一种基于积水预测的积水应急调度方法与流程

1.本发明涉及防汛调度技术领域，特别涉及了一种基于积水预测的积水应急调度方法。


背景技术：

2.近年来，由于全球气候变暖，极端天气频度和强度明显上升。我国多地发生强降水，持续时间长、累积雨量大、时段集中、具有极端性。由于城市空间资源紧张，电力设备如电缆线、变电设备、配电设备等逐步转移至地下。受极端降雨影响，城市频发地下配/变电房和电缆井积水事件。电力设备在积水中浸泡，引起设备绝缘部分闪络放电、短路故障，甚至跳闸，进而大面积停电，此外也易引发漏电，导致人身伤害，强降雨和内涝正成为电力安全的重大隐患。
3.排水系统是处理和排除污水和雨水的工程设施系统，是城市公用设施的组成部分，城市排水系统规划是城市总体规划的组成部分。城市排水系统通常由排水管道和污水处理厂组成。城市排水系统被称为“城市生命线系统”之一，是衡量城市现代化水平的重要标志，是保证城市生活正常运转最重要的基础设施，任何环节滞后或失灵都可能导致整个系统的瘫痪。
4.但目前国内城市排水系统运行调度、泵站维护、污水排放管理、防汛指挥等仍停留在人工阶段，系统的自动化程度低、应变能力差，同时又缺乏对图标或灾害天气情况的应急处理能力。因此，如何实现城市排水综合自动化，提高城市排水综合运行效率，已成为一个亟待解决的问题。


技术实现要素：

5.本发明的目的是克服现有技术中城市排水综合自动化程度低、城市排水综合运行效率的问题，提供了一种基于积水预测的积水应急调度方法，能够根据气象数据预测降雨量，并根据降雨量预测积水分布信息，从而对排水系统进行调度，实现排水综合自动化，提高排水综合运行效率。
6.为了实现上述目的，本发明采用以下技术方案：一种基于积水预测的积水应急调度方法，包括下列步骤：
7.s1：根据降雨预报数据，建立降雨量预测模型；
8.s2：根据降雨量，建立地表积水预测模型；
9.s3：获取目标地区地下管网分布信息，确定积水点的排水泵站；
10.s4：结合预测的积水点分布情况以及积水深度，对排水泵站进行调度。
11.降雨预报数据包括地表平均气温、大气降水、地表相对湿度、地表大气压、云量、近地面东风和/或近地面北风等于降雨有关的数据。还可以包括大气环流因子、雷达回波图等数据。本发明利用气象数据，对降雨量进行预测，并根据预测的降雨量，提前对地表积水进行预测，通过预测的积水分布情况，提前对泵站进行调度，避免在降雨时进行积水，造成安
全隐患。实现排水综合自动化，提高排水综合运行效率，保障了电力安全。
12.作为优选，所述的步骤s1进一步表示为：
13.s1.1：采集目标区域不同时间段的降雨预报数据以及对应降雨预报数据的实际降雨量，建立目标区域降雨数据库；
14.s1.2：建立神经网络模型，以各采集时间段的降雨预报数据作为神经网络模型的输入，将神经网络模型的输出作为该降雨预报数据的降雨量预测值；
15.s1.3：利用该降雨预报数据的实际降雨量训练神经网络模型，得到优化的神经网络模型；
16.s1.4：采集目标区域当前时间降雨预报数据，并将当前时间降雨预报数据作为优化的神经网络模型的输入，得到目标区域未来时间段内的降雨量预测值。
17.降雨量预测模型为神经网络模型，利用历史时间段的降雨预报数据以及实际降雨量构建神经网络模型，通过当前时刻降雨预报数据，实现目标地区未来降雨量方面的可靠性预测。即当前时刻降雨预报数据，得到的是未来时间段的降雨量。
18.作为优选，所述的步骤s2进一步表示为：
19.s2.1：获取目标地区建筑规划信息，并根据建筑规划信息将目标地区划分为若干区域；
20.s2.2：采集每个区域历史降雨量以及该降雨量对应的积水信息，并建立积水数据库，积水数据库中降雨量与该降雨量对应的积水信息是一一对应的关系；
21.s2.3：获取当前时刻预测的未来时间段内的降雨量预测值，将降雨量预测值输入积水数据库中进行相似度匹配，根据匹配结果，获取当前时刻预测的积水信息。
22.所述积水信息包括积水点分布以及对应积水点的积水深度，建筑规划信息是为了更准确的确定区域的防汛等级，根据建筑规划信息，可以判断是否有电力设备(如变电站)、人口是否聚集等，从而划分区域，有利于在出现水灾风险时，有序进行防涝调配。
23.作为优选，所述的步骤s2.3进一步表示为：
24.a1：若相似度小于预设的阈值，则成功匹配，获取该降雨量对应的积水点分布信息，则为当前时刻预测的积水信息；
25.a2：若相似度大于预设的阈值，根据相似度值，由大到小选取设定数量的历史降雨量以及降雨量对应的积水点分布信息，以历史降雨量为输入，对应的积水信息为输出，训练积水预测模型；将当前时刻预测的降雨量预测值输入至训练好的积水预测模型，得到当前时刻预测的积水信息。
26.积水预测模型是神经网络模型，在进行积水预测时，基于历史降雨量和其对应的积水信息，将相似度计算和神经网络模型相结合，预测结果更加准确。在在相似度满足预设的阈值时，获取与当前预测的降雨量匹配的历史降雨量以及该历史降雨量对应的积水信息，以该积水信息作为预测的积水信息；而在相似度不满足设定要求时，结合积水预测模型进行积水数据预测；简化了计算过程，同时保证了积水信息预测的准确度。
27.作为优选，所述的步骤s2进一步表示为：
28.s2.1：根据目标地区地理信息，建立地形模型；
29.s2.2：将地形模型划分为若干区域，计算每个区域的坡度情况；
30.s2.3：计算每个区域的积水点分布以及对应积水点的积水深度。
31.区域的积水情况与该区域的坡度有关，利用遥感影像和高程影像计算坡度，结果更加准确。
32.所述步骤s2.2进一步包括：
33.s2.2.1：获取目标区域的遥感影像，并对所述遥感影像预处理得到数字高程影像以及数字正射影像；
34.s2.2.2：利用数字高程影像以及数字正射影像构建目标区域坡度模型；
35.s2.2.3：获取待测区域的遥感图像，输入目标区域坡度模型，得到待测区域的坡度。
36.预处理可以为点云密集匹配、点云栅格化、dem编辑、影像正射纠正处理以及影像镶嵌处理。
37.作为优选，所述步骤s2.2.2进一步包括：
38.b1：根据所述数字正射影像图计算目标区域的形状指数值；
39.b2：根据数字高程模型数据采用坡度计算公式计算得到坡度图，并将所述坡度图与所述目标区域进行空间叠加，得到目标区域的地表坡度数据；
40.b3：根据目标区域的地形坡度数据、目标区域的形状指数值以及目标区域的地表坡度数据，基于幂函数模型进行回归分析拟合，构建目标区域坡度模型。通过建立目标区域坡度模型，可以快速计算待测区域的坡度。
41.作为优选，所述步骤s2.3进一步表示为：
42.s2.3.1：利用实际降雨量与降雨减损，计算目标区域降水量对应的产流；
43.s2.3.2：将每一个汇水区概化为一个非线性水库，建立非线性水库模型，所述模型以降雨量为输入，地表汇流和入渗为输出；
44.s2.3.3：根据非线性水库模型，得到时间步长结束时刻的出流量，即地表水深。
45.产流就是降水经过地表的植物截留、下渗、蒸发等过程产生地表径流的过程。产流值由实际降雨量减去降雨减损获得。降雨汇流是指降雨产生的产流汇集到流域出口流出的过程；地表汇流是各汇水区内产流后由地表汇流至流域出口的过程。非线性水库模型的计算原理如下：
46.式中：v为汇水区的积水量，v＝a
×
d；d为水深；a为汇水区面积；i为净雨；q为出流量。
47.其中，
48.式中：w为汇水区的漫流宽度；n为地表曼宁粗糙系数；为地表滞蓄水深；s为汇水区宽度。
49.作为优选，所述步骤s3进一步表示为：
50.s3.1：获取积水点的空间坐标信息；
51.s3.2：根据目标地区地下管网分布信息，计算每个泵站所对应的排水区域；
52.s3.3：将积水点的空间坐标与各个泵站对应的排水区域进行比对，判断各积水点的排水泵站。
53.根据目标地区地下管网分布信息，选择一个泵站，以所述泵站为起点进行遍历，得到与该泵站对应的排水设施(雨水篦子和检查井等)；计算所述泵站与排水设施组成的点阵的外接多边形，并将外接多边形按照设置的距离进行缓冲，得到所选择泵站的排水区域。
54.作为优选，所述步骤s4进一步表示为：
55.s4.1：根据坡度将目标地区划分为若干区域，并设置每个区域的积水阈值，判断预测的积水点积水深度是否超过该积水点所在区域的水深阈值；
56.s4.2：若超过水深阈值，则发出警报，并开启该积水点对应的排水泵站，并在降雨结束后关闭泵站。
57.根据积水信息针对性开启泵站，节约了成本。同时也可以在地图上对需要重点关注的设施(如电力设备)进行标注，确定该设施的所在区域的积水情况，若积水深度超过阈值，则让工作人员提前对该区域进行预控处理。
58.因此，本发明具有如下有益效果：1、本发明利用气象数据，对降雨量进行预测，并根据预测的降雨量，提前对地表积水进行预测，通过预测的积水分布情况，提前对泵站进行调度，避免在降雨时进行积水，造成安全隐患。实现排水综合自动化，提高排水综合运行效率；2、结合目标区域地形趋势，增强积水监测预警及时性、准确性，有利于对可能因强降雨出现故障的电力设备进行相应的预控处理，减少隐患发生的几率，保障电力安全。
附图说明
59.图1为本发明方法的具体操作流程图。
60.图2为本发明中建立地表积水预测模型的一种步骤流程图。
61.图3为本发明中建立地表积水预测模型的另一种步骤流程图。
具体实施方式
62.下面结合附图与具体实施方式对本发明作进一步详细描述：
63.实施例一：
64.如图1所示的实施例中，可以看到一种基于积水预测的积水应急调度方法，其操作流程为：步骤一，根据气象数据，建立降雨量预测模型；步骤二，根据降雨量，建立地表积水预测模型；步骤三，获取目标地区地下管网分布信息，，确定积水点的排水泵站；步骤四，结合积水点分布情况以及积水深度，对排水泵站进行调度。本发明利用气象数据，对降雨量进行预测，并根据预测的降雨量，提前对地表积水进行预测，通过预测的积水分布情况，提前对泵站进行调度，避免在降雨时进行积水，造成安全隐患。实现排水综合自动化，提高排水综合运行效率，保障了电力安全。
65.下面通过具体的例子，进一步说明本技术的技术方案。
66.第一步：根据气象数据，建立降雨量预测模型。
67.采集目标区域不同时间段的降雨预报数据以及对应降雨预报数据的实际降雨量，建立目标区域降雨数据库；建立神经网络模型，以各采集时间段的降雨预报数据作为神经网络模型的输入，将神经网络模型的输出作为该降雨预报数据的降雨量预测值；利用该降雨预报数据的实际降雨量训练神经网络模型，得到优化的神经网络模型；采集目标区域当前时间降雨预报数据，并将当前时间降雨预报数据作为优化的神经网络模型的输入，得到
目标区域未来时间段内的降雨量预测值。
68.根据过去时间内的降雨预报数据与该降雨预报数据对应的实际降雨量，构建降雨量预测模型，实现目标地区未来降雨量方面的可靠性预测。
69.同时，在实际降雨过程中，采集降雨数据，与预测的降雨数据进行对比，判断降雨量预测值与实际降雨量差值是否过大，从而可以判断是否需要再次对降雨量预估模型进行优化，以便得到的降雨量预测值更加准确。
70.第二步：根据降雨量，建立地表积水预测模型。
71.获取目标地区建筑规划信息，并根据建筑规划信息将目标地区划分为若干区域；采集每个区域历史降雨量以及该降雨量对应的积水信息，并建立积水数据库，积水数据库中降雨量与该降雨量对应的积水信息是一一对应的关系；获取当前时刻预测的未来时间段内的降雨量预测值，将降雨量预测值输入积水数据库中进行相似度匹配：若相似度小于预设的阈值，则成功匹配，获取该降雨量对应的积水点分布信息，则为当前时刻预测的积水信息；若相似度大于预设的阈值，根据相似度值，由大到小选取设定数量的历史降雨量以及降雨量对应的积水点分布信息，以历史降雨量为输入，对应的积水信息为输出，训练积水预测模型；将当前时刻预测的降雨量预测值输入至训练好的积水预测模型，得到当前时刻预测的积水信息。
72.所述积水信息包括积水点分布以及对应积水点的积水深度，建筑规划信息是为了更准确的确定区域的防汛等级，根据建筑规划信息，可以判断是否有电力设备(如变电站)、人口是否聚集等，从而划分区域，有利于在出现水灾风险时，有序进行防涝调配。
73.积水预测模型是神经网络模型，在进行积水预测时，基于历史降雨量和其对应的积水信息，将相似度计算和神经网络模型相结合，预测结果更加准确。在在相似度满足预设的阈值时，获取与当前预测的降雨量匹配的历史降雨量以及该历史降雨量对应的积水信息，以该积水信息作为预测的积水信息；而在相似度不满足设定要求时，结合积水预测模型进行积水数据预测；简化了计算过程，同时保证了积水信息预测的准确度。
74.第三步：获取目标地区地下管网分布信息，确定积水点的排水泵站。
75.获取积水点的空间坐标信息；根据目标地区地下管网分布信息，计算每个泵站所对应的排水区域；将积水点的空间坐标与各个泵站对应的排水区域进行比对，判断各积水点的排水泵站。
76.具体地：
77.根据目标地区地下管网分布信息，选择一个泵站，以所述泵站为起点进行遍历，得到与该泵站对应的排水设施(雨水篦子和检查井等)；计算所述泵站与排水设施组成的点阵的外接多边形，并将外接多边形按照设置的距离进行缓冲，得到所选择泵站的排水区域。
78.第四步：结合预测的积水点分布情况以及积水深度，对排水泵站进行调度。
79.根据坡度将目标地区划分为若干区域，并设置每个区域的积水阈值，判断预测的积水点积水深度是否超过该积水点所在区域的水深阈值；若超过水深阈值，则发出警报，并开启该积水点对应的排水泵站，并在降雨结束后关闭泵站。
80.本实施例还可以在构建的地形图上对需要重点关注的设施(如电力设备)进行标注，确定该设施的所在区域的积水情况，若积水深度超过阈值，则让工作人员提前对该区域进行预控处理。
81.以变电站为例，可以确定变电站的积水情况，判断积水深度是否超过预设的变电站的积水阈值，若超过，则提前安排工作人员待命，以便在降雨过程中能够随时对变电站进行故障抢修。快速实施的减灾救灾应急行动应以快速恢复设备故障、综合停电损失最低为目标，充分考虑不同设备在电网调度中的重要度差异来优化抢修策略。
82.实施例二：
83.本实施例在实施例一的基础上，提供另一种根据降雨量，建立地表积水预测模型的方案：
84.1、根据目标地区地理信息，建立地形模型。
85.2、积水与坡度有关，首先将地形模型划分为若干区域，计算每个区域的坡度情况。
86.获取目标区域的遥感影像，并对所述遥感影像预处理(预处理可以为点云密集匹配、点云栅格化、dem编辑、影像正射纠正处理以及影像镶嵌处理)得到数字高程影像以及数字正射影像；根据所述数字正射影像图计算目标区域的形状指数值；根据数字高程模型数据采用坡度计算公式计算得到坡度图，并将所述坡度图与所述目标区域进行空间叠加，得到目标区域的地表坡度数据；根据目标区域的地形坡度数据、目标区域的形状指数值以及目标区域的地表坡度数据，基于幂函数模型进行回归分析拟合，构建目标区域坡度模型；获取待测区域的遥感图像，输入目标区域坡度模型，得到待测区域的坡度。通过建立目标区域坡度模型，可以快速计算待测区域的坡度。
87.3、计算每个区域的积水点分布以及对应积水点的积水深度。
88.1、利用实际降雨量与降雨减损，计算目标区域降水量对应的产流。
89.产流就是降水经过地表的植物截留、下渗、蒸发等过程产生地表径流的过程。产流量值由实际降雨量减去降雨减损获得，即：
90.w
产流
＝q
总-q
下渗-q
蒸发
，
91.式中：参数分别是雨水地表产流、降水总量、下渗雨量、雨水蒸发量。
92.土壤下渗减损公式如下：
93.q
下渗
＝i
t
*δt*s
94.i
t
＝f0+(f
1-f0)e-α
，
95.式中：i
t
为δt(时间间隔)时间内的平均入渗率；s为透水区面积；f0为最终入渗率；f1为起始入渗率；α为入渗递减率。
96.2、利用非线性水库模型，计算降雨地表汇流，得到地表积水水深。
97.降雨汇流是指降雨产生的产流汇集到流域出口流出的过程。地表汇流是各汇水区内产流后由地表汇流至流域出口的过程。
98.本实施例将每一个汇水区概化为一个非线性水库，建立非线性水库模型，所述模型以降雨量为输入，地表汇流和入渗为输出；根据非线性水库模型，得到时间步长结束时刻的出流量，即地表水深。
99.非线性水库模型的计算原理如下：
100.式中：v为汇水区的积水量，v＝a
×
d；d为水深；a为汇水区面积；i为净雨；q为出流量。
101.其中：
[0102][0103]
式中：w为汇水区的漫流宽度；n为地表曼宁粗糙系数；为地表滞蓄水深；s为汇水区宽度。最后可以得到时间步长结束时刻的出流量，即地表水深。
[0104]
还可以计算降雨管网汇流，得到地下积水水深：管网汇流由管网排水能力和排水历时共同决定：
[0105][0106]
式中：n为管壁糙率；d为管径；s为管底坡度；δt为排水历时。
[0107]
本实施例还包括：判断积水速率是否超过泵站排水速率，若积水速率远超过泵站排水速率，则说明泵站无法及时排出积水，有积涝风险，需要及时做出防涝应急抢险方案，若为人群聚集的区域，需要提早疏散人群。
[0108]
本实施例在第四步中还包括：在实际降雨过程中，判断泵站的运行参数是否正常以及泵站当前时刻的排水流量是否正常；如果运行参数正常而排水量不正常，则说明排水系统的排水管道发生堵塞或者所述排水管道漏断；若排水流量和运行参数均不正常，说明泵站出现故障。
[0109]
确定排水系统是否正常，以便在排水系统出现故障时及时做出应对措施，保证排水正常运行，防止积水，减少事故发生。
[0110]
以上所述的实施例只是本发明的一种较佳的方案，并非对本发明作任何形式上的限制，在不超出权利要求所记载的技术方案的前提下还有其它的变体及改型。