CN117273313A - 水网调蓄方法、装置、电子设备和计算机可读介质 - Google Patents

水网调蓄方法、装置、电子设备和计算机可读介质 Download PDF

Info

Publication number
CN117273313A
CN117273313A CN202311160158.0A CN202311160158A CN117273313A CN 117273313 A CN117273313 A CN 117273313A CN 202311160158 A CN202311160158 A CN 202311160158A CN 117273313 A CN117273313 A CN 117273313A
Authority
CN
China
Prior art keywords
information
network regulation
precipitation
water network
water
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.)
Granted
Application number
CN202311160158.0A
Other languages
English (en)
Other versions
CN117273313B (zh
Inventor
李建华
王静宇
孙兴雷
李蹊
金海亮
张净
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.)
Zhongguancun Smart City Co Ltd
Original Assignee
Zhongguancun Smart City Co Ltd
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 Zhongguancun Smart City Co Ltd filed Critical Zhongguancun Smart City Co Ltd
Priority to CN202311160158.0A priority Critical patent/CN117273313B/zh
Publication of CN117273313A publication Critical patent/CN117273313A/zh
Application granted granted Critical
Publication of CN117273313B publication Critical patent/CN117273313B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • G06F16/2474—Sequence data queries, e.g. querying versioned 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
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
    • G06T17/05—Geographic models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Business, Economics & Management (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Databases & Information Systems (AREA)
  • Operations Research (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Remote Sensing (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)
  • Computer Graphics (AREA)
  • Fuzzy Systems (AREA)

Abstract

本公开的实施例公开了水网调蓄方法、装置、电子设备和计算机可读介质。该方法的一具体实施方式包括：获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息；根据历史降水信息、水网调蓄装置分布信息和地形地貌信息，生成针对目标区域的水文水动力模型；对目标区域进行三维区域仿真，以生成针对目标区域的三维仿真地图；根据预测降水信息，确定三维仿真地图中的局部降水区域；根据预测降水信息、局部降水区域和水文水动力模型，生成水网调蓄策略信息；根据水网调蓄策略信息，控制局部降水区域内的水网调蓄装置进行水位调蓄。该实施方式提高了排水效率，减少了内涝风险。

Description

水网调蓄方法、装置、电子设备和计算机可读介质
技术领域
本公开的实施例涉及计算机技术领域，具体涉及水网调蓄方法、装置、电子设备和计算机可读介质。
背景技术
随着城市人口的快速增长，水资源供需矛盾日益突出，如何缓解城市水资源供给压力成为亟待解决的问题。目前，在进行水资源供给时，通常采用的方式为：通过城市水网进行水资源调控。
然而，发明人发现，当采用上述方式时，经常会存在如下技术问题：
第一，面对暴雨等极端天气时，城市水网的排水压力和负荷会急剧增加，常规方式往往仅能对部分水网调蓄装置进行控制进行排水，导致排水效率不佳，增加了城市内涝等风险；
第二，极端天气往往具有突发性，而滞后的水资源调控会进一步增加内涝风险。
该背景技术部分中所公开的以上信息仅用于增强对本发明构思的背景的理解，并因此，其可包含并不形成本国的本领域普通技术人员已知的现有技术的信息。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了水网调蓄方法、装置、电子设备和计算机可读介质，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种水网调蓄方法，该方法包括：获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，上述目标区域是待进行水网调蓄的城市区域；根据上述历史降水信息、上述水网调蓄装置分布信息和上述地形地貌信息，生成针对上述目标区域的水文水动力模型；对上述目标区域进行三维区域仿真，以生成针对上述目标区域的三维仿真地图；根据预测降水信息，确定上述三维仿真地图中的局部降水区域；根据上述预测降水信息、上述局部降水区域和上述水文水动力模型，生成水网调蓄策略信息；根据上述水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄。
第二方面，本公开的一些实施例提供了一种水网调蓄装置，装置包括：获取单元，被配置成获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，上述目标区域是待进行水网调蓄的城市区域；第一生成单元，被配置成根据上述历史降水信息、上述水网调蓄装置分布信息和上述地形地貌信息，生成针对上述目标区域的水文水动力模型；三维区域仿真单元，被配置成对上述目标区域进行三维区域仿真，以生成针对上述目标区域的三维仿真地图；确定单元，被配置成根据预测降水信息，确定上述三维仿真地图中的局部降水区域；第二生成单元，被配置成根据上述预测降水信息、上述局部降水区域和上述水文水动力模型，生成水网调蓄策略信息；控制单元，被配置成根据上述水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的提高了排水效率，减少了城市内涝风险。具体来说，造成城市内涝风险较大的原因在于：面对暴雨等极端天气时，城市水网的排水压力和负荷会急剧增加，常规方式往往仅能对部分水网调蓄装置进行控制进行排水，导致排水效率不佳，增加了城市内涝等风险。实践中，尤其是强降雨天气会在短时间内增加城市水位，而由于城市地面硬化等特点，地面吸水能力较差，因此会增加城市水网的排水压力和负荷。基于此，本公开的一些实施例的水网调蓄方法，首先，获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，上述目标区域是待进行水网调蓄的城市区域。其次，根据上述历史降水信息、上述水网调蓄装置分布信息和上述地形地貌信息，生成针对上述目标区域的水文水动力模型。以此得到结合降水特征和地貌特征的、用于精准预测水网调蓄策略信息的模型。接着，对上述目标区域进行三维区域仿真，以生成针对上述目标区域的三维仿真地图。以此得到电子化的三维城市仿真地图。进一步，根据预测降水信息，确定上述三维仿真地图中的局部降水区域。以此得到降水可能的影响区域。此外，根据上述预测降水信息、上述局部降水区域和上述水文水动力模型，生成水网调蓄策略信息。以此得到针对局部降水区域的水网调蓄策略信息。最后，根据上述水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄。通过此种方式可以实现对受降水影响的区域内的水网调蓄装置的综合调控，提高了排水效率，减少了内涝风险。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的水网调蓄方法的一些实施例的流程图；
图2是根据本公开的水网调蓄装置的一些实施例的结构示意图；
图3是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
继续参考图1，示出了根据本公开的水网调蓄方法的一些实施例的流程100。该水网调蓄方法，包括以下步骤：
步骤101，获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息。
在一些实施例中，水网调蓄方法的执行主体(例如，计算设备)可以通过有线连接，或无线连接的方式，获取上述目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息。其中，目标区域是待进行水网调蓄的城市区域。历史降水信息表征目标区域的历史降水情况。水网调蓄装置分布信息表征目标区域内设置的、用于水网调蓄的装置的分布情况。地形地貌信息表征目标区域的地形地貌数据。
可选地，历史降水信息包括：历史降水量变化曲线和历史降水量概率曲线。历史降水量变化曲线表征目标区域随时间变化的历史降水量。历史降水量概率曲线表征目标区域随时间变化的历史降水量概率。水网调蓄装置分布信息包括：水网调蓄装置信息集合。水网调蓄装置信息表征水网调蓄装置的装置信息。上述水网调蓄装置信息集合中的水网调蓄装置信息包括：水网调蓄装置类型、水网调蓄装置位置和水网调蓄量。水网调蓄装置类型表征水网调蓄装置的类型。实践中，水网调蓄装置类型可以包括但不限于：雨水管网类型，污水管网类型，雨水调蓄池类型，污水处理厂类型，雨水泵站类型，污水泵站类型，河道水闸类型。具体的，雨水调蓄池类型还可以细分为：地上雨水调蓄池类型和地下雨水调蓄池类型。水网调蓄装置位置表征水网调蓄装置的设置位置。水网调蓄量表征水网调蓄装置在单位时间内的调蓄量。
可选地，历史降水信息还包括：历史降水分布信息。其中，历史降水分布信息表征目标区域内不同区域的降水分布情况。
需要指出的是，上述无线连接方式可以包括但不限于3G/4G/5G连接、WiFi连接、蓝牙连接、WiMAX连接、Zigbee连接、UWB(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。应该理解，计算设备的数目根据实现需要，可以具有任意数目。
步骤102，根据历史降水信息、水网调蓄装置分布信息和地形地貌信息，生成针对目标区域的水文水动力模型。
在一些实施例中，上述执行主体可以根据历史降水信息、水网调蓄装置分布信息和地形地貌信息，生成针对目标区域的水文水动力模型。其中，上述水文水动力模型可以是用于生成水网调蓄策略信息的模型。水网调蓄策略信息可以表征控制水网调蓄装置进行水网调蓄的控制策略。实践中，上述执行主体可以通过SWMM(Storm Water ManagementModel，暴雨洪水管理模型)，根据历史降水信息、水网调蓄装置分布信息和地形地貌信息，生成针对目标区域的水文水动力模型。
作为示例，水网调蓄策略信息可以包括：待进行水网调蓄的水网调蓄装置标识、水网调蓄开始时间、水网调蓄结束时间和水网调蓄量。例如，水网调蓄策略信息可以是：{水网调蓄装置标识：“A0001”、水网调蓄开始时间：“2022年:09月:01日:12:24:23”、水网调蓄结束时间：“2022年:09月:01日:14:24:23”、水网调蓄量：“M立方”}。
在一些实施例的一些可选的实现方式中，上述执行主体根据历史降水信息、水网调蓄装置分布信息和地形地貌信息，生成针对目标区域的水文水动力模型可以包括以下步骤：
第一步，获取初始水文水动力模型。
其中，上述初始水文水动力模型是未进行模型训练的模型。
第二步，根据水网调蓄装置信息包括的水网调蓄装置位置，对上述水网调蓄装置信息集合中的水网调蓄装置信息进行聚类，得到聚类后水网调蓄装置信息组集合。
其中，聚类后水网调蓄装置信息组中的各个聚类后水网调蓄装置信息对应相同的聚类中心。实践中，上述执行可以通过确定不同水网调蓄装置信息包括的水网调蓄装置位置的位置相近度，对水网调蓄装置信息集合中的水网调蓄装置信息进行聚类。具体的，在进行水网调蓄过程中，相邻的水网调蓄装置往往需要联动进行水网调蓄，因此，通过生成聚类后水网调蓄装置信息组，可以使得初始水文水动力模型学习到针对相邻的水网调蓄装置的水网调蓄策略的模型参数。
第三步，对于上述聚类后水网调蓄装置信息组集合中的每个聚类后水网调蓄装置信息组，执行以下处理步骤：
第一子步骤，将上述聚类后水网调蓄装置信息组中的每个聚类后水网调蓄装置信息包括的水网调蓄装置类型、水网调蓄装置位置和水网调蓄量、上述聚类后水网调蓄装置信息，在上述历史降水量变化曲线和历史降水量概率曲线中对应的局部历史降水量变化曲线和局部历史降水量概率曲线，以及上述地形地貌信息作为训练样本，得到训练样本组。
第二子步骤，确定上述训练样本组中的每个训练样本对应的历史水网调蓄策略信息，作为样本标签，得到样本标签组。
第三子步骤，根据上述训练样本组和上述样本标签组，对上述初始水文水动力模型进行初始模型训练。
实践中，训练样本组可以包括：训练样本A。训练样本A在样本标签组中对应的样本标签可以是样本标签A。首先，上述执行主体将训练样本A输入初始水文水动力模型后，会生成预测水网调蓄策略信息。然后，上述执行主体会通过损失函数确定预测水网调蓄策略信息和样本标签A之间的信息差，作为损失值。接着，上述执行主体可以根据损失值，采用反向传播的方式，对初始水文水动力模型的模型参数进行参数调整。
具体的，由于在进行水网调蓄过程中，相邻的水网调蓄装置往往需要联动进行水网调蓄，因此，相邻的水网调蓄装置对应相近的水网调蓄策略。以聚类后水网调蓄装置信息组为单位，针对初始水文水动力模型进行模型训练，可以使得初始水文水动力模型更好的进行模型参数学习。
第四步，对得到的初始模型训练后的初始水文水动力模型集合进行模型融合，得到上述水文水动力模型。
实践中，上述执行主体可以对得到的初始模型训练后的初始水文水动力模型集合中的各个初始模型训练后的初始水文水动力模型的模型参数进行平均融合，得到上述水文水动力模型。例如，得到的初始模型训练后的初始水文水动力模型集合可以包括：初始模型训练后的初始水文水动力模型集合可以包括：初始模型训练后的初始水文水动力模型A和初始模型训练后的初始水文水动力模型B。初始模型训练后的初始水文水动力模型A对应模型参数A。初始模型训练后的初始水文水动力模型B对应模型参数B。水文水动力模型对应的模型参数＝(模型参数A+模型参数B)/2。
步骤103，对目标区域进行三维区域仿真，以生成针对目标区域的三维仿真地图。
在一些实施例中，上述执行主体可以对目标区域进行三维区域仿真，以生成针对目标区域的三维仿真地图。其中，三维仿真地图可以是三维的、针对上述目标区域的仿真电子地图。实践中，上述执行主体可以通过GeoSpace虚拟仿真平台，对目标区域进行三维区域仿真，以生成针对目标区域的三维仿真地图。
在一些实施例的一些可选的实现方式中，上述执行主体对目标区域进行三维区域仿真，以生成针对目标区域的三维仿真地图，可以包括以下步骤：
第一步，根据上述历史降水分布信息，确定上述目标区域对应的积水点，以生成积水点信息，得到积水点信息集合。
其中，积水点信息表征目标区域中产生过积水的区域。具体的，积水点信息可以包括：积水点电子围栏。积水点电子围栏用于框定因降水而造成积水的区域。实践中，首先，上述执行主体可以根据历史降水分布信息，生成针对目标区域的降水热力图。然后，上述执行主体可以将降水热力图中对应热力值大于预设热力值的区域，确定为积水点信息，得到积水点信息集合。
第二步，对上述目标区域进行网格化划分，得到网格化划分后目标区域。
其中，上述网格化划分后目标区域包括：网格区域集合，上述网格区域集合中的网格区域的区域尺寸一致。实践中，上述执行主体可以以预设网格大小，分别对上述目标区域进行横向和竖向的网格化划分，得到网格化划分后目标区域。
第三步，以上述网格区域集合中与上述积水点信息集合中的积水点信息对应的网格区域为仿真中心区域，对上述网格化划分后目标区域进行扩散式三维区域仿真，得到上述三维仿真地图。
实践中，上述执行主体可以以积水点信息对应的积水点内的积水流向，进行三维区域仿真。上述执行主体也可以以积水点信息对应的网格区域为中心，向四周进行三维区域仿真。
具体的，三维区域仿真往往会消耗较多的计算资源，对于用于三维区域仿真的装置的硬件要求较高。而常规的三维区域仿真往往采用栅格化的方式进行三维区域仿真，即逐行或逐列的方式进行三维区域仿真，可能会造成仿真不及时的问题。而本申请以上述网格区域集合中与上述积水点信息集合中的积水点信息对应的网格区域为仿真中心区域，对上述网格化划分后目标区域进行扩散式三维区域仿真，可以优先保证曾产生积水的区域优先三维区域仿真，及时针对目标区域的整个三维仿真地图未仿真完毕，也能够保证曾产生积水的区域被仿真完毕，从而保证水网调蓄策略信息可以顺利生成。
步骤104，根据预测降水信息，确定三维仿真地图中的局部降水区域。
在一些实施例中，上述执行主体可以根据预测降水信息，确定三维仿真地图中的局部降水区域。其中，预测降水信息可以表征未来时间段内的预测降水。由于三维仿真地图是由目标区域进行网格化划分得到，因此，三维仿真地图可以通过二维数组的方式存储目标区域在水平面的各个网格区域。由此，上述执行主体可以通过数组遍历的方式，根据上述预测降水信息，确定三维仿真地图中的局部降水区域。
可选地，预测降水信息可以包括：预测降水量变化曲线和预测降水量概率曲线。其中，预测降水量变化曲线表征预测降水随时间变化的降水量变化。预测降水量概率曲线表征预测降水随时间变化的降水概率变化。
在一些实施例的一些可选的实现方式中，上述执行主体根据预测降水信息，确定三维仿真地图中的局部降水区域，可以包括以下步骤：
第一步，根据上述预测降水信息，确定预测降水区域。
其中，上述预测降水区域是上述预测降水信息对应的降水初始波及区域。实践中，上述执行主体通过数组遍历的方式，确定预测降水区域。
第二步，根据上述预测降水信息对应的预测降水时间、确定上述预测降水区域的风向信息。
其中，预测降水时间表征预测降水信息对应的预测降水的降水时时间段。上述执行主体可以以预测降水时间为时间区间，根据上述预测降水区域在预测降水时间内的气压变化，确定上述风向信息。
第三步，根据上述预测降水区域对应的地形、上述风向信息、上述预测降水时间和上述预测降水信息进行降水波及区域模拟，以生成上述局部降水区域。
实践中，预测降水信息产生的降水会因预测降水区域对应的地形而产生流动，同时，风向也会导致预测降水信息产生的降水所影响的区域产生变化。因此，上述执行主体可以根据上述预测降水区域对应的地形、上述风向信息、上述预测降水时间和上述预测降水信息进行降水波及区域模拟，确定在预测降水区域的基础上，因地形、风向等因素影响，所导致的降水区域的变化，得到上述局部降水区域。由此，可见，预测降水区域是局部降水区域的子集。
步骤105，根据预测降水信息、局部降水区域和水文水动力模型，生成水网调蓄策略信息。
在一些实施例中，上述执行主体可以根据预测降水信息、局部降水区域和水文水动力模型，生成水网调蓄策略信息。其中，上述执行主体可以将预测降水信息和上述局部降水区域输入上述水文水动力模型，得到上述水网调蓄策略信息。其中，水网调蓄策略信息可以表征控制水网调蓄装置进行水网调蓄的控制策略。
作为示例，水网调蓄策略信息可以包括：待进行水网调蓄的水网调蓄装置标识、水网调蓄开始时间、水网调蓄结束时间和水网调蓄量。例如，水网调蓄策略信息可以是：{水网调蓄装置标识：“A0001”、水网调蓄开始时间：“2022年:09月:01日:12:24:23”、水网调蓄结束时间：“2022年:09月:01日:14:24:23”、水网调蓄量：“M立方”}。
可选地，预测降水信息包括：预测降水量变化曲线和预测降水量概率曲线，上述水文水动力模型包括：降水特征提取模型、地形地貌特征提取模型、水网调蓄装置特征库、特征融合模型和水网调蓄策略生成模型。其中，降水特征提取模型用于对预测降水信息进行特征提取。地形地貌特征提取模型用于对局部降水区域进行地形地貌特征提取。水网调蓄装置特征库存储有目标区域内的水网调蓄装置的水网调蓄装置特征。
在一些实施例的一些可选的实现方式中，上述执行主体根据上述预测降水信息、上述局部降水区域和上述水文水动力模型，生成水网调蓄策略信息，可以包括以下步骤：
第一步，通过上述地形地貌特征提取模型，对上述局部降水区域进行地形地貌特征提取，得到地形地貌特征。
其中，地形地貌特征提取模型包括：地形地貌特征投影层和地形地貌特征提取子模型。地形地貌特征投影层和地形地貌特征提取子模型串行连接。地形地貌特征投影层会根据局部降水区域对应的各位置的海拔高度值进行转换得到地形地貌特征投影特征。其中，地形地貌特征投影特征中的特征值表征标准化后的海拔高度值。地形地貌特征提取子模型可以是ResNet模型。上述执行主体可以将地形地貌特征投影特征输入上述地形地貌特征提取子模型，以生成上述地形地貌特征。通过将局部降水区域对应的海拔高度信息投影，因此可以以图特征的处理方式，即采用地形地貌特征提取子模型，生成地形地貌特征。
第二步，通过上述降水特征提取模型，对上述预测降水量变化曲线进行特征提取，以生成预测降水量变化特征。
其中，降水特征提取模型可以包括：时序特征提取模型和特征展开层。例如，降水特征提取模型可以是RNN(Recurrent Neural Network，循环神经网络)模型。实践中，预测降水量变化曲线包括因时间变化的降水量，因此，通过时序特征提取模型可以以时序为尺度，很好地对预测降水量进行特征提取。而时序特征提取模型输出的特征为一维向量。地形地貌特征提取模型输出的地形地貌特征为高维向量。因此，无法直接将时序特征提取模型输出的特征和地形地貌特征进行融合，由此，本公开设计了特征展开层。首先，特征展开层会根据地形地貌特征的特征维度，生成空特征图。其中，空特征图中不包含特征值，或由0填充。然后，特征展开层会以预设时间粒度为尺度，将时序特征提取模型输出的、与上述预设时间粒度对应的特征进行特征展开，并填充值空特征图中，得到针对不同时间的多张填充后特征图。最后，特征展开层将多张填充后特征图中的各个填充后特征图进行平均池化，得到上述预测降水量变化特征。
作为示例，预测降水量变化曲线对应的时间尺度可以是T1至T2。其中，预设时间粒度可以是t1到t2。其中T1＜t1＜t2＜T2。地形地貌特征的特征维度可以是M×N。其中，预设时间粒度在时序特征提取模型针对预测降水量变化曲线输出的特征中对应特征可以是“10001”。具体的，上述执行主体可以将时序特征提取模型中t1到t2对应的卷积层输出的特征，作为预设时间粒度对应的特征。因此，上述执行主体可以将“1+0+0+0+1”作为空特征图中的填充值，进行填充，得到填充后特征图。
第三步，根据上述预测降水量概率曲线，对上述预测降水量变化特征和上述地形地貌特征进行特征更新，得到更新后预测降水量变化特征和更新后地形地貌特征。
其中，上述执行主体可以以预测降水量概率曲线中的预测降水概率，对预测降水量变化特征中的特征值和上述地形地貌特征中的特征进行0更新，得到上述更新后预测降水量变化特征和更新后地形地貌特征。
第四步，从上述水网调蓄装置特征库中筛选出于上述地形地貌特征匹配的水网调蓄装置特征。
实践中，上述执行主体可以通过距离计算的方式，从上述水网调蓄装置特征库中筛选出于上述地形地貌特征匹配的水网调蓄装置特征。
第五步，将上述更新后预测降水量变化特征、上述更新后地形地貌特征和上述水网调蓄装置特征输入上述特征融合模型，以生成融合特征。
其中，由于上述更新后预测降水量变化特征和上述更新后地形地貌特征的特征维度一致，因此，首先，上述特征融合模型可以直接对更新后预测降水量变化特征和上述更新后地形地貌特征进行平均池化，得到平均池化后特征。然后，上述执行主体可以根据水网调蓄装置特征对应的水网调蓄装置在局部降水区域中的相对位置，将水网调蓄装置特征投影至上述平均池化特征中，得到上述融合后特征。
第六步，根据上述融合特征和上述水网调蓄策略生成模型进行粒子群优化，得到上述水网调蓄策略信息。
其中，水网调蓄策略生成模型通过粒子群优化算法，结合融合特征进行多目标的粒子群优化，通过不断迭代，得到针对水网调蓄装置的一组调蓄策略，作为上述水网调蓄策略信息。
上述水文水动力模型作为本公开的一个发明点，解决背景技术提及的技术问题二，即“极端天气往往具有突发性，而滞后的水资源调控会进一步增加内涝风险”。基于此，本公开结合预测降水信息和预测降水可能影响的局部降水区域，通过水文水动力模型，生成相应的水网调蓄策略，由此可在降雨发生前进行相应的水网调蓄，从而降低了内涝风险。具体的，局部降水区域对应的地形地貌为典型的多维度特征。采用常规的建模或仿真方式进行特征提取数据处理将较大，因此，本公开的地形地貌特征提取模型，通过对上述局部降水区域进行地形地貌特征提取，即通过将局部降水区域对应的海拔高度信息投影，因此可以以图特征的处理方式，即采用地形地貌特征提取子模型，生成地形地貌特征。此外，考虑到预测降水量变化曲线为随时间变化的一维特征向量，特征融合模型无法直接将一维特征向量和多维特征向量直接融合。因此，本公开的降水特征提取模型在对时序特征提取的基础上，对特征进行展开，以保证特征融合的有效进行。接着，降水概率可能影响降水的发生，因此，本申请通过预测降水量概率曲线对应的降水量概率，控制预测降水量变化特征和上述地形地貌特征中的特征值的更新概率。接着，由于水网调蓄装置往往固定，因此提取到的水位调蓄装置特征采用库的形式进行存储和调取，减少了特征重复提取所造成的计算资源消耗。最后，通过水网调蓄策略生成模型进行粒子群优化，以此得到最优的水网调蓄策略信息，通过此种方式可以及时地得到水网调蓄策略信息，以用于水网调蓄，大大降低了内涝风险。
步骤106，根据水网调蓄策略信息，控制局部降水区域内的水网调蓄装置进行水位调蓄。
在一些实施例中，上述执行主体可以根据水网调蓄策略信息，控制局部降水区域内的水网调蓄装置进行水位调蓄。
作为示例，水网调蓄策略信息可以包括：待进行水网调蓄的水网调蓄装置标识、水网调蓄开始时间、水网调蓄结束时间和水网调蓄量。例如，水网调蓄策略信息可以是：{水网调蓄装置标识：“A0001”、水网调蓄开始时间：“2022年:09月:01日:12:24:23”、水网调蓄结束时间：“2022年:09月:01日:14:24:23”、水网调蓄量：“M立方”}。因此，上述执行主体可以在2022年:09月:01日:12:24:23至2022年:09月:01日:14:24:23之间，控制水网调蓄装置标识为“A0001”的水网调蓄装置，调蓄水量为M立方的水资源。
可选地，上述方法还包括：
第一步，通过上述局部降水区域内设置的至少一个水位监测装置，获取实时水位信息集合。
其中，实时水位信息表征水位监测装置对应的监测区域的水位变化。
第二步，根据上述实时水位信息集合，生成不同时间点对应的水位变化平面图，得到水位变化平面图序列。
作为示例，实时水位信息集合可以包括：实时水位信息A和实时水位信息B。其中，实时水位信息A可以是[水位s1，水位s2]。实时水位信息B可以是[水位s3，水位s4]。水位变化平面图序列可以包括：水位变化平面图A和水位变化平面图B。因此，水位变化平面图A对应的水位可以是[水位s1，水位s3]。水位变化平面图B对应的水位可以是[水位s2，水位s4]。
第三步，根据上述水位变化平面图序列，确定上述局部降水区域对应的水位调蓄趋势信息和异常水位调蓄点集合。
其中，水位调蓄趋势信息表征水位在水网调蓄过程中的水位变化趋势。例如，上述执行主体可以将水位变化平面图序列中的相邻的两个水位变化平面图做差，以此得到上述水位调蓄趋势信息。又如，上述执行主体可以将水位变化平面图内对应的水位异常(如，水位大于预警水位)的点位，作为异常水位调蓄点，得到上述异常水位调蓄点集合。
第四步，响应于确定上述水位调蓄趋势信息表征水位上升或水位未变化，根据上述异常水位调蓄点集合中的异常水位调蓄点对应的实时水位，更新上述水网调蓄策略信息，得到更新后水网调蓄策略信息。
实践中，上述执行主体可以根据异常水位调蓄点集合中的异常水位调蓄点对应的实时水位和局部降水区域，重新输入上述水文水动力模型，以生成更新后水网调蓄策略信息。具体的，考虑到局部降水区域未发生变化，为减少数据处理量，上述执行主体可以直接再生产水网调蓄策略信息时，调取地形地貌特征提取模型生成的地形地貌特征，作为融合模型的输入之一。
第五步，根据上述更新后水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄。
其中，上述执行主体根据更新后水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄，可以参考步骤106的水位调蓄方式，在此不再赘述。
可选地，上述方法还包括：
响应于确定上述水位调蓄趋势信息表征水位下降，对于上述异常水位调蓄点集合中的每个异常水位调蓄点，根据上述异常水位调蓄点对应的实时水位，控制与上述异常水位调蓄点对应的水位调蓄装置进行局部水位调蓄。
作为示例，控制与上述异常水位调蓄点对应的水位调蓄装置，加大水位调蓄的水量，以降低异常水位调蓄点对应的水位。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的提高了排水效率，减少了城市内涝风险。具体来说，造成城市内涝风险较大的原因在于：面对暴雨等极端天气时，城市水网的排水压力和负荷会急剧增加，常规方式往往仅能对部分水网调蓄装置进行控制进行排水，导致排水效率不佳，增加了城市内涝等风险。实践中，尤其是强降雨天气会在短时间内增加城市水位，而由于城市地面硬化等特点，地面吸水能力较差，因此会增加城市水网的排水压力和负荷。基于此，本公开的一些实施例的水网调蓄方法，首先，获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，上述目标区域是待进行水网调蓄的城市区域。其次，根据上述历史降水信息、上述水网调蓄装置分布信息和上述地形地貌信息，生成针对上述目标区域的水文水动力模型。以此得到结合降水特征和地貌特征的、用于精准预测水网调蓄策略信息的模型。接着，对上述目标区域进行三维区域仿真，以生成针对上述目标区域的三维仿真地图。以此得到电子化的三维城市仿真地图。进一步，根据预测降水信息，确定上述三维仿真地图中的局部降水区域。以此得到降水可能的影响区域。此外，根据上述预测降水信息、上述局部降水区域和上述水文水动力模型，生成水网调蓄策略信息。以此得到针对局部降水区域的水网调蓄策略信息。最后，根据上述水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄。通过此种方式可以实现对受降水影响的区域内的水网调蓄装置的综合调控，提高了排水效率，减少了内涝风险。
进一步参考图2，作为对上述各图所示方法的实现，本公开提供了一种水网调蓄装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该水网调蓄装置具体可以应用于各种电子设备中。
如图2所示，一些实施例的水网调蓄装置200包括：获取单元201、第一生成单元202、三维区域仿真单元203、确定单元204、第二生成单元205和控制单元206。其中，获取单元201，被配置成获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，上述目标区域是待进行水网调蓄的城市区域；第一生成单元202，被配置成根据上述历史降水信息、上述水网调蓄装置分布信息和上述地形地貌信息，生成针对上述目标区域的水文水动力模型；三维区域仿真单元203，被配置成对上述目标区域进行三维区域仿真，以生成针对上述目标区域的三维仿真地图；确定单元204，被配置成根据预测降水信息，确定上述三维仿真地图中的局部降水区域；第二生成单元205，被配置成根据上述预测降水信息、上述局部降水区域和上述水文水动力模型，生成水网调蓄策略信息；控制单元206，被配置成根据上述水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄。
可以理解的是，该水网调蓄装置200中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于水网调蓄装置200及其中包含的单元，在此不再赘述。
下面参考图3，其示出了适于用来实现本公开的一些实施例的电子设备(例如，计算设备)300的结构示意图。图3示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图3所示，电子设备300可以包括处理装置(例如中央处理器、图形处理器等)301，其可以根据存储在只读存储器302中的程序或者从存储装置308加载到随机访问存储器303中的程序而执行各种适当的动作和处理。在随机访问存储器303中，还存储有电子设备300操作所需的各种程序和数据。处理装置301、只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305也连接至总线304。
通常，以下装置可以连接至I/O接口305：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置306；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置307；包括例如磁带、硬盘等的存储装置308；以及通信装置309。通信装置309可以允许电子设备300与其他设备进行无线或有线通信以交换数据。虽然图3示出了具有各种装置的电子设备300，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图3中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置309从网络上被下载和安装，或者从存储装置308被安装，或者从只读存储器302被安装。在该计算机程序被处理装置301执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(Hyper Text TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，上述目标区域是待进行水网调蓄的城市区域；根据上述历史降水信息、上述水网调蓄装置分布信息和上述地形地貌信息，生成针对上述目标区域的水文水动力模型；对上述目标区域进行三维区域仿真，以生成针对上述目标区域的三维仿真地图；根据预测降水信息，确定上述三维仿真地图中的局部降水区域；根据上述预测降水信息、上述局部降水区域和上述水文水动力模型，生成水网调蓄策略信息；根据上述水网调蓄策略信息，控制上述局部降水区域内的水网调蓄装置进行水位调蓄。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、第一生成单元、三维区域仿真单元、确定单元、第二生成单元和控制单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，第一生成单元还可以被描述为“根据上述历史降水信息、上述水网调蓄装置分布信息和上述地形地貌信息，生成针对上述目标区域的水文水动力模型的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种水网调蓄方法，包括：
获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，所述目标区域是待进行水网调蓄的城市区域；
根据所述历史降水信息、所述水网调蓄装置分布信息和所述地形地貌信息，生成针对所述目标区域的水文水动力模型；
对所述目标区域进行三维区域仿真，以生成针对所述目标区域的三维仿真地图；
根据预测降水信息，确定所述三维仿真地图中的局部降水区域；
根据所述预测降水信息、所述局部降水区域和所述水文水动力模型，生成水网调蓄策略信息；
根据所述水网调蓄策略信息，控制所述局部降水区域内的水网调蓄装置进行水位调蓄。
2.根据权利要求1所述的方法，其中，所述方法还包括：
通过所述局部降水区域内设置的至少一个水位监测装置，获取实时水位信息集合，其中，实时水位信息表征水位监测装置对应的监测区域的水位变化；
根据所述实时水位信息集合，生成不同时间点对应的水位变化平面图，得到水位变化平面图序列；
根据所述水位变化平面图序列，确定所述局部降水区域对应的水位调蓄趋势信息和异常水位调蓄点集合；
响应于确定所述水位调蓄趋势信息表征水位上升或水位未变化，根据所述异常水位调蓄点集合中的异常水位调蓄点对应的实时水位，更新所述水网调蓄策略信息，得到更新后水网调蓄策略信息；
根据所述更新后水网调蓄策略信息，控制所述局部降水区域内的水网调蓄装置进行水位调蓄。
3.根据权利要求2所述的方法，其中，所述方法还包括：
响应于确定所述水位调蓄趋势信息表征水位下降，对于所述异常水位调蓄点集合中的每个异常水位调蓄点，根据所述异常水位调蓄点对应的实时水位，控制与所述异常水位调蓄点对应的水位调蓄装置进行局部水位调蓄。
4.根据权利要求3所述的方法，其中，所述历史降水信息包括：历史降水量变化曲线和历史降水量概率曲线，所述水网调蓄装置分布信息包括：水网调蓄装置信息集合，所述水网调蓄装置信息集合中的水网调蓄装置信息包括：水网调蓄装置类型、水网调蓄装置位置和水网调蓄量；以及
所述根据所述历史降水信息、所述水网调蓄装置分布信息和所述地形地貌信息，生成针对所述目标区域的水文水动力模型，包括：
获取初始水文水动力模型，其中，所述初始水文水动力模型是未进行模型训练的模型；
根据水网调蓄装置信息包括的水网调蓄装置位置，对所述水网调蓄装置信息集合中的水网调蓄装置信息进行聚类，得到聚类后水网调蓄装置信息组集合，其中，聚类后水网调蓄装置信息组中的各个聚类后水网调蓄装置信息对应相同的聚类中心；
对于所述聚类后水网调蓄装置信息组集合中的每个聚类后水网调蓄装置信息组，执行以下处理步骤：
将所述聚类后水网调蓄装置信息组中的每个聚类后水网调蓄装置信息包括的水网调蓄装置类型、水网调蓄装置位置和水网调蓄量、所述聚类后水网调蓄装置信息，在所述历史降水量变化曲线和历史降水量概率曲线中对应的局部历史降水量变化曲线和局部历史降水量概率曲线，以及所述地形地貌信息作为训练样本，得到训练样本组；
确定所述训练样本组中的每个训练样本对应的历史水网调蓄策略信息，作为样本标签，得到样本标签组；
根据所述训练样本组和所述样本标签组，对所述初始水文水动力模型进行初始模型训练；
对得到的初始模型训练后的初始水文水动力模型集合进行模型融合，得到所述水文水动力模型。
5.根据权利要求4所述的方法，其中，所述历史降水信息还包括：历史降水分布信息；以及
所述对所述目标区域进行三维区域仿真，以生成针对所述目标区域的三维仿真地图，包括：
根据所述历史降水分布信息，确定所述目标区域对应的积水点，以生成积水点信息，得到积水点信息集合；
对所述目标区域进行网格化划分，得到网格化划分后目标区域，其中，所述网格化划分后目标区域包括：网格区域集合，所述网格区域集合中的网格区域的区域尺寸一致；
以所述网格区域集合中与所述积水点信息集合中的积水点信息对应的网格区域为仿真中心区域，对所述网格化划分后目标区域进行扩散式三维区域仿真，得到所述三维仿真地图。
6.根据权利要求5所述的方法，其中，所述根据预测降水信息，确定所述三维仿真地图中的局部降水区域，包括：
根据所述预测降水信息，确定预测降水区域，其中，所述预测降水区域是所述预测降水信息对应的降水初始波及区域；
根据所述预测降水信息对应的预测降水时间、确定所述预测降水区域的风向信息；
根据所述预测降水区域对应的地形、所述风向信息、所述预测降水时间和所述预测降水信息进行降水波及区域模拟，以生成所述局部降水区域。
7.根据权利要求6所述的方法，其中，所述预测降水信息包括：预测降水量变化曲线和预测降水量概率曲线，所述水文水动力模型包括：降水特征提取模型、地形地貌特征提取模型、水网调蓄装置特征库、特征融合模型和水网调蓄策略生成模型；以及
所述根据所述预测降水信息、所述局部降水区域和所述水文水动力模型，生成水网调蓄策略信息，包括：
通过所述地形地貌特征提取模型，对所述局部降水区域进行地形地貌特征提取，得到地形地貌特征；
通过所述降水特征提取模型，对所述预测降水量变化曲线进行特征提取，以生成预测降水量变化特征；
根据所述预测降水量概率曲线，对所述预测降水量变化特征和所述地形地貌特征进行特征更新，得到更新后预测降水量变化特征和更新后地形地貌特征；
从所述水网调蓄装置特征库中筛选出于所述地形地貌特征匹配的水网调蓄装置特征；
将所述更新后预测降水量变化特征、所述更新后地形地貌特征和所述水网调蓄装置特征输入所述特征融合模型，以生成融合特征；
根据所述融合特征和所述水网调蓄策略生成模型进行粒子群优化，得到所述水网调蓄策略信息。
8.一种水网调蓄装置，包括：
获取单元，被配置成获取目标区域对应的历史降水信息、水网调蓄装置分布信息和地形地貌信息，其中，所述目标区域是待进行水网调蓄的城市区域；
第一生成单元，被配置成根据所述历史降水信息、所述水网调蓄装置分布信息和所述地形地貌信息，生成针对所述目标区域的水文水动力模型；
三维区域仿真单元，被配置成对所述目标区域进行三维区域仿真，以生成针对所述目标区域的三维仿真地图；
确定单元，被配置成根据预测降水信息，确定所述三维仿真地图中的局部降水区域；
第二生成单元，被配置成根据所述预测降水信息、所述局部降水区域和所述水文水动力模型，生成水网调蓄策略信息；
控制单元，被配置成根据所述水网调蓄策略信息，控制所述局部降水区域内的水网调蓄装置进行水位调蓄。
9.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7中任一所述的方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至7中任一所述的方法。
CN202311160158.0A 2023-09-08 2023-09-08 水网调蓄方法、装置、电子设备和计算机可读介质 Active CN117273313B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311160158.0A CN117273313B (zh) 2023-09-08 2023-09-08 水网调蓄方法、装置、电子设备和计算机可读介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311160158.0A CN117273313B (zh) 2023-09-08 2023-09-08 水网调蓄方法、装置、电子设备和计算机可读介质

Publications (2)

Publication Number Publication Date
CN117273313A true CN117273313A (zh) 2023-12-22
CN117273313B CN117273313B (zh) 2024-05-24

Family

ID=89209709

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311160158.0A Active CN117273313B (zh) 2023-09-08 2023-09-08 水网调蓄方法、装置、电子设备和计算机可读介质

Country Status (1)

Country Link
CN (1) CN117273313B (zh)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2616376C1 (ru) * 2016-02-24 2017-04-14 Михаил Иванович Голубенко Способ осушения прилегающих к водоприемнику территорий с пойменным участком
CN107677305A (zh) * 2016-08-02 2018-02-09 何守印 城市雨洪在线实时网络监测仪
CN107832931A (zh) * 2017-10-31 2018-03-23 上海市政工程设计研究总院（集团）有限公司 一种平原水网地区内涝风险的模块化分析方法
CN112966862A (zh) * 2021-02-25 2021-06-15 兰州中心气象台(兰州干旱生态环境监测预测中心) 一种基于机器学习算法的短期定量降水预报方法
CN113011685A (zh) * 2021-04-27 2021-06-22 黄河勘测规划设计研究院有限公司 一种无径流资料地区内陆湖泊水位变化模拟预测方法
CN113392489A (zh) * 2021-06-07 2021-09-14 广州珠科院工程勘察设计有限公司 一种河道水系分布式水动力模型的计算方法
CN114528761A (zh) * 2022-02-14 2022-05-24 太湖流域管理局水利发展研究中心 平原水网圩区-圩外系统滞蓄关系优化方法及系统
WO2022121801A1 (zh) * 2020-12-07 2022-06-16 北京有竹居网络技术有限公司 信息处理方法、装置和电子设备
CN116050191A (zh) * 2023-03-31 2023-05-02 中关村科学城城市大脑股份有限公司 应用于城市河流的水量控制方法、装置和电子设备
CN116307129A (zh) * 2023-02-27 2023-06-23 宁波弘泰水利信息科技有限公司 一种主动式城市内涝预警方法、装置及其存储介质
CN116562600A (zh) * 2023-07-11 2023-08-08 中关村科学城城市大脑股份有限公司 供水控制方法、装置、电子设备和计算机可读介质
CN116630122A (zh) * 2023-07-24 2023-08-22 水利部交通运输部国家能源局南京水利科学研究院 基于水文-生态响应关系的湖泊生态水力调控方法及系统

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2616376C1 (ru) * 2016-02-24 2017-04-14 Михаил Иванович Голубенко Способ осушения прилегающих к водоприемнику территорий с пойменным участком
CN107677305A (zh) * 2016-08-02 2018-02-09 何守印 城市雨洪在线实时网络监测仪
CN107832931A (zh) * 2017-10-31 2018-03-23 上海市政工程设计研究总院（集团）有限公司 一种平原水网地区内涝风险的模块化分析方法
WO2022121801A1 (zh) * 2020-12-07 2022-06-16 北京有竹居网络技术有限公司 信息处理方法、装置和电子设备
CN112966862A (zh) * 2021-02-25 2021-06-15 兰州中心气象台(兰州干旱生态环境监测预测中心) 一种基于机器学习算法的短期定量降水预报方法
CN113011685A (zh) * 2021-04-27 2021-06-22 黄河勘测规划设计研究院有限公司 一种无径流资料地区内陆湖泊水位变化模拟预测方法
CN113392489A (zh) * 2021-06-07 2021-09-14 广州珠科院工程勘察设计有限公司 一种河道水系分布式水动力模型的计算方法
CN114528761A (zh) * 2022-02-14 2022-05-24 太湖流域管理局水利发展研究中心 平原水网圩区-圩外系统滞蓄关系优化方法及系统
CN116307129A (zh) * 2023-02-27 2023-06-23 宁波弘泰水利信息科技有限公司 一种主动式城市内涝预警方法、装置及其存储介质
CN116050191A (zh) * 2023-03-31 2023-05-02 中关村科学城城市大脑股份有限公司 应用于城市河流的水量控制方法、装置和电子设备
CN116562600A (zh) * 2023-07-11 2023-08-08 中关村科学城城市大脑股份有限公司 供水控制方法、装置、电子设备和计算机可读介质
CN116630122A (zh) * 2023-07-24 2023-08-22 水利部交通运输部国家能源局南京水利科学研究院 基于水文-生态响应关系的湖泊生态水力调控方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张伟;王家卓;: "北方平原地区城市排水(雨水)防涝规划经验探索――以石家庄市为例", 给水排水, no. 10, 10 October 2016 (2016-10-10) *
毛绪昱;黄丽萍;杨森;程吉建;: "基于详细水力模型的重庆市排水防涝规划", 中国给水排水, no. 03, 1 February 2016 (2016-02-01) *

Also Published As

Publication number Publication date
CN117273313B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
Bae et al. Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique
CN106780089B (zh) 基于神经网络元胞自动机模型的永久性基本农田划定方法
WO2022036778A1 (zh) 一种输配协同负荷恢复优化控制方法及系统
Azari et al. Multi-objective optimization of the reservoir system operation by using the hedging policy
CN116050191B (zh) 应用于城市河流的水量控制方法、装置和电子设备
CN114330935B (zh) 基于多种结合策略集成学习的新能源功率预测方法和系统
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN112633544A (zh) 预测风速订正方法及其装置
CN114493050A (zh) 多维度融合的新能源功率并联预测方法和装置
CN113420939A (zh) 云图预报方法、设备及存储介质
CN108196951B (zh) Gpu流域径流模拟分布式调度系统及方法
CN111798066A (zh) 一种城市尺度下小区流量多维度预测方法及系统
CN115327662A (zh) 一种基于统计学习的区域电离层tec预测方法
CN117273313B (zh) 水网调蓄方法、装置、电子设备和计算机可读介质
CN116882597B (zh) 虚拟电厂控制方法、装置、电子设备和可读介质
CN113240219A (zh) 一种土地利用模拟及预测方法
CN117293809A (zh) 一种基于大模型的多时空尺度新能源发电功率预测方法
CN115796259B (zh) 模型训练方法、数据处理方法、预测方法及装置、设备
CN114418243B (zh) 分布式新能源云端网格预测方法与系统
JP6178121B2 (ja) 模擬降雨データ生成装置、生成方法およびプログラム
CN116823231B (zh) 河道水位信息生成方法、装置、电子设备和可读介质
CN116415525A (zh) 一种对水库水面线进行预测的方法、装置、设备及介质
CN116383768A (zh) 基于多模态信息融合的农作物产量预测方法及装置
CN113869804B (zh) 一种洪涝灾害下的电网设备风险预警方法及系统
CN113222276B (zh) 覆冰情况预测方法、装置、计算机设备和存储介质

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