题 目：智慧排水实时模型基本功能探讨

报告人：福州水字节科技有限公司梁小光 总经理

非常感谢大家能坚持到最后一晚，我要讲的报告是关于排水管网实时模型基本功能的一个探讨。

排水实时模型在全世界范围内，都是一个比较前沿的东西。虽然说市场上有很多人，都在号称做实时模型，但实际上做的东西，离真正的实时模型还有很大的差距。目前国外的商业软件，很多地方用了之后，发现也还是用不起来，它也没有解决这个问题。在这样一个背景下，我们在过去几年时间里，一直致力于开发国产的排水实时模型，目前也有了一些成果。今天的报告就是把我们目前的成果和开发过程中的一些思考，进行一个简单的交流。

首先必须要解释一个问题，就是什么是实时模型，它和离线模型有什么区别？

排水模型的应用，在中国至少有十几年的历史。早期都是设计院在用，主要用于制定规划方案，比如说做一个现状情景的模拟，再做一个规划情景的模拟。但不管模拟现状，还是模拟规划，实际都是离线模型，它模拟的时间和现实中的时间，是没有对上的。离线模型模拟需要的数据实际上是一次性输入进去的，就是我们在建模的时候，需要把模拟过程中用到的数据提前准备好、处理好，然后读入模型中，开始运行计算。因此，离线模型最大的特点是，它的输入数据是完备的。

但是，我们在实时模型中做不到这一点。因为实时模型有一个特点，那就是实时性，它要求模拟时间和现实时间要基本吻合（可能会有一点点延迟）。比如说，现在是8点50，那么实时模型获取的在线数据，只能是8点50之前的数据，9点钟的数据肯定没有，因为现实时间还没到9点钟，不可能会有9点钟的数据。这就是我们实时模型和离线模型最大的区别：实时模型只能获取已经过去的实时数据，得不到未来的实时数据。

在构建离线模型时，我们提前拿到全部数据，然后进行数据处理或者数据清洗。但在实时模型中拿到的数据，有可能存在错误，也可能从某个时刻开始就没有数据，这就要求我们在开发实时模型算法的时候，必须考虑这些数据异常问题。因此，和离线模型相比，实时模型的数据是不完备的。这也意味着，开发实时模型，相比开发离线模型，要困难的多。

目前，学术期刊上有一些关于排水实时模型的论文。但仔细研究会发现，有些论文是没法用的，因为这些论文中的算法，用到了未来的数据。所以如果有兴趣，想做这方面研究，就要时刻牢记：实时模型不可能得到未来的数据，它只能得到当前时间之前的数据。换句话说，实时算法中的实时数据，必须是逐个时间步长读入。

目前，实时模型在全世界范围内都是一个很前沿的东西。虽然国外商业公司已经有了一些产品，但用在中国的项目中，就是用不起来。在实时算法领域，和国外同行相比，我们基本上处于同一起跑线。这对中国人、中国企业、中国高校或者科研团队，甚至业主单位，都是一个很好的弯道超车的机会。如果有更多的资金和人才资源投入，我们实际上是可以在这个领域超越国外同行。

国外产品不好用还是个小问题，更大的问题是，因为实时模型需要实时数据，而实时数据来自于布置在排水系统中的在线仪表，所以它必须要联网。对于需要长期联网的数据，如果使用外国商业软件，实际上存在数据安全甚至国家安全的问题。前段时间网上有一个流言，说美国GE公司生产的CT机，把武汉的CT数据传回美国，甚至有政府文件要求武汉各个医院的CT机，只能离线使用，不准联网使用。当然，后来辟谣了，说没有这个事，数据没有传回美国。

但不管怎么说，长期联网的数据，如果你使用外国商业软件，就一定会存在数据安全隐患。站在这个角度，我们退一步讲，就算外国公司的排水实时模型能用，中国的业主单位或者技术供应商也不能去用，因为地下管线资料、气象资料和水文资料，都是涉密数据，它们是和国家安全挂钩的，一旦出现问题，后果非常严重。

接下来，我们开始探讨排水实时模型的基本功能。

既然是实时模型，肯定要用到实时数据，如果不用实时数据那就不叫实时模型。实时模型在数据同化和参数率定时，会用到实时数据，这就要求我们把实时数据融入模型算法中。

现在有很多设备厂商（国内、国外的都有），能够提供在线监测设备，业主单位很多时候也搞不清楚哪家产品更好。因为在购买之前厂商肯定都说自己设备很好，但是实际用起来可能就会有各种问题。我们可以用实时模型的模拟数据，和在线设备的监测数据进行比对，对供应商的设备进行比武，看看哪个厂家设备更可靠。这是实时数据的一个应用场景。

我们也可以反过来应用，就是用监测数据来评估模拟数据的可靠性。如果在线监测设备没有接入市政供电，而是采用锂电池之类的移动电源供电，那它的储电量是有限的。如果数据采集后立即将数据传回数据中心，那可能个把月就要更换一次电池。过于频繁的更换电池，对管理部门是个很大的负担。所以如果在线设备不能接入市政供电，就会采用“实时采集、批量传输”的模式工作。也就是说，数据是实时采集（比如说五分钟一次），但它并不是五分钟传输一次，而是每两个小时集中传输一批数据。我们可以想象，如果每两个小时传一批的话，中控室显示的在线监测数据曲线，在等待传输期间就会存在空白，这个时候就可以用实时模型的模拟数据来补上这段空白。等到在线监测数据传回中控室后，我们可以比较空白期的模拟数据和在线数据之间的差别。

数据同化是一个很难的问题，比较成功的应用是在军事领域或者航空领域，例如地面雷达监控或者跟踪一架飞机。一方面，可以发射雷达波进行定位。另一方面，雷达站的计算机会根据过往的飞行轨迹，预测飞机下一个位置。这时候就有2个数据，1个是雷达回波探测到的监测值，1个是计算机预测的模拟值。如何将这2个数据进行融合，减少测量误差，是数据同化最早的应用领域。它采用的是一种叫作“卡尔曼滤波”的方法来做，应用的非常成功。

但是，卡尔曼滤波用在排水行业存在很多问题：

第一，卡尔曼滤波对应的模型是线性模型，而我们排水或者流体力学模型是一个高度非线性的偏微分方程组。

第二，卡尔曼滤波假设实测值和模拟值的误差都符合高斯分布，但我们现在并不清楚实测值和模拟值的误差概率分布。现在有几个监测设备厂家能够提供测量数据的误差分布规律？至于模型模拟值的误差分布，那就更不清楚了。

第三，排水模型的计算引擎速度太慢，这是个很大的问题。当然这个问题，随着我们电脑硬件性能的提高，有所缓解。

目前，我们已经实现了最简单的数据同化方法——加权平均。加权平均很容易理解，例如：水深实测值是5米，模拟值是5米1，假设权值为0.5，那同化后的值就是5米05。有些外国商业软件也是这么处理的。

我们也在研究更复杂的数据同化方法，这是一个在理论上有待突破的问题。

实用的数据同化算法，实现起来非常困难。那是否可以通过自动率定，定期更新模型参数，来减少模拟误差呢？

排水实时模型的建模工作，本身就很困难，也很复杂。如果仅仅是在实时模型上线前率定一次参数，在后期的运行过程中，模型参数慢慢就不对了。我们就想能不能实现实时自动率定，就是利用采集回来的实时数据，定期（比如一个月）自动率定，并且后台自动更新实时模型参数。

目前，我们已经实现了这个功能。从科学的角度，或者从理论的角度，自动率定算法并不难。它的难点主要是工程上的问题，就是如何实现算法在后台自动率定，并且率定完成后自动更新模型参数。这个功能的编程实现比较复杂。

这里我提出两个概念：

（一）同源模型

现实中的排水管网资产，我们可以将它称为原型，而模型实际上是对原型的一种概化。同源模型指的是原型相同，但是又略微有点差异的不同模型。例如，假设有一个管壁粗糙系数为0.014的模型，把它的粗糙系数改成0.015，就得到一个同源模型，如果继续修改成其它值，就能得到更多的同源模型。在数据同化和自动率定算法中，会大量使用同源模型。

目前来讲，同源模型有三种生成方法：

第一种，通过修改输入文件实现。我们知道，与内存操作相比，计算机硬盘的操作效率是非常低的。

第二种，需要计算机分配内存资源，但速度已经比较快了。

第三种，是重新使用一个已经用过的模型，不需要重新分配内存，因此效率极高。

我们在自动率定的过程中，主要使用的是第三种方法。大部分同行写自动率定相关论文时，使用的是第一种方法。测试发现，如果模拟历时不是很长，我们算法的效率相比同行，有数量级的提升。

通过优化同源模型的生成效率，我们部分解决了数据同化和自动率定算法对运算速度要求极高的难题。

（二）时间比例尺

设计师在工程制图中会用到空间比例尺的概念。我们参照它，提出时间比例尺的概念。时间比例尺的定义是：以单线程方式运行模型，模拟耗时与模拟历时之比。例如：模型模拟历时为24小时，以单线程方式运行，耗时1分钟，那时间比例尺就是1:1440。

我们提出这个概念，并不是为了搞名词创新，而是因为它有实际用途。在真实项目中，我们需要购买IT资源。用户可以自行采购硬件，建设自己的数据中心或计算中心，也可以从华为云、阿里云购买云端计算和存储资源。

通过离线分析，可以获得当前项目规模在当前硬件条件下的时间比例尺，也可以分析确定算法对同源模型数量的要求。通过对时间比例尺和同源模型需求数量的评估，用户可以确定计算资源的购买量。云端计算资源是相当昂贵的，我们要尽可能节约，减少浪费。

热启动概念非常简单。我们下班的时候保存CAD或OFFICE文件，第二天上班再打开文件继续工作，这个动作就叫热启动。简单说，就是工作不必从头开始，而是可以从某个保存点继续。

成熟的商业软件（不光是办公软件，也包括主流的流体力学模拟软件），实际上都有热启动功能。因为流体力学模拟耗时有可能会很长，所以它必须要有接着上一个断点继续运行的能力。

但是，排水实时模型，和一般的流体力学模拟软件又有所不同。第一种情况，热启动前后模型资产数据保持不变。第二种情况，模型资产数据需要更新，热启动前后模型资产数据则会发生变化。很多软件仅能支持资产数据不变时的热启动，却不能支持资产数据可变时的热启动。目前，我们已经解决了第二种情况下的热启动问题。

排水资产和空间信息紧密相关，因此一定需要空间数据库。同时，也需要传统的关系型数据库。除此之外，实时模型还需要时间序列数据库。

排水实时模型的数据量非常大，我们可以大致评估一下。假设排水系统有10000个检查井，如果每5分钟保存一次计算结果，那1天就有288万条记录，100天就有2.88亿条记录。像这么大的数据量，如果采用普通的关系型数据库，查询速度非常慢。因为这个数据表太大，已经超出了传统关系型数据库的能力范围，所以需要专门的时间序列数据库来处理这种带有时间戳的海量数据。它会针对这种带有时间戳的数据进行特殊处理，查询速度要快的多。

智慧排水系统，仅仅是智慧水务，或者智慧城市的一个子系统（或功能模块）。市场上的一些商用智慧排水系统，它是以独立系统的形式存在，当集成到更大系统时，会存在一些问题。

目前，我国很多大型水务公司，已经初步建成了智慧水务系统框架，也实现了不少管理功能的在线化。模型是智慧水务系统的重要组成部分（甚至可以说是灵魂），但它仍然需要和现有其他功能进行融合。因此，模型算法或产品必须要能被集成到更大的系统中，也就是说必须要支持定制功能。

我们开发的排水实时模型，是一个可定制的产品。用户可以根据需要，将它集成到原有系统中。

我们日常的办公软件（如OFFICE、AUTOCAD等），普通用户经常使用的功能不会超过全部功能的10%。对于离线的排水模型软件，其实大部分功能也很少使用。因此，对于离线模型，它的功能是过剩的。

但是，对于现阶段的排水实时模型，它能提供的功能极其有限，客户的需求远远没有得到满足。对于这样一个前沿领域，实时模型功能的完善绝不是某个人或某个公司能够解决的，它需要整个学术界和工业界共同努力。因此，可以方便地进行二次开发，并扩展原有模型功能，对于实时模型产品而言，极其重要。

我们开发的实时模型，提供了987个二次开发接口，功能非常完善，客户能够在此基础上，进行深度二次开发。

到目前为止，我们已经实现了2个扩展功能：

（1）管道淤积分析

我们的淤积分析，分为离线分析和在线分析两部分。

离线分析道理很简单，就是寻找管网系统中的锅底区域，以及管道从陡坡变为缓坡的区域，这些区域容易淤积。

实时分析就是根据实时模型运行结果，计算累积冲刷指数。根据这个指数，去判断管道淤积的可能性。

我们的算法无法计算出管道淤积厚度，它只能告诉你，根据这套算法和评价指标，某段管道和另一段管道相比，淤积的可能性是更大还是更小。这样的比较是有价值的。现在，排水管网资产的企业化运营正在加速推进中，以后很可能会有固定的管道维护经费，比如说政府每年给你2千万的管道清淤费用，这就要求排水运营企业有针对性的进行维护，把资金用在淤积最严重的管道上。

（2）排水能力分析

《城市排水（雨水）防涝综合规划编制大纲》里，要求对管道现状排水能力进行评估，确定不同重现期下的管道长度。这个要求看起来好像很简单，但是深入下去会发现，市面上现有的软件和算法根本做不出来。做的过程中会出现各种各样的问题，最常见的就是统计结果“两头大，中间小”（小于1年一遇的管道很多，大于10年一遇的管道也很多，但是介于两者之间的很少）。

我们对这个问题研究了很久，也取得了一些进展，论文也已经被期刊接收。排水能力分析本来是一个离线分析功能，但后来研究发现，可以用到实时模型里面。对于一个已经建成的老城区，它的污水管网系统状态应该是比较稳定的，污水管道的排水能力衰减是缓慢的。但是，如果某段管道的排水能力发生突变（当然需要经过长期运行来确定什么样的变化叫做突变），就可以认为这个地方出现了问题。那会有什么问题呢？有可能是存在污水非法接入，也有可能是管道被堵，而且突然被堵，那就有可能是管道周围的土壤经过管道破损点进入管道，这是城市道路路面塌陷的先兆。实际上，我们现在城市道路塌陷，90%以上都是因为排水管道把道路下面的泥沙带走所导致。泥沙进入管道，必然会影响管道排水能力，如果能够排水模型调的比较好，让模型长期运行，我们就有可能通过实时排水模型对地面塌陷进行预警。

最后，我们的产品已经开启公测，欢迎各位使用我们的产品。谢谢大家！