水库中长期径流预报及短期优化调度研究

于淳蛟，张 璐

（湖北志宏水利水电设计有限公司,湖北 武汉 430070）

0 引言

水资源是最为重要的可再生优质清洁能源之一,在现代社会的能源结构中占有十分重要的地位,特别是我国“碳中和、碳达峰”战略目标背景下,水电事业的发展得到越来越广泛的关注[1-3]。水电在滚动开发和资源优化配置过程中,通过运营管理手段充分利用水库的调度能力,挖掘水电站的利用效率,可有效提高水电站的发电量、防洪抗旱效益等。按照调度时间的长短分类,水库优化调度可以大致分为3 种类别,分别是厂内优化调度、短期优化调度和中长期优化调度,其中短期优化调度和中长期优化调度的影响因素众多,预测难度大[4]。因此研究水库中长期径流预报及短期优化调度具有十分重要的意义。

1 工程概况

某水库位于湖北省内,水库总库容608.42 万m3,是一座集农业灌溉、水力发电、防洪抗旱、农村人畜饮水于一体的综合利用水利枢纽工程。水库工程由枢纽工程、供水工程组成。枢纽主要建筑物由拦河坝、溢洪道、导流输水隧洞等建筑物组成。拦河坝坝高54.90 m,坝顶长度132.00 m,宽度6.00 m。拦河坝上游坝坡采用C20 预制混凝土、C20 现浇混凝土护坡。下游坝坡采用C20 框格网草皮护坡,坝顶、下游坝面马道、下游坝坡外缘设C20 混凝土排水沟将岸坡雨水排至量水堰外[5]。

2 流域径流量分析

水库所在河道全长14.3 km,河流自西向东流,发源于西部某山顶,山顶高程1540 m,水库坝址以上控制流域面积15.1 km2,控制河长9.1 km,河道平均比降0.0316,流域形状呈狭长形,流域形状系数0.18,流域平均宽度1.66 km。流域整体地形西南高东北低,趋势由西南向东北倾斜,流域分水岭高程一般多分布在1300 m～1500 m,工程区流域内平均高程1240.5 m。

设计流域无实测水文资料,邻域具有年径流统计参数分析的水文站具有相同的气候成因,水库取水坝断面设计年径流量主要考虑临近水文站作为参证站,年径流统计参数分析计算的成果作为采用成果,计算成果见表1。

表1 水库设计径流成果表

设计洪水计算考虑采用暴雨途径进行推求,成果见表2。

表2 水库主汛期和汛后期设计洪水成果表

根据水文站1959 年～2019 年60 年的实测水文资料进行年洪水及枯水期洪水分析计算,移用其枯水期设计洪水与设计年洪水的比值关系,从而由水库的年洪水估算其枯水期洪水,成果见表3。

表3 水库枯水期洪水成果表

3 基于BP 神经网络法的水电站水库群中长期径流预报

3.1 BP 神经网络法基本原理

水库群中长期径流预测的难点是因为径流受到地形、气候以及人类活动等多方面的影响,导致径流预测则存在不确定性,且预测的时间越长,其预测结果的精确性越差。采用传统的水电站水库群长期径流预报方法不仅效率低下,而且预测精度较差[6]。人工神经网络由于具有非线性的自学习能力、自适应控制能力和强大的信息运算功能,可以对大批量的数据进行学习训练,实现大规模的无监督学习,对复杂的、难以解决的模式识别问题可以得到良好的求解,因此人工神经网络应用于水电站水库群中长期径流预测具有较好的可行性。

人工神经网络是一种对人脑记忆过程和辨识能力模仿的数学模型,其典型的计算结构见图1,图中中间层可以有多层。目前,人工神经网络发展出了3 种应用较为广泛的算法,分别为BP 神经网络法、RNN 循环神经网络法和LSTM 长短期记忆神经网络法[7]。

图1 人工神经网络典型计算结构

BP 神经网络是计算每个神经网络节点的n个输入值,对每个输入值xi赋予权重和偏值后,仅有1 个中间输出结果z,每个中间输出结果z通过Sigmoid激活得到每个神经元的输出f（x）,计算方法如见式（1）和公式（2）[8-9]。

式中：z为输出结果；xi为输入值；Sigmoid为激活函数；wi为每个输入值的权重；b为偏值；e为指数底数。

对于BP 神经网络法的输出结果,一般采用损失函数（如均方误差）进行样本训练效果的评价,通过求得损失函数的最小极值达到训练过程的收敛,该求解过程实现主要运用反向传播迭代完成。定义损失函数见公式（3）、公式（4）,则可以按照梯度下降法迭代得到最优解,见公式（5）和公式（6）[10-11]。

式中：l为神经网络的第l层；J（w,b,x,y）为损失函数；σ（zl）为神经网络输出激活函数；a为第l层神经元的输出。

3.2 BP 神经网络法预测结果

为可靠地预测水库群中长期年平均流量,以为短期的水库运营优化提供决策依据。基于BP 神经网络法对1990 年～2005 年的水库群实测年平均流量进行训练学习,并对2006 年～2021 年的水库群年平均流量进行预测,并与实测年平均流量进行对比,以检验BP 神经网络预测的准确性。同时,为了更好地研究BP 神经网络法的中长期平均流量预测精度,本文研究增加了基于小波分析法、混沌理论模型法的中长期流量预测,达到佐证的效果,得到预测分析结果见表4 和图2、图3。

图2 BP 神经网络法径流训练集

图3 不同预测方法预测结果对比

表4 不同预测方法的水电站水库群中长期径流预测结果对比

从图2 中可以看出,在1990 年～2005 年的水库群实测年平均流量呈现不同程度的波动,波动范围在210 m3/s～350 m3/s,年均流量最小值出现在1996 年,为215 m3/s。从图3 中可以看出,经过小波分析法、混沌理论模型法和BP 神经网路法预测得到的数据均与实测年均流量呈现不同程度的差异,但总体趋势表现为较为一致,其中年均流量最大值出现在2017 年,基于小波分析方法的最大年均流流量为332m3/s,基于混沌理论模型得到的最大年均流量为327 m3/s,基于BP 神经网络法模型得到的最大年均流量为334 m3/s；年均流量最小值出现在2016 年,基于小波分析方法的最小年均流流量为228 m3/s,基于混沌理论模型得到的最小年均流量为238 m3/s, 基于BP 神经网络法模型得到的最小年均流量为214 m3/s。表4 中的各方法的年平均流量预测误差计算方法为（预测值-实测值）/实测值×100%,整体上看,基于小波分析法得到的年平均流量预测误差范围为-4.06%～6.34%,基于混沌理论模型法得到的年平均流量预测误差范围为-4.04%～10.88%,基于BP 神经网络法得到的年平均流量预测误差范围为-4.15%～-0.55%。由此表明,相对于小波分析法和混沌理论模型法,BP 神经网络法在年平均流量预测中具有更高的精度。

对水库群中长期（2025 年～2035 年）年均流量进行预测,结果见图4。从图4 中可以看出,2025 年～2035 年水库群的年均流量呈现不同程度的波动,年均流量最大值出现在2033年,年均流量值为358 m3/s,最小值出现在2031 年,年均流量值为232 m3/s,年均流量的平均值为282 m3/s。

图4 BP 神经网络法预测预报结果

4 水电站水库群径流短期优化调度分析

从2022 年1 月份开始,对2022 年全年的平均流量进行预测,预测方法采用BP 神经网络法,输入参数为河道历年年均流量,年内分配原则为同频率法,输出值为预测目标年的年内平均流量,在预测的基础上对水库群的平均流量进行优化调度,结果见图5。从图5 可以看出,在全年范围内预测得到7 月～8 月和10 月是水库运行的径流峰值期,水库高水位的运行给库区安全运行带来一定的调整,对库区的水位进行运行优化调度,实测优化调度后的月均流量在丰水期（6 月～10 月）,库区水位得到有效改善,超额水量可通过在汛期合理安排蓄滞洪区进行调度,而在枯水期（12 月～次年3 月）则通过提前蓄水等措施保证库区水量的补充,库区的水位得到了一定程度提高,大大提高了水库群的防洪抗旱的能力,达到了调节水资源的目的。

图5 基于BP 神经网络法预测水电站径流年内优化分配

5 结论

文章以某河流水库为研究对象,基于BP 神经网络法对实测监测值训练学习,校核预测精度,基于预测方法对水库平均流量短期优化调度,结果表明：经过小波分析法、混沌理论模型法和BP 神经网路法预测得到的数据均与实测年均流量呈现不同程度的差异,但总体趋势表现较为一致；相对于小波分析法和混沌理论模型法,BP 神经网络法在年均流量预测精度更高；基于BP 神经网络对库区进行优化调度,丰水期库区水位得到有效控制,枯水期库区的水资源量充足,提高了水库运行管理效率。由于水库来水量预测难度较大,为了避免极端气候的出现,应加强预备水平,更好的优化水库调度。