CN106777775B - 一种基于多断面水位预测河流流量的神经网络方法 - Google Patents
一种基于多断面水位预测河流流量的神经网络方法 Download PDFInfo
- Publication number
- CN106777775B CN106777775B CN201710015205.0A CN201710015205A CN106777775B CN 106777775 B CN106777775 B CN 106777775B CN 201710015205 A CN201710015205 A CN 201710015205A CN 106777775 B CN106777775 B CN 106777775B
- Authority
- CN
- China
- Prior art keywords
- water level
- data
- neural network
- station
- flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Measuring Volume Flow (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于多断面水位预测河流流量的神经网络方法,其步骤:获取所求水文站已知的上一年流量数据和水位数据,以及所求水文站上游m个水位站的水位数据和所求水文站下游n个水位站的水位数据,并对水位数据进行编号得到各水位站的水位数据;将在同一时间测量的上一年水位数据、所求水文站上游相邻水位站的水位数据以及所求水文站下游相邻水位站的水位数据都构成一组自变量Hi;将每一组自变量Hi及其对应时间的流量数据Qi进行BP神经网络拟合,得到BP神经网络模型;根据已知待求流量数据Qm所对应的时间,将在该时间测量的水位数据作为自变量Hm;将自变量Hm代入BP神经网络模型中,得到对应的流量数据Qm,进而得到水位‑流量关系曲线,实现对河流流量的预测。
Description
技术领域
本发明涉及一种预测河流流量的方法,特别是关于一种基于多断面水位预测河流流量的神经网络方法。
背景技术
目前,自然河流的流量数据是水文学、河流动力学等众多学科研究过程中的重要数据。但是在以往的工程经验中,直接对实际河道进行流量测量非常困难,并且耗时长、成本高,也具有很大局限性。相比之下,水位数据测量则简单易行,数据完备。若能从已有水位数据和流量数据中得出河道流量和水位之间的关系,做出水位-流量曲线,则能够从水位数据得到流量数据,较大地提高科研和工程的效率。
在以前的水位-流量曲线模型中,往往利用最小二乘法,将单断面的水位-流量数据拟合为一条幂曲线,从而直接从断面的水位数据求得其流量数据。水位-流量曲线是在河流为恒定流的基础上,概化测量断面形状和曼宁系数,并利用谢才公式和曼宁公式得到流量Q为:
式中,C表示谢才系数,n表示曼宁系数。
在恒定流条件下,水力坡降J保持不变,在水位确定的情况下,过流面积A和水力半径R确定,即流量成为水位h的一个函数:
式中,K为常数。
随着水能开发的逐渐进行,水库的蓄水和泄水过程对各个水文站的水位-流量关系产生了重要的影响,尤其是位于水库库尾的水文站,蓄水期间:水库水位上升,断面水位也相应增高,但流量仍然较低,原有的水位-流量曲线不再适用。以年为时间尺度来看,由于水库调蓄的影响,相应河段的流动不符合恒定流的条件,水力坡降J在全年不同时间段有较大的不同,导致水位和流量之间一一对应关系受到破坏,原有的水位-流量曲线不再适用。但是实际河流的水位和流量关系是非常复杂的,尤其是受水利水电工程影响的河流断面,往往会出现多绳套型的曲线形态,河流单断面的水位和流量之间呈现出明显的不单调性,单值曲线的拟合精度很差,影响了科研工作和工程的进行。
发明内容
针对上述问题,本发明的目的是提供一种基于多断面水位预测河流流量的神经网络方法,其准确性高、应用范围广,特别适用于因水库蓄水而导致的多绳套型水位-流量曲线。
为实现上述目的,本发明采取以下技术方案:一种基于多断面水位预测河流流量的神经网络方法,其特征在于包括以下步骤:1)获取所求水文站已知的上一年流量数据和水位数据,以及所求水文站上游m个水位站的水位数据和所求水文站下游n个水位站的水位数据,并对水位数据进行编号得到各水位站的水位数据;2)将在同一时间测量的上一年水位数据、所求水文站上游相邻水位站的水位数据以及所求水文站下游相邻水位站的水位数据都构成一组自变量Hi;3)将每一组自变量Hi及其对应时间的流量数据Qi进行BP神经网络拟合,得到BP神经网络模型;4)根据已知待求流量数据Qm所对应的时间,将在该时间测量的水位数据作为自变量Hm;5)将自变量Hm代入BP神经网络模型中,得到对应的流量数据Qm,进而得到水位-流量关系曲线,实现对河流流量的预测。
所述步骤1)中,至少选取上下游各一个相邻水位站水位数据,由水文站已知水文数据和其上下游水文数据构成共3个断面的水位数据进行水位-流量关系拟合。
所述步骤1)中,上一年流量数据为Q0={Q01,Q02,…,Q0i},上一年水位数据为h0={h01,h02,…,h0i};Q0i表示在i时刻的上一年流量数据;h0i表示i时刻的上一年水位数据。
所述步骤3)中,BP神经网络拟合采用Matlab平台进行拟合,基于Matlab神经网络工具箱给定的阈值和权重的初值,采用样本自变量Hi为输入层数据和对应流量Qi为输出层,提供模型训练样本,通过迭代训练收敛,得到BP神经网络模型。
本发明由于采取以上技术方案,其具有以下优点:1、本发明采用所求水文站和多个水位站断面的水位数据,通过BP神经网络模型,进行水位-流量关系的拟合,准确性高、泛用性强,易于推广。2、本发明采用多断面水位的数据,从而解决单水文站水位和流量之间的多值关系,减小水位站之间的步长,使水位-流量曲线拟合精度更高。3、本发明采用基于多断面水位预测河流流量的神经网络方法,很好地解决了多绳套型复杂的水位-流量曲线问题,并对科研和工程而言有较强的参考价值。
附图说明
图1是本发明实施例中寸滩水位站2013年的水位-流量关系示意图;
图2是现有采用一个断面上的水位和流量数据进行拟合的水位-流量关系断面示意图;
图3是本发明实施例中2012年数据拟合结果与实测结果的对比,其中横坐标表示2012年的实测流量值,纵坐标表示采用本发明所述方法,将多个断面水位数据作为神经网络输入层自变量所得到的拟合流量值;
图4是本发明实施例中采用BP神经网络模型推求2013年流量值与实测流量的对比。
具体实施方式
下面结合实施例和附图对本发明进行详细的描述。
本发明提供一种基于多断面水位预测河流流量的神经网络方法,其具体步骤如下:
1)获取所求水文站已知的上一年流量数据Q0={Q01,Q02,…,Q0i}和水位数据h0={h01,h02,…,hi0},以及所求水文站上游m个水位站的水位数据和所求水文站下游n个水位站的水位数据,并对水位数据进行编号得到上下游各水位站的水位数据以及进而通过多个水位站测量数据体现多断面特征;其中,表示在i时刻水文站上游u的第m个水位站的水位数据;表示在i时刻水文站下游d的第n个水位站的水位数据;Q0i表示在i时刻的上一年流量数据;h0i表示i时刻的上一年水位数据;i=1、2、3、…,m=1、2、3、…,n=1、2、3、…。
在本实施例中,为使模型精度和拟合结果能达到要求,至少选取上下游各一个相邻水位站水位数据,由水文站已知水文数据和其上下游水文数据构成共3个断面的水位数据进行水位-流量关系拟合。
2)将在同一时间测量的上一年水位数据、所求水文站上游相邻水位站的水位数据以及所求水文站下游相邻水位站的水位数据都构成一组自变量Hi:
3)将每一组自变量Hi及其对应时间的流量数据Qi进行BP神经网络拟合,得到BP神经网络模型;
其中,BP神经网络拟合可以采用Matlab平台进行拟合。基于Matlab神经网络工具箱给定的阈值和权重的初值,采用样本自变量Hi为输入层数据和对应流量Qi为输出层,提供模型训练样本,通过迭代训练收敛,得到BP神经网络模型。
4)根据已知待求流量数据Qm所对应的时间,将在该时间测量的水位数据作为自变量Hm;
5)将自变量Hm代入BP神经网络模型中,得到对应的流量数据Qm,进而得到水位-流量关系曲线,实现对河流流量的预测。
上述步骤3)中,通过BP神经网络模型得到阈值θjk、权重Wjk、激活函数fk(Oin,k)等参数;根据各个参数可以得到BP神经网络模型的代数表达式,预先设置一年之内,将三个水位站的水位数据直接代入表达式中,可以直接获得流量数据,减少运算时间,节约成本;其中,j表示BP神经络模型的层数,k表示在每层中的第k个节点,Oin,k表示隐层第k个节点激活函数的输入数据。
实施例:
本发明采用不同水位站测量河道不同断面上的水位情况,多断面和多水位站本质上应是相同的。本发明最后得到的是水位-流量关系,因此关系中并不涉及水力坡降,但由于年间水力坡降的变化,会导致出现多值化的绳套型曲线(例如图1中的寸滩水位站2013年的水位-流量关系,与一般的幂函数关系完全不同)。这时候仍然最终想要得到水位-流量关系,本发明采用三个以上的水位数据来反映水力坡降的变化,即选取了寸滩水文站上下游各1个水位站,分别为玄坛庙和铜锣峡水位站。
现有技术中采用一个断面上的水位和流量数据进行拟合,只能用于简单的幂函数规律一一对应的水位-流量关系断面,无法反映出复杂的多绳套水位-流量关系,采用幂函数拟合精度极低(如图2所示,虚线为按照幂函数采用最小二乘法拟合的结果)。
而采用本发明三断面水位拟合某一断面流量的结果,通过将实测值和拟合值画在一个图里(如图3、图4所示),将实测流量和拟合流量两个数据列在同一张图中,如果拟合结果较为理想,应该分布y=x附近,由图3、图4可知实测流量与拟合流量两者之间基本保持一致,相关系数趋近于1,可以看出精度有了很大的提升。由于具有三个自变量,因此无法将关系在图中展示出来。图3是2012年数据的拟合,图4是利用2012年数据得到的神经网络模型,采用2013年的三个断面的水位推求2013年流量的情况。综上所述,本发明采用三个断面的水位数据在神经网络模型中可以间接反映出水力坡降的变化,从而提高拟合的精度。
上述各实施例仅用于说明本发明,神经网络模型类型、断面数量及样本数据等都是可以有所变化的,在本发明技术方案的基础上,凡根据本发明原理对个别部分进行的改进和等同变换,均不应排除在本发明的保护范围之外。
Claims (6)
1.一种基于多断面水位预测河流流量的神经网络方法,其特征在于包括以下步骤:
1)获取所求水文站已知的上一年流量数据和水位数据,以及所求水文站上游m个水位站的水位数据和所求水文站下游n个水位站的水位数据,并对水位数据进行编号得到各水位站的水位数据;
2)将在同一时间测量的上一年水位数据、所求水文站上游相邻水位站的水位数据以及所求水文站下游相邻水位站的水位数据构成一组自变量Hi;
3)将每一组自变量Hi及其对应时间的上一年流量数据Qi进行BP神经网络拟合,得到BP神经网络模型;
4)根据已知待求流量数据Qm所对应的时间,将在该时间测量的水位数据作为自变量Hm;
5)将自变量Hm代入BP神经网络模型中,得到对应的流量数据Qm,进而得到水位-流量关系曲线,实现对河流流量的预测。
2.如权利要求1所述的一种基于多断面水位预测河流流量的神经网络方法,其特征在于:所述步骤1)中,至少选取上下游各一个相邻水位站水位数据,由水文站已知水文数据和其上下游水文数据构成共3个断面的水位数据进行水位-流量关系拟合。
3.如权利要求1所述的一种基于多断面水位预测河流流量的神经网络方法,其特征在于:所述步骤1)中,上一年流量数据为Q0={Q01,Q02,…,Q0i},上一年水位数据为h0={h01,h02,…,h0i};Q0i表示在i时刻的上一年流量数据;h0i表示i时刻的上一年水位数据。
6.如权利要求1所述的一种基于多断面水位预测河流流量的神经网络方法,其特征在于:所述步骤3)中,BP神经网络拟合采用Matlab平台进行拟合,基于Matlab神经网络工具箱给定的阈值和权重的初值,采用样本自变量Hi为输入层数据和对应流量Qi为输出层,提供模型训练样本,通过迭代训练收敛,得到BP神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710015205.0A CN106777775B (zh) | 2017-01-10 | 2017-01-10 | 一种基于多断面水位预测河流流量的神经网络方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710015205.0A CN106777775B (zh) | 2017-01-10 | 2017-01-10 | 一种基于多断面水位预测河流流量的神经网络方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106777775A CN106777775A (zh) | 2017-05-31 |
CN106777775B true CN106777775B (zh) | 2020-02-14 |
Family
ID=58948589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710015205.0A Expired - Fee Related CN106777775B (zh) | 2017-01-10 | 2017-01-10 | 一种基于多断面水位预测河流流量的神经网络方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106777775B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108510103A (zh) * | 2017-10-17 | 2018-09-07 | 北京尚水信息技术股份有限公司 | 基于神经网络预测水位的方法 |
CN108229012B (zh) * | 2017-12-29 | 2020-08-07 | 武汉理工大学 | 渠道水位流量关系模型的求解方法 |
CN109558618B (zh) * | 2018-01-31 | 2019-09-20 | 清华大学 | 流域流量的获取方法、装置、设备及可读存储介质 |
CN108647807B (zh) * | 2018-04-10 | 2021-08-13 | 武汉理工大学 | 河流流量的预测方法 |
CN111461192B (zh) * | 2020-03-25 | 2021-04-27 | 长江水资源保护科学研究所 | 基于多水文站联动学习的河道水位流量关系确定方法 |
CN111400973A (zh) * | 2020-04-21 | 2020-07-10 | 中国水利水电科学研究院 | 一种基于水文监测数据构建流量-水面宽的关系曲线的方法 |
CN111551216B (zh) * | 2020-06-03 | 2023-06-23 | 中国科学院地理科学与资源研究所 | 一种平原渠道测流设备及方法 |
CN111753965A (zh) * | 2020-06-30 | 2020-10-09 | 长江水利委员会水文局 | 一种基于深度学习的河流流量自动整编方法及系统 |
CN111985164A (zh) * | 2020-07-10 | 2020-11-24 | 江苏省海洋资源开发研究院(连云港) | 一种基于流体动力和分段曼宁公式的河流流量预测方法 |
CN112161670A (zh) * | 2020-09-22 | 2021-01-01 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种顾及时间序列和空间结构河道水位改正方法 |
CN112668711B (zh) * | 2020-11-30 | 2023-04-18 | 西安电子科技大学 | 基于深度学习的洪水流量预测方法、装置和电子设备 |
CN113139700B (zh) * | 2020-11-30 | 2022-03-11 | 中科三清科技有限公司 | 一种河流流量预测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819407A (zh) * | 2010-04-02 | 2010-09-01 | 杭州电子科技大学 | 基于神经网络的污水泵站水位预测方法 |
CN101824807A (zh) * | 2010-04-16 | 2010-09-08 | 同济大学 | 一种潮汐河流地区取水口咸潮短期预测方法 |
CN102722611A (zh) * | 2012-05-29 | 2012-10-10 | 清华大学 | 一种含梯级水电站河流水动力条件并行化数值模拟方法 |
CN103882827A (zh) * | 2014-04-14 | 2014-06-25 | 武汉大学 | 基于径流集合预报的水库防洪风险率预测方法 |
-
2017
- 2017-01-10 CN CN201710015205.0A patent/CN106777775B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101819407A (zh) * | 2010-04-02 | 2010-09-01 | 杭州电子科技大学 | 基于神经网络的污水泵站水位预测方法 |
CN101824807A (zh) * | 2010-04-16 | 2010-09-08 | 同济大学 | 一种潮汐河流地区取水口咸潮短期预测方法 |
CN102722611A (zh) * | 2012-05-29 | 2012-10-10 | 清华大学 | 一种含梯级水电站河流水动力条件并行化数值模拟方法 |
CN103882827A (zh) * | 2014-04-14 | 2014-06-25 | 武汉大学 | 基于径流集合预报的水库防洪风险率预测方法 |
Non-Patent Citations (3)
Title |
---|
BP 神经网络模型拟合受回水影响的水位流量关系研究;刘政 等;《水文》;20081225;第28-30页 * |
Comparison of different methods for developing a stage–discharge curve of the Kizilirmak River;M. Hasanpour Kashani;《Flood Risk Management》;20130821;第71-86页 * |
基于神经网络的水位流量关系率定;张娜;《中国优秀硕士学位论文全文数据库(农业科技辑)》;20150215;第D044-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN106777775A (zh) | 2017-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106777775B (zh) | 一种基于多断面水位预测河流流量的神经网络方法 | |
CN111125969B (zh) | 一种跨水库流域河道径流演算方法和系统 | |
CN110984062B (zh) | 一种流域干支流大规模水库群模拟调度方法 | |
CN107885958B (zh) | 一种平原感潮河网区纳污能力计算方法 | |
CN101794495B (zh) | 洪水预报系统中实时校正模型的优选方法 | |
CN107563567A (zh) | 基于稀疏自编码的核极限学习机洪水预报方法 | |
CN111079086B (zh) | 一种基于多元联合分布的水资源系统多重风险评估方法 | |
CN110689283B (zh) | 基于地下水模型的河系与渠系交错供水模拟方法及装置 | |
Du et al. | Modeling and analysis of effects of precipitation and vegetation coverage on runoff and sediment yield in Jinsha River Basin | |
CN104732300A (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN104915515A (zh) | 一种基于bp神经网络的gfet建模方法 | |
CN104933489A (zh) | 基于自适应神经模糊推理系统的风电功率实时高精度预测方法 | |
CN101899820B (zh) | 面向河流生态系统保护的流域地表水可利用量确定方法 | |
CN113807545A (zh) | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 | |
CN115271304A (zh) | 基于气候变化的跨流域调水工程优化调度方法 | |
CN116050595A (zh) | 一种注意力机制与分解机制耦合的径流量预测方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN110059443B (zh) | 一种分层水库取水下泄水温的快速预测方法 | |
CN109326332B (zh) | 潮汐水网区水环境容量计算方法 | |
CN114819322B (zh) | 湖泊入湖流量的预报方法 | |
CN114519308A (zh) | 河流水沙调节影响下河水地下水相互转化滞后响应时间的确定方法 | |
CN113343601A (zh) | 一种复杂水系湖泊水位和污染物迁移的动态模拟方法 | |
Guo et al. | PSO optimizing neural network for the Yangtze river sediment entering estuary prediction | |
CN113077110A (zh) | 一种基于gru的调和残差分段式潮位预测方法 | |
CN104392142B (zh) | 防止水电站群持续性破坏的发电方案生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200214 Termination date: 20220110 |
|
CF01 | Termination of patent right due to non-payment of annual fee |