一种基于物理原理的预测控制框架,用于开放渠道中水位与流速的联合调控

《Environmental Modelling & Software》:A physics-informed predictive control framework for joint regulation of water level and velocity in open channels

【字体: 大 中 小 】 时间:2026年07月10日 来源:Environmental Modelling & Software 5.2

编辑推荐:

  肖洛|袁赛宇|唐鸿武|刘海星|徐东|张福新|程向菊 中国广州华南理工大学土木与交通工程学院,510641 摘要 传统上,明渠流量的调控主要关注水位,而流速对泥沙输运和水生环境同样重要。为实现对这两个变量的实时调控,本研究提出了一种基于物理原理的预测控制框架,将水动力

  肖洛|袁赛宇|唐鸿武|刘海星|徐东|张福新|程向菊
中国广州华南理工大学土木与交通工程学院,510641

摘要
传统上,明渠流量的调控主要关注水位,而流速对泥沙输运和水生环境同样重要。为实现对这两个变量的实时调控,本研究提出了一种基于物理原理的预测控制框架,将水动力学原理与数据驱动学习相结合,以实现实时多变量调控。该框架采用了嵌入控制的物理信息神经网络,能够快速且符合物理规律地预测水动力状态,并与模型预测控制相结合,实现高效的约束优化。同时,利用HEC-RAS进行精确的状态初始化。数值实验表明,与纯数据驱动的替代模型相比,所提出的模型具有更高的预测精度,尤其是在数据匮乏的情况下。此外,该模型还能实现水位的协调控制,避免低流速导致的淤积问题,同时大幅降低在线计算成本。这一框架为开发高效、基于物理原理的明渠及河流流量系统实时多变量调控策略提供了有益借鉴。

引言
明渠系统是灌溉供水、污水输送和防洪减灾的重要基础设施。对其有效调控对于确保可靠的水资源供应和防洪安全至关重要(Beltaos等人,2012;Nazari和Seo,2021),同时也有助于在流量变化较大的情况下保护水质(Gomes等人,2024)和恢复生态系统(Yuan等人,2022、2023;Zheng等人,2020)。传统上,闸门调控主要侧重于水量控制,通过维持目标水位来保障下游供水稳定性和防洪效果。然而,在实际应用中,水动力条件(如流速、流量)同样重要(Patil等人,2022;Tang等人,2023;Xie等人,2017)。例如,流速在泥沙沉积过程中起着关键作用(Vázquez-Méndez等人,2018)。过低的流速会导致淤积,而过高的流速则可能加剧侵蚀并增加结构负荷(El Kadi Abderrezzak和Paquier,2009)。流速还会影响藻类生长(Cui等人,2023;Sun等人,2023)以及污染物迁移(Wang等人,2018;Xu等人,2024)。因此,有效的闸门调控应超越单纯的水位稳定,综合考虑更广泛的水动力条件。为此,本研究将闸门调控视为一个多目标问题,同时考虑水位和流速,并将水动力要求明确作为运行约束。

早期的明渠调控方法依赖于基于规则的调度策略(Oh和Bartos,2023)以及传统的反馈控制方法,如比例-积分-微分控制器(PID控制器)(Burt等人,1998;Litrico和Fromion,2003)。虽然这些方法简单且稳健,但它们本质上是被动的,难以应对流量快速变化的场景。尤其的是,它们既不包含预测功能,也无法系统处理多变量相互作用和运行约束,因此在动态环境中性能不佳。

为解决这些缺陷,需要更先进的控制策略,能够主动预判系统未来行为并相应调整控制措施。模型预测控制(MPC)通过结合基于模型的预测与滚动时域优化,实现了实时且具备约束意识的决策制定。自问世以来,MPC已被广泛应用于工业控制领域,近年来也逐渐被引入水资源管理中。Van Overloop(2006)证明了MPC在明渠调度中的有效性,尤其是在灌溉和水位调控方面。MPC的灵活性和预测能力使其在水资源管理中的应用日益增多(例如Aydin等人,2019;Breckpot等人,2013;Delgoda等人,2013;Wang等人,2021a、Wang等人,2021b;Xu和Schwanenberg,2017)。

然而,在明渠系统中,MPC的建模通常基于圣维南方程,该方程用于描述非稳态流动的基本动力学特性。由于圣维南方程无法得到封闭形式的解析解,因此计算成本较高,难以直接用于控制器设计(Xie等人,2024)。为缓解这一问题,人们采用了多种简化的水力模型,包括积分-延迟模型(ID模型)(Askari Fard等人,2022;Kong等人,2019;Liu等人,2023)以及积分-共振模型(IR模型),这类模型将渠道视为类似水库的系统(Horváth等人,2015a;Van Overloop和Bombois,2012)。这些最初为传统控制设计的模型已被纳入MPC框架中(Horváth等人,2015b)。与此同时,人们还运用了多种模型降阶技术,通过减少状态变量数量来得到圣维南方程的低维替代模型(Galelli等人,2015;Wang等人,2022;Xu等人,2012)。尽管这些替代模型相比完整圣维南方程能降低计算负担,但其计算速度仍难以满足高频、多变量优化的实时需求。

由于传统的物理方程和降阶模型难以在多变量精度(即水位和流速的联合控制)与实时计算需求之间取得平衡,人们开始探索新的数据驱动和智能方法作为研究方向。这些方法能够提供更快速的动态近似、更好的实时适应性,以及捕捉水力动力学特征、加速计算的替代途径。已有研究表明,将这些数据驱动方法与MPC结合,可用于调控灌溉供水(Agyeman等人,2023;Preite和Vignali,2024),以及雨水和污水排放(Balla等人,2022)。不过,这些纯数据驱动的模型将水力动力学视为黑箱,往往忽视了质量守恒和动量守恒等基本物理原理。因此,这类模型在面对未知工况时容易产生不符合物理规律的结果。

为应对这一问题,物理信息神经网络(PINNs)作为一种有前景的替代方案被提出,它将物理定律嵌入到数据驱动模型中(Raissi等人,2019、2020),从而相比纯粹的黑箱模型具有更高的可解释性和稳定性。PINNs在明渠水力模拟中展现出巨大潜力(Feng等人,2023;Luo等人,2024;Nazari等人,2024;Yang等人,2025)。不过,标准PINNs在控制应用中仍存在一些局限性。首先,它们主要用于状态重建或正向模拟,而非以控制为导向的预测,因此无法自然提供MPC所需的显式动态模型。其次,它们通常在给定的边界条件和操作条件下学习固定的时空映射,这使得在控制输入实时变化时灵活性不足。第三,其预测精度往往在训练范围之外迅速下降,难以实现长时域的多步预测和递归优化。这些局限性阻碍了传统PINNs在明渠系统实时预测控制中的直接应用。

为克服这些缺陷,本研究旨在开发一种适用于明渠流的物理信息预测控制框架,该框架专门设计用于与优化算法无缝集成,以确保收敛性和控制稳定性。由此产生的控制器能够在变化的多变边界条件和干扰下,同时平衡水位和流速控制目标,计算出最优的闸门开度。

本研究的主要贡献如下:
(1)开发了一种嵌入控制的PINNs模型,将该模型中的控制变量直接纳入物理信息框架中。这种方法能够在边界条件变化时,实现水动力状态的准确高效短期预测。数值实验表明,CE-PINN在数据匮乏的情况下,性能优于传统数据驱动方法。
(2)进一步设计了用于同时调控水位和流速的实时MPC架构。为解决标准PINNs存在的长时域误差累积问题,该架构利用CE-PINN实现快速的短期轨迹优化,同时借助HEC-RAS在每个控制步骤中进行精确的状态初始化。这种混合策略不仅加快了优化速度以满足实时需求,还能利用高精度模型系统地纠正预测偏差。

整体框架:CE-PINNs–MPC
图1展示了所提出的用于明渠水力调控的CE-PINNs–MPC框架。该框架由三个紧密关联的阶段组成:离线数据生成与CE-PINNs训练、基于MPC的在线预测与决策,以及通过HEC-RAS反馈进行状态校正。在离线阶段,通过改变初始状态、边界扰动和下游控制输入,生成多种不同的水力场景。这些场景随后使用HEC-RAS进行模拟。

验证案例设置
为评估所开发模型的预测控制性能,本研究基于Xu等人(2013)报告的基准案例进行了数值模拟。图5展示了试验渠道的示意图,包括横截面的几何参数。试验渠道总长度为4000米,底坡为0.001,曼宁粗糙系数取值为0.02秒米^-1/3。在该验证案例中,未考虑侧向来流。最大……

损失平衡策略的影响
在物理信息神经网络训练中,多目标损失权重分配非常重要,因为数据不匹配损失与物理约束残差的大小往往差异很大。权重分配不合理会导致优化过程收敛缓慢且精度下降。本研究评估了三种动态权重分配策略:学习率退火法(Wang等人,2021a、Wang等人,2021b)、ReLoBRaLo法和GradNorm法(Bischof和Kraus,2025),以判断是否可通过改进权重分配来提升模型性能。

结论
本研究通过将嵌入控制的PINNs与模型预测控制相结合,并借助HEC-RAS实现高精度数据生成和实时状态校正,开发了一种适用于明渠流的物理信息预测控制框架。CE-PINNs能够快速实现水位和横截面平均流速的多步预测,同时遵循质量守恒约束,因此可作为MPC在多变工况下的内部模型。

首先,软件可用性
所提出的CE-PINNs–MPC模型的代码已上传至GitHub,可通过https://github.com/awww2020/hydro_mpc免费获取。

CRediT作者贡献说明
肖洛:概念构思、形式分析、方法设计、软件开发、验证、初稿撰写。
袁赛宇:形式分析、资金筹集、指导工作。
唐鸿武:资金筹集、指导工作。
刘海星:文章审阅与编辑。
徐东:文章审阅与编辑。
张福新:文章审阅与编辑。
程向菊:文章审阅与编辑。

利益冲突声明
作者声明不存在任何可能影响本文研究的已知财务利益或个人关系。

致谢
本研究得到了国家自然科学基金(52539005;52579065;U2340221)、国家关键研发计划(2022YFC3202602)以及江苏省自然科学基金(BK20230036)的支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号