基于上游降雨格局變化的水庫水位變化預(yù)測

夏力哈爾·俄坦

(新疆伊犁河流域開發(fā)建設(shè)管理局，新疆 伊犁 835000)

1 概 述

洪水屬于一種后果嚴(yán)重的緊急災(zāi)害，需要決策者給予重點(diǎn)關(guān)注并迅速作出決策，以降低洪水風(fēng)險(xiǎn)并減少生命財(cái)產(chǎn)損失[1]。在中國某些地域，洪水是持續(xù)極端降雨事件造成的災(zāi)難之一[2]。學(xué)者們?yōu)榻档秃樗L(fēng)險(xiǎn)做了許多努力，現(xiàn)行被世界廣泛所接受并使用的抗洪手段是建造水庫[3]。在洪水發(fā)生時(shí)，何時(shí)將水庫放水與釋放水量的多少是水庫運(yùn)行中的一項(xiàng)關(guān)鍵決策[4]。

通常，水庫放水決定由一些專家所作出。這些決定是基于他們過去的經(jīng)驗(yàn)、當(dāng)前水庫水位和上游來水量。通過上游降雨量和河流水位的大小來觀察上游流入量。總降雨量可能來自幾個(gè)測量站在總降雨歷時(shí)中所觀測到的數(shù)據(jù)，它們到水庫的距離各不相同。因此，這些測站觀測到的降雨形成徑流后可能需要不同的時(shí)間才能到達(dá)水庫。溢洪道閘門用作庫水的出口，一些水庫配有無閘門溢洪道，而另一些則有兩種類型的溢洪道。此外，作出放水的決定也會對大壩結(jié)構(gòu)受損造成風(fēng)險(xiǎn)。人工神經(jīng)網(wǎng)絡(luò)已經(jīng)被許多學(xué)科所接受，前人的研究表明它適用于解決水文問題[5]。本文研究了用人工神經(jīng)網(wǎng)絡(luò)建立水庫洪水預(yù)報(bào)模型。通過對洪水分期的預(yù)測，可以提前作出早期放水決策。洪水水位與水庫水位相關(guān)，分為正常、警戒、警告和危險(xiǎn)4類。將上游降雨量和降雨類別用作輸入數(shù)據(jù)集，代入模型求解。數(shù)據(jù)準(zhǔn)備將在方法部分進(jìn)一步討論，結(jié)果和討論將在后續(xù)章節(jié)中介紹。

2 過往研究

以往的一些工作已經(jīng)對幾種預(yù)測水庫水位的方法進(jìn)行了研究，如人工神經(jīng)網(wǎng)絡(luò)、自適應(yīng)神經(jīng)模糊推理系統(tǒng)、支持向量機(jī)(SVM)和自回歸綜合移動平均線法(ARIMA)。先前的研究比較了SVM和ANFIS模型的性能，根據(jù)統(tǒng)計(jì)評估，ANFIS模型的表現(xiàn)優(yōu)于SVM模型。同時(shí)，一些學(xué)者使用人工神經(jīng)網(wǎng)絡(luò)預(yù)測水位，并將結(jié)果與ARIMA進(jìn)行了比較，結(jié)果表明人工神經(jīng)網(wǎng)絡(luò)產(chǎn)生了更好的預(yù)測效果。因此，認(rèn)為人工神經(jīng)網(wǎng)絡(luò)在這些方法中表現(xiàn)最好，預(yù)測精度最高。人工神經(jīng)網(wǎng)絡(luò)在后來的一些研究中被當(dāng)作核心技術(shù)應(yīng)用，并且大多數(shù)研究集中于多用途水庫。有時(shí)，多用途水庫的調(diào)洪功能與其他功能相沖突，在這種情況下，必須采取排澇手段以降低洪水風(fēng)險(xiǎn)，但何時(shí)將水庫放水與釋放水量的多少是水庫運(yùn)行中的一項(xiàng)關(guān)鍵決策。

3 研究區(qū)概況

本文以新疆某水電站為例，水電站大壩后地面廠房內(nèi)共安裝4臺單機(jī)容量80 MW的混流式水輪發(fā)電機(jī)，總裝機(jī)容量320 MW。水庫總蓄水16.94×108m3，電站裝機(jī)320 MW，是一座以灌溉為主，兼有發(fā)電、防洪等綜合效益的不完全多年調(diào)節(jié)水庫。工程由攔河壩、表孔泄洪洞、中孔泄洪洞、深孔排沙放空洞、發(fā)電引水系統(tǒng)、電站廠房、開關(guān)站等建筑物組成。除了減輕洪水之外，水庫還有其他用途，如供水、灌溉、調(diào)蓄、維持生態(tài)系統(tǒng)等。水庫系統(tǒng)可簡單分為4個(gè)部分：上游、水庫、溢洪道閘門和下游，見圖1。上游是水庫的水源或入流來源，由計(jì)量站和水文站記錄上游水文數(shù)據(jù)。在水被釋放到下游水道之前，從各個(gè)來源流入的水在水庫中混合。

圖1 水庫系統(tǒng)的概念模型

4 研究方法

4.1 人工神經(jīng)網(wǎng)絡(luò)簡介

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，簡稱ANN)，是20世紀(jì)80 年代以來人工智能領(lǐng)域興起的研究熱點(diǎn)。它按不同的連接方式連接一些簡單的模型，抽象化人腦中的神經(jīng)元網(wǎng)絡(luò)，并從信息的角度對其進(jìn)行處理，從而組成不同的網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)或類神經(jīng)網(wǎng)絡(luò)是工程領(lǐng)域?qū)ζ涞钠毡榉Q呼。神經(jīng)網(wǎng)絡(luò)是一種數(shù)學(xué)運(yùn)算模型，其中存在大量的節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)代表一種稱為激勵函數(shù)(activation function)的特定輸出函數(shù)，整個(gè)網(wǎng)絡(luò)通過節(jié)點(diǎn)與節(jié)點(diǎn)之間相互聯(lián)系而形成。每兩個(gè)節(jié)點(diǎn)間都存在一個(gè)加權(quán)值，其代表一個(gè)對于通過該連接信號的權(quán)重，神經(jīng)網(wǎng)絡(luò)求解的手段是對自然界某種算法或者函數(shù)的逼近，或是對一種邏輯的表達(dá)。該方法具有以下優(yōu)點(diǎn)：①具有類似人腦的自我學(xué)習(xí)功能。例如，將不同的圖片或者信息輸入算法，再將這些元素各自對應(yīng)的識別結(jié)果也輸入模型中，網(wǎng)絡(luò)就會通過自學(xué)習(xí)功能，慢慢學(xué)會識別類似的元素，對于預(yù)測來說，自我學(xué)習(xí)功能有特別重要的意義。人工神經(jīng)網(wǎng)絡(luò)計(jì)算能為人類提供效益預(yù)測、水文預(yù)測等便利，其應(yīng)用前途是很遠(yuǎn)大的。②具有聯(lián)想存儲功能。這種聯(lián)想功能可以通過人工神經(jīng)網(wǎng)絡(luò)的反饋網(wǎng)絡(luò)實(shí)現(xiàn)。③具有高速尋找優(yōu)化解的能力。常規(guī)方法對解決復(fù)雜問題求解過程中計(jì)算量往往很大，人工神經(jīng)網(wǎng)絡(luò)可以發(fā)揮計(jì)算機(jī)的高速運(yùn)算能力，可能很快找到優(yōu)化解。

4.2 數(shù)據(jù)來源和方法

水庫受上游入流的影響，其放水的決策由水庫管理者作出。在本研究中，2008-2018年水庫的上游降雨量數(shù)據(jù)來自《新疆維吾爾自治區(qū)水文年鑒》。降雨量的數(shù)據(jù)是從5個(gè)上游測量站收集的，將其編號為測站1、測站2、測站3、測站4和測站5。統(tǒng)計(jì)降雨量數(shù)據(jù)形成3個(gè)數(shù)據(jù)集。每個(gè)數(shù)據(jù)集都有不同的輸入模式，但目標(biāo)相同，即表達(dá)洪水階段。表1為4種不同類型的洪水危急情況，即正常、警報(bào)、警告和危險(xiǎn)。

表1 水庫水位洪水危急情況

在數(shù)據(jù)集1中，降雨模式是根據(jù)降雨量(RV)的變化確定的，其中rt代表當(dāng)前降雨量，而rt-1代表上一個(gè)時(shí)段的降雨量。在數(shù)據(jù)集2中，根據(jù)降雨量的多少分為5類降雨類別：無、輕、中、重和非常重，具體參見表2。

表2 降雨類別

降雨模式是根據(jù)降雨類別(RC)的變化確定的，其中ct代表當(dāng)前的降雨類別，而ct-1代表上一個(gè)時(shí)段的降雨類別。在數(shù)據(jù)集3中，降雨量和降雨量類別的變化都用作基礎(chǔ)數(shù)據(jù)輸入。而表3給出了每個(gè)數(shù)據(jù)集獲得的實(shí)例數(shù)量，其中每個(gè)數(shù)據(jù)集的實(shí)例數(shù)是在刪除沖突數(shù)據(jù)后獲得的。

表3 各數(shù)據(jù)集的實(shí)例數(shù)量

5 結(jié)果和討論

本文使用帶有偏差、學(xué)習(xí)率和動量的標(biāo)準(zhǔn)反向傳播神經(jīng)網(wǎng)絡(luò)模型進(jìn)行預(yù)測。表2中的降雨模式被用作輸入?yún)?shù)，計(jì)算目標(biāo)是水庫的洪水階段。每個(gè)模型都用隱藏單元、學(xué)習(xí)率和動量的不同組合進(jìn)行訓(xùn)練。該過程的目的是獲得最佳結(jié)果的組合。通過使用平均絕對誤差(MAE)和均方根誤差(RMSE)來測量模型的性能。這兩種誤差衡量手段都是用于測量連續(xù)變量精度最常見的度量標(biāo)準(zhǔn)。

表4為訓(xùn)練和測試過程后每個(gè)數(shù)據(jù)集的結(jié)果。

由表4可知，數(shù)據(jù)集3的預(yù)測結(jié)果為水庫水位預(yù)測模型的最佳值。雖然該數(shù)據(jù)集構(gòu)建模型所需的時(shí)間比其他兩個(gè)模型長，但幾秒的模型構(gòu)建時(shí)間對一個(gè)長期的洪水過程來說顯得微不足道。從表4中可以看出，數(shù)據(jù)集3的均方根誤差為0.644 8，平均絕對誤差為0.519 1，均表現(xiàn)出較數(shù)據(jù)集1和數(shù)據(jù)集2的優(yōu)越性。神經(jīng)網(wǎng)絡(luò)中每個(gè)參數(shù)的值見表5。

表4 訓(xùn)練和測試過程后每個(gè)數(shù)據(jù)集的結(jié)果

表5 神經(jīng)網(wǎng)絡(luò)運(yùn)行參數(shù)結(jié)果

由表5中可知，從隱藏單元、學(xué)習(xí)率和動量這3個(gè)關(guān)鍵性的參數(shù)可以看出，數(shù)據(jù)集3的模型模擬情況產(chǎn)生了令人滿意的結(jié)果。此外，數(shù)據(jù)集3反映了模型中考慮的信息越多，精度越高的特點(diǎn)。圖2為數(shù)據(jù)集3的人工神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，其中C代表降雨量；R代表降雨模式。

圖2 數(shù)據(jù)集3的神經(jīng)網(wǎng)絡(luò)模型

6 結(jié) 論

在本研究中，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用于開發(fā)水庫洪水預(yù)報(bào)模型，創(chuàng)建并測試了3個(gè)數(shù)據(jù)集。與其他數(shù)據(jù)集相比，代表上游降雨模式及其變化的數(shù)據(jù)集3產(chǎn)生了更好的結(jié)果，這表明模式信息的變化對水庫放水決策至關(guān)重要。為了減少洪水對下游地區(qū)的影響，早期放水決策至關(guān)重要。這一結(jié)論可作為水庫決策者在制定計(jì)劃時(shí)的參考。同時(shí)，水庫應(yīng)保持其有一定的蓄水量，以滿足其他目的。本文所提出的預(yù)測模型可用于指導(dǎo)水庫調(diào)度人員作出決策。