《Journal of Environmental Management》：Interpretable control rules derived from model predictive control for real-time control in stormwater management
编辑推荐：
暴雨系统的实时控制（Real-time control, RTC）提高了洪水韧性，然而基于优化的方法，如模型预测控制（Model Predictive Control, MPC），由于高计算需求和有限的运行透明度而难以实施。因此，城市继续依赖基于规则的控制（R
暴雨系统的实时控制（Real-time control, RTC）提高了洪水韧性，然而基于优化的方法，如模型预测控制（Model Predictive Control, MPC），由于高计算需求和有限的运行透明度而难以实施。因此，城市继续依赖基于规则的控制（Rule-Based Control, RBC），尽管缺乏推导有效规则集的标准化方法。本研究引入了一个框架，通过使用回归决策树（Regression Decision Trees）直接从最优行为中学习，制定可解释、接近最优的控制规则。研究人员离线应用MPC为2007年至2025年的1158个历史降雨事件生成最优闸门轨迹，这些轨迹用于训练决策树模型，提取无需在线优化即可实时再现最优逻辑的if-then规则。该框架应用于一个盆地，其目标是将水位维持在14.8?m至15.4?m之间，以防止溢流并保持休闲活动。结果表明，推导出的RBC优于基线静态控制，并达到与MPC相当的性能。在安全性方面，定义为超出最大水位的事件数量，RBC保留了MPC的86%性能，总超出持续时间延长23%，总溢流量增加21%，同时闸门运动减少57%，计算时间减少88%。提取的规则提供了最优控制逻辑的可解释表示，使操作人员能够理解、验证和调整。通过将MPC优化与RBC的透明度和运行简单性相结合，本研究为在暴雨系统中实施接近最优的实时控制提供了一个框架。
论文解读文章
研究背景与问题：城市暴雨管理中的调蓄池（retention basin）自20世纪80年代起作为城市排水系统（Urban Drainage System, UDS）的组成部分，设计时依赖静态出口结构应对历史降雨模式。然而，城市化和气候变化增加了不透水面积并改变了降水模式，使现有基础设施难以应对当前径流，导致更频繁的设计条件超越。传统静态控制下，调蓄池的出口结构无法根据降雨强度、系统状态或入流量调整，常在降雨峰值前达到最大容量，失去调蓄能力。为解决此问题，实时控制（Real-Time Control, RTC）通过传感器和控制器动态调整运行，其中基于模型预测控制（Model Predictive Control, MPC）的优化方法能实现最优性能，但高计算需求和缺乏透明度阻碍了实际应用；而基于规则的控制（Rule-Based Control, RBC）虽简单透明，却缺乏标准化规则推导方法，依赖专家经验，性能受限。因此，需要一种结合MPC最优性与RBC透明性的轻量级控制策略。本研究旨在探索能否从MPC优化轨迹中学习可解释的决策树规则，以产生接近最优的实时控制策略。
研究内容与结论：研究人员提出一个框架，利用回归决策树（Regression Decision Trees）从离线MPC模拟中提取可解释的if-then规则，用于RBC。该框架应用于加拿大魁北克省布谢维尔市的一个暴雨调蓄池，该池服务于360公顷流域，目标水位维持在14.87?m至15.47?m之间。通过模拟2007年至2025年1158个历史降雨事件，MPC生成最优闸门轨迹，决策树模型学习这些轨迹并提取规则。结果显示，推导的RBC在安全性（最大水位超出事件数）上保留了MPC的86%，超出总持续时间增加23%，溢流量增加21%，但闸门运动减少57%，计算时间减少88%。规则结构紧凑，主要依赖短期降雨累积和水位作为决策特征，使操作人员能够理解并调整。研究表明，该方法可实现接近最优的实时控制，降低计算和专家知识壁垒。论文发表在《Journal of Environmental Management》。
主要关键技术方法：研究人员首先构建了调蓄池的EPA SWMM 5.1水动力模型，并使用2023年7月至10月实测数据校准（7个流量监测点，8场降雨事件，5场校准，3场验证，平均Nash-Sutcliffe效率0.65）。MPC采用48小时HRDPS降雨预报，每5分钟优化闸门位置，目标函数最小化水位偏差、闸门运动及超出允许流量的惩罚，利用线性化代理模型加速优化。决策树使用CART算法在scikit-learn中训练，输入特征包括当前水位、6小时累积降雨、6小时预报降雨等13个变量，通过分层采样将292个降雨事件（25%）分为训练集和验证集，其余866个事件为测试集。超参数调优后，最终树含12个叶节点，最大深度5层。
研究结果：
3.1 决策树规则提取：特征重要性分析表明，1小时降雨累积贡献77%的重要性，当前水位贡献9%，6小时累积和预报降雨各约5%。决策树根节点以1小时降雨0.9?mm为分割，区分干燥与主动降雨条件；当水位超过15.2?m时，闸门开度达80-95%。训练集上决策树与MPC的均方根误差（Root Mean Square Error, RMSE）为0.082，R2为0.94，验证集RMSE为0.088。
3.2 跨降雨事件性能比较：在所有训练事件中，RBC最大水位超出事件数为6次（MPC为5次），超出持续时间为16.6小时（比MPC长22%），溢流量增加12%。RBC平均每事件闸门运动6次，较MPC的14次减少57%，计算时间每事件1.3分钟，较MPC的10.0分钟减少88%。测试集上，RBC有3次超出事件（MPC为2次），溢流量差异集中于大至极端降雨事件（>100年一遇）。
3.3 详细事件级分析：对四个典型降雨事件（小、中、极端、短时强降雨）的分析显示，RBC和MPC均能维持水位低于最大允许值，而静态控制多次超出上限。在极端事件中，两者均因系统水力容量限制而发生溢流，RBC因阈值逻辑提前开闸，但MPC通过连续优化实现更平滑的闸门调节。RBC在四个事件中保持了MPC 86%的超出事件减少性能，水位差异在0-3?cm之间。
讨论总结：研究证明了从MPC学习可解释规则的有效性，规则透明性使操作人员能够验证和干预，从“替代专家”转向“补充专家”。RBC与MPC的权衡在于最优性与实用性的折中，RBC在极端事件中性能略低，但闸门运动减少和计算效率提升是实际优势。与传统手动设计RBC相比，数据驱动方法更优；与纯MPC相比，框架降低了部署门槛。局限性包括：规则无法泛化到训练分布外的极端事件，需要混合控制或定期重训练；水动力模型不确定性（校准NSE 0.65-0.57）影响规则稳健性；降雨预报误差未被考虑；仅测试了单个调蓄池，未来需验证于复杂管网。未来方向包括多输出树、水质目标、不确定性敏感性分析、分层控制等。
研究结论：本研究展示了从MPC中提取的可解释决策树规则能够在城市暴雨调蓄池管理中实现接近最优的性能，同时降低计算和专家知识壁垒。三个主要见解：1）透明规则达到了与MPC相当的性能，同时将闸门运动减少一半以上；2）近期降雨累积是控制逻辑的主导特征，短期降雨累积贡献了大部分特征重要性；3）紧凑的规则结构支持操作理解和实际部署，最终树仅包含少量规则，计算速度比MPC快8倍。这些发现为城市利用现有基础设施采用接近最优控制策略提供了框架。
