据进行建模，构建水库入库预报模型；获取水库历史洪水数据，并利用水库历史洪水数据对水库入库预报模型进行数据率定，获取精准水库入库预报模型；根据水库历史洪水数据进行大数据模型构建，构建大数据入库流量预报模型；基于两个模型的耦合预报成果，研发交互接口，实现预报流量水位成果在水库孪生场景的动态模拟仿真。

Description

一种基于数字孪生的水库水情预报仿真方法和系统
技术领域
本发明涉及水利信息化及防洪减灾技术领域，尤其涉及一种基于数字孪生的水库水情预报仿真方法和系统。
背景技术
综合提升水工程的水情预报与调度能力，是水安全保障重点建设任务。水库的洪水拦蓄是流域防洪及城市防洪排涝重大工程措施。如何实现精准化的水库洪水拦蓄，精准化的水量预先腾空一直是我国各类水库防洪调度的重难点问题。精细化调度的前提是离不开精细化的入库水量预报，传统水库水情预报方法及系统主要基于传统水文模型实现入库水量的经验性预报，预报成果较为粗糙，成果展示主要为曲线图的方式，涨水情况展示亦不直观，指导效益有限，应用效果不佳，无法支撑精准化、智慧化的防洪调度决策。
发明内容
本发明结合数字孪生技术，提出一种基于数字孪生的水库水情预报仿真方法和系统，解决水库水情预报精细度不高，仿真度不足的问题，实现暴雨来临时水库水情的实时化、精准化、孪生化预报与模拟仿真，有效支撑防汛防灾调度决策。
本申请提供了一种基于数字孪生的水库水情预报仿真方法，包括以下步骤：
步骤S1：获取具体水库工程研究区域对应的区域三维建模基础数据，并利用区域三维建模基础数据进行三维建模，从而构建水库三维孪生场景数据，其中区域三维建模基础数据包括区域基础地理数据、区域遥感数据以及区域地形数据；
步骤S2：获取水库特征数据，并利用预设的水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型；
步骤S3：获取水库历史洪水数据，并利用水库历史洪水数据对水库入库预报模型进行数据率定，从而获取精准水库入库预报模型；
步骤S4：根据水库历史洪水数据进行大数据模型构建，从而构建大数据入库流量预报模型；
步骤S5：根据水库入库预报模型以及大数据入库流量预报模型生成入库流量预报结果数据；
步骤S6：利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，以实现水库水面的动态模拟与仿真。
本发明中通过建立水库入库预报模型和大数据入库流量预报模型，结合历史洪水数据进行数据率定，可以获得更为精准的水库入库流量预报结果。这有助于提高水库水情预报的准确性，为水库管理和调度提供更可靠的决策依据。利用三维建模技术和孪生化方法，将水库的实际情况与模拟数据相结合，生成水库的三维孪生场景数据，并通过接口生成水位动态控制变化接口数据。这使得水库水面能够进行动态模拟与仿真，可以直观地观察和评估水库水位的变化情况，有助于预测水库的水情发展趋势。本发明所提供的水库水情预报仿真方法能够结合历史洪水数据和大数据模型构建，为水库管理部门提供更准确的入库流量预报结果。这将有助于科学决策的制定，包括水库调度、防洪措施的规划和应急响应等，提高水库的安全性和效益。通过采用基于数字孪生的水库水情预报仿真方法，可以更好地模拟和预测水库的水情变化，减少了对实际操作的依赖性和试错成本。同时，利用三维建模技术和大数据模型，可以更好地了解水库的水情特征和趋势，有助于合理调度和管理水库资源，降低了水库管理的成本和风险。
优选地，步骤S1具体为：
步骤S11：获取具体水库工程研究区域对应的区域三维建模基础数据，并根据区域三维建模基础数据进行工程建模，从而获取区域三维建模工程模型，其中工程建模包括收集资料、建立基础模型、添加细节、调整比例、优化和修正以及导出模型；
步骤S12：对区域三维建模工程模型进行可视化生成，从而获取区域三维建模可视化模型，其中可视化生成包括添加地形和遥感影像、调整场景定位属性、添加控制器和照明组件、导入工程模型、构建区域场景并调整；
步骤S13：利用区域三维建模基础数据以及预设的水材质数据集对区域三维建模可视化模型进行水流模拟，从而获取区域三维建模水流模拟模型；
步骤S14：利用预设的粒子系统构建方式对区域三维建模水流模拟模型进行开闸水花效果模拟以及照明效果仿真，从而获取水库三维孪生场景数据。
本发明中通过获取具体水库工程研究区域的区域三维建模基础数据，并进行工程建模，可以生成准确的区域三维建模工程模型。这有助于确保模型的真实性和准确性，为后续的仿真和模拟提供可靠的基础。利用区域三维建模工程模型进行可视化生成，可以创建具有地形、遥感影像和工程模型的区域三维建模可视化模型。这使得研究人员和决策者能够直观地观察和理解水库工程研究区域的情况，为后续的水流模拟和仿真提供可视化支持。利用区域三维建模可视化模型进行水流模拟和照明效果仿真，可以实现开闸水花效果模拟和照明效果的真实呈现。这有助于研究人员和决策者直观地观察水库的水流情况和水面变化，从而更好地理解和评估水库的水情情况。通过以上步骤的实施，可以获取水库三维孪生场景数据，即将实际水库情况与模拟数据相结合的结果。这使得水库的水情预测和仿真能够更加准确和可信，为水库管理和调度提供科学依据，提高水库的安全性和效益。
优选地，步骤S2具体为：
步骤S21：获取水库特征数据，其中水库特征数据包括坝体类型数据、集雨面积数据、坝顶高程数据以及水位库容曲线数据；
步骤S22：对水库特征数据进行模型构建方式选择，从而获取水文模型构建方式；
步骤S23：利用水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型。
本发明中通过获取水库特征数据，包括坝体类型、集雨面积、坝顶高程和水位库容曲线等数据，可以获取水库的基本特征信息。这有助于确保模型所使用的数据准确无误，为后续的水文模型建立提供可靠的基础。根据水库特征数据的模型构建方式选择，可以选择适合该水库特征的水文模型构建方式。不同的水库特征可能需要不同的模型构建方式，因此选择合适的构建方式能够更好地反映水库的水文过程，提高预测准确性。利用选择的水文模型构建方式对水库特征数据进行建模，可以建立水库入库预报模型。该模型可以根据水库特征数据进行预测和模拟，提供水库的入库预报结果。这有助于研究人员和决策者对水库的入库情况进行预测和评估，为水库管理和调度提供科学依据。
优选地，步骤S3具体为：
获取水库历史洪水数据；
利用水库历史洪水数据对水库入库预报模型通过智能优化算法进行数据率定，从而获取精准水库入库预报模型，其中智能优化算法包括模拟退火算法、遗传算法以及粒子群算法。
本发明中通过利用水库历史洪水数据对水库入库预报模型进行数据率定，可以校准模型的参数和输入条件，使得模型能够更准确地模拟和预测水库的入库情况。这有助于提高预报的准确性，为水库管理和调度提供更可靠的依据。本发明采用智能优化算法（如模拟退火算法、遗传算法和粒子群算法）对水库入库预报模型进行数据率定。这些算法具有全局搜索和参数优化的能力，能够快速寻找到最优解，提高率定过程的效率和准确性。通过数据率定，得到精准的水库入库预报模型。该模型能够更准确地预测水库的入库情况，提供可靠的预报结果。这对于水库管理者和决策者来说非常重要，能够帮助他们做出科学的决策，降低水灾风险和提高水资源利用效率。
优选地，水库历史洪水数据包括历史水库水位数据以及雨量监测数据，步骤S4具体为：
对历史水库水位数据以及水库特征数据中的水位库容曲线数据进行数据推算，从而获取历史入库流量数据；
利用LSTM神经网络算法对历史入库流量数据以及雨量监测数据进行模型构建，从而获取大数据入库流量预报模型。
本发明中通过利用历史水库水位数据和水位库容曲线数据推算历史入库流量数据，并结合雨量监测数据，利用LSTM神经网络算法构建大数据入库流量预报模型。该模型能够更准确地预测未来入库流量的变化趋势，提高入库流量预报的准确性。大数据入库流量预报模型结合历史入库流量数据和实时雨量监测数据进行预测。这样可以充分利用历史数据的信息和实时监测数据的变化，提高预报的准确性和实用性。本发明采用LSTM神经网络算法进行模型构建，具有较强的序列数据建模能力和长期依赖建模能力。该算法可以自动学习时间序列数据中的规律和模式，对入库流量进行准确的预测。
优选地，步骤S5具体为：
步骤S51：根据水库入库预报模型以及大数据入库流量预报模型进行预报结果生成，从而获取水库入库预报数据以及大数据入库流量预报数据；
步骤S52：根据水库入库预报数据以及大数据入库流量预报数据生成预报模型权重数据；
步骤S53：利用预报模型权重数据以及预设的调度方案规则数据对水库入库预报数据以及大数据入库流量预报数据进行计算，从而获取水库水位变化过程数据；
步骤S54：对水库水位变化过程数据以及水库特征数据中的水位库容曲线数据进行数据计算，从而获取入库流量预报结果数据。
本发明中通过综合水库入库预报模型和大数据入库流量预报模型，生成水库入库预报数据和大数据入库流量预报数据，为水库管理和调度提供准确的入库流量预报结果。这有助于提前做好应对洪水的准备、调整水库调度策略，并降低洪涝灾害的风险。通过生成预报模型权重数据，可以对预报模型在当前情况下的可信度和准确性进行评估。这为水库管理者提供了参考，帮助他们判断预报结果的可靠程度，并在必要时进行调整和修正。利用预报模型权重数据和调度方案规则数据进行计算，可以根据实际情况对入库流量进行调整和优化。这有助于实现水库的合理调度，提高水资源的利用效率，并满足不同需求下的水库管理要求。
优选地，预报模型权重数据包括水库入库预报模型权重数据以及大数据入库流量预报模型权重数据，步骤S52具体为：
;
;
;
为水库入库预报模型权重数据，/>为大数据入库流量预报模型权重数据，/>为大数据入库流量预报数据，/>为水库入库预报数据，/>为模型计算成果的确定性系数，/>为水库入库预报数据的确定性系数，为大数据入库流量预报数据的确定性系数，/>为第/>时刻的预报流量值，为第/>时刻的实测流量值，/>为第/>时刻的预报流量平均值。
本发明中步骤S52的计算公式用于计算水库入库预报模型权重数据和大数据入库流量预报模型权重数据，以评估模型的确定性系数并确定其权重。计算公式中的分子是预测值与实测值之间的差异的平方和，分母是预测值与平均值之间的差异的平方和。通过计算确定性系数，可以评估预测模型的准确性和可信度。权重的计算是基于确定性系数的倒数进行的。权重值越大，表示模型的准确性越高，对预报结果的影响越大。提供了一种量化评估预报模型准确性的方法：通过计算确定性系数，可以客观地评估水库入库预报模型和大数据入库流量预报模型的准确性。这有助于水库管理者了解模型的可靠程度，并对预报结果进行合理解释和利用。基于确定性系数的倒数，计算模型的权重，用于后续的计算和决策。权重的计算考虑了模型的准确性，使得准确性高的模型具有更大的权重，对预报结果的贡献更大。通过考虑模型的准确性和权重，可以提高水库入库预报的精确性和可信度。这有助于水库管理者做出更准确的决策，减少对水库的不必要调整，提高水库资源的利用效率。确定性系数DC的计算依赖于预测值和实测值之间的差异，以及预测值和平均值之间的差异。根据计算结果，可以获得水库入库预报数据和大数据入库流量预报数据的确定性系数。根据确定性系数的值，计算权重值，并根据权重值进行后续的计算和决策。这种参数之间的相互作用帮助评估和确定模型的权重，从而影响预报结果的可靠性和使用方式。
优选地，步骤S53中计算通过水库水位变化情况计算公式进行计算，水库水位变化情况计算公式具体为：
；
为第/>时刻水库的库容数据，/>为第/>时刻水库的库容数据，/>为第/>时刻预报入库流量成果，/>为第/>时刻至第/>时刻的时间间隔，/>为出库流量数据，为第/>时刻出库调度规则。
本发明构造了一种水库水位变化情况计算公式，该计算公式可以模拟水库水位的变化过程。根据预报入库流量、出库流量以及出库调度规则，计算水库的库容变化。这有助于了解水库的水位变化趋势和演化过程，提供水库管理决策的依据。通过公式中的参数计算，可以预测水库在未来时刻的水位情况。根据预报入库流量、出库流量以及调度规则，结合当前的水库库容，计算得到未来时刻的水库库容数据，从而推测水库的水位情况。出库调度规则对出库流量的计算有影响。通过调整出库调度规则，可以改变出库流量，进而影响水库的库容变化和水位情况。预报入库流量/>和出库流量/>对水库的库容变化有直接影响。预报入库流量决定了水库的入库量，出库流量决定了水库的出库量。时间间隔/>用于计算库容变化的速率，即水库库容的变化量。时间间隔越小，计算得到的库容变化越精细。出库调度规则/>影响出库流量的计算，从而影响水库的库容变化和水位情况。
优选地，步骤S6具体为：
步骤S61：利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，其中水位动态控制变化接口数据包括起始水位数据、目标水位数据、动画时长数据、起始水位水体颜色数据、目标水位水体颜色数据以及仿真完成后的回调函数；
步骤S62：根据动漫时长数据生成图层总数数据，并根据图层总数数据生成播放进度条数据；
步骤S63：根据水位动态控制变化接口数据生成各水位的水面多边形数据，并将各水位的水面多边形数据归类为预报水位动画图层组数据；
步骤S64：利用预设的计时器对预报水位动画图层组数据进行动态仿真模拟，以实现水库水面的动态模拟与仿真。
本发明中通过生成水位动态控制变化接口数据和水面多边形数据，可以实现对水库水位变化的动态模拟与仿真，直观展示水库水位的变化过程。生成播放进度条数据可以为用户提供水位变化动画的播放进度显示，增强用户对水库水位变化过程的交互体验。通过观察水库水位的动态模拟与仿真结果，有助于水库管理者和决策者更好地了解水库水位的变化趋势，从而做出更准确的决策和应对水灾等紧急情况。
优选地，本发明还提供了一种基于数字孪生的水库水情预报仿真系统，包括：
三维建模模块，用于获取具体水库工程研究区域对应的区域三维建模基础数据，并利用区域三维建模基础数据进行三维建模，从而构建水库三维孪生场景数据，其中区域三维建模基础数据包括区域基础地理数据、区域遥感数据以及区域地形数据；
水库入库预报模型构建模块，用于获取水库特征数据，并利用预设的水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型；
数据率定模块，用于获取水库历史洪水数据，并利用水库历史洪水数据对水库入库预报模型进行数据率定，从而获取精准水库入库预报模型；
大数据模型构建模块，用于根据水库历史洪水数据进行大数据模型构建，从而构建大数据入库流量预报模型；
入库流量预报结果数据生成模块，用于根据水库入库预报模型以及大数据入库流量预报模型生成入库流量预报结果数据；
水位动态控制变化接口数据获取模块，用于利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，以实现水库水面的动态模拟与仿真。
本发明的有益效果在于：本发明结合数字孪生技术，基于UE游戏引擎构建了水库的三维孪生场景工程，基于传统模型与大数据方法构建了水库涨水预报模型，进而最终实现了在孪生水库上水情的预报模拟与仿真。技术成果为水库的水情预报及调度决策提供有力技术支撑，并具有广泛实践意义。通过获取具体水库工程研究区域的区域三维建模基础数据，包括基础地理数据、遥感数据和地形数据，并进行三维建模，构建水库三维孪生场景数据。这使得预报仿真过程更加真实，并提供了准确的水库环境模型，提高了预报结果的真实性和准确性。通过获取水库特征数据并利用预设的水文模型构建方式，对水库特征数据进行建模，构建水库入库预报模型。同时，利用水库历史洪水数据对预报模型进行数据率定，进一步提高了模型的准确性和可靠性。这种综合数据建模和率定的方法能够更好地适应水库的特征和历史洪水情况。根据水库历史洪水数据进行大数据模型构建，构建大数据入库流量预报模型。这种基于大数据的模型能够更好地捕捉和分析水库入库流量的复杂变化规律，提供更准确的预报结果。利用生成的入库流量预报结果数据，对水库三维孪生场景数据进行接口生成，获取水位动态控制变化接口数据，实现水库水面的动态模拟与仿真。这使得用户能够直观地观察和理解水库水位的变化情况，提高了对水库水情的感知和理解能力。本发明提供的水库水情预报仿真结果能够为水库管理者和决策者提供准确、综合的水情信息，支持决策制定和应急响应。准确的预报结果和动态模拟能够帮助决策者更好地评估水库的潜在风险，制定相应的调度和应对措施，提高水库的安全性和效益。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1示出了一实施例的基于数字孪生的水库水情预报仿真方法的步骤流程图；
图2出了一实施例的水库工程模型的效果展示图；
图3出了一实施例的整体流域模型的效果展示图；
图4出了一实施例的主坝视角的效果展示图；
图5出了一实施例的局部溢洪道视角与塔楼水尺视角的效果展示图；
图6出了一实施例的LSTM神经网络进行水库水情预测模型的原理展示图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
此外，附图仅为本发明的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是，虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元，但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说，在不背离示例性实施例的范围的情况下，第一单元可以被称为第二单元，并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为验证本申请的可行性和有效性，请参阅图1至图6，本实施例结合某一实际水库基于数字孪生的水情预报仿真系统为具体实施案例进一步说明本发明。
步骤一：根据具体水库工程研究区域，收集区域基础地理信息、遥感、地形等三维建模所需数据，结合3DMax软件、Unreal Engine引擎、Cesium for Unreal可视化插件，构建水库的三维孪生场景。
项目收集目标水库相关的资料，根据水利工程设计平面图、剖面图及实景图像，使用3dsmax软件对其进行工程一比一建模，成果可导出为常用的FBX、obj等格式，满足工程尺度及流域尺度的使用需求。
对于流域大场景，采用开源的DEM及遥感影像快速构建，对于水利工程及其周边重点区域则采用精细化建模。对自然背景，包括地形、河流、湖泊、山川，典型的自然现象，如雨、雾等进行可视化，构建更真实的工程数字孪生场景。对于区域精细化场景，系统将重点区域的高精度DEM数据导入到场景中，精准贴合大场景的地形数据；另外根据场景真实图像资料构建基础场景并进行调整，实现地形地貌的仿真。
对工程尺度成果及流域大场景成果进行叠加，添加水面图层与各类动态效果（水面效果、开闸水花效果、光照效果），最终场景效果如附图4所示。
步骤二：收集水库的水文、防洪特征信息数据，基于水库库区流域大小及下垫面特性，结合瞬时单位线、新安江、SWAT等水文模型构建水库的入库预报模型，实现入库流流量预报。基于水库的历史洪水数据进行模型的参数率定，率定完后得到最终用于实际作业的水文入库预报模型。
经调查收集，目标水库为中型水库，位于某河上游源头。水库集雨面积为7.60km2，主河道长度为5.79 km，主河道平均坡降为9.4‰，某引渠引水面积23.7 km2，引水流量最大为4.0m3/s，设计每年可引1700万m3的水量入库。主要水工建筑物包括主坝、副坝、溢洪道、输水涵管、坝后水电站各1座。多年年均降雨量为1793.4 mm。水库原设计主要功能为以防洪为主，结合发电、供水、养殖等综合利用，随着社会经济的发展，水库逐渐成为防洪、生态补水、景观用水等综合利用的水利工程。
基于近年来20场历史入库洪水进行入库水文预报模型的构建，因地处南方湿润地区，本项目中模型选择为新安江模型。以2020年某场暴雨计算入库流量，结果如下表（水库在历史暴雨场景下的入库流量过程表）所示,最大入库流量为46.87m³/s。基于降雨情况选取额外的5场小洪水、5场大洪水，进行模型的反复调试与验证。
水库在历史暴雨场景下的入库流量过程表
步骤三：基于水库的历史洪水数据，结合LSTM神经网络算法，确定驱动因子，构建基于大数据的入库流量预报模型。基于历史洪水数据中不同训练集、验证集对模型反复调试演算，确定最终用于实际作业的大数据入库预报模型。
基于整体30场历史洪水中，没有调度调整或调度较为简单的19场，结合水库的水位-库容曲线，倒推出了历史入库流量过程。以历史入库流量过程、历史面雨量为主要驱动因子，构建及训练神经网络入库预报模型。LSTM神经输入是一个二维数组，第一维是降雨数据，第二维是流量数据，序列长度为24小时，时间步长单位为1小时。LSTM网络中间有一个大小为75的LSTM隐含层，选择ReLU为激活函数。最后是一个线性输出层，大小为1。基于5场历史洪水对模型进行率定验证，综合确定性系数达0.762，可用于实际作业预报。
步骤四：基于步骤二、步骤三中两个模型的预报入库流量成果，确定两个模型的权重，将两个预报流量过程基于权重生成最终的入库流量预报结果。基于此预报流量过程，结合具体调度方案与规则、水位的实时监测水位，基于水量平衡公式演算出库流量与预报水位变化过程。
设定上述两个模型的初始权重都是0.5。结合后续发生的几次小洪水进行模型的预报计算与权重调整。
每场洪水的权重调整计算参考如下：
Weight(Modelsw) = 1/(1-DC(Modelsw))/(1/(1-DC(Modelsw)) + 1/(1-DC(Modellstm)))
Weight(Modellstm) = 1/(1-DC(Modellstm))/(1/(1-DC(Modelsw)) + 1/(1-DC(Modellstm)))
经过多次计算与权重调整，新安江模型权重为0.37，大数据模型权重为0.63，在多场小洪水中，大数据模型成果的精度皆由于新安江模型。对两者模型成果进行权重叠加，倒推库水位过程，结果如下表所示：
步骤五：基于步骤四中的预报水位变化过程，结合步骤一中建立的水库三维孪生场景，研发场景下的水位动态控制变化接口，实现水库水面从实测水位向预报水位的动态模拟与仿真。
在网页端平台中，基于网页嵌套与像素推流计算，实现孪生场景在网页端的综合集成。研发孪生水库的水位动态控制接口，接口参数应包：起始水位，目标水位，动画时长，起始水位水体颜色，目标水位水体颜色，仿真完成后的回调函数。本项目中水位变化动画时长为5s，帧率为30，动画总图层数为150张。基于图层总数与动画时长，在网页端通过计时器控制各个水位图层的显示与隐藏，实现了实时水位向预报水位的动态仿真模拟。展示内容包括：当前方案：50年一遇-无预排，返回三维场景，实时水位：46.20m，主坝、副坝、溢洪道以及库区空间。库水位过程包括：预报最高库水位：46.61，入库总水量：75.7万m3，出库总水量：10万m3，库水位，入库流量以及出库流量，流量以及水位，库区降雨图，时段雨量，预报降雨，累计雨量，库区水位，实时库容:778.4万m3，剩余库容：249.4万m3，纳雨能力：58mm，出库流量：0m3/s，坝顶高程：51m，讯限水位：46.6m，建议预腾空水位：44.5m，实时水位：46.2m，调度预案，建议水库预腾水位至45.79m，预腾空时间：10.5h，可拦蓄洪量：75万m3。
本申请提供了一种基于数字孪生的水库水情预报仿真方法，包括以下步骤：
步骤S1：获取具体水库工程研究区域对应的区域三维建模基础数据，并利用区域三维建模基础数据进行三维建模，从而构建水库三维孪生场景数据，其中区域三维建模基础数据包括区域基础地理数据、区域遥感数据以及区域地形数据；
步骤S2：获取水库特征数据，并利用预设的水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型；
步骤S3：获取水库历史洪水数据，并利用水库历史洪水数据对水库入库预报模型进行数据率定，从而获取精准水库入库预报模型；
步骤S4：根据水库历史洪水数据进行大数据模型构建，从而构建大数据入库流量预报模型；
步骤S5：根据水库入库预报模型以及大数据入库流量预报模型生成入库流量预报结果数据；
步骤S6：利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，以实现水库水面的动态模拟与仿真。
具体地，例如步骤一：根据具体水库工程研究区域，收集区域基础地理信息、遥感、地形等三维建模所需数据，结合3DMax软件、Unreal Engine引擎、Cesium for Unreal可视化插件，构建水库的三维孪生场景。
步骤二：收集水库的水文、防洪特征信息数据，基于水库库区流域大小及下垫面特性，结合瞬时单位线、新安江、SWAT等水文模型构建水库的入库预报模型，实现入库流流量预报。基于水库的历史洪水数据进行模型的参数率定，率定完后得到最终用于实际作业的水文入库预报模型。
步骤三：基于水库的历史洪水数据，结合LSTM神经网络算法，确定驱动因子，构建基于大数据的入库流量预报模型。基于历史洪水数据中不同训练集、验证集对模型反复调试演算，确定最终用于实际作业的大数据入库预报模型。
步骤四：基于步骤二、步骤三中两个模型的预报入库流量成果，确定两个模型的权重，将两个预报流量过程基于权重生成最终的入库流量预报结果。基于此预报流量过程，结合具体调度方案与规则、水位的实时监测水位，基于水量平衡公式演算出库流量与预报水位变化过程。
步骤五：基于步骤四中的预报水位变化过程，结合步骤一中建立的水库三维孪生场景，研发场景下的水位动态控制变化接口，实现水库水面从实测水位向预报水位的动态模拟与仿真。
本发明中通过建立水库入库预报模型和大数据入库流量预报模型，结合历史洪水数据进行数据率定，可以获得更为精准的水库入库流量预报结果。这有助于提高水库水情预报的准确性，为水库管理和调度提供更可靠的决策依据。利用三维建模技术和孪生化方法，将水库的实际情况与模拟数据相结合，生成水库的三维孪生场景数据，并通过接口生成水位动态控制变化接口数据。这使得水库水面能够进行动态模拟与仿真，可以直观地观察和评估水库水位的变化情况，有助于预测水库的水情发展趋势。本发明所提供的水库水情预报仿真方法能够结合历史洪水数据和大数据模型构建，为水库管理部门提供更准确的入库流量预报结果。这将有助于科学决策的制定，包括水库调度、防洪措施的规划和应急响应等，提高水库的安全性和效益。通过采用基于数字孪生的水库水情预报仿真方法，可以更好地模拟和预测水库的水情变化，减少了对实际操作的依赖性和试错成本。同时，利用三维建模技术和大数据模型，可以更好地了解水库的水情特征和趋势，有助于合理调度和管理水库资源，降低了水库管理的成本和风险。
优选地，步骤S1具体为：
步骤S11：获取具体水库工程研究区域对应的区域三维建模基础数据，并根据区域三维建模基础数据进行工程建模，从而获取区域三维建模工程模型，其中工程建模包括收集资料、建立基础模型、添加细节、调整比例、优化和修正以及导出模型；
步骤S12：对区域三维建模工程模型进行可视化生成，从而获取区域三维建模可视化模型，其中可视化生成包括添加地形和遥感影像、调整场景定位属性、添加控制器和照明组件、导入工程模型、构建区域场景并调整；
步骤S13：利用区域三维建模基础数据以及预设的水材质数据集对区域三维建模可视化模型进行水流模拟，从而获取区域三维建模水流模拟模型；
步骤S14：利用预设的粒子系统构建方式对区域三维建模水流模拟模型进行开闸水花效果模拟以及照明效果仿真，从而获取水库三维孪生场景数据。
具体地，例如根据具体水库工程研究区域，收集区域基础地理信息、遥感、地形等三维建模所需数据，结合3DMax软件、Unreal Engine引擎、Cesium for Unreal可视化插件，构建水库的三维孪生场景的方法如下：
步骤11，采用采用3dsMax软件进行工程建模。建模主要包括以下步骤：①收集资料：收集工程相关的资料，包括照片、工程CAD图纸、参考资料等。②建立基础模型：使用基础的几何体（如长方体、球体、圆柱体等）建立水利工程的基础模型，确定其整体形状和大小。③添加细节：在基础模型的基础上，逐步添加细节，如梯子、栏杆等。④调整比例：根据实际情况，调整模型的比例，使其更加真实和逼真。⑤优化和修正：对模型进行优化和修正，使其更加完美和符合实际要求。⑥模型导出：将模型导出为虚幻引擎常用的FBX格式。
步骤12，采用Cesium for Unreal插件构建可视化整体场景。基于Cesium初始的地球场景，在Cesium面板中增加地形及遥感影像选项，将世界定位的原点经度、原点维度和原点高度属性更改为工程所在的坐标位置及高度，添加第一人称玩家控制器和场景照明组件。针对工程周边区域，本项目采用人工处理方式，首先获取重点区域的高精度DEM数据，经过预处理后导入到场景中。然后通过Datasmith插件将FBX格式的工程模型导入到场景中，添加材质，再根据场景真实图像资料，使用地形及植被工具构建区域场景并进行调整，实现地形地貌仿真。通过区域小场景与地球大场景的精准贴合，最终完成可视化整体场景的构建。
步骤13，根据库中湖水及出库河水的不同特点制作两个不同的水材质，利用各类动画框架来模拟水的流动，实现水的动态纹理、透明、反射与折射效果设置。
步骤14，在水花可视化方面，基于粒子系统，结合水库水闸具体的调度指令及调度过程，构建开闸水花效果。结合不同开闸幅度，实现水花效果大小、透明度不同程度的变化过程。在照明可视化方面，基于Cesium SunSky中的点光源、聚光灯组件，配合天光、天空大气组件，实现整体场景的照明。
步骤15，基于Web Socket、像素流推送、网页嵌入三大技术，实现上述水库三维孪生场景成果在网页系统中的集成展示。
本发明中通过获取具体水库工程研究区域的区域三维建模基础数据，并进行工程建模，可以生成准确的区域三维建模工程模型。这有助于确保模型的真实性和准确性，为后续的仿真和模拟提供可靠的基础。利用区域三维建模工程模型进行可视化生成，可以创建具有地形、遥感影像和工程模型的区域三维建模可视化模型。这使得研究人员和决策者能够直观地观察和理解水库工程研究区域的情况，为后续的水流模拟和仿真提供可视化支持。利用区域三维建模可视化模型进行水流模拟和照明效果仿真，可以实现开闸水花效果模拟和照明效果的真实呈现。这有助于研究人员和决策者直观地观察水库的水流情况和水面变化，从而更好地理解和评估水库的水情情况。通过以上步骤的实施，可以获取水库三维孪生场景数据，即将实际水库情况与模拟数据相结合的结果。这使得水库的水情预测和仿真能够更加准确和可信，为水库管理和调度提供科学依据，提高水库的安全性和效益。
优选地，步骤S2具体为：
步骤S21：获取水库特征数据，其中水库特征数据包括坝体类型数据、集雨面积数据、坝顶高程数据以及水位库容曲线数据；
步骤S22：对水库特征数据进行模型构建方式选择，从而获取水文模型构建方式；
步骤S23：利用水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型。
具体地，例如收集水库的水文、防洪特征信息数据，基于水库库区流域大小及下垫面特性，结合瞬时单位线、新安江、SWAT等水文模型构建水库的入库预报模型，实现入库流流量预报。基于水库的历史洪水数据进行模型的参数率定，率定完后得到最终用于实际预报的水文入库预报模型的方法如下：
收集水库的水文、防洪特征信息数据，主要包含：坝体类型、集雨面积、坝顶高程、水位-库容曲线、各类特征库容、水位-泄流能力曲线、防洪特征水位（汛限水位、设计洪水位、校核洪水位）、水库水闸的各类工程参数、涵管工程参数、溢洪道信息、库区流域信息、水库的历史场次洪水数据。
基于库区流域大小及下垫面特性，选定水文学方法进行入库预报模型的构建与率定。对于库区流域面积小于100平方公里的，建议选择瞬时单位线进行构建，对于库区流域面积大于100平方公里的，可选择各类集中式、半分布式模型进行构建，如新安江模型、SWAT模型。
本发明中通过获取水库特征数据，包括坝体类型、集雨面积、坝顶高程和水位库容曲线等数据，可以获取水库的基本特征信息。这有助于确保模型所使用的数据准确无误，为后续的水文模型建立提供可靠的基础。根据水库特征数据的模型构建方式选择，可以选择适合该水库特征的水文模型构建方式。不同的水库特征可能需要不同的模型构建方式，因此选择合适的构建方式能够更好地反映水库的水文过程，提高预测准确性。利用选择的水文模型构建方式对水库特征数据进行建模，可以建立水库入库预报模型。该模型可以根据水库特征数据进行预测和模拟，提供水库的入库预报结果。这有助于研究人员和决策者对水库的入库情况进行预测和评估，为水库管理和调度提供科学依据。
优选地，步骤S3具体为：
获取水库历史洪水数据；
利用水库历史洪水数据对水库入库预报模型通过智能优化算法进行数据率定，从而获取精准水库入库预报模型，其中智能优化算法包括模拟退火算法、遗传算法以及粒子群算法。
具体地，例如基于水库的历史场次洪水进行模型的率定验证，率定时可人工一场场进行对比手动率定，也可以基于智能优化算法进行多场次的自动率定。辅助自动率定的智能优化算法，可选择模拟退火算法、遗传算法、粒子群算法。
在历史场次洪水中，基于降雨情况选取未用于模型率定的5场小洪水、5场大洪水，小洪水的判断方法可以参考：6小时内，库区流域累计面雨量总和大于100mm且小于150mm，雨峰小时雨量大于50mm；大洪水的判断方法可以参考：6小时内，库区流域累计面雨量总和大于200mm，雨峰小时雨量大于100mm。上述“6小时”的总时长，可根据流域大小及特性自行调整。
用选取的5场小洪水、5场大洪水对率定后的模型进行计算验证评定，10场洪水的平均确定性系数高于0.7且任意一场洪水的确定性系数不得低于0.6，则可以认定为参数率定完成，模型可用于实际预报作业。
本发明中通过利用水库历史洪水数据对水库入库预报模型进行数据率定，可以校准模型的参数和输入条件，使得模型能够更准确地模拟和预测水库的入库情况。这有助于提高预报的准确性，为水库管理和调度提供更可靠的依据。本发明采用智能优化算法（如模拟退火算法、遗传算法和粒子群算法）对水库入库预报模型进行数据率定。这些算法具有全局搜索和参数优化的能力，能够快速寻找到最优解，提高率定过程的效率和准确性。通过数据率定，得到精准的水库入库预报模型。该模型能够更准确地预测水库的入库情况，提供可靠的预报结果。这对于水库管理者和决策者来说非常重要，能够帮助他们做出科学的决策，降低水灾风险和提高水资源利用效率。
优选地，水库历史洪水数据包括历史水库水位数据以及雨量监测数据，步骤S4具体为：
对历史水库水位数据以及水库特征数据中的水位库容曲线数据进行数据推算，从而获取历史入库流量数据；
利用LSTM神经网络算法对历史入库流量数据以及雨量监测数据进行模型构建，从而获取大数据入库流量预报模型。
具体地，例如基于水库的历史洪水数据，结合LSTM神经网络算法，确定驱动因子，构建基于大数据的入库流量预报模型。基于历史洪水数据中不同训练集、验证集对模型反复调试演算，确定最终用于实际作业的大数据入库预报模型的方法如下：
收集水库的历史洪水数据，包含：历史库水位过程，水库库区内各雨量站历史降雨监测数据，历史调度操作情况；将库区内各雨量站历史降雨监测数据，通过泰森多边形法或取平均法，换算成库区面雨量；对历史洪水进行筛选，尽量选择没有进行调度或调度较为简单的场次开展后续模型构建任务。
基于历史水位过程，结合水库的水位-库容曲线，历史调度情况，倒推出历史入库流量过程。
基于LSTM神经网络算法，以历史入库流量过程、历史面雨量为主要驱动因子，开始构建及训练神经网络入库预报模型。LSTM神经输入是一个二维数组，第一维是降雨数据，第二维是流量数据，序列长度可根据水库大小设定为12、24、48、72小时，时间步长单位为小时。LSTM网络中间有一个大小为75的LSTM隐含层，选择ReLU为激活函数。最后是一个线性输出层，大小为1。
选定历史场次洪水中，将70%的场次划分为训练集，将30%的场次划分为验证集。训练迭代次数设定为100或以上。迭代训练完成后，基于验证集对模型进行验证，预报入库流量与历史实测入库流量的对比综合确定性系数大于0.7，则可认定为模型已训练完成，可用于实际预报作业。
本发明中通过利用历史水库水位数据和水位库容曲线数据推算历史入库流量数据，并结合雨量监测数据，利用LSTM神经网络算法构建大数据入库流量预报模型。该模型能够更准确地预测未来入库流量的变化趋势，提高入库流量预报的准确性。大数据入库流量预报模型结合历史入库流量数据和实时雨量监测数据进行预测。这样可以充分利用历史数据的信息和实时监测数据的变化，提高预报的准确性和实用性。本发明采用LSTM神经网络算法进行模型构建，具有较强的序列数据建模能力和长期依赖建模能力。该算法可以自动学习时间序列数据中的规律和模式，对入库流量进行准确的预测。
优选地，步骤S5具体为：
步骤S51：根据水库入库预报模型以及大数据入库流量预报模型进行预报结果生成，从而获取水库入库预报数据以及大数据入库流量预报数据；
步骤S52：根据水库入库预报数据以及大数据入库流量预报数据生成预报模型权重数据；
步骤S53：利用预报模型权重数据以及预设的调度方案规则数据对水库入库预报数据以及大数据入库流量预报数据进行计算，从而获取水库水位变化过程数据；
步骤S54：对水库水位变化过程数据以及水库特征数据中的水位库容曲线数据进行数据计算，从而获取入库流量预报结果数据。
具体地，例如基于模型的预报入库流量成果，确定两个模型的权重，将两个预报流量过程基于权重生成最终的入库流量预报结果。基于此预报流量过程，结合具体调度方案与规则、水位的实时监测水位，基于水量平衡公式演算出库流量与预报水位变化过程的方法如下：
设定两个模型的初始权重，最初可都按0.5进行权重配比。后续实际应用中，结合10场实测洪水记录，基于两个模型预报确定性系数，结合反距离权重法，重新估算每场实测洪水的模型权重，再结合人工经验对两个模型权重进行综合调整。
其中，每场洪水的权重调整可参考如下进行计算：
Weight(Modelsw)=1/(1-DC(Modelsw))/(1/(1-DC(Modelsw))+1/(1-DC(Modellstm)))；
Weight(Modellstm)=1/(1-DC(Modellstm))/(1/(1-DC(Modelsw))+1/(1-DC(Modellstm)))；
式中，Modelsw为步骤二中构建的水文入库预报模型，Modellstm为步骤三中构建的大数据入库预报模型，DC为模型计算成果的确定性系数，Weight为模型权重。
DC的计算方法如下：
/>
为第/>时刻的预报流量值；
为第/>时刻的实测流量值；
为第/>时刻的预报流量平均值。
基于权重调整后的模型预报流量成果，结合具体调度方案与规则，计算库水位变化情况，方法可表示为：
V(i+1)=V(i)+Qf(i+1)*TS+Qo(DisPatch(i+1))*TS;
式中，V(i)为水库i时刻的库容，Qf(i)为i时刻预报入库流量成果，TS为i到i+1时刻的时间间隔，以秒为单位，一般为固定值，DisPach(i)为i时刻出库调度规则，Qo为出库流量。
基于水库水量变化，结合水位-库容曲线，反推水库预报水位变化过程。
本发明中通过综合水库入库预报模型和大数据入库流量预报模型，生成水库入库预报数据和大数据入库流量预报数据，为水库管理和调度提供准确的入库流量预报结果。这有助于提前做好应对洪水的准备、调整水库调度策略，并降低洪涝灾害的风险。通过生成预报模型权重数据，可以对预报模型在当前情况下的可信度和准确性进行评估。这为水库管理者提供了参考，帮助他们判断预报结果的可靠程度，并在必要时进行调整和修正。利用预报模型权重数据和调度方案规则数据进行计算，可以根据实际情况对入库流量进行调整和优化。这有助于实现水库的合理调度，提高水资源的利用效率，并满足不同需求下的水库管理要求。
优选地，预报模型权重数据包括水库入库预报模型权重数据以及大数据入库流量预报模型权重数据，步骤S52具体为：
;
;
;
为水库入库预报模型权重数据，/>为大数据入库流量预报模型权重数据，/>为大数据入库流量预报数据，/>为水库入库预报数据，/>为模型计算成果的确定性系数，/>为水库入库预报数据的确定性系数，为大数据入库流量预报数据的确定性系数，/>为第/>时刻的预报流量值，为第/>时刻的实测流量值，/>为第/>时刻的预报流量平均值。
本发明中步骤S52的计算公式用于计算水库入库预报模型权重数据和大数据入库流量预报模型权重数据，以评估模型的确定性系数并确定其权重。计算公式中的分子是预测值与实测值之间的差异的平方和，分母是预测值与平均值之间的差异的平方和。通过计算确定性系数，可以评估预测模型的准确性和可信度。权重的计算是基于确定性系数的倒数进行的。权重值越大，表示模型的准确性越高，对预报结果的影响越大。提供了一种量化评估预报模型准确性的方法：通过计算确定性系数，可以客观地评估水库入库预报模型和大数据入库流量预报模型的准确性。这有助于水库管理者了解模型的可靠程度，并对预报结果进行合理解释和利用。基于确定性系数的倒数，计算模型的权重，用于后续的计算和决策。权重的计算考虑了模型的准确性，使得准确性高的模型具有更大的权重，对预报结果的贡献更大。通过考虑模型的准确性和权重，可以提高水库入库预报的精确性和可信度。这有助于水库管理者做出更准确的决策，减少对水库的不必要调整，提高水库资源的利用效率。确定性系数DC的计算依赖于预测值和实测值之间的差异，以及预测值和平均值之间的差异。根据计算结果，可以获得水库入库预报数据和大数据入库流量预报数据的确定性系数。根据确定性系数的值，计算权重值，并根据权重值进行后续的计算和决策。这种参数之间的相互作用帮助评估和确定模型的权重，从而影响预报结果的可靠性和使用方式。
优选地，步骤S53中计算通过水库水位变化情况计算公式进行计算，水库水位变化情况计算公式具体为：
；
为第/>时刻水库的库容数据，/>为第/>时刻水库的库容数据，/>为第/>时刻预报入库流量成果，/>为第/>时刻至第/>时刻的时间间隔，/>为出库流量数据，为第/>时刻出库调度规则。
本发明构造了一种水库水位变化情况计算公式，该计算公式可以模拟水库水位的变化过程。根据预报入库流量、出库流量以及出库调度规则，计算水库的库容变化。这有助于了解水库的水位变化趋势和演化过程，提供水库管理决策的依据。通过公式中的参数计算，可以预测水库在未来时刻的水位情况。根据预报入库流量、出库流量以及调度规则，结合当前的水库库容，计算得到未来时刻的水库库容数据，从而推测水库的水位情况。出库调度规则对出库流量的计算有影响。通过调整出库调度规则，可以改变出库流量，进而影响水库的库容变化和水位情况。预报入库流量/>和出库流量/>对水库的库容变化有直接影响。预报入库流量决定了水库的入库量，出库流量决定了水库的出库量。时间间隔/>用于计算库容变化的速率，即水库库容的变化量。时间间隔越小，计算得到的库容变化越精细。出库调度规则/>影响出库流量的计算，从而影响水库的库容变化和水位情况。
优选地，步骤S6具体为：
步骤S61：利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，其中水位动态控制变化接口数据包括起始水位数据、目标水位数据、动画时长数据、起始水位水体颜色数据、目标水位水体颜色数据以及仿真完成后的回调函数；
步骤S62：根据动漫时长数据生成图层总数数据，并根据图层总数数据生成播放进度条数据；
步骤S63：根据水位动态控制变化接口数据生成各水位的水面多边形数据，并将各水位的水面多边形数据归类为预报水位动画图层组数据；
步骤S64：利用预设的计时器对预报水位动画图层组数据进行动态仿真模拟，以实现水库水面的动态模拟与仿真。
具体地，例如基于步骤四中的预报水位变化过程，结合步骤一中建立的水库三维孪生场景，研发场景下的水位动态控制变化接口，实现水库水面从实测水位向预报水位的动态模拟与仿真的方法如下：
研发孪生水库的水位动态控制接口，接口参数应包含但不限于：起始水位，目标水位，动画时长，起始水位水体颜色，目标水位水体颜色，仿真完成后的回调函数。
基于动画时长确定用于水面动态仿真的图层总数，图层数量可以按照动画时长乘以帧率来计算，为保证仿真动画看起来较为顺滑，帧率建议设置在24帧及以上。
在GPU缓存中生成各水位的水面多边形，生成后归类为预报水位动画图层组，初始状态设置为全部隐藏。
基于图层总数与动画时长，生成播放进度条，通过计时器控制各个水位图层的显示与隐藏，实现实时水位向预报水位的动态仿真模拟。
本发明中通过生成水位动态控制变化接口数据和水面多边形数据，可以实现对水库水位变化的动态模拟与仿真，直观展示水库水位的变化过程。生成播放进度条数据可以为用户提供水位变化动画的播放进度显示，增强用户对水库水位变化过程的交互体验。通过观察水库水位的动态模拟与仿真结果，有助于水库管理者和决策者更好地了解水库水位的变化趋势，从而做出更准确的决策和应对水灾等紧急情况。
优选地，本发明还提供了一种基于数字孪生的水库水情预报仿真系统，包括：
三维建模模块，用于获取具体水库工程研究区域对应的区域三维建模基础数据，并利用区域三维建模基础数据进行三维建模，从而构建水库三维孪生场景数据，其中区域三维建模基础数据包括区域基础地理数据、区域遥感数据以及区域地形数据；
水库入库预报模型构建模块，用于获取水库特征数据，并利用预设的水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型；
数据率定模块，用于获取水库历史洪水数据，并利用水库历史洪水数据对水库入库预报模型进行数据率定，从而获取精准水库入库预报模型；
大数据模型构建模块，用于根据水库历史洪水数据进行大数据模型构建，从而构建大数据入库流量预报模型；
入库流量预报结果数据生成模块，用于根据水库入库预报模型以及大数据入库流量预报模型生成入库流量预报结果数据；
水位动态控制变化接口数据获取模块，用于利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，以实现水库水面的动态模拟与仿真。
本发明的有益效果在于：本发明结合数字孪生技术，基于UE游戏引擎构建了水库的三维孪生场景工程，基于传统模型与大数据方法构建了水库涨水预报模型，进而最终实现了在孪生水库上水情的预报模拟与仿真。技术成果为水库的水情预报及调度决策提供有力技术支撑，并具有广泛实践意义。通过获取具体水库工程研究区域的区域三维建模基础数据，包括基础地理数据、遥感数据和地形数据，并进行三维建模，构建水库三维孪生场景数据。这使得预报仿真过程更加真实，并提供了准确的水库环境模型，提高了预报结果的真实性和准确性。通过获取水库特征数据并利用预设的水文模型构建方式，对水库特征数据进行建模，构建水库入库预报模型。同时，利用水库历史洪水数据对预报模型进行数据率定，进一步提高了模型的准确性和可靠性。这种综合数据建模和率定的方法能够更好地适应水库的特征和历史洪水情况。根据水库历史洪水数据进行大数据模型构建，构建大数据入库流量预报模型。这种基于大数据的模型能够更好地捕捉和分析水库入库流量的复杂变化规律，提供更准确的预报结果。利用生成的入库流量预报结果数据，对水库三维孪生场景数据进行接口生成，获取水位动态控制变化接口数据，实现水库水面的动态模拟与仿真。这使得用户能够直观地观察和理解水库水位的变化情况，提高了对水库水情的感知和理解能力。本发明提供的水库水情预报仿真结果能够为水库管理者和决策者提供准确、综合的水情信息，支持决策制定和应急响应。准确的预报结果和动态模拟能够帮助决策者更好地评估水库的潜在风险，制定相应的调度和应对措施，提高水库的安全性和效益。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附申请文件而不是上述说明限定，因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于数字孪生的水库水情预报仿真方法，其特征在于，包括以下步骤：
步骤S1：获取具体水库工程研究区域对应的区域三维建模基础数据，并利用区域三维建模基础数据进行三维建模，从而构建水库三维孪生场景数据，其中区域三维建模基础数据包括区域基础地理数据、区域遥感数据以及区域地形数据；
步骤S2：获取水库特征数据，并利用预设的水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型；
步骤S3：获取水库历史洪水数据，并利用水库历史洪水数据对水库入库预报模型进行数据率定，从而获取精准水库入库预报模型；
步骤S4：根据水库历史洪水数据进行大数据模型构建，从而构建大数据入库流量预报模型；
步骤S5，包括：
步骤S51：根据水库入库预报模型以及大数据入库流量预报模型进行预报结果生成，从而获取水库入库预报数据以及大数据入库流量预报数据；
步骤S52：根据水库入库预报数据以及大数据入库流量预报数据生成预报模型权重数据；
其中，预报模型权重数据包括水库入库预报模型权重数据以及大数据入库流量预报模型权重数据；
；
；
；
式中，为水库入库预报模型权重数据，/>为大数据入库流量预报模型权重数据，/>为大数据入库流量预报数据，/>为水库入库预报数据，/>为模型计算成果的确定性系数，/>为水库入库预报数据的确定性系数，/>为大数据入库流量预报数据的确定性系数，/>为第/>时刻的预报流量值，/>为第/>时刻的实测流量值，/>为第/>时刻的预报流量平均值；
步骤S53：利用预报模型权重数据以及预设的调度方案规则数据对水库入库预报数据以及大数据入库流量预报数据进行计算，从而获取水库水位变化过程数据；
步骤S54：对水库水位变化过程数据以及水库特征数据中的水位库容曲线数据进行数据计算，从而获取入库流量预报结果数据；
步骤S6：利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，以实现水库水面的动态模拟与仿真。
2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
步骤S11：获取具体水库工程研究区域对应的区域三维建模基础数据，并根据区域三维建模基础数据进行工程建模，从而获取区域三维建模工程模型，其中工程建模包括收集资料、建立基础模型、添加细节、调整比例、优化和修正以及导出模型；
步骤S12：对区域三维建模工程模型进行可视化生成，从而获取区域三维建模可视化模型，其中可视化生成包括添加地形和遥感影像、调整场景定位属性、添加控制器和照明组件、导入工程模型、构建区域场景并调整；
步骤S13：利用区域三维建模基础数据以及预设的水材质数据集对区域三维建模可视化模型进行水流模拟，从而获取区域三维建模水流模拟模型；
步骤S14：利用预设的粒子系统构建方式对区域三维建模水流模拟模型进行开闸水花效果模拟以及照明效果仿真，从而获取水库三维孪生场景数据。
3.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
获取水库特征数据，其中水库特征数据包括坝体类型数据、集雨面积数据、坝顶高程数据以及水位库容曲线数据；
对水库特征数据进行模型构建方式选择，从而获取水文模型构建方式；
利用水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型。
4.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
获取水库历史洪水数据；
利用水库历史洪水数据对水库入库预报模型通过智能优化算法进行数据率定，从而获取精准水库入库预报模型，其中智能优化算法包括模拟退火算法、遗传算法以及粒子群算法。
5.根据权利要求1所述的方法，其特征在于，水库历史洪水数据包括历史水库水位数据以及雨量监测数据，步骤S4具体为：
对历史水库水位数据以及水库特征数据中的水位库容曲线数据进行数据推算，从而获取历史入库流量数据；
利用LSTM神经网络算法对历史入库流量数据以及雨量监测数据进行模型构建，从而获取大数据入库流量预报模型。
6.根据权利要求1所述的方法，其特征在于，步骤S53中计算通过水库水位变化情况计算公式进行计算，水库水位变化情况计算公式具体为：
；
为第/>时刻水库的库容数据，/>为第/>时刻水库的库容数据，/>为第时刻预报入库流量成果，/>为第/>时刻至第/>时刻的时间间隔，/>为出库流量数据，为第/>时刻出库调度规则。
7.根据权利要求1所述的方法，其特征在于，步骤S6具体为：
利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，其中水位动态控制变化接口数据包括起始水位数据、目标水位数据、动画时长数据、起始水位水体颜色数据、目标水位水体颜色数据以及仿真完成后的回调函数；
根据动画时长数据生成图层总数数据，并根据图层总数数据生成播放进度条数据；
根据水位动态控制变化接口数据生成各水位的水面多边形数据，并将各水位的水面多边形数据归类为预报水位动画图层组数据；
利用预设的计时器对预报水位动画图层组数据进行动态仿真模拟，以实现水库水面的动态模拟与仿真。
8.一种基于数字孪生的水库水情预报仿真系统，其特征在于，用于执行如权利要求1所述的基于数字孪生的水库水情预报仿真方法，该基于数字孪生的水库水情预报仿真系统包括：
三维建模模块，用于获取具体水库工程研究区域对应的区域三维建模基础数据，并利用区域三维建模基础数据进行三维建模，从而构建水库三维孪生场景数据，其中区域三维建模基础数据包括区域基础地理数据、区域遥感数据以及区域地形数据；
水库入库预报模型构建模块，用于获取水库特征数据，并利用预设的水文模型构建方式对水库特征数据进行建模，从而构建水库入库预报模型；
数据率定模块，用于获取水库历史洪水数据，并利用水库历史洪水数据对水库入库预报模型进行数据率定，从而获取精准水库入库预报模型；
大数据模型构建模块，用于根据水库历史洪水数据进行大数据模型构建，从而构建大数据入库流量预报模型；
入库流量预报结果数据生成模块，用于根据水库入库预报模型以及大数据入库流量预报模型生成入库流量预报结果数据；
水位动态控制变化接口数据获取模块，用于利用入库流量预报结果数据对水库三维孪生场景数据进行接口生成，从而获取水位动态控制变化接口数据，以实现水库水面的动态模拟与仿真。
CN202311144749.9A 2023-09-06 2023-09-06 一种基于数字孪生的水库水情预报仿真方法和系统 Active CN116882211B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311144749.9A CN116882211B (zh) 2023-09-06 2023-09-06 一种基于数字孪生的水库水情预报仿真方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311144749.9A CN116882211B (zh) 2023-09-06 2023-09-06 一种基于数字孪生的水库水情预报仿真方法和系统

Publications (2)

Publication Number Publication Date
CN116882211A CN116882211A (zh) 2023-10-13
CN116882211B true CN116882211B (zh) 2023-12-19

Family

ID=88255403

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311144749.9A Active CN116882211B (zh) 2023-09-06 2023-09-06 一种基于数字孪生的水库水情预报仿真方法和系统

Country Status (1)

Country Link
CN (1) CN116882211B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117726043B (zh) * 2024-02-05 2024-05-03 中水君信工程勘察设计有限公司 一种水库水情自动测报及预报方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222283A (zh) * 2021-05-31 2021-08-06 中国水利水电科学研究院 一种基于数字孪生的山洪预报预警方法及系统
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
CN113762618A (zh) * 2021-09-07 2021-12-07 中国水利水电科学研究院 一种基于多因子相似分析的湖泊水位预报方法
CN114676882A (zh) * 2022-03-01 2022-06-28 河海大学 一种水文多模型时变权重组合预报方法
CN115018165A (zh) * 2022-06-10 2022-09-06 江西武大扬帆科技有限公司 基于大数据的洪水预报分析系统及方法
CN115685845A (zh) * 2022-11-04 2023-02-03 成都市水利电力勘测设计研究院有限公司 基于数字孪生的流域、水库、灌区一体监控系统及方法
CN115798147A (zh) * 2022-09-22 2023-03-14 广东省水文局惠州水文分局 一种实时洪水预报及洪灾模拟的方法和系统
CN115907229A (zh) * 2022-12-30 2023-04-04 长江水利委员会水文局 一种基于数字孪生的水库防洪管理方法
CN116050628A (zh) * 2023-02-07 2023-05-02 浙江大学 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法
CN116167892A (zh) * 2023-01-10 2023-05-26 深圳市东深电子股份有限公司 基于数字孪生的水库信息化管理系统
CN116643331A (zh) * 2023-05-17 2023-08-25 昆明思永科技有限公司 基于区域流域的水文信息大数据进行水文预报的方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113222283A (zh) * 2021-05-31 2021-08-06 中国水利水电科学研究院 一种基于数字孪生的山洪预报预警方法及系统
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
CN113762618A (zh) * 2021-09-07 2021-12-07 中国水利水电科学研究院 一种基于多因子相似分析的湖泊水位预报方法
CN114676882A (zh) * 2022-03-01 2022-06-28 河海大学 一种水文多模型时变权重组合预报方法
CN115018165A (zh) * 2022-06-10 2022-09-06 江西武大扬帆科技有限公司 基于大数据的洪水预报分析系统及方法
CN115798147A (zh) * 2022-09-22 2023-03-14 广东省水文局惠州水文分局 一种实时洪水预报及洪灾模拟的方法和系统
CN115685845A (zh) * 2022-11-04 2023-02-03 成都市水利电力勘测设计研究院有限公司 基于数字孪生的流域、水库、灌区一体监控系统及方法
CN115907229A (zh) * 2022-12-30 2023-04-04 长江水利委员会水文局 一种基于数字孪生的水库防洪管理方法
CN116167892A (zh) * 2023-01-10 2023-05-26 深圳市东深电子股份有限公司 基于数字孪生的水库信息化管理系统
CN116050628A (zh) * 2023-02-07 2023-05-02 浙江大学 一种基于数字孪生的考虑预报不确定性的水库防洪优化调度方法
CN116643331A (zh) * 2023-05-17 2023-08-25 昆明思永科技有限公司 基于区域流域的水文信息大数据进行水文预报的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Synchronization-Enhanced Deep Learning Early Flood Risk Predictions: The core of data-driven city digital twins for climate resilience planning;Maysara Ghaith et al.;《Water》;第1-5页 *
智慧流域水文预报技术研究进展与开发前景;王俊 等;《人民长江》;第54卷(第08期);第1-8页 *

Also Published As

Publication number Publication date
CN116882211A (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Vulkan et al. Modeling the potential for PV installation in residential buildings in dense urban areas
CN112100720B (zh) 一种提升风环境的人工智能城市设计形态布局方法
CN110570126B (zh) 一种基于实时气象信息的雨水调蓄设施实时调度方法
CN102663827B (zh) 复杂淹没区域风暴潮洪水演进三维动态全过程仿真方法
CN108022047A (zh) 一种海绵城市水文计算方法
CN116882211B (zh) 一种基于数字孪生的水库水情预报仿真方法和系统
Lai et al. Development of a 3D virtual environment for improving public participation: Case study–The Yuansantze Flood Diversion Works Project
CN114942596B (zh) 一种城市防洪排水智能控制系统
CN117217058A (zh) 一种抽蓄电站水工结构安全监测方法、系统、设备及介质
CN116739385B (zh) 一种基于空间叠加分析的城市交通评价方法及装置
Shen et al. Parameter estimation method for SWMM under the condition of incomplete information based on GIS and RS
Min et al. Evaluation of water yield and soil erosion in the Three-River-Source region under different land-climate scenarios
Cao et al. Effects of blue-green infrastructures on the microclimate in an urban residential area under hot weather
Ioannou et al. Geoinformatics as a tool for the application of energy policy
Zhang et al. A generative design method for the functional layout of town planning based on multi-agent system
CN113869804A (zh) 一种洪涝灾害下的电网设备风险预警方法及系统
Xie Application of computer simulation virtual reality simulation technology in the statistical analysis of urban building communities
Lee et al. Development of a large basin rainfall-runoff modeling system using the object-oriented hydrologic modeling system (OHyMoS)
CN117669274B (zh) 一种基于虚拟现实的洪水模拟预报方法及系统
Molla Towards Urban Sustainability: Stormwater Management & Solar Power Potential of Auburn University Campus, AL.
Strasser et al. Tackling complexity in modelling mountain hydrology: where do we stand, where do we go
CN116861809A (zh) 水动力分析方法、装置、存储介质及计算机设备
Spiegelhalter et al. The REM method does not require lengthy, in-depth onsite analysis of individual buildings within a municipality; rather it uses verified international industry standards, meaning cloud-based retrieved energy consumption for building typologies, zonings, schedules, materials and systems, and energy supply mix of the municipalities (Figure 7.2).
Xu et al. Accurate Design and Layout of Landscape Elements Based on Improved Particle Swarm Optimization
Spiegelhalter et al. Genetic Food-Water-Energy nexus design research for Miami's Greater Islands: Climate Resilient Urban Nexus CHoices (CRUNCH)—scripting and coding AI-MLs

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