人工神经网络在澄碧河年径流预测中的应用研究

莫崇勋，王大洋，钟欢欢，杨 庆，高 沫

(1.广西大学土木建筑工程学院，广西南宁530004；2.工程防灾与结构安全教育部重点实验室，广西南宁530004；3.广西防灾减灾与工程安全重点实验室，广西南宁530004)



人工神经网络在澄碧河年径流预测中的应用研究

莫崇勋1，2，3，王大洋1，2，3，钟欢欢1，2，3，杨 庆1，2，3，高 沫1，2，3

(1.广西大学土木建筑工程学院，广西南宁530004；2.工程防灾与结构安全教育部重点实验室，广西南宁530004；3.广西防灾减灾与工程安全重点实验室，广西南宁530004)

河川年径流预测工作是实行最严格的水资源管理制度、高效利用水资源和实现水资源优化配置的重要环节，也是近些年的研究热点之一。通过借助MATLAB软件快速、高效的特点和人工神经网络较强的自我学习、记忆和预测的能力，建立了澄碧河年径流预测模型并利用澄碧河1963年～2011年的历史资料建立样本进行训练和预测。结果表明，该模型预测效果良好，平均误差控制在5%以内，可为将来澄碧河年径流预测提供科学依据。

年径流；预测；人工神经网络；澄碧河

0 引 言

水资源是人类生存和发展的基本条件、社会经济可持续发展的基本要素，近些年其重要性愈加显著。而河川径流作为水循环里的重要环节，是水资源综合开发利用、优化调度、科学管理的最重要的依据之一[1]。为了更好地实行最严格的水资源管理、高效利用水资源和实现水资源优化配置，年径流预测工作显得十分重要。水资源系统由于受到大气环流、太阳活动、水文气象要素和流域下垫面变化等众多物理因子的综合作用，因此表现出如随机性、突变性、非线性等错综复杂的特性[2]。

径流预测的研究方法总体上可以分为以随机理论为基础的传统线性分析法，以模糊分析和灰色系统为主的不确定性分析法和以人工神经网络为代表的非线性分析方法。与传统的线性分析方法相比，人工神经网络引入多尺度分析思想，具有更强的非线性处理能力，能更好地体现径流预测的随机性、非线性等特点[1]。

人工神经网络(Artificial Neural Network，ANN)，是一种模仿动物神经网络行为建立的能够对信息进行分布式并行处理的算法数学模型。它是由大量简单单元原件相互连接交织而成的复杂网络，具有高度的非线性特征，并能够进行复杂的逻辑操作和非线性关系的实现。神经网络具有明显的特点：①自学习和自适应性，能够适当改变自己适应环境变化；②鲁棒性和容错性，局部的损害只会适度地减弱网络运行效率，不会对结果产生灾难性影响；③分布式记忆，网络学习的“信息”分布地存储在连接权值中，不集中存储[3- 4]。人工神经网络(ANN)以其独特优势在航空航天业、汽车制造业、金融业、医学、化石能源产业、通讯业、交通运输业等领域广受青睐，水利工程行业对神经网络的研究和应用也很多。刘清等[5]通过运用粒子群等算法对神经网络进行改进，并应用于 水利测量技术中；鞠石泉等[6]建立了一种基于神经网络的土石坝沉降预测模型;韦柳涛等[7]将神经网络应用在梯级水电厂短期优化调度中，提出了基于神经网络算法的短期经济优化调度方案；Jr.S Ranjithan[8]采用神经网络方法有效地解决了地下水优化管理问题，通过建立包含一个隐含层的BP的网络结构进行研究，取得了良好的识别效果。吴骁[9]运用神经网络建立了我国南水北调东线工程运行管理的调度咨询专家系统，其中包含6个子模块，并将该系统用于洪泽湖调度过程咨询，效果良好。本研究旨在采用人工神经网络方法建立一个可以预测澄碧河年径流的模型，对澄碧河的年径流进行预测，可为丰富该流域水文预报工作和更加合理有效地利用和调配水资源提供决策依据。

1 人工神经网络模型

1.1 人工神经元模型

人工神经元是人工神经网络最基本的信息处理单元，其结构是模仿动物神经组织中的神经元细胞而设计的，模型结构如图1所示。

图1 人工神经元模型

人工神经元模型主要分为连接组、加法器、激活函数3个基本元素。各神经元的连接强度表现在连接权值中，连接权值可正可负，正负分别表示激活和抑制状态；加法器用于求解输入信息的加权之和；激活函数用于将神经元的输出振幅限制在允许范围内，正常的振幅范围有[0，1]和[-1，1]两种。神经元模型外设有偏置，用于增加或降低激活函数的网络输入，一个完整的人工神经元的表达式为

求和

(1)

输出

yk=f(uk+bk)

(2)

式中，xi(i=1,2,…，m)表示输入信息；wik(i,k=1,2,…，m)表示神经元连接权值；uk表示输入信息线性组合器输出；bk神经元单元的阈值；f(·)是激活函数；yk是输出信息。激活函数一般均表现出非线性的特点，它的选取对于信息的处理有很重要的影响。人工神经网络中常用的激活函数有阈值型、分段线性型、sigmoid函数型和双曲正切型等4种。

1.2 BP神经网络计算原理和训练流程

图2 BP神经网络

由图2可看出，BP神经网络样本训练过程可分为信息正向传播和误差反向传播两个过程。信息从输入层经隐含层逐层向后传播；同时进行相应的信息处理，直至输出层，得到输出值。然后，对得到的输出值和期望的输出值进行误差分析比较，生成一个误差函数，若未达到误差精度要求，则误差逆向传播，通过引进新的权值来对各个权值进行修正。之后，再转入信息正向传播，如此反复循环，直至误差满足设置精度要求。

经过反复训练学习，样本的输出值和实际值误差逐渐趋于精度要求，如此训练过的神经网络的层数，各隐含层的节点数和各连接权值等信息被“记忆”，最终建立了一个性能良好，结构可靠的网络模型，以此来进行预测。

1.3 BP算法的改进

本文采用L-M法，即Leveberg-Marquardt算法对BP神经网络算法进行改进。其法类似拟牛顿法，在修正速率时可以避免计算海森矩阵，从而提高计算效率，于是海森矩阵被近似为：H=JTJ。梯度g=JTe。其中，e是误差向量；J是包含误差性能函数对网络权值一阶导数雅克比矩阵。L-M算法的网络权值修正式

(3)

式中，μ是系数；I为与海森矩阵同型的单位矩阵。

2 澄碧河年径流预测研究

本文采用广西壮族自治区百色市澄碧河上游平塘水文站1963年～2011年共49 a的年径流资料作为研究数据，利用人工神经网络BP算法并结合MATLAB软件编程建立预测模型来实现对年径流的模拟预测。为了充分利用研究资料信息，每次仅预测1年年径流，共对2009年、2010年、2011年3个年份进行年径流预测。如预测2009年的年径流，则使用1963年～2008年的历史资料作为基础；预测2010年的年径流，则使用1963年～2009年的历史资料；同理，预测2011年的年径流，则用1963年～2010年的历史资料。考虑到水文时间序列的相依性不太强，历史节点的选取，节点不宜过大，一般选择4～6[10]。本文选取5作为节点建立训练样本，即采用：f(1963，1964，1965，1966，1967)→1968;f(1964，1965，1966，1967，1968)→1969；f(1965，1966，1967，1968，1969)→1970；…f(2003，2004，2005，2006，2007)→2008的方式建立包含41个训练样本的样本集，以此来进行网络训练，训练完成后，为检验神经网络的训练效果，再次将这41组样本输入网络重新进行模拟，通过比较模拟值和实际值的误差来判定神经网络的可靠性程度。若网络可靠，则进行f(2004，2005，2006，2007，2008)→2009对2009年的径流量进行预测。

通过MATLAB编程语言建立神经网络模型，用以上41组进行训练并检验效果。对比发现，模拟值和实际值拟合效果较好(见表1)。

模型模拟结果显示：模拟值和实际值的误差比较小，神经网络的训练效果较好，相对误差基本上控制在6%以内，年径流的预测精度符合《水文情报规范》要求。之后用训练好的神经网络模型对2009年年径流进行预测，并用同样的方法建立2010年和2011年的年径流的预测模型进行预测，为便于比较分析，现将这3年的预测值和实际值进行对比，对比结果如图3和表2所示。

图3 2009年～2011年预测值和实际值

从图3和表2的预测结果来看，3年的预测值和实际值比较接近，相对误差较小，平均误差控制在5%以内，说明神经网络对年径流预测效果良好，可用于实际工程未来的年径流预测工作，为未来的水文情报预报工作提供有利的技术支持。

表1 模拟值与实际值对比

年份实际值/m3·s-1·d模拟值/m3·s-1·d相对误差/%1963240919643751196536321966402719675335196863366209819919695209549395471970336333050881971376337301087197222352259711119734295429920101974374239032431197521782242129419763186315700911977496449519024197852315162713019796134615380321980374136554229198138243878614319823752370001391983433542950092198423782376800519852584256740641986416341870058198736963710603919882533256831391989258262711821990548854560058199129893017809619923243237600719934894487440401994604561001091199549974841631119964353439861051997678667876002199836963579331619993853387240502000242224598156200142814292202620024084095703920034173407952242004316931470070200532123198604220063612365581212007297297440152008493549043062

表2 2009年～2011年预测值和实际值对比

年份实际值/m3·s-1·d预测值/m3·s-1·d相对误差/%20092212372673620104299436081442011180717491320

3 结 语

本文通过借助MATLAB软件，建立了一个可以进行年径流预测的人工神经网络预测模型，并以广西澄碧河1963年～2011年的年径流历史资料作为研究样本，对样本进行训练，然后运用训练良好的预测模型分别对澄碧河2009年、2010年和2011年的年径流预测。预测结果表明，利用人工神经网络的高度非线性等优点，在缺乏降雨等实测资料的情况下可通过连续年径流资料结合年际之间具有的相依性和规律性对未来年径流进行预测。相比传统的方法，该方法具有高效、准确、快速、可操作性强等优点，具有较广阔的应用前景，可为今后开展广西澄碧河的年径流预测工作提供较强的科学依据。

[1]王鑫， 徐淑琴， 李洪涛. 河川径流预测方法比较研究[J]. 中国农村水利水电， 2014(4)： 98- 100．

[2]陈守煜， 薛志春， 李敏， 等. 基于可变集的年径流预测方法[J]. 水利学报， 2014(8)： 912- 920．

[3]陈明. MATLAB神经网络原理与实例精解[M]. 北京： 清华大学出版社， 2013．

[4]周品. MATLAB神经网络设计与应用[M]. 北京： 清华大学出版社， 2013．

[5]刘清. 人工神经网络算法的改进及其在水利测量技术中的应用[D]. 南京： 河海大学， 2005．

[6]侯玉成， 鞠石泉， 顾冲时. 基于人工神经网络的土石坝沉降模型[J]. 水电能源科学， 2005， 32(1)： 76- 78．

[7]韦柳涛， 梁年生， 虞锦江. 神经网络理论在梯级水电厂短期优化调度中的应用[J]. 水电能源科学， 1992， 10(3)： 145- 151．

[8]RANJITHAN S， EHEART J W， Jr GARRETT J H. Neural network-based screening for ground water reclamation under uncertainty[J]. Water Resources Research， 1993， 3(29)： 563- 574．

[9]吴骁. 人工神经网络在暴雨预报中的应用[M]. 北京： 科学出版社， 1993．

[10]金菊良， 王文圣， 李跃清. 水文水资源集对分析[M]. 北京： 科学出版社， 2010.

(责任编辑 陈 萍)

Study on the Application of Artificial Neural Network in Annual Runoff Prediction of Chengbi River

MO Chongxun1,2,3, WANG Dayang1,2,3, ZHONG Huanhuan1,2,3, YANG Qing1,2,3, GAO Mo1,2,3

(1. College of Civil and Architectural Engineering, Guangxi University, Nanning 530004, Guangxi, China; 2. Key Laboratory of Disaster Prevention and Structural Safety of Ministry of Education, Nanning 530004, Guangxi, China; 3. Guangxi Key Laboratory of Disaster Prevention and Engineering Safety, Nanning 530004, Guangxi, China)

The prediction of river annual runoff is a significant part of implementing the most strict water resources management, the efficient use of water resources and the optimal allocation of water resources. A model for predicting annual runoff of Chengbi River which based on MATLAB software and artificial neural network is established, and the historical runoff data of Chengbi River in the period of 1963- 2011 is adopted as training and predicting sample. The result shows that the model has a good effect and the average error is controlled within 5%, which can provide a scientific basis for the prediction of annual runoff in future．

annual runoff; prediction; artificial neural network; Chengbi River

2015- 07- 14

国家自然科学基金资助项目(51569003)；广西自然科学基金资助项目(2015GXNSFAA139248)广西高等学校优秀中青年骨干教师培养工程(桂教人[2014]39号)；广西水利厅科技资助项目(2015，07)

莫崇勋(1974—)，男(壮族)，广西忻城人，教授，博士生导师，主要从事水文水资源研究；王大洋(通讯作者)．

TV121.7

A

0559- 9342(2016)09- 0025- 04