本文是一篇工程管理论文，本文以南水北调中线工程为研究对象，针对调度运行中的水情数据空间逻辑异常的工程问题和智慧化调水的工作需求，构建了监测点位倒挂数据清洗模型和常规工况下的实时调控模型，研究成果可辅助调度人员进行决策制定，提高调度决策的科学性和实时性，为实现“无人值班，少人值守”的智慧化调水目标提供了技术支撑。
第1章 绪论
1.1 研究背景与意义
水是地球生物赖以生存的物质基础，是维系地球生态环境可持续发展乃至人类生存的首要条件[1]。地球上水资源总量极为丰富，约为14亿km3，而淡水资源总量约为3500万km3，约占水资源总量的2.5%。且现有的淡水资源中，大约70%是山地、南极和北极地区的冰和永久积雪，不能被人类直接使用。可供人类直接利用的淡水资源主要集中在湖泊与河流中，大约占全世界淡水资源的0.3%。随着人类社会的进步与发展，水资源短缺逐渐成为全球性问题。
我国水资源丰富，据《2021年中国水资源公报》显示，全国水资源总量为29638.2亿m3，其中地表水资源量为28310.5亿m3，地下水资源量为8195.7亿m3[2]。但由于我国人口众多，导致人均水资源量较少，仅为世界水平的1/4[3]。同时，由于我国所处地理位置和各地区环境的差异性，造成我国水资源形成了“南多北少”和“春旱夏涝”的水量时空分布格局[4]。近些年，随着我国农业和工业的快速发展，各行各业用水量在不断提升，水资源不足已成为遏制我国经济社会发展的重要瓶颈。
调水工程是缓解受水地区水资源的供需矛盾，实现水资源科学合理配置，促进各地区协同发展的重大举措[5]。而明渠调水方式因拥有工程投资小[6]、运行费用低、施工维护方便等优点，受到国内外大型调水工程建设者的喜爱，逐渐成为大型调水工程中常用的输水方式。明渠调水工程的核心业务是调度，而调度决策的制定需要对采集得到的水情数据进行分析。在水情数据监测过程中，手动数据记录错误、监测设备故障、数据传输错误等主观及客观因素的影响[7]导致数据监测异常频发，直接影响数据监测的质量，并间接影响输水过程中调度决策的制定，影响工程运行安全。
1.2 国内外研究现状
1.2.1 时间序列数据清洗研究现状及发展趋势
数据清洗是指以保持数据完整性与有效性为前提，以提高数据监测质量为目标，通过异常点检测和缺失值填补等技术手段，对数据中不完整、含噪声的数据进行处理的数据挖掘方法。一般情况下，人们直接获取得到的数据通常为“脏数据”，数据的可靠性、一致性得不到保证。如果不对数据进行处理，则从这些数据中所提炼出来的结论或规律可能不准确或甚至与事实相悖。因此，在对数据进行分析利用前开展数据清洗工作是十分必要的。
时间序列数据是指将相同统计指标的数据按其时间发生的先后进行排列，用于描述现象随时间的变化情况。文献[9]介绍了时间序列数据的错误类型及总结了当前常用的时间序列清洗方法。时间序列数据清洗过程共包含两个步骤：时间序列异常值检测和时间序列异常值修复。常见的时间序列异常值检测方法有拉依达法则、箱型图分析法、聚类分析法等。近年，随着人工智能技术的快速发展，时间序列异常数据诊断方式逐步向机器学习和深度学习的领域扩展。胡姣姣等[10]针对时间序列数据异常检测中存在的类间分布不平衡的问题，提出了一种基于深度卷积神经网络的检测方法，利用卷积神经网络对时间序列数据片段划分后的结果进行异常检测，结果显示该方法弥补了现有检测技术由于数据分布不平衡所造成的少类数据检测精度低的缺点。李博等[11]将驾驶辅助领域中路面检测问题转化为时间序列分类问题，利用多通道小波卷积神经网络技术，实现路面异常检测。
第2章 南水北调中线工程概况
2.2 南水北调中线工程概况
“南方水多，北方水少，如有可能，借点水来也是可以的”。1952年10月毛泽东主席视察黄河时首次提出南水北调的宏伟设想[31]，经过半个世纪的规划、论证、勘测、设计，南水北调中线工程于2003年12月31日正式开工建设，2013年12月25日完成主体工程建设，2014年12月12日正式通水运行。中线工程（图2-1）从位于长江支流汉江上游的丹江口水库引水，沿途经过秦岭山脉支脉、太行山山前平原及京广铁路，跨越长江、淮河、黄河、海河四大流域，采用自流方式沿途供水，最终抵达北京的团城湖及天津市外环河。
2.3 南水北调中线工程数据监测情况
2.3.1 水情数据监测
水情状态是评估历史调控效果、生成实时控制指令、编制未来调度方案的主要依据，水情监测数据是水情状态最为直观的反映形式。水情数据监测一般包含水位数据监测和流量数据监测，本小节对中线工程水位数据监测和流量数据监测的点位信息及监测频次进行介绍。
2.3.1.1 水情数据监测点位
为支撑南水北调中线工程的运行调度，在沿线布设了大量的监测设备，并在全线形成了一个完整的监测站网，可用过监测站网实时监测全线水情数据变化情况。监测站网包括闸站监测设备300余台，全线流量计（包括投入式、压力式、超声波）及水位计超700个，以及6000多个闸站监控摄像头和沿线视频监控摄像头。
（1）水位监测情况
中线工程全线共布设水位计592个，其类型主要有投入式水位计（图2-2）和超声波水位计两种，主要监测对象包括沿线节制闸闸前水位、节制闸闸后水位，沿线分水闸闸前水位、分水闸闸后水位，沿线退水闸闸前水位，以及沿线控制闸闸前水位和闸后水位。
中线工程所选用的水位和流量监测设备均为自动监测设备，该类型监测设备与传统的观测设备不同，具有秒级甚至毫秒级的高级采集能力。然而，受到监测设备性能与渠道水波传动规律的影响，随机波动在高频监测中表现尤为明显，导致高频监测设备所监测数据无法直接应用于调水工程。
第3章 中线工程监测点位数据倒挂清洗 ..................... 15
3.1 引言 .......................... 15
3.2 中线工程水情监测数据质量分析 .................... 15
第4章 基于数据驱动的实时调控预测模型 ........................ 31
4.1 引言 ............................. 31
4.2 研究框架及模型评价标准 ....................... 31
第5章 数据与机理双重驱动的调控后水位预测模型 ........................ 54
5.1 引言 ............................ 54
5.2 研究框架及模型评价标准 ................................ 54
第5章 数据与机理双重驱动的调控后水位预测模型
5.2 研究框架及模型评价标准
5.2.1 研究框架
明渠调水工程闸前水位会随节制闸的变动而进行变化，且带有一定未知性，若能提前预知节制闸发生调控后闸前水位变化过程，则可对调水工程闸门调控的可行性进行检验，保障工程运行安全。本章研究内容为利用不同算法构建节制闸调控后的水位预测模型，预见期选择2小时，研究框架如图5-1所示。在模型预测体系中，三者可归为递进关系。首先，利用历史调度运行数据中调控后的水位数据，构建基于数理统计的节制闸调控后水位预测模型，并分析其预测效果；然后，提出基于深度学习的节制闸调控后水位预测模型，以期改进预测效果；最后，针对深度学习预测方法中预测效果较差的节制闸，提出数据与机理双重驱动的调控后水位预测模型，利用机理模型生成训练数据，结合历史调度数据，构成训练数据集，进行模型训练，并检验预测效果。
第6章 结论与展望
6.1 结论
本文以南水北调中线工程为研究对象，针对调度运行中的水情数据空间逻辑异常的工程问题和智慧化调水的工作需求，构建了监测点位倒挂数据清洗模型和常规工况下的实时调控模型，研究成果可辅助调度人员进行决策制定，提高调度决策的科学性和实时性，为实现“无人值班，少人值守”的智慧化调水目标提供了技术支撑。论文主要结论如下：
（1）以水量动态平衡原理和最长序列法为研究方法，研发了监测站点倒挂数据清洗模型，解决了数据空间逻辑异常的工程问题，提高了流量监测数据质量。以中线工程白河至黄金河段为例，利用清洗后流量数据作为上边界条件，构建水动力模型进行验证，结果表明：模拟结果较实测流量数据闸前水位平均绝对误差减少0.0757m，均方根误差减少0.0895m，清洗后的流量数据在数据空间的逻辑性和一致性等方面优于实时流量数据。
（2）采用机器学习算法构建基于反馈控制的实时调控预测模型，实现中线工程闸群智慧化调度。分别利用随机森林学习算法和BP神经网络构建实时调控预测模型，实时调控模型分为闸门启闭状态预测模型和闸门开度变幅预测模型。对于闸门启闭状态预测模型而言，随机森林预测算法预测效果优于BP神经网路，前者全线节制闸f1_score平均值为0.908，标准差为0.026，后者全线节制闸f1_score平均值为0.907，标准差为0.034。对于闸门开度变幅预测模型而言，BP神经网络预测模型预测效果优于随机森立算法，前者全线节制闸R2平均为0.89，后者为0.81。通过构建水动力学模型，用于检验实时调控模型调控效果，检验结果表明：实时调控预测模型生成的调控方案可靠，可以应用于工程调度。
参考文献（略）
