多模型不同时间尺度中长期径流预报研究

2019-09-24徐海丽

水电站设计 2019年3期

王涛，徐海丽，李铭

(中国电建集团成都勘测设计研究院有限公司，四川成都 610072)

0 前言

目前，国内流域在建和已建大型水电站较多，中长期预报对水电站施工期防洪度汛和运行期调度运行非常重要，高精度的中长期预报可有效提高水资源利用效率。中长期预报较常用的方法有成因分析法、水文统计法、人工神经网络、小波分析、模糊数学等，每种方法均有其适用条件和局限性[1]。中长期预报现处于探索阶段，主要问题是预报精度较低，在实际工作中很难有效指导生产[2]。水文过程受大气环流、太阳活动、下垫面情况、人类活动等因素影响，是一个复杂的动态过程[3]，其研究的系统是由相互之间非线性作用的多因素组成的开放复杂巨系统，大多是动态、不稳定、非平衡的[1]。在实际中长期预报作业中，可利用的中长期径流预报模型较多，但可用于建模的信息量非常有限，需要研究人员在有限信息条件下，尽可能提高预报精度。多种预测方法组合预测，是提高中长期预报精度的有效方法[4-5]。本文以白水江多诺水电站为例，研究利用坝址流量信息，采用最近邻抽样回归模型[6]、人工神经网络[7]模型和门限自回归模型，模拟预报多诺水电站不同时间尺度(月、旬、周)平均流量。

1 研究方法

1.1 最近邻抽样回归模型

最近邻抽样回归(NNBR)模型避免了对研究对象的相依形式和概率分布形式作某种假定，是一类基于数据驱动的、不需识别参数的非参数模型。根据研究对象不同，将最近邻抽样回归模型分为单因子最近邻抽样回归模型和多因子最近邻抽样回归模型两种形式[8-9]。

(1)

1.2 人工神经网络

人工神经网络(ANN)模型是一种数据驱动模型，可根据样本信息通过算法自动调节参数来模拟非线性关系，实现了模型参数的自动率定[10]。该模型具有大规模的并行计算与分布式存贮能力，非线性映射能力，较强的鲁棒性和容错性，自适应、自组织、自学习的能力，非局域性和非凸性等许多特性[11]。在一定程度上，ANN 模型比较适应于动态的、高度非线性的和不确定的水文系统[12]。

本文采用经典BP网络，包含输入层、隐层和输出层三部分(见图1)，传递函数采用线性转移函数；并采用增加学习速率自适应和动量法方法降低算法中学习速度慢、不易收敛、容易陷入局部最小缺点影响。参数为动量项系数、学习率、学习次数。

图1 神经网络结构示意

1.3 门限自回归模型

门限自回归(TAR)模型由Tong[13]于1978年提出，是具有广泛意义的一种非线性时序模型，其基本思路是以分区间线性自回归模型来描述研究对象在整个区间的非线性变化特性。对于水文序列Xt(t=1，2，…，n)，门限自回归模型的一般形式为[14]：

(2)

2 研究实例

多诺水电站是白水江“一库七级”中的龙头水库，电站坝址位于四川九寨沟县玉瓦乡根扎村上游，控制集水面积1 311 km2，多年平均流量17.7 m3/s。电站的工程任务是发电，电站采用混合式开发，水库正常蓄水位2 370 m，相应库容5 622万 m3，电站装机容量100 MW，多年平均发电量3.947亿 kW·h，具有不完全年调节性能，于2012年底建成运行。多诺电站以下梯级电站依次为玉瓦、陵江、黑河塘、永乐、南坪、交财湾，其中黑河塘、南坪、交财湾三个梯级电站已建成运行，具有日调节能力。白水江“一库七级”总装机556 MW。高精度的多诺水电站中长期径流预测对整个流域梯级运行调度非常重要，具有巨大的经济效益。

3 预报效果检验

河道流量是非常重要的信息载体，降雨、下垫面条件、蒸发等对流域水文过程的影响均反映到流量过程线中。流量数据是比较容易获取且资料系列比较长的水文基础数据。根据多诺水库坝址流量信息，选择最近邻抽样回归模型、人工神经网络模型和门限自回归模型模拟预报不同时间尺度(旬、月、周)多诺坝址径流。从收集的多诺水电站坝址1970～2013年月、旬、周平均流量资料看，其中1970～2006年不同时间尺度流量资料根据下游南坪水文站插补延长，2007～2013年流量资料来自白水江流域水情自动测报系统采集数据。

以多诺水电站1970～2002年月、旬、周平均流量资料作为最近邻抽样回归模型、人工神经网络模型和门限自回归模型参数率定期资料，及2003～2013年月、旬、周平均流量资料作为模型检验期资料。根据本时段及之前时段平均流量，建立模型预报方案，率定模型参数，模拟预报下一时段平均流量。三个模型不同时间尺度模拟预报误差以多年同期实测变幅的20%作为评定标准。统计率定期和检验期三个模型不同时间尺度平均流量模拟预报合格率(见表1)。

表1 率定期和检验期不同时间尺度平均流量模拟预报合格率

从表1可知，利用坝址流量信息，三个模型率定期不同时间尺度平均流量模拟合格率在50.0%～84.9%之间，检验期不同时间尺度平均流量预报合格率在58.3%～87.8%之间。对于月和旬时间尺度，门限自回归模型模拟预报效果最好，最近邻抽样回归模型次之；对于周时间尺度，三个模型模拟预报效果均接近，合格率均达到80%以上，精度较高。随着时间尺度减小，三个模型模拟预报合格率均呈上升趋势，即不同模型的月、旬、周时间尺度平均流量模拟预报精度逐渐提高。该结论与文献[6]和文献[11]研究结论较为一致。原因是径流序列值之间同时存在着相关性和线性的影响，相关性随着时间尺度的增大而变弱，而线性则随着预报时间尺度的增大而增强[6，11]。对于月、旬和周时间尺度来说，径流序列的相关性影响逐渐增强，线性影响逐渐降低，综合影响径流模拟预报效果逐渐变好。月、旬、周平均流量受降水量、下垫面、气象等因素综合影响，从三个模型不同时间尺度模拟预报结果来看，基于流量信息建模，可取得较好模拟预报效果，对实际生产应用具有重要指导作用。

资料系列长度对最近邻抽样回归模型、人工神经网络模型和门限自回归模型不同时间尺度模拟效果有影响。采用2000～2013年(14 a)、1990～2013年(24 a)、1980～2013年(34 a)、1970～2013年(44 a)资料系列，根据之前建立的模型预报方案，率定参数，模拟多诺水电站月、旬、周平均流量。在统计不同资料系列条件下，多诺水电站坝址三个模型不同时间尺度模拟合格率见表2。从表2可知，对于同一资料系列长度，不同模型月、旬、周时间尺度平均流量模拟合格率逐渐增加；对于不同资料系列长度，同一时间尺度，不同模型24 a、34 a和44 a资料系列模拟效果较为接近，总体比14 a资料系列好，说明在资料系列达到一定程度后，模型模拟效果比较稳定。门限自回归模型不同资料系列长度和不同时间尺度模拟效果总体比其他两个模型好。通过多模型预报信息的融合来提高预报的稳定性和精度，是中长期径流预报中一个可取的途径[15]。