丹江口库周区人工神经网络洪水预报模型研究

第35卷第4期2004年4月

文章编号:1001-4179(2004)04-0030-02

人 民 长 江Yangtze RiverVol.35,No.4April,2004

丹江口库周区人工神经网络洪水预报模型研究

庞 博 郭生练 熊立华 陈 华

(武汉大学水资源与水电工程科学国家重点实验室,湖北武汉430072)

摘要:丹江口水库库周区洪水入库方式多样,入库过程难以观测,采用传统模型对库周区洪水进行预报的精度较低。运用人工神经网络模型的基本原理,针对库周区洪水汇流历时短,所需预见期较短,对预报精度要求较高的特点,建立了可以灵活调整预见期的基于人工神经网络的库周区洪水预报模型。模型采用权重自适应算法,不需要单独的误差校正模型,结构较为简洁。选取1996~1999年汛期资料作为率定期资料,以2000~2001年的资料作为检验期资料,获得了较高的模拟和预报精度。当预见期为1个时段时,模型率定期和检验期的确定性系数分别为97.3%、94.9%,水量平衡系数分别为0.997、0.996,总的洪峰合格率达到95.83%。关 键 词:库周区;洪水预报;人工神经网络;模型研究;丹江口水库中图分类号:TP183 文献标识码:A

库周区承雨面积紧靠水库。降雨产流后,经坡面汇流就可以直接注入水库,汇流历时很短,也观测不到其入库过程。一旦暴雨降在库周区附近,库周区的入库洪水涌入水库,常常会出现雨情未到,洪水已经入库的情况。因此库周区洪水直接威胁水库的防洪安全,是水库洪水预报与防洪调度中的一大问题。

库周区洪水汇流历时短、入库方式多样,采用传统模型对库周区洪水进行预报较为困难。人工神经网络模型通过对训练样本的学习,能自动调整自身拓扑结构及网络参数,从而学习到蕴藏在样本中的知识,可实现对训练样本的联想记忆功能和对新样本的预测能力,具有良好的稳定性能与收敛性能。近年来已经在水文预报领域得到了成功的应用[1~3]。因此将人工神经网络模型应用于库周区洪水预报模型的研究,能够为预报库周区洪水提供一种新的方法。

式中 被称为学习率。

1.2 权重自适应算法

针对库周区洪水汇流历时短,所需预见期较短,对预报精度要求较高的特点,模型采用了权重自适应算法[5]。

经过模型训练,可以得到一组权重值w(t-!t)。设预见期为n,则在时间(t-!t)时,流量的实测值Q(t-!t),Q(t-2!t), ,Q(t-n!t)和预报值Q^(t-!t),Q^(t-2!t), ,Q^(t-n!t)已知,预报误差可以由实测值减去预报值求得。根据预报误差,可以重新调整权重系数,调整方法如下:

w(t)=w(t-!t)+!w(t-!t)(3)这里,w(t)是对应于时间t的权重系数,!w(t-!t)是权重系数修正项,根据预报误差采用向后演算法来求得。

一旦新的权重系数w(t)确定,就可以预报下一个预报时段,即时间t、t+1、t+n-1的流量。这样随着时间的前进,新的信息量的加入,神经网络中权重系数也就根据最新预报误差不断调整,以获得最优的洪水预报值。因此,权重自适应算法的特点是用向后演算法在每一时间步长上根据实时预报误差来更新神经网络水文模型的权重系数,而不是用优化方法来找到一组固定的最优参数值。模型本身能够通过权重系数在每一时间步长上的不断更新来适应水文过程的时变性和实时预报,同时也不需要额外的误差校正模型,因而更加灵活和简洁。

1 权重自适应调整的人工神经网络模型

1.1 人工神经网络模型的工作原理

人工神经网络模型一般由输入层、输出层和隐含层组成,通过对一定容量样本的学习与训练,确定网络有关参数,人工神经网络工作过程实际上包括信息正向传播和误差反向传播两个反复交替的过程[4]。

信息正向传播的过程可以由第k层第j个神经元的输入输出关系简单表示为:

kykj=fj(

n

k-1

(1)

(k-1)式中wij为第(k-1)层第i个神经元的到第k层第j个神经

k

元的连接权重; j为该神经元上的阈值;nk-1为第(k-1)层神经元的数目;f被称为激活函数,通常采用sigmoid函数。

误差反向传播学习过程是通过计算误差,沿输出层向输入层方向修改网络参数的过程。学习的目标是使网络的误差E最小或小于一个允许值 。

权重通常采取下式进行修正:

w(t+1)=w(t)- ( E)w=w(t)(2)

收稿日期:2003-07-05;修回日期:2003-12-08

i=1

k),j=1,2, ,n;k=1,2, ,Mw(ijk-1) y(ik-1)- jk

2 库周区洪水预报模型的建立与应用

2.1 库周区洪水预报模型的主要结构

水库的入库洪水包括入库断面洪水与入库区间洪水。入库

断面洪水是指水库回水末端附近干支流水文测站以上来的洪水。入库区间洪水是入库断面以下至坝址间的流域面积来的洪水,包括陆面洪水与库面洪水两部分。其中陆面洪水为入库测站以下至水库周边的区间面积所产生的洪水;库面洪水为库面上降雨直接转化为径流所产生的洪水。在设计洪水位,丹江口水库库面面积为816km2,而库周区总面积为14500km2,库面面积占整个库周区面积比例较小,故不作单独计算。

采用水库回水末端附近干支流水文测站的流量和库周区面

基金项目:湖北省自然科学基金资助项目(2002AB009);武汉大学青年博士基金资助项目(2002)和水资源与水电工程科学国家

重点实验室开放研究基金资助项目(2003C002)

第4期庞 博等:丹江口库周区人工神经网络洪水预报模型研究

31

积上的平均降雨作为网络的输入向量,流域出口断面的径流量作为目标输出向量。一般地,3层BP网络模型就可以满足一般非线性系统问题的模拟。丹江口库周区洪水预报模型采用3层BP网络,其中输入层的单元数由库周区洪水的组成因素决定,输出层单元数决定了模型的预见期,应根据资料情况和实际要求综合决定,隐含层单元数采取试错法决定。

1,n4=1,n5=1,n6=1),模型的输出向量和网络结构如表2。

表2 不同预见期库周区洪水预报模型的网络结构

预见期1个时段2个时段3个时段

输出向量Q(t)Q(t),Q(t+!t)Q(t),Q(t+!t),Q(t+2!t)

网络结构8-15-18-15-28-15-3

2.2 应用实例

图1给出丹江口库周区流域示意图。丹江口水库库周区面积约占流域总面积的15%左右,在暴雨分布上处于丹江和堵河两个暴雨中心的过渡地带。当整个流域降雨比较平均时,库周区的入库洪水所占比重与面积比重大致相近;当降雨不均匀,暴雨中心就在库周区及其附近,这时库周区的入库洪水可占总入库洪水的50%以上。因此,库周区面积所占比重虽然不很大,但由于降雨分布以及洪水特性,库周区洪水不仅比重变化大,而且由于产汇流历时短,洪水入库迅猛,一旦与水库上游的干支流洪水相遇,或者在水库蓄水位较高时情况下,再遇上库周区的特大暴雨,将会对丹江口水库的防洪安全造成威胁。因此,结合丹江口水库库周区洪水特性,建立了丹江口水库库周区洪水预报

模型。

4个时段Q(t),Q(t+!t),Q(t+2!t),Q(t+3!t)8-15-45个时段Q(t),Q(t+!t),Q(t+2!t),Q(t+3!t),Q(t+4!t)8-15-5

将建立的库周区洪水预报模型应用于丹江口水库流域,得到的预报结果如表3所示。图2给出了2000年8月14~28日的洪水实测与预报过程线。由表3与图2中可以看出,库周区洪水预报模型的训练与预报结果与实测值拟合的较好。预见期较短时,模型的预报精度较高,随着模型预见期的增加,预报精度的各项指标都随之下降。

表3 库周区洪水预报模型预报结果

率定期

预见时段12345

确定性系数 %97.395.995.194.393.1

水量平0.9970.9990.9980.9980.998

检验期确定性水量平94.993.891.584.377.4

…… 此处隐藏：3451字，全部文档内容请下载后查看。喜欢就下载吧 ……