基于上游降雨格局变化的水库水位变化预测

夏力哈尔·俄坦

(新疆伊犁河流域开发建设管理局，新疆 伊犁 835000)

1 概 述

洪水属于一种后果严重的紧急灾害，需要决策者给予重点关注并迅速作出决策，以降低洪水风险并减少生命财产损失[1]。在中国某些地域，洪水是持续极端降雨事件造成的灾难之一[2]。学者们为降低洪水风险做了许多努力，现行被世界广泛所接受并使用的抗洪手段是建造水库[3]。在洪水发生时，何时将水库放水与释放水量的多少是水库运行中的一项关键决策[4]。

通常，水库放水决定由一些专家所作出。这些决定是基于他们过去的经验、当前水库水位和上游来水量。通过上游降雨量和河流水位的大小来观察上游流入量。总降雨量可能来自几个测量站在总降雨历时中所观测到的数据，它们到水库的距离各不相同。因此，这些测站观测到的降雨形成径流后可能需要不同的时间才能到达水库。溢洪道闸门用作库水的出口，一些水库配有无闸门溢洪道，而另一些则有两种类型的溢洪道。此外，作出放水的决定也会对大坝结构受损造成风险。人工神经网络已经被许多学科所接受，前人的研究表明它适用于解决水文问题[5]。本文研究了用人工神经网络建立水库洪水预报模型。通过对洪水分期的预测，可以提前作出早期放水决策。洪水水位与水库水位相关，分为正常、警戒、警告和危险4类。将上游降雨量和降雨类别用作输入数据集，代入模型求解。数据准备将在方法部分进一步讨论，结果和讨论将在后续章节中介绍。

2 过往研究

以往的一些工作已经对几种预测水库水位的方法进行了研究，如人工神经网络、自适应神经模糊推理系统、支持向量机(SVM)和自回归综合移动平均线法(ARIMA)。先前的研究比较了SVM和ANFIS模型的性能，根据统计评估，ANFIS模型的表现优于SVM模型。同时，一些学者使用人工神经网络预测水位，并将结果与ARIMA进行了比较，结果表明人工神经网络产生了更好的预测效果。因此，认为人工神经网络在这些方法中表现最好，预测精度最高。人工神经网络在后来的一些研究中被当作核心技术应用，并且大多数研究集中于多用途水库。有时，多用途水库的调洪功能与其他功能相冲突，在这种情况下，必须采取排涝手段以降低洪水风险，但何时将水库放水与释放水量的多少是水库运行中的一项关键决策。

3 研究区概况

本文以新疆某水电站为例，水电站大坝后地面厂房内共安装4台单机容量80 MW的混流式水轮发电机，总装机容量320 MW。水库总蓄水16.94×108m3，电站装机320 MW，是一座以灌溉为主，兼有发电、防洪等综合效益的不完全多年调节水库。工程由拦河坝、表孔泄洪洞、中孔泄洪洞、深孔排沙放空洞、发电引水系统、电站厂房、开关站等建筑物组成。除了减轻洪水之外，水库还有其他用途，如供水、灌溉、调蓄、维持生态系统等。水库系统可简单分为4个部分：上游、水库、溢洪道闸门和下游，见图1。上游是水库的水源或入流来源，由计量站和水文站记录上游水文数据。在水被释放到下游水道之前，从各个来源流入的水在水库中混合。

图1 水库系统的概念模型

4 研究方法

4.1 人工神经网络简介

人工神经网络(Artificial Neural Network，简称ANN)，是20世纪80 年代以来人工智能领域兴起的研究热点。它按不同的连接方式连接一些简单的模型，抽象化人脑中的神经元网络，并从信息的角度对其进行处理，从而组成不同的网络。神经网络或类神经网络是工程领域对其的普遍称呼。神经网络是一种数学运算模型，其中存在大量的节点，每个节点代表一种称为激励函数(activation function)的特定输出函数，整个网络通过节点与节点之间相互联系而形成。每两个节点间都存在一个加权值，其代表一个对于通过该连接信号的权重，神经网络求解的手段是对自然界某种算法或者函数的逼近，或是对一种逻辑的表达。该方法具有以下优点：①具有类似人脑的自我学习功能。例如，将不同的图片或者信息输入算法，再将这些元素各自对应的识别结果也输入模型中，网络就会通过自学习功能，慢慢学会识别类似的元素，对于预测来说，自我学习功能有特别重要的意义。人工神经网络计算能为人类提供效益预测、水文预测等便利，其应用前途是很远大的。②具有联想存储功能。这种联想功能可以通过人工神经网络的反馈网络实现。③具有高速寻找优化解的能力。常规方法对解决复杂问题求解过程中计算量往往很大，人工神经网络可以发挥计算机的高速运算能力，可能很快找到优化解。

4.2 数据来源和方法

水库受上游入流的影响，其放水的决策由水库管理者作出。在本研究中，2008-2018年水库的上游降雨量数据来自《新疆维吾尔自治区水文年鉴》。降雨量的数据是从5个上游测量站收集的，将其编号为测站1、测站2、测站3、测站4和测站5。统计降雨量数据形成3个数据集。每个数据集都有不同的输入模式，但目标相同，即表达洪水阶段。表1为4种不同类型的洪水危急情况，即正常、警报、警告和危险。

表1 水库水位洪水危急情况

在数据集1中，降雨模式是根据降雨量(RV)的变化确定的，其中rt代表当前降雨量，而rt-1代表上一个时段的降雨量。在数据集2中，根据降雨量的多少分为5类降雨类别：无、轻、中、重和非常重，具体参见表2。

表2 降雨类别

降雨模式是根据降雨类别(RC)的变化确定的，其中ct代表当前的降雨类别，而ct-1代表上一个时段的降雨类别。在数据集3中，降雨量和降雨量类别的变化都用作基础数据输入。而表3给出了每个数据集获得的实例数量，其中每个数据集的实例数是在删除冲突数据后获得的。

表3 各数据集的实例数量

5 结果和讨论

本文使用带有偏差、学习率和动量的标准反向传播神经网络模型进行预测。表2中的降雨模式被用作输入参数，计算目标是水库的洪水阶段。每个模型都用隐藏单元、学习率和动量的不同组合进行训练。该过程的目的是获得最佳结果的组合。通过使用平均绝对误差(MAE)和均方根误差(RMSE)来测量模型的性能。这两种误差衡量手段都是用于测量连续变量精度最常见的度量标准。

表4为训练和测试过程后每个数据集的结果。

由表4可知，数据集3的预测结果为水库水位预测模型的最佳值。虽然该数据集构建模型所需的时间比其他两个模型长，但几秒的模型构建时间对一个长期的洪水过程来说显得微不足道。从表4中可以看出，数据集3的均方根误差为0.644 8，平均绝对误差为0.519 1，均表现出较数据集1和数据集2的优越性。神经网络中每个参数的值见表5。

表4 训练和测试过程后每个数据集的结果

表5 神经网络运行参数结果

由表5中可知，从隐藏单元、学习率和动量这3个关键性的参数可以看出，数据集3的模型模拟情况产生了令人满意的结果。此外，数据集3反映了模型中考虑的信息越多，精度越高的特点。图2为数据集3的人工神经网络体系结构，其中C代表降雨量；R代表降雨模式。

图2 数据集3的神经网络模型

6 结 论

在本研究中，将人工神经网络应用于开发水库洪水预报模型，创建并测试了3个数据集。与其他数据集相比，代表上游降雨模式及其变化的数据集3产生了更好的结果，这表明模式信息的变化对水库放水决策至关重要。为了减少洪水对下游地区的影响，早期放水决策至关重要。这一结论可作为水库决策者在制定计划时的参考。同时，水库应保持其有一定的蓄水量，以满足其他目的。本文所提出的预测模型可用于指导水库调度人员作出决策。