Nothing Special   »   [go: up one dir, main page]

CN112989538B - 城市排水系统的控制方法和控制装置 - Google Patents

城市排水系统的控制方法和控制装置 Download PDF

Info

Publication number
CN112989538B
CN112989538B CN202110342744.1A CN202110342744A CN112989538B CN 112989538 B CN112989538 B CN 112989538B CN 202110342744 A CN202110342744 A CN 202110342744A CN 112989538 B CN112989538 B CN 112989538B
Authority
CN
China
Prior art keywords
drainage system
simulation model
flow value
urban drainage
model
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
CN202110342744.1A
Other languages
English (en)
Other versions
CN112989538A (zh
Inventor
董欣
王一茗
徐智伟
曾思育
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.)
Tsinghua University
Original Assignee
Tsinghua University
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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110342744.1A priority Critical patent/CN112989538B/zh
Publication of CN112989538A publication Critical patent/CN112989538A/zh
Application granted granted Critical
Publication of CN112989538B publication Critical patent/CN112989538B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/14—Pipes

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Physiology (AREA)
  • Genetics & Genomics (AREA)
  • Sewage (AREA)
  • Feedback Control In General (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请涉及一种城市排水系统控制方法及控制装置。所述城市排水系统控制方法包括：获取城市排水系统的完整仿真模型，对该仿真模型进行简化，得到简化后的仿真模型；获取仿真模型中入流点的历史流量值和城市排水系统所在区域的当前降雨量和未来预测降雨量，根据历史流量值、当前降雨量和未来预测降雨量，确定入流点的未来流量值；采用简化后的仿真模型模拟出入流点注入未来流量值后在不同控制策略下的溢流量，确定控制策略，调整水量设施的控制方式，使得城市排水系统的溢流量在目标溢流量以下。本申请的方法旨在提供一种能够迅速准确的得到使城市排水系统中的溢流量在标准值以下的控制策略的方法，可以迅速找到合适的控制策略，改善了城市排水系统中的内涝淹积的情况。

Description

城市排水系统的控制方法和控制装置
技术领域
本申请涉及城市排水技术领域，特别是涉及一种城市排水系统的控制方法和控制装置。
背景技术
随着现代房屋卫生设备越来越完善，高层建筑越来越多，人口也越加密集，生活用水产生的污水量越来越多。同时随着工业发展，工业废水量也越来越多。再加上降雨，城市的排水系统受到了巨大的挑战，所以需要模拟城市的排水系统，找到对于排水设施的最优控制策略。
传统技术中，在计算排水设施的最优控制策略时，都是使用线性化的处理方法，将模型参数修改为符合线性化的关系再求解控制策略。
使用传统技术来获取排水设施的控制策略，对实际设施之间非线性关系的模拟准确度较低。
发明内容
基于此，有必要针对上述技术问题，提供一种能够准确获取排水系统中水量控制设施的最优控制策略的城市排水系统的控制方法和控制装置。
一种城市排水系统的控制方法，包括：获取城市排水系统的完整仿真模型，所述城市排水系统包括入流点、出流点、水量控制设施和排水管道，所述入流点和所述出流点用于与外界连通，所述入流点和所述出流点之间、两个所述水量控制设施之间、所述入流点和所述水量控制设施之间以及所述出流点和所述水量控制设施之间都通过所述排水管道连通；对所述完整仿真模型进行简化，得到简化仿真模型；获取所述入流点的历史流量值、所述城市排水系统所在区域的当前降雨量和未来预测降雨量；根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值；采用简化仿真模型模拟出所述城市排水系统在所述入流点注入所述未来流量值的水量之后在不同控制策略下的溢流量，确定目标控制策略，所述目标控制策略包括所述水量控制设施的控制方式，以使所述城市排水系统的溢流量在目标溢流量以下。
在其中一个实施例中，所述获取城市排水系统的完整仿真模型，包括：获取城市排水系统的模型文件；若所述模型文件为inp格式，则将所述模型文件转换为所述城市排水系统的完整仿真模型；若所述模型文件为icmm格式，则根据inp格式的模型文件与icmm格式的模型文件之间的对应关系，将icmm格式的模型文件转换为inp格式的模型文件，并将inp格式的模型文件转换为所述城市排水系统的完整仿真模型。
在其中一个实施例中，所述对所述完整仿真模型进行简化，得到简化后的仿真模型，包括：采用所述水量控制设施和所述入流点作为边界点，将所述完整仿真模型划分为多个片区；对所述完整仿真模型中位于同一个所述片区内的排水管道进行简化，得到简化仿真模型。
在其中一个实施例中，所述对所述仿真模型中位于同一个所述片区内的排水管道进行简化，包括：若相邻两个所述排水管道的坡度之差在坡度差范围内且截面形状相同，则将两个所述排水管道合并；若所述排水管道与主干管道的管径之比小于等于管径比范围且所述排水管道的长度小于等于长度阈值，则将所述排水管道并入所述主干管道；或者，采用一个虚拟管道替代同一个所述片区内的所有排水管道。
在其中一个实施例中，所述获取所述入流点的历史流量值和所述城市排水系统所在区域的当前降雨量和未来预测降雨量，包括：通过所述城市排水系统中闸门、泵站和调蓄池所在区域设置的流量计获取所述入流点的历史流量值；通过所述城市排水系统所在区域设置的雨量计获取所述城市排水系统所在区域的当前降雨量；从气象网站获取所述城市排水系统所在区域的未来预测降雨量。
在其中一个实施例中，所述根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值，包括：将所述历史流量值、所述当前降雨量和所述未来预测降雨量输入长短期记忆人工神经网络，得到所述长短期记忆人工神经网络输出的所述入流点的未来流量值。
在其中一个实施例中，所述方法还包括：对所述简化仿真模型的准确性进行验证。
一种城市排水系统的控制装置，包括：模型获取模块，用于获取城市排水系统的完整仿真模型，所述城市排水系统包括入流点、出流点、水量控制设施和排水管道，所述入流点和所述出流点用于与外界连通，所述入流点和所述出流点之间、两个所述水量控制设施之间、所述入流点和所述水量控制设施之间以及所述出流点和所述水量控制设施之间都通过所述排水管道连通；模型简化模块，用于对所述完整仿真模型进行简化，得到简化仿真模型；数据获取模块，用于获取所述入流点的历史流量值、所述城市排水系统所在区域的当前降雨量和未来预测降雨量；数据确定模块，用于根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值；策略确定模块，用于采用简化仿真模型模拟出所述城市排水系统在所述入流点注入所述未来流量值的水量之后在不同控制策略下的溢流量，确定目标控制策略，所述目标控制策略包括所述城市排水系统中的水量控制设施的控制方式，以使所述城市排水系统的溢流量在目标溢流量以下。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取城市排水系统的完整仿真模型，所述城市排水系统包括入流点、出流点、水量控制设施和排水管道，所述入流点和所述出流点用于与外界连通，所述入流点和所述出流点之间、两个所述水量控制设施之间、所述入流点和所述水量控制设施之间以及所述出流点和所述水量控制设施之间都通过所述排水管道连通；
对所述完整仿真模型进行简化，得到简化仿真模型；
获取所述入流点的历史流量值、所述城市排水系统所在区域的当前降雨量和未来预测降雨量；
根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值；
采用简化仿真模型模拟出所述城市排水系统在所述入流点注入所述未来流量值的水量之后在不同控制策略下的溢流量，确定目标控制策略，所述目标控制策略包括所述水量控制设施的控制方式，以使所述城市排水系统的溢流量在目标溢流量以下。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取城市排水系统的完整仿真模型，所述城市排水系统包括入流点、出流点、水量控制设施和排水管道，所述入流点和所述出流点用于与外界连通，所述入流点和所述出流点之间、两个所述水量控制设施之间、所述入流点和所述水量控制设施之间以及所述出流点和所述水量控制设施之间都通过所述排水管道连通；
对所述完整仿真模型进行简化，得到简化仿真模型；
获取所述入流点的历史流量值、所述城市排水系统所在区域的当前降雨量和未来预测降雨量；
根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值；
采用简化仿真模型模拟出所述城市排水系统在所述入流点注入所述未来流量值的水量之后的溢流量，确定目标控制策略，所述目标控制策略包括所述水量控制设施的控制方式，以使所述城市排水系统的溢流量在目标溢流量以下。
上述排水系统的控制方法和控制装置，通过获取城市排水系统的完整仿真模型，对完整仿真模型进行简化，可以得到简化仿真模型。城市排水系统包括与外界连通的入流点、出流点、水量控制设施、以及连通入流点和水量控制设施的排水管道，通过获取入流点的历史流量值、城市排水系统所在区域的当前降雨量和未来预测降雨量，可以根据历史流量值、当前降雨量和未来预测降雨量，计算得到入流点的未来流量值。最后采用简化仿真模型模拟出城市排水系统在入流点注入未来流量值的水量之后的溢流值，可以确定使城市排水系统的溢流量在目标溢流量以下的目标控制策略。根据控制策略来调整城市排水系统中的水量控制设施的控制方式，即可实现城市排水系统的溢流量在目标溢流量以下。而且对完整仿真模型简化得到简化仿真模型，加快了对仿真模型进行模拟的速度，缩短了模型模拟的时间，从而能够迅速根据当前降雨的特点实时得到优化的控制策略，从而能够根据控制策略来及时准确地调整水量控制设施的控制方式，使得城市排水系统的溢流量在目标溢流量以下，改善了内涝淹积的情况。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为一个实施例中城市排水控制方法的流程图；
图2为一个实施例中获取仿真模型的方法的流程图；
图3为一个实施例中仿真模型的简化方法的流程图；
图4为一个实施例中城市排水控制装置的结构框图；
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
正如背景技术所述，现有技术中的计算排水设施的控制策略的方法有获取的控制策略不准确，使用时存在局限性的问题，经发明人研究发现，出现这种问题的原因在于，现有技术中先对排水系统模型进行线性化，得到线性化的模型文件，修改模型中的参数使得模型符合线性化的要求，然后再使用这种经过线性化处理的模型来获取排水设施的控制策略，导致求得的控制策略与实际情况相比不准确。
基于以上原因，本发明提供了一种城市排水系统控制方法，获取城市排水系统的完整仿真模型，对完整仿真模型进行简化，可以得到简化仿真模型。城市排水系统包括与外界连通的入流点、水量控制设施、以及连通入流点和水量控制设施的排水管道，通过获取入流点的历史流量值、城市排水系统所在区域的当前降雨量和未来预测降雨量，可以根据历史流量值、当前降雨量和未来预测降雨量，计算得到入流点的未来流量值。最后采用简化仿真模型模拟出城市排水系统在入流点注入未来流量值的水量之后在不同控制策略下的溢流值，可以确定使城市排水系统的溢流量在目标溢流量以下的目标控制策略。根据控制策略来调整城市排水系统中的水量控制设施的控制方式，即可实现城市排水系统的溢流量在目标溢流量以下。而且对完整仿真模型简化得到简化仿真模型，加快了对仿真模型进行模拟的速度，缩短了模型模拟的时间，从而能够迅速根据当前降雨的特点实时得到优化的控制策略，从而能够根据控制策略来及时准确地调整水量控制设施的控制方式，使得城市排水系统的溢流量在目标溢流量以下，改善了内涝淹积的情况。
在一个实施例中，如图1所示，提供了一种城市排水系统控制方法，该方法包括：
步骤S100，获取城市排水系统的完整仿真模型。
其中，城市排水系统包括入流点、出流点、水量控制设施和排水管道，入流点和出流点用于与外界连通，入流点和出流点之间、两个水量控制设施之间、入流点和水量控制设施之间以及出流点和水量控制设施之间都通过排水管道连通。
示例性地，水量控制设施包括泵站、闸门、调蓄池。
步骤S110，对城市排水系统的完整仿真模型进行简化，得到简化仿真模型。
步骤S120，获取入流点的历史流量值、城市排水系统所在区域的当前降雨量和未来预测降雨量。
步骤S130，根据历史流量值、当前降雨量和未来预测降雨量，确定入流点的未来流量值。
步骤S140，采用简化仿真模型模拟出城市排水系统在入流点注入未来流量值的水量之后在不同控制策略下的溢流量，确定目标控制策略。
其中，目标控制策略包括水量控制设施的控制方式，以使城市排水系统的溢流量在目标溢流量以下。
示例性地，目标控制策略包括在一定降雨条件下，泵站、闸门、调蓄池的操作的时间序列。泵站、闸门、调蓄池的操作的时间序列包括在不同的时间点，闸门打开的程度、控制泵站抽排水的流量、控制调蓄池的排水量的多少。
例如，如下表一所示，闸门的操作的时间序列包括在一定时间内的不同时间点下，对应不同的降雨强度，闸门的打开程度不同。
表一降雨强度与闸门开度的对应关系表
时间 降雨强度(mm/h) 闸门开度
00:00 0 0
00:15 5 0.25
00:30 12 0.25
00:45 15 0.50
01:00 15 0.75
01:15 4 1.0
01:30 0 1.0
上述城市排水系统控制方法，通过获取城市排水系统的完整仿真模型，对完整仿真模型进行简化，可以得到简化仿真模型。城市排水系统包括与外界连通的入流点、出流点、水量控制设施、以及连通入流点和水量控制设施的排水管道，通过获取入流点的历史流量值、城市排水系统所在区域的当前降雨量和未来预测降雨量，可以根据历史流量值、当前降雨量和未来预测降雨量，计算得到入流点的未来流量值。最后采用简化仿真模型模拟出城市排水系统在入流点注入未来流量值的水量之后在不同控制策略下的溢流值，可以确定使城市排水系统的溢流量在目标溢流量以下的目标控制策略。根据控制策略来调整城市排水系统中的水量控制设施的控制方式，即可实现城市排水系统的溢流量在目标溢流量以下。而且对完整仿真模型简化得到简化仿真模型，加快了对仿真模型进行模拟的速度，缩短了模型模拟的时间，从而能够迅速根据当前降雨的特点实时得到优化的控制策略，从而能够根据控制策略来及时准确地调整水量控制设施的控制方式，使得城市排水系统的溢流量在目标溢流量以下，改善了内涝淹积的情况。
在一个实施例中，如图2所示，该步骤S100包括：
步骤S200，获取城市排水系统的模型文件。若模型文件为icmm格式，则执行步骤S210；若模型文件为inp格式，则执行步骤S220。
示例性地，该步骤S200可以包括：从排水系统运营管理单位获取城市排水系统的模型文件。
步骤S210，根据inp格式的模型文件与icmm格式的模型文件之间的对应关系，将icmm格式的模型文件转换为inp格式的模型文件。
示例性地，该步骤S210可以包括：使用InfoWorks ICM软件，得到icmm格式的排水模型文件。
示例性地，该步骤S210可以包括：将icmm格式的模型文件转化为inp格式的模型文件，转化方法包括：
步骤S2101、生成icmm格式的模型文件对应的属性表；
示例性地，icmm格式的模型文件对应的属性表包括icmm模型中的点、线、子汇水区的Excel属性表，表中记录了icmm模型中的点、线、子汇水区的全部属性信息。
例如，如下表二所示，下表二为icmm模型中的点的属性表，包括点的类型、坐标、地面标高等属性。
表二icmm模型中的点的属性表
点编号 点类型 系统类型 横坐标 纵坐标 地面标高
A2050261946 Manhole Storm 886104 2564094 1887.632
A2050261947 Manhole Storm 886111 2564105 1887.58
A2050261948 Manhole Storm 886200 2564436 1887.725
步骤S2102、将icmm格式模型文件的属性表转换为inp格式的模型属性表；
示例性地，转换方式为将icmm格式模型文件的属性表中的模型的点、线、子汇水区的属性信息对应填写在inp格式的模型文件的属性表中，生成SWMM(Storm WaterManagement Model，开源软件暴雨径流管理模型)软件可以识别的属性表。
例如，icmm格式模型文件的属性表为Excel表格，而inp格式的模型文件的属性表为txt格式，所以需要将icmm格式模型文件的属性表中的点、线、子汇水区的属性信息重新填写到txt格式的inp格式的模型文件的属性表中。
步骤S2103、生成inp格式的仿真模型；
示例性的，将inp格式的模型文件的属性表导入SWMM(Storm Water ManagementModel，开源软件暴雨径流管理模型)软件中，得到inp格式的模型文件。
步骤S220，将inp格式的模型文件转换为城市排水系统的完整仿真模型。
示例性地，通过SWMM(Storm Water Management Model，开源软件暴雨径流管理模型)得到inp格式的仿真模型。
在本实施例中，提供了一种将icmm格式的模型文件转换为inp格式的模型文件的方法，使得本方法可以对两种格式的模型文件适用。
在一个实施例中，如图3所示，该步骤S110包括：
步骤S300，采用水量控制设施和所述入流点作为边界点，将完整仿真模型划分为多个片区。
示例性地，边界点包括：排水系统中的最上游节点和最下游节点、与外部的河道连接的节点和代表水量控制设施的节点。
示例性地，最上游节点包括入流点或无上游节点的节点，最下游节点包括出流点或无下游节点的节点。
示例性地，节点包括各条管道的连接点，水量控制设施，汇水区，入流点，出流点。
示例性地，搜寻边界点的方法包括：从一个节点开始向上和向下寻找节点；若寻找到边界点，则停止寻找并记录边界点；若未寻找到边界点，则改变寻找方向；从找到的边界点开始重复上述动作搜索边界点的上下游的节点，直至搜索到所有边界点。
在搜索到所有边界点之后，可以将所有边界点中最上游和最下游的节点标记为第一类边界点，将所有边界点中与外部的河道连接的节点标记为第二类边界点，将所有边界点中代表水量控制设施的节点标记为第三类边界点。将与第二类边界点之间通过管道连接的点，记录为溢流口节点。
步骤S310，对完整仿真模型中位于同一个片区内的排水管道进行简化，得到简化仿真模型。
在一个实施例中，该步骤S310包括：若相邻两个排水管道的坡度之差在坡度差范围内且截面形状相同，则将两个排水管道合并；若排水管道与主干管道的管径之比小于等于管径比范围且排水管道的长度小于等于长度阈值，则将排水管道并入主干管道。
示例性地，坡度差范围为相邻两个管道的坡度的差值不超过在上游的管道的坡度值的5％。
示例性地，管道的上下游的节点之一属于第三类边界点或者溢流口节点的管道不能进行合并。
示例性地，有两根或两根以上的上游管道和/或有两根或两根以上的下游管道的管道不进行合并。
示例性地，合并后的管道的长度不超过预设的阈值，优选地，阈值为参与合并的管道的平均长度的20倍。
示例性地，管径比范围为管道的管径不超过主干管道的管径的60％。
示例性地，长度阈值为200米。
在另一个实施例中，该步骤S310包括：采用一条虚拟管道替代同一个片区内的所有排水管道。
其中，虚拟管道为仅记录片区的所有出流点处的雨水量和污水量的管道。
示例性地，能够采用虚拟管道的条件为片区和相邻片区的共同边界点的数量小于3。
示例性地，若片区的出流点存在回水现象，如片区的出流点处出现雨水量增加20％，但出流点的流量值增加小于5％的情况，则此片区不能采用虚拟管道替代。
示例性地，若记录到的片区的出流点处的雨水量和污水量对降雨量存在复杂的响应关系，如降雨量出现一个流量峰值但出流点处的雨水量和污水量出现两个以上的流量峰值，则此片区不能采用虚拟管道替代。
其中，流量峰值为流量值在一段时间中间出现的极大值。
示例性地，简化后的仿真模型可以在2分钟内完成一次模拟，从而可以迅速根据当前降雨的特点得到控制策略。
在本实施例中，对排水系统的仿真模型进行简化，减少了模型中管道的数量，从而减少了模型求解时微分方程的数目，提高了模型的计算效率，加快了对仿真模型进行模拟的速度，缩短了模型模拟的时间，从而能够迅速根据当前降雨的特点得到控制策略。
在一个实施例中，该步骤S120包括：通过城市排水系统中闸门、泵站和调蓄池所在区域设置的流量计获取入流点的历史流量值；通过城市排水系统所在区域设置的雨量计获取城市排水系统所在区域的当前降雨量；从气象网站获取城市排水系统所在区域的未来预测降雨量。
在本实施例中，通过流量计、雨量计、气象网站，得到所需的历史流量值、当前降雨量、未来预测降雨量。
在一个实施例中，该步骤S130包括：将历史流量值、当前降雨量和未来预测降雨量输入长短期记忆人工神经网络，得到长短期记忆人工神经网络输出的入流点的未来流量值。
示例性地，长短期记忆人工神经网络的原理公式包括：
输入门：it＝σ(Wixt+Uiht-1+bi)
遗忘门：ft＝σ(Wfxt+Ufht-1+bf)
输出门：ot＝σ(Woxt+Uoht-1+bo)
单元状态包括：
记忆神经元:
Figure BDA0002999753130000111
新记忆神经元:
Figure BDA0002999753130000112
隐藏状态输出:
Figure BDA0002999753130000113
其中，σ()指代sigmoid函数，该函数的输出在0-1之间，因而可以代表信息在不同门中被遗忘/储存/转输的比例，tanh()代表双曲正切函数。xt,ht,it,ft,ot分别代表t时刻的输入向量、隐藏状态输出、输入门、遗忘门、输出门。W,U，b代表不同门的权重和偏差的组合。
在本实施例中，采用长短期人工神经网络，长短期人工神经网络强大的时间序列处理能力和历史数据协同可以准确预测复杂条件下的入流，可使用实时数据进行训练，实时校正神经网络的输出，避免了误差随时间的累积，使得模型模拟的结果更加准确。
在一个实施例中，该步骤S140包括：获取未来一段时间内的降雨强度的时间序列，将未来流量值和降雨强度的时间序列代入遗传算法，遗传算法的决策变量仅为控制策略，优化目标为根据控制策略的变化而变化的溢流量，得到使得溢流量在目标溢流量以下的目标控制策略，目标控制策略用于调整城市排水系统中的水量控制设施的操作的时间序列。
示例性地，计算总溢流量的公式为
Figure BDA0002999753130000121
Figure BDA0002999753130000122
其中TotalCSO为总溢流量，CSOi为第i个溢流口产生的溢流量，Qi,t为第i个溢流口在t时刻的流量，T为从第一个溢流口开始溢流至最后一个溢流口结束溢流的时间段。
优选地，在使得溢流量在目标溢流量以下的目标控制策略中，选择使得溢流量最小的目标控制策略。
在本实施例中，运行排水系统的仿真模型，采用不同的控制策略来模拟出入流点注入未来流量值后得到在不同控制策略下的溢流量，使用不同的控制策略时仿真模型中的水量控制设施的控制方式不同，将未来流量值和未来一段时间内的降雨强度的时间序列代入遗传算法，得到使得溢流量在目标溢流量以下的目标控制策略，使用目标控制策略来调整排水系统中的水量控制设施的控制方式，使得排水系统中的水量控制设施被合理的使用，减少了城市中的溢流量，改善了内涝淹积的情况。
在一个实施例中，对简化仿真模型的准确性进行验证。
示例性地，对简化仿真模型的准确性进行验证，包括：对入流点的未来流量值的准确性进行验证；若入流点的未来流量值的准确性通过验证，则对简化仿真模型模拟出的溢流量的准确性进行验证。
在一个实施例中，对入流点的未来流量值的准确性进行验证，包括：将城市排水系统所在区域的未来预测降雨量代入圣维南方程，得到城市排水系统的入流点的验证流量值；将验证流量值和未来流量值代入纳什系数的计算公式，得到纳什系数值；若纳什系数大于或等于0.5，则入流点的未来流量值通过验证；若纳什系数小于0.5，则入流点的未来流量值未通过验证。
示例性地，纳什系数的计算公式为
Figure BDA0002999753130000131
其中Qt为t时刻的验证流量值，Ot为t时刻的未来流量值，T为时刻数。
在另一个实施例中，对入流点的未来流量值的准确性进行验证，包括：通过城市排水系统中闸门、泵站和调蓄池所在区域设置的流量计获取城市排水系统所在区域的入流点在未来预测降雨量到达之后的实际流量值；将实际流量值和未来流量值代入纳什系数的计算公式，得到纳什系数值；若纳什系数大于或等于0.5，则入流点的未来流量值通过验证；若纳什系数小于0.5，则入流点的未来流量值未通过验证。
示例性地，若简化仿真模型得到的未来流量值不准确，则通过改变长短期神经网络的层数来进行调整。
示例性地，圣维南方程为：
Figure BDA0002999753130000132
其中，Q为流量值，s为沿水流方向的距离，A为过水断面的面积，t为时间，q为单位长度上旁侧入流的流量，g为重力加速度，v为流速，h为管内水深，i为管道坡度，Jf为摩阻坡度。使用圣维南方程比起线性化处理方法，能更加准确地仿真实际情况。
示例性地，仿真模型中的孔口的流量公式为：
Figure BDA0002999753130000141
其中，Q为孔口流量，Cd为无量纲的排放系数，A0为孔口出流截面面积，g为重力加速度，He为有效水头。
示例性地，仿真模型中的矩形堰的流量公式为：
Figure BDA0002999753130000142
其中，Q为矩形堰的流量，Cw为堰的排放系数，Le为堰的有效宽度，He为有效水头。
在本实施例中，将未来流量值代入纳什系数的计算公式中，得到纳什系数值，可以根据纳什系数来判断未来流量值的准确性，并根据判断的结果来对简化仿真模型进行调整，进而对简化仿真模型模拟出的未来流量值的准确性进行进一步的检验，确保简化仿真模型模拟结果的准确性。
在一个实施例中，对简化仿真模型模拟出的溢流量的准确性进行验证，包括：采用完整仿真模型模拟出采用目标控制策略的城市排水系统在入流点注入未来流量值的水量之后的验证溢流量；将验证溢流量和简化仿真模型得到的溢流量代入纳什系数的计算公式，得到纳什系数值；若纳什系数大于或等于0.5，则简化仿真模型得到的溢流量通过验证；若纳什系数小于0.5，则简化仿真模型得到的溢流量未通过验证。
在另一个实施例中，对简化仿真模型模拟出的溢流量的准确性进行验证，包括：获取采用目标控制策略的城市排水系统在未来预测降雨量到达之后的实际溢流量；将实际溢流量和简化仿真模型得到的溢流量代入纳什系数的计算公式，得到纳什系数值；若纳什系数大于或等于0.5，则简化仿真模型得到的溢流量通过验证；若纳什系数小于0.5，则简化仿真模型得到的溢流量未通过验证。
示例性地，若简化仿真模型模拟出的溢流量不准确，则通过减小管道合并时最大长度的阈值来进行调整。
在本实施例中，将溢流量值代入纳什系数的计算公式中，得到纳什系数值，可以根据纳什系数来判断溢流量值的准确性，并根据判断的结果来对简化仿真模型进行调整，进而对简化仿真模型模拟出的溢流量值的准确性进行进一步的检验，确保简化仿真模型模拟结果的准确性。
应该理解的是，虽然图1、图2、图3的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1、图2、图3中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图4所示，提供了一种城市排水系统的控制装置，包括：模型获取模块901、模型简化模块902、数据获取模块903、数据确定模块904以及策略确定模块905，其中：
模型获取模块901，用于获取城市排水系统的完整仿真模型。
模型简化模块902，用于对完整仿真模型进行简化，得到简化仿真模型。
数据获取模块903，用于获取入流点的历史流量值、城市排水系统所在区域的当前降雨量和未来预测降雨量。
数据确定模块904，用于根据历史流量值、当前降雨量和未来预测降雨量，确定入流点的未来流量值。
策略确定模块905，用于采用简化仿真模型模拟出城市排水系统在入流点注入未来流量值的水量之后的溢流量，确定目标控制策略，目标控制策略包括城市排水系统中的水量控制设施的控制方式，以使城市排水系统的溢流量在目标溢流量以下。
关于城市排水系统的控制装置的具体限定可以参见上文中对于城市排水系统的控制方法的限定，在此不再赘述。上述城市排水系统的控制装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。需要说明的是，本申请实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
以下说明仅为展现城市排水系统的控制方法的实际应用，在一特定的情况下作出的示例性说明，并不能因此而理解为对发明专利范围的限制。
在一个实施例中，城市排水系统的控制方法应用于某市主城南片区排水系统的联动控制，片区雨污分流率约为53％，服务人口约85万，片区内建有两座污水处理厂(设计规模42万立方米)，三座调蓄池(总容积3.3万立方米)，13处溢流口。对于调蓄池入流采用长短时神经网络进行预测，LSTM(Long Short-Term Memory，长短期记忆人工神经网络)层均由100个神经元构成，训练的误差函数为均方函数，优化方法为Adam(adaptive momentestimation，适应性矩估计)。案例研究中的数据由复杂机理模型在多种设计降雨和实际降雨条件下生成，数据的70％用于训练，30％用于测试。采用测试集上的纳什系数来量化不同LSTM(Long Short-Term Memory，长短期记忆人工神经网络)模型的预测效果。预测的步长为5分钟。由两监测站点提供的45分钟历史数据预测未来5分钟入流，神经网络包括三个LSTM层，训练后的纳什系数可达0.90以上。保留片区内的水量控制设施，忽略了部分影响较小的管道，同时针对一些流量不可忽略的分支管道，采用设置虚拟管道的方式进行替代。通过以上操作，模型规模下降98％以上，模拟速度大幅提升。在测试用的实际降雨条件下，所提出模型仿真结果与使用圣维南方程的实际的仿真结果变化趋势一致。
在实际降雨和不同重现期的设计降雨条件下，对比经验控制和利用本发明的方法得到的控制策略，可额外削减溢流量2892-8073立方米。
在一个实施例中，提供了一种计算机设备，该计算机设备内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种城市排水系统的控制方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通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，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。
在本说明书的描述中，参考术语“有些实施例”、“其他实施例”、“理想实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特征包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性描述不一定指的是相同的实施例或示例。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种城市排水系统的控制方法，其特征在于，所述方法包括：
获取城市排水系统的完整仿真模型，所述城市排水系统包括入流点、出流点、水量控制设施和排水管道，所述入流点和所述出流点用于与外界连通，所述入流点和所述出流点之间、两个所述水量控制设施之间、所述入流点和所述水量控制设施之间以及所述出流点和所述水量控制设施之间都通过所述排水管道连通；
采用所述水量控制设施和所述入流点作为边界点，将所述完整仿真模型划分为多个片区；
对所述完整仿真模型中位于同一个所述片区内的排水管道进行简化，得到简化仿真模型；
所述对所述完整仿真模型中位于同一个所述片区内的排水管道进行简化包括：
若相邻两个所述排水管道的坡度之差在坡度差范围内且截面形状相同，则将两个所述排水管道合并；
若所述排水管道与主干管道的管径之比在管径比范围内且所述排水管道的长度小于等于长度阈值，则将所述排水管道并入所述主干管道；
或者，若所述片区与相邻片区的共同边界点的数量小于3个，则采用一个虚拟管道替代同一个所述片区内的所有排水管道；
获取所述入流点的历史流量值、所述城市排水系统所在区域的当前降雨量和未来预测降雨量；
根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值；
采用简化仿真模型模拟出所述城市排水系统在所述入流点注入所述未来流量值的水量之后在不同控制策略下的溢流量，确定目标控制策略，所述目标控制策略包括所述水量控制设施的控制方式，以使所述城市排水系统的溢流量在目标溢流量以下。
2.根据权利要求1所述的方法，其特征在于，所述获取城市排水系统的完整仿真模型，包括：
获取城市排水系统的模型文件；
若所述模型文件为inp格式，则将所述模型文件转换为所述城市排水系统的完整仿真模型；
若所述模型文件为icmm格式，则根据inp格式的模型文件与icmm格式的模型文件之间的对应关系，将icmm格式的模型文件转换为inp格式的模型文件，并将inp格式的模型文件转换为所述城市排水系统的完整仿真模型。
3.根据权利要求1或2所述的方法，其特征在于，所述边界点包括：排水系统中的最上游节点和最下游节点、所述模型与外部的河道连接的节点和代表所述水量控制设施的节点。
4.根据权利要求3所述的方法，其特征在于，所述节点包括各所述排水管道的连接点、所述水量控制处、汇水区处、入流点、出流点。
5.根据权利要求1或2所述的方法，其特征在于，所述获取所述入流点的历史流量值、所述城市排水系统所在区域的当前降雨量和未来预测降雨量，包括：
通过所述城市排水系统中闸门、泵站和调蓄池所在区域设置的流量计获取所述入流点的历史流量值；
通过所述城市排水系统所在区域设置的雨量计获取所述城市排水系统所在区域的当前降雨量；
从气象网站获取所述城市排水系统所在区域的未来预测降雨量。
6.根据权利要求1或2所述的方法，其特征在于，所述根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值，包括：
将所述历史流量值、所述当前降雨量和所述未来预测降雨量输入长短期记忆人工神经网络，得到所述长短期记忆人工神经网络输出的所述入流点的未来流量值。
7.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：
对所述简化仿真模型的准确性进行验证。
8.一种城市排水系统的控制装置，其特征在于，包括：
模型获取模块，用于获取城市排水系统的完整仿真模型，所述城市排水系统包括入流点、出流点、水量控制设施和排水管道，所述入流点和所述出流点用于与外界连通，所述入流点和所述出流点之间、两个所述水量控制设施之间、所述入流点和所述水量控制设施之间以及所述出流点和所述水量控制设施之间都通过所述排水管道连通；
模型简化模块，用于采用所述水量控制设施和所述入流点作为边界点，将所述完整仿真模型划分为多个片区；对所述完整仿真模型中位于同一个所述片区内的排水管道进行简化，得到简化仿真模型；所述对所述完整仿真模型中位于同一个所述片区内的排水管道进行简化包括：若相邻两个所述排水管道的坡度之差在坡度差范围内且截面形状相同，则将两个所述排水管道合并；若所述排水管道与主干管道的管径之比在管径比范围内且所述排水管道的长度小于等于长度阈值，则将所述排水管道并入所述主干管道；或者，若所述片区与相邻片区的共同边界点的数量小于3个，则采用一个虚拟管道替代同一个所述片区内的所有排水管道；
数据获取模块，用于获取所述入流点的历史流量值、所述城市排水系统所在区域的当前降雨量和未来预测降雨量；
数据确定模块，用于根据所述历史流量值、所述当前降雨量和所述未来预测降雨量，确定所述入流点的未来流量值；
策略确定模块，用于采用简化仿真模型模拟出所述城市排水系统在所述入流点注入所述未来流量值的水量之后在不同控制策略下的溢流量，确定目标控制策略，所述目标控制策略包括所述城市排水系统中的水量控制设施的控制方式，以使所述城市排水系统的溢流量在目标溢流量以下。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202110342744.1A 2021-03-30 2021-03-30 城市排水系统的控制方法和控制装置 Active CN112989538B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110342744.1A CN112989538B (zh) 2021-03-30 2021-03-30 城市排水系统的控制方法和控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110342744.1A CN112989538B (zh) 2021-03-30 2021-03-30 城市排水系统的控制方法和控制装置

Publications (2)

Publication Number Publication Date
CN112989538A CN112989538A (zh) 2021-06-18
CN112989538B true CN112989538B (zh) 2022-08-05

Family

ID=76338526

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110342744.1A Active CN112989538B (zh) 2021-03-30 2021-03-30 城市排水系统的控制方法和控制装置

Country Status (1)

Country Link
CN (1) CN112989538B (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113486606B (zh) * 2021-06-30 2023-01-20 上海市政工程设计研究总院（集团）有限公司 水处理系统模型训练方法、运行方法、系统、设备和介质
CN113406940B (zh) * 2021-07-28 2024-05-17 金盛 一种基于模型预测控制的智能排水分级实时控制方法
CN113722913A (zh) * 2021-08-31 2021-11-30 广州市市政工程设计研究总院有限公司 排水系统的仿真与调度方法、系统、装置及存储介质
CN113742873B (zh) * 2021-09-07 2022-04-12 安徽互佳网络信息科技有限公司 智慧化城市排水管理系统
CN116427511A (zh) * 2021-12-30 2023-07-14 北京仁创科技集团有限公司 水安全型海绵城市雨水处理再利用方法
CN115907429B (zh) * 2022-12-28 2023-08-25 清华大学 基于pso算法的合流制溢流优化控制方法及装置
CN116485034B (zh) * 2023-05-15 2023-09-08 深圳市嘉闰州生态建工有限公司 一种城市排水量预测方法及系统
CN116700039A (zh) * 2023-08-04 2023-09-05 山东科能电气设备有限公司 一种城市应急排水系统的控制方法、系统、设备及介质
CN118735753A (zh) * 2024-09-03 2024-10-01 成都建工第三建筑工程有限公司 一种智慧城市自启动排水方法及系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000257140A (ja) * 1999-03-09 2000-09-19 Toshiba Corp 雨水流入量予測装置及び雨水流入量予測方法
CN110334468B (zh) * 2019-07-16 2021-10-22 哈尔滨工业大学 一种城市排水管网雨水汇入量与溢流量的定量方法
CN110555239B (zh) * 2019-08-07 2023-04-28 华南理工大学 一种基于排水管网模型的河涌水闸优化调度方法
CN111880431A (zh) * 2020-06-19 2020-11-03 中国市政工程华北设计研究总院有限公司 一种综合性的城市排水系统联合调度实时仿真控制方法及所用系统
CN112529270A (zh) * 2020-11-30 2021-03-19 西安科锐盛创新科技有限公司 基于深度学习的水流量预测模型

Also Published As

Publication number Publication date
CN112989538A (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN112989538B (zh) 城市排水系统的控制方法和控制装置
Bae et al. Monthly dam inflow forecasts using weather forecasting information and neuro-fuzzy technique
García et al. Modeling and real-time control of urban drainage systems: A review
Wang et al. Optimization of storage tank locations in an urban stormwater drainage system using a two-stage approach
Azari et al. Multi-objective optimization of the reservoir system operation by using the hedging policy
CN1312629C (zh) 城市排水系统不确定水力学模型建模方法
Park et al. Optimal design of stormwater detention basin using the genetic algorithm
Che et al. Application of an optimization/simulation model for real-time flood-control operation of river-reservoirs systems
CN113050430A (zh) 一种基于鲁棒强化学习的排水系统控制方法
Sushanth et al. Real-time streamflow forecasting in a reservoir-regulated river basin using explainable machine learning and conceptual reservoir module
CN110555239A (zh) 一种基于排水管网模型的河涌水闸优化调度方法
Jin et al. Comparative effectiveness of reservoir operation applying hedging rules based on available water and beginning storage to cope with droughts
Balla et al. A nonlinear predictive control approach for urban drainage networks using data-driven models and moving horizon estimation
Kazemnadi et al. Adaptive reservoir operation considering water quantity and quality objectives: Application of parallel cellular automata and sub-seasonal streamflow forecasts
CN114936505B (zh) 一种城市雨水井多点位水深快速预报的方法
Jafari et al. Investigation of rainfall forecast system characteristics in real-time optimal operation of urban drainage systems
Liu et al. Using a Bayesian probabilistic forecasting model to analyze the uncertainty in real-time dynamic control of the flood limiting water level for reservoir operation
CN118095104B (zh) 一种基于机器学习的洪涝快速预报方法及系统
CN109190263A (zh) 基于全流域降雨径流及水动力模型预测降水流量的方法
Lim et al. Determination of optimal location and capacity of detention facilities
Talebi et al. A framework for real-time operation of urban detention reservoirs: Application of the cellular automata and rainfall nowcasting
Kang et al. A case study for ANN-based rainfall–runoff model considering antecedent soil moisture conditions in Imha Dam watershed, Korea
KR20240000915A (ko) 유역 상세화를 통한 실적자료 기반 물수급 분석 방법 및 그 방법을 구현하기 위한 컴퓨터로 판독 가능한 기록매체에 저장된 프로그램
CN111598757B (zh) 一种平原河网区城市水系流动确定方法
CN115496128A (zh) 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法

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