基于贝叶斯优化的暴雨控制策略识别及其不确定性量化

动态控制正作为一种有效方法，用于在快速演变的天气模式压力下运行暴雨系统。借助降雨预报和实时传感器测量，暴雨网络中的控制设施可被动态配置以调节网络行为，从而降低城市内涝风险、均衡至污水回用设施的流量，并保护受纳水体。然而，开发此类控制策略需要大量人力和计算资源，且目前尚不存在量化实施这些控制策略所带来风险的方法论。为应对这些挑战，本文引入一种基于贝叶斯优化（Bayesian Optimization）的方法来识别暴雨控制策略并估计相关不确定性。我们在一个受真实世界启发的合流制与分流制暴雨网络的模拟环境中，评估了该方法识别可行控制策略的有效性。我们通过将其与遗传算法比较，展示了所提方法的计算效率。此外，我们扩展了该基于贝叶斯优化的方法以量化所识别控制策略的不确定性，并在一个合成暴雨网络上进行了评估。据我们所知，这是首个量化所识别控制动作不确定性的暴雨控制方法论。这种基于贝叶斯优化的暴雨控制方法论是一种即用型控制方法，只要能获得降雨预报且存在模拟暴雨网络行为的模型，便可应用于任意暴雨网络的控制。