水環境數字孿生管控平臺構建
——以臨沂市黑臭水體治理項目為例

文｜臨沂市市政工程建設管理服務中心 王艷君；北京北控悅慧環境科技有限公司 王鵬；易智瑞信息技術有限公司 董曉非

1.引言

臨沂是一座依水而建、憑水而興的城市，中心城區“九水繞城”，水是臨沂最靚麗的名片。然而，隨著經濟快速發展、城市建設步伐加快、城區人口不斷增長，臨沂中心城區部分河流水體黑臭、水質超標問題突出，水環境質量亟待提升。自2015年底，臨沂市全面開展黑臭水體排查，共確定了16 條24 段80.7 公里城市黑臭水體，共實施了河道治理及配套污水處理廠、污水管網建設、水系互連互通程、管網修復、能力建設與監測評估系統等5 類39 項工程，累計完成投資39.2 億元。2018年10月，臨沂成功入圍國家首批黑臭水體治理示范城市，獲得國家6 億元獎補資金。截至目前，臨沂市上報的24 段黑臭水體已全部通過省級初見成效評估，其中21 段通過省級長制久清評估，臨沂市黑臭水體治理已進入長效管養階段。

在近十年黑臭水體治理的過程中，各項工程措施發揮了積極重要且不可替代的作用，隨著云計算、物聯網、人工智能等IT 新技術的應用，軟件平臺在其中發揮的作用越來越明顯。2021年隨著“黑臭水體監測平臺”（一期）的上線試運行，黑臭水體治理工作有了一個聰明的大腦。隨著治理工作進入長效營養階段，越來越多的新需求、新問題也浮出水面，給“黑臭水體監測平臺”帶來了新的挑戰和機遇。本文按照水利部數字孿生流域平臺的構建思路，結合水環境數字孿生管控平臺即“黑臭水體監測平臺”二期（規劃），從數字孿生的視角討論并嘗試解決這些問題。

2.水環境數字孿生管控平臺構建

數字孿生平臺是基于信息化基礎設施，利用云計算、物聯網、大數據、人工智能、遙感、數字仿真等技術，對物理單元全要素和相關治理管理活動全過程進行數字映射、智能模擬和前瞻預演，支撐業務各項功能的實現。縱觀黑臭水體治理的各項工作，水環境數字孿生管控平臺也需要基于現有的信息化基礎設施，利用物聯傳感技術對各類水體和排水管網水質水量進行監測，利用AI 和大數據的能力，以匯水分區區/排水分區/流域單元來進行系統分析和治理，最終通過采取各類前瞻性預演、預案、實時聯合調度等方式來解決問題。下面從四個方面來探討水環境數字孿生管控平臺的構建。

2.1 數據底板建設

數據底板以集水區/排水區為單元，以實體模型為核心，以時空數據為表現形式。數據底板在一期一張圖的基礎上升級擴展，通過進一步的數據收集/采集、治理、融合、數據建模來補充和完善。數據底板還將以服務的形式來支撐上層的集成展示、模型分析、調度優化。參照數字孿生平臺相關指導技術文件，數據底板包括基礎數據、監測數據、業務管理數據、跨行業共享數據、地理空間數據等五大類數據資源。

2.1.1 基礎數據

基礎數據包括政區、流域、集水區、河流、湖泊、水利工程、排水規劃等帶有行業屬性的基礎數據，以及人口分布、現狀道路、植被覆蓋、土地利用、地形地貌等通用基礎數據。目前項目一期已收集了全部的基礎數據，并以地圖服務（二維）、場景服務（三維）、數據服務（內容）的形式向上層提供。

圖1 排水分區

圖2 植被覆蓋

二期將補充重點區域高精度的地形數據，以及更新補充水利設施相關的基礎數據。

2.1.2 監測數據

實時監測數據接入種類包括：河道水質數據、河道流量數據，管網水質數據、管網水量數據、污水廠進水口出水口水質數據、實時降雨量數據、降水監測點數據、內河水位數據、視頻監控數據、河長牌數據等。其中河道監測設備、管網監測設備、雨量計、視頻監控、河長牌等屬于項目自建。其余監測數據為集成接入。

項目一期自建各類監測共計100 余套，其中河道相關監測設備20 余套，管網相關監測設備30 余套，視頻監控設備30 余套，其余各類設備20 余套。項目二期根據一期業務應用及現場監測情況對相關監測點位進行加密，計劃新增管網監測設備20 余套，河道監測設備10 余套。

2.1.3 業務管理數據

業務管理數據包括調度預案、調度指令、設備工況、外業巡檢處置等數據。其中調度預案包括廠網河聯合調度預案、水環境應急決策預案、超標事件處置預案等；設備調度指令包括臨時調度指令和預案調度指令；設備工況包括各類設施的工作狀態和運行負荷；外業巡檢處置數據針對外業巡檢和內業決策，全流程覆蓋。

項目二期將針對業務應用，結合場景，細化功能，持續擴展業務管理數據。

圖3 河道浮標水質監測站

圖4 管網水質水量監測站

圖5 廠網河聯合調度預案

圖6 污水分水閘工況詳情

圖7 青龍河實景三維數據

圖8 中心城區建模白模

2.1.4 跨行業共享數據

項目二期將推進與氣象部門的合作，集成接入短臨降雨預報數據用于優化模型調度；推動與城市管理部門的合作，集成接入最新一期的管網普查數據；推動與水利環保部門的深入合作，集成接入更多的河長制相關數據；開展與臨沂地質遙感大數據中心的合作，獲取更高分辨率、更強時效性的遙感數據。

2.1.5 地理空間數據

項目一期已經完成核心區建筑三維模型的構建，并使用了覆蓋整個臨沂市的DOM 和DEM 數據，完成了L1 級數字孿生的構建。在此基礎之上，平臺還對傾斜攝影等實景三維數據的應用做了初步探索。項目二期將持續推進傾斜攝影和建筑信息模型的試點應用，收集污水廠、重要的河道管網設備的BIM 數據，打造L2+級別的數字孿生場景。

2.2 廠網河聯合調度模型構建

項目一期在融合基礎數據、監測數據、業務管理數據、地理空間數據的基礎上，通過集成河道水質水動力模型，建立起集實時監測、預警、調度指揮等功能于一體的廠網河聯合調度模型。與此同時項目承建方還與政府主管部門、咨詢團隊、當地運營公司、水質檢測單位共同建立起一套運營管理制度和指揮調度流程。廠網河聯合調度模型，將涑河、陷泥河、青龍河片區視為廠網河聯動的整體，依托平臺全方位的監測監控體系、全覆蓋的基礎數字資源體系、以實時監測的河道水質報警數據為依托，結合既定的水質目標，通過數值模型模擬，依據優化算法自動計算水質優化方案。廠網河聯合調度模型平臺還支持同目標不同方案的對比，調度預案的生成和管理，為科學調度補水、水體治理提供決策支撐。

項目一期搭建的廠網河聯合調度模型，在日常的調水補水、突發水環境應急決策、超標事件調度中，已經發揮了重要的作用。經過一年的上線運行，各方對模型平臺提出了更多的訴求，例如一期建立的數值計算模型沒有考慮汛期降雨的外部影響因素；地面產流、管網匯流機理模型尚未納入到一期數值模型當中；尚未接入污水廠內部工藝關鍵指標，未將污水廠的彈性調度納入模型考慮范圍；數值模型生成的調度預案對于各類廠網河設施設備的控制力度較粗，調度時間尺度較大，多為小時或天；無法通過給定多目標調度策略，自動推薦最優調度方案。鑒于項目一期存在的不完善之處，項目二期在一期數值模型的基礎之上，將構建基于MPC（模型預測控制）的廠網河全覆蓋調度模型。

圖9 基于MPC（模型預測控制）的廠網河全覆蓋調度模型

基于MPC（模型預測控制）的廠網河全覆蓋調度模型包括幾個重要的組成部分：

2.2.1 管網機理模型

管網機理模型部分計劃以SWMM 模型為基礎進行構建。SWMM 是美國環保局推出的暴雨徑流管理模型，該模型可以對單場降雨或者連續降雨產生的坡面徑流進行動態模擬，進而計算出特定環境條件下，管網中的水量和水質狀況。管網機理模型相比項目一期有如下改進：結合平臺中已有的基礎環境數據，通過對接氣象局實時降雨數據以及第三方短臨降雨預報數據，可以準確接入或預測單場或多場降雨，解決一期模型未考慮外部降雨的問題；以最新一期的管網普查數據為基礎，構建適宜模型計算的管網骨架數據，保證參與模型計算管網數據的現勢性和準確性；通過在管網中布設的傳感器，可以對管網中的流量、液位、水質等指標進行監測，進而可對復雜降雨條件下的管網機理模型進行校驗。

2.2.2 污水廠機理模型

污水廠機理模型部分計劃以某污水廠模擬軟件為基礎進行構建。利用污水廠模擬軟件可對污水廠的各種工藝過程和構造進行建模和模擬。污水廠機理模型不但需要對污水廠運行進行實時模擬，還需要支持通過設定多策略目標方案，進而確定特定場景下不同處置目標的運行方案。通過接入污水廠實時監測數據和處理工藝關鍵指標，可以對污水廠機理模型進行校驗。

2.2.3 MPC 實時控制器

MPC 即模型預測，是一種反饋控制算法，其目的就是預測出未來的輸出。MPC實時控制器內置簡化預測模型，集成了管網機理模型和污水廠機理模型的主要能力，通過接入某時刻污水廠運行指標數據、污水廠進口指標數據、排水管網重要節點指標數據，來預測分析未來某段時間的排水管網流量、污水濃度、污水廠處理能力，在多目標控制算法的驅動之下，最終計算出各類排水設施、污水處理廠的運行調度方案。MPC 實時控制器追求在一定精度條件下，短時間步長的快速計算，進而給出各類可調度設備的精準調控指令，從而提高調度效率。

2.2.4 模型集成運行

基于MPC 的廠網河全覆蓋調度模型一體化實時調度架構如圖10所示。首先確定初始運行時間、初始運行基礎環境。在初始運行基礎環境中，包括：降雨數據，實時或預測；管網模型數據，附帶各類重要控制設施，例如調蓄池、閘門等；管網中重要節點的監測指標數據，例如：液位、流量等；污水廠的運行指標和運行方案。管網機理模型和污水廠機理模型作為集成模型仿真器進行初始計算，將計算結果推送至MPC 實時控制器。MPC 實時控制器，根據確定的時間步長，例如10 分鐘，通過內置的簡化模型，預測未來輸出，并給出調出指令。調度指令的給出需要以用戶預先設定的多目標控制策略為導向，滿足例如污水廠效率最優、處理能力最大化、管網無溢流等不同優先等級的策略。管網機理模型和污水廠機理模型通過接收調控設備控制指令，變更其運行狀態，再次開始機理模型的運行，準確模擬某時刻的管網與污水廠狀態，并將結果推送至MPC 實時控制器。MPC 實時控制器接收到最新一次的管網、污水廠狀態信息，開始下一次的預測控制計算。通過短時間間隔，長時間序列，帶有糾偏模式的模型計算，最終得到一次事件完整的調度方案。

圖10 基于MPC 的廠網河全覆蓋調度模型一體化實時調度架構設計

基于MPC 的廠網河全覆蓋調度模型，通過集成多種機理模型、經驗模型、簡化模型，可以解決外部因素考慮不全、調度預案顆粒度不夠、模型分析不準等等問題；通過提供模擬調度和實時調度兩種調度方式，來滿足前瞻性預演、預案、實時聯合調度的需求；通過運籌學多目標控制算法，在復雜環境下，可以實現多目標、分層次、分優先級的最佳調度預案。

2.3 智能識別模型構建

智能識別模型主要是利用人工智能方法從圖片、視頻、遙感等數據中自動識別特定對象特征，并輔助業務應用。水環境數字孿生管控平臺中已建和計劃建設的智能識別模型包括：

2.3.1 河道漂浮物識別——基于視頻監控

河道上的漂浮物可能是水草樹葉、垃圾袋、塑料瓶，種類繁多，形態各樣，在日常的巡檢過程中無法做到全天候全天時。因此利用人工智能技術，通過訓練圖像語義分割模型，結合視頻監控，可以智能識別河道中的漂浮物。當有AI 加持的視頻監控發現河道有漂浮物時，會在第一時間告警，同時識別出物體的輪廓和像素面積占比。系統管理員可以根據視頻報警進行巡檢推送，減少漂浮物對河道水質的影響。

圖11 河道漂浮物AI 識別

2.3.2 設備巡檢智能預判——基于設備監測數據

河道及管網中布設的監測設備數量較多，且較為分散，很多設備需要放置到檢查井或河道中央。在日常巡檢過程中，難以時時查看或近距離查看，往往以設備是否丟失，設備位置是否發生偏移，設備外觀是否有損壞、設備目視范圍內是否有異物干擾等作為常規檢查項。對于設備網絡傳輸是否正常、傳感器是否正常、傳感器探頭是否需清洗或更換，設備內部是否有異物干擾等問題確難以及時發現。基于設備傳感器監測指標數據，通過構建智能判別模型，利用數據傳輸數量、質量、準確率、延遲率，數據質量異常數量統計，監測指標分布值域等信息，可以及時識別潛在隱患，并自動提示巡檢養護人員。巡檢養護人員可以根據提示，采取針對性的處置措施，例如：指標異常探頭需要清洗、網絡異常需要檢查設備網絡，指標值整體偏離正常區間探頭需要更換等。

2.3.3 河道水環境監測——基于遙感影像

基于遙感影像的水質監測可以實現從長時間序列、全空間角度了解水體富營養化、水體黑臭等水環境問題的變化趨勢及其成因。項目二期計劃利用遙感手段，獲取河道水體中葉綠素含量、懸浮物濃度、透明度、總磷、總氮、氨氮、黃色物質、溶解氧等水環境指標參數。通過與已有監測數據進行擬合校正，補充大范圍長時間序列的監測水體水質指標。

圖12 數據傳輸監控

圖13 數據質量分析

2.4 可視化平臺構建

可視化平臺包括數字孿生展示系統、實時監測與報警管理系統、廠網河一體化調度管理系統等內容。

數字孿生展示系統，將數據底板中的五類數據進行統一管理和展示，具有虛實結合、狀態感知、模擬推演等特點。數字孿生展示系統的功能包括：實體數據瀏覽，各類實體數據的可視化瀏覽、疊加顯示，物聯數據查看、二三維圖屬聯動查看；場景數據瀏覽，大面積連續三維地形場景、實景三維MESH 模型、三維精細模型、BIM模型等數據的加載與顯示；晴、雨、雪、霧、動態水面、污染物擴散等特效；廠網河全覆蓋調度模型結果模擬仿真。

實時監測與報警管理系統，基于實時監測數據實現水環境多維預警，及時識別異常、風險及問題，包括：實時監測與報警、監測數據趨勢分析、報警信息統計、智能視頻分析等。

廠網河一體化調度管理系統包括：場景與預案管理、模型管理、雨情信息管理、模型實時調度、模型預測調度、模型調度效果評估等內容。

圖14 基于遙感影像的懸浮物濃度空間分布（示例）

圖15 基于遙感影像的葉綠素a濃度空間分布（示例）

3.小結

水環境數字孿生管控平臺充分利用了物聯網、大數據、人工智能、遙感、三維GIS等技術，參照水利部數字孿生平臺的理念，結合項目實際進行構建，目前已經初具規模。筆者相信，隨著應用的不斷深入，需求的不斷涌現，還會有更多的問題需要解決、更多的挑戰需要面對，水環境數字孿生管控平臺也會持續進化，持續完善，變得更加智能，發揮出更多更大的價值！