苏阿皮蒂水电站径流模拟计算及下闸蓄水时机选择

杨文聪，杜才明，居志刚，马子萱

(1.清华大学，北京 100084；2.中国水利电力对外有限公司，北京 100120)

0 概 述

苏阿皮蒂(Souapiti)水利枢纽位于几内亚孔库雷河中游，是流域梯级开发中的第2级水电站，集水面积10 800 km2，装机容量450 MW，2016年4月开工建设，计划2019年9月实现初期下闸蓄水，2020年9月首台机投产发电。由于流域水雨情数据缺失严重，设计阶段只有1948年～2002年下游凯乐塔水电站(Kaleta)坝址的月均流量，且大多数为插入计算值。1999年上游格拉菲里(Garafiri)水电站投产，流域面积和库容均较大，对下游的调节影响作用明显，需要根据流域Telimele气象水文站、2015年Kaleta发电以后的部分实测水雨情数据，结合现代气象卫星遥感技术等开源共享数据，采用合适的降雨径流模型，导出本工程坝址的日均流量，为工程本次提前下闸蓄水以及后期投产发电蓄水和运维阶段的水库防洪发电调度，提供较可靠的水雨情数据支持。

1 方 法

1.1 方法流程

本方法的目标是通过对2019年8月～10月日尺度来流过程的模拟，制订蓄水方案。方法包含以下3部分(见图1)：

图1 方法流程

(1)降雨径流模型。使用历史的日降雨、蒸发能力以及径流数据，率定降雨径流模型参数，并评估模型对每日径流量的模拟效果。

(2)降雨情景模拟。使用历史多年的降雨量计算不同保证率下的8月～10月总降雨，利用天气发生器从月降雨生成每日降雨以及蒸发能力，作为2019年的降雨假设情景。

(3)蓄水模拟。将(2)的每日降雨和蒸发能力输入到(1)中的降雨径流模型，得到2019年8月～10月每日流量，即可结合工程条件确定下闸方案。由于每日降雨的模拟具有随机性，此处应使用多次降雨模拟来进行蓄水模拟，统计蓄水成功的次数进行方案评估。

上述三部分的具体细节阐述如下。

1.2 降雨径流模型

降雨径流模型是模拟流域内降雨与径流关系的数学模型。即，输入降雨和蒸发能力、输出流域出口流量值。由于Souapiti不属于大型流域，可采用集总式模型。即，将流域看作一个单元整体，降雨与蒸发为都取全流域范围的平均值，不考虑流域内的空间变异性。

本研究使用的是法国的GR4J模型[1]，相应的软件为R语言的airGR包[2]。模型将降雨分解成蒸发、土壤蓄水以及地表产流三部分，并模拟地表产流的水汇流至流域出口的时间过程，从而得到流量值。模型有4个参数，需要通过实测的降雨、蒸发能力与流量数据进行参数率定。

1.3 降雨情景模拟

本研究使用了1981年～2018年长序列的流域历史每日降雨数据(见2.2节)，可基于该数据统计每年8月～10月的总降雨量，通过这38个总降雨量的经验概率分布计算不同保证率(5%，25%，50%，75%，95%)下的降雨。

由于蓄水过程的模拟需要精确到日尺度，故要将8月～10月的总降雨分解为每日降雨输入到降雨径流模型，分解方法为天气发生器。天气发生器通过在历史数据中抽样，随机生成任意时间长度的日尺度气象要素(降雨、蒸发能力等)，使得生成值与历史值有相同的统计特征(如均值、方差、每天是否降雨的概率、暴雨概率等)。注意天气发生器生成的气象要素值是一系列假想值，而不是具体到每一天的真实值模拟，它能保证在未知的2019年8月～10月，每日降雨过程与历史上这3个月的降雨过程统计特征相似。对于2019年每一个保证率下的8月～10月降雨量P0，在1981年～2018年中选出8月～10月降雨与P0的值最相近的5年，其8月～10月每日降雨与蒸发能力作为天气发生器的抽样来源，生成总降雨量为P0的2019年假想降雨过程。具体的抽样生成方法见Steinschneider和Brown的论文[3]，该方法在R语言的weathergen包[4]中已得到实现。

1.4 蓄水模拟

将1.3节每个保证率下生成的日降雨输入到1.2节率定的模型，可以得到2019年8月～10月每日流量过程的模拟。由于所生成的降雨总量由保证率给定、但分配到每日的降雨量具有随机性，所以我们通过多次实验的方法来进行降雨生成与相应的流量模拟。具体操作如下：

(1)对以上每个保证率下的8月～10月降雨量进行100次日降雨过程生成。

(2)对每个日降雨过程进行相应的流量模拟，得到100个8月～10月的日流量过程线。

(3)蓄水起点取8月16日至9月15日之间，每个起点都用100个日流量过程线模拟蓄水末期(10月31日)水位。

(4)对每个起点，若100次模拟中有至少95次满足要求(95%的合格率)，则该起点为该降水量下的合理下闸日期。

其中，蓄水过程应满足蓄水技术要求，包括以下约束条件：

(1)蓄水起点(4号导流底孔下闸完成)为水位130 m。

(2)泄洪能力小于400 m3/s时按泄洪能力下泄，大于400 m3/s时按400 m3/s下泄，以满足下游Kaleta电站的发电需求。

(3)蒸发库损为日均库容0.1%。

(4)水位不大于147 m时每日水位上升不超过3.5 m，大于147 m时不超过2 m。

(5)蓄水终点取10月31日，从起点到终点水位再任意一天达到167 m都认为蓄水满足要求。

(6)蓄满(水位167 m)后不得有超过1 332.7 m3/s的日流量(167 m时的泄洪能力)，以避免溢流坝过流对混凝土产生影响。

2 研究区域与数据

2.1 流域概化

本方法研究流域为Souapiti水利枢纽上游集水区域，即Souapiti流域，流域面积10 800 km2，绝大部分为山区，受人类土地利用影响较小。流域上游有Garafiri水电站，该电站集水面积2 480 km2，于1999年开始蓄水发电至今。

在旱季，Garafiri水电站泄水发电，Souapiti坝址流量比天然流量大；而在雨季，Garafiri水电站蓄水拦截使得Souapiti坝址流量比天然流量小。为了准确估计Souapiti坝址流量，需要对流域进行概化，分为天然来流部分加上Garafiri泄水的侧枝部分，如图2所示。侧枝来水量可通过Garafiri出库流量进行估计，本研究搜集到Garafiri2014年全年的过机流量数据，如图3所示，可分别将旱季(12月～5月)和雨季(6月～11月)的过机流量简化为定值，即各自的平均值58 m3/s和75 m3/s。通过查询1999年到2014年的Garafiri库水位数据，发现只有273 d高于额定高程350 m，且历史达到的最大高程仅为350.87 m，故可忽略溢流的水量，将过机流量近似认为出库流量。于是对于Souapiti而言，Garafiri的侧枝来水为稳定值，只需模拟天然部分流域的来水加上该侧枝来水，即可得到模拟的实际来水量，故在本研究中降雨径流模型实际是应用于天然部分这个“假想流域”。

表1 数据源

图2 Souapiti流域概化

图3 Garafiri 2014年过机流量(横线代表12月～5月以及6月～8月的平均过机流量分别为58 m3/s和75 m3/s)

2.2 数据源

工程设计资料中，Souapiti流域及附近只有一个Telimele雨量站有实测的日尺度降水数据，一个雨量站的点降雨不足以代表流域面降雨，故采用卫星遥感降雨产品。本研究选择Climate Hazards group Infrared Precipitation with Stations (CHIRPS) v2.0数据[5]。该数据由加州大学圣巴巴拉分校(UCSB)公开发布，融合了卫星测量的红外冷云持续时间(infrared Cold Cloud Duration)和全球雨量站点的降雨测量，形成了1981年1月至2019年6月每日的空间分辨率0.25°×0.25°降雨。CHIRPS在非洲应用效果良好[5-7]。对于2019年7月以来的降雨，本研究采用GPM IMERG v06 Late Run[8]，该数据由美国宇航局(NASA)通过多卫星监测整合得到全球每日实时降雨，空间分辨率0.1°×0.1°。

每日蒸发能力使用Hamon公式[9]进行计算，该公式需要输入每日气温，气温数据采用美国国家海洋和大气管理局(NOAA)的Climate Prediction Center(CPC)全球数据，空间分辨率0.5°×0.5°。

实测径流数据使用Telimele和Kaleta水文站进行换算。Telimele水文站在Souapiti上游，集水面积10 250 km2；Kaleta水文站在Souapiti下游，集水面积11 400 km2。由于这两个水文站所测量的流域与Souapiti流域面积相近；故，直接使用面积比例将这两个站的流量换算成Souapiti的流量。即Souapiti与Telimele每日流量之比固定为10 800/10 250；Souapiti与Kaleta每日流量之比固定为10 800/11 400。其中，根据两个水文站的数据年限，1994年及以前的流量使用Telimele测量值换算，1995年及以后的流量使用Kaleta测量值换算。换算后的Souapiti历史测量流量如图 4所示。从图4中可见，1987年以前的流量过程不符合经验，可能是人为测量或仪器故障等造成的误差；故不使用。另外，1990年流量也不自然，1996年与1995年完全一样，故1990年与1996年的数据也不使用。

图4 Souapiti历史测量流量值

2.3 结果

2.3.1降雨径流模型评估及历史每日流量重现

降雨径流模型的评估使用纳什效率系数[10]

(1)

1998年及以前Souapiti来水不受Garafiri水电站的影响，坝址来水为天然来水，故直接在Souapiti流域的尺度构建GR4J降雨径流模型，模拟效果见图 5。其中，NSE=0.85。1999年及以后Souapiti来水受Garafiri电站的影响，按照2.1节的流域概化方法进行建模与流量模拟。虽然1999年到2003年有实测数据，但此处选用2015年～2019年的流量数据进行模型率定，因为近5年的数据又Kaleta电站实测，精确度较高。对2015年～2019年Souapiti流量的模拟效果如图 6所示，其中NSE=0.84。总体而言，无论时天然来流时期还是受Garafiri影响的时期，模型对Souapiti坝址日尺度来流量的模拟都符合需求。

使用该模型输入1981年～2019年的降雨及蒸发能力数据，可重现1981年～2019年以来的Souapiti坝址缺测的每日流量，结果如图7所示。

2.3.2降雨保证率与相应的蓄水方案

根据1981年～2018年降雨数据计算，得到8月～10月总降雨保证率如表2所示。通过1.4节的蓄水过程模拟方法，得到不同降雨保证率下的下闸时间范围(见表3)。其中，最早下闸时间保证溢流坝不产生过流，因为太早下闸会让大坝在雨季中期蓄满至167 m，造成雨季后期可能有来流量大于167 m时泄洪底孔泄流能力；最晚下闸时间保证大坝能够蓄水至167 m，太晚则可能后续总来水量不够。

图5 1998年及以前(天然来流时期)Souapiti坝址模拟与实测的流量对比(没有实测数据的年份在图中不显示)

图6 2015年～2019年Souapiti坝址模拟与实测的流量对比(受Garafiri影响时期，Kaleta电站有实测流量时期)

由于蓄满时间最早也是9月末，此时溢流坝混凝土强度已形成，故过流的影响较小，蓄水可以只考虑是否能蓄满，即只关注最晚下闸时间。按保守的策略估计，使用95%保证率的降雨情景，故最终建议下闸时间为8月21日前。

图7 1981年～2019年Souapiti坝址每日流量(有实测值时使用实测值，无实测值时用模拟值代替，形成连续完整的流量过程线)

表2 8月～10月总降雨保证率

表3为不同8月～10月降雨保证率下的最早、最晚下闸时间。95%和75%保证率时在模拟中没有溢流坝过流的情况，故不存在最早下闸时间。

表3 下闸时间

3 结 语

Souapiti初期蓄水下闸时机选择受到流域水雨情资料短缺的限制，本研究通过开源遥感卫星降水数据及有限的水文站实测径流数据，使用降雨径流模型对2019年8月～10月不同降雨保证率下的Souapiti每日入库流量进行模拟，作为下闸时机决策的参考资料。同时，研究重现了1981年～2019年Souapiti坝址每日流量数据，形成连续完整的流量过程线，填补了工程设计数据空白。

结果表明，与实测径流数据对比发现，降雨径流模型的纳什效率系数合格，即准确性较高。按95%降雨保证率进行下闸计算，建议8月21日前进行下闸，下闸后的水库调节运用应根据实际来水进行实时调整。该方法建立了Souapiti流域的降雨径流模型，可供未来水库调蓄决策使用，但应在本期蓄水、发电蓄水和后期运维水库进入正常运用阶段进行校核检验，持续评估、完善模型，不断提高其准确性和工程可用性。