CN109255476B - 一种变参数非线性的河道流量预测方法 - Google Patents

一种变参数非线性的河道流量预测方法 Download PDF

Info

Publication number
CN109255476B
CN109255476B CN201810974114.4A CN201810974114A CN109255476B CN 109255476 B CN109255476 B CN 109255476B CN 201810974114 A CN201810974114 A CN 201810974114A CN 109255476 B CN109255476 B CN 109255476B
Authority
CN
China
Prior art keywords
flow
model
chicken
inflow
cock
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.)
Active
Application number
CN201810974114.4A
Other languages
English (en)
Other versions
CN109255476A (zh
Inventor
康玲
胡杰
李争和
周丽伟
梁益闻
肖羽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201810974114.4A priority Critical patent/CN109255476B/zh
Publication of CN109255476A publication Critical patent/CN109255476A/zh
Application granted granted Critical
Publication of CN109255476B publication Critical patent/CN109255476B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
    • G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
    • G01F1/002—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow wherein the flow is in an open channel
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Fluid Mechanics (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Development Economics (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Game Theory and Decision Science (AREA)

Abstract

本发明属于河道流量预测技术领域，公开了一种变参数非线性的河道流量预测方法，在考虑河道旁侧入流的基础上，将河道上断面入流量按入流等级分界值分级，建立变参数非线性马斯京根模型，模型参数中的槽蓄系数、流量比重因素、示储流量指数等均随入流等级分界值的变化而变化，构建变参数非线性马斯京根模型的参数优化模型，并采用改进的鸡群优化算法进行求解，获得变参数非线性马斯京根模型的参数，并利用河道上断面入流量预测河道下断面流量变化过程；其中，改进的鸡群优化算法采用了新的位置更新方式更新不同种类鸡的位置；实测结果表明，采用本发明提供的预测方法，提高了河道流量演算的精度，进而提高了河道下断面流量预测的准确度。

Description

一种变参数非线性的河道流量预测方法
技术领域
本发明属于河道流量预测技术领域，更具体地，涉及一种变参数非线性的河道流量预测方法。
背景技术
高精度的短期流量预报在防范洪水灾害、高效利用水资源、水库群优化调度等方面发挥着极其重要的作用，马斯京根模型作为短期流量预报的重要预测方法之一，描述了水流从河道上断面至河道下断面的演进规律。
传统的马斯京根模型假定河道槽蓄量与示储流量呈线性关系，但天然河流中的河道槽蓄量与示储流量往往不是简单的单值关系，比如大中型河流的中下游一般地处平原，其河道纵比降非常小，洪水的时涨时落会使河道出现绳套形的水位流量关系。另外，传统马斯京根模型并未考虑河道旁侧入流对河道槽蓄量的影响，因此传统的线性马斯京根模型往往存在适应性差、预报精度低的问题。
随着对马斯京根模型的深入研究，国内外发表的改进马斯京根模型研究成果主要有：《Engineering Optimization》2015年第47卷第6期《A new nonlinear Muskingumflood routing model incorporating lateral flow》考虑了旁侧入流对河道下断面流量的影响，假定旁侧入流流量Q与河道上断面入流I存在线性关系，即Q＝wI，其中w为旁侧入流系数，建立了四参数的非线性槽蓄方程，即W＝k[x(1+w)I+(1-x)O]m，其中，k为模型槽蓄系数，x为模型流量比重因素，m为模型示储流量指数，w为模型旁侧入流系数。
《Journal of Hydrologic Engineering》2013年第18卷12期《ImprovedNonlinear Muskingum Model with Variable Exponent Parameter》考虑非线性马斯京根模型槽蓄方程的参数随时间而变化，即
Figure BDA0001776959880000021
其中，k为模型槽蓄系数，x为模型流量比重因素，α为模型断面流量指数，mt为模型示储流量指数，随演算时间的变化而变化。
马斯京根模型槽蓄系数k表征河道稳定流情况下从河道上断面至河道下断面的水流演进时间，洪水在河道中向下游运动时，洪水波存在推移和坦化，水流流速随水位高低和涨落过程不同而有所差异，因此应当考虑在不同入流条件下对k取不同的值。马斯京根模型流量比重因素x除体现楔蓄对流量的作用外，还表征了河道的调蓄能力，研究发现x值具有随流量增加而减小的趋势，因此也应在不同入流条件下对x取不同的值。马斯京根模型参数的准确估计，关系到模型流量演算的精度，这对参数优化算法提出了更高的要求，从最初的试算法、最小二乘法、局部寻优算法到近20年被广泛使用的遗传算法、粒子群算法等诸多优化算法先后被应用于马斯京根模型的参数优化中。但上述现有的马斯京根模型及其参数优化仍然存在以下问题及缺陷：
(1)现有马斯京根模型虽在一定程度上考虑了水力要素随时空变化的特性，但仅仅将模型示储流量指数纳入了研究范围，而未考虑模型槽蓄系数k和模型流量比重因素x这两个参数随时空变化的特性。
(2)现有用于马斯京根模型参数优化的算法中试算法计算量大，具有很强的主观性和盲目性；最小二乘法过分依赖历史资料，误差较大；局部寻优算法依赖于初始解，易陷入局部最优解，稳定性较差；遗传算法易产生早熟收敛，对算法参数有较大的依赖性；粒子群算法存在早熟、陷入局部极值等不足。
发明内容
针对现有技术的以上缺陷或改进需求中的至少一点，本发明提供了一种变参数非线性的河道流量预测方法，针对现有马斯京根模型未考虑模型槽蓄系数k和流量比重因素x随流量变化的不足，建立充分考虑水力要素随时空变化特性的变参数非线性马斯京根模型，并使用改进鸡群优化算法对其参数进行优化，提高了河道流量演算的精度，进而提高河道下断面流量预测的准确度。
为实现上述目的，按照本发明的一个方面，提供了一种变参数非线性的河道流量预测方法，在考虑河道旁侧入流的基础上，将河道上断面入流量按入流等级分界值分级，建立变参数非线性马斯京根模型，模型参数中的槽蓄系数、流量比重因素、示储流量指数均随入流等级分界值的变化而变化；构建变参数非线性马斯京根模型的参数优化模型，并采用改进的鸡群优化算法进行求解，获得变参数非线性马斯京根模型的参数；并利用河道上断面入流量以及变参数非线性马斯京根模型预测河道下断面流量变化过程；
其中，改进的鸡群优化算法采用了新的位置更新方式更新不同种类鸡的位置，公鸡根据鸡群中领头公鸡的位置调整自己的位置，以使自己更靠近领头公鸡；母鸡除了跟随自己小鸡群中的公鸡外，也会向大鸡群的领头公鸡移动；小鸡只向自己所处鸡群的领头公鸡以及自己的母亲学习觅食经验。
优选地，上述变参数非线性的河道流量预测方法里改进的鸡群优化算法中，公鸡位置更新公式为
Figure BDA0001776959880000031
其中，
Figure BDA0001776959880000032
和
Figure BDA0001776959880000033
为t+1和t时段公鸡i在第j维的位置，α为符合标准高斯分布的随机数，
Figure BDA0001776959880000034
为时段t大鸡群中领头公鸡在第j维的位置。
优选地，上述变参数非线性的河道流量预测方法里改进的鸡群优化算法中，母鸡的位置更新公式为
Figure BDA0001776959880000035
其中，
Figure BDA0001776959880000036
和
Figure BDA0001776959880000037
为t+1和t时段母鸡i在第j维的位置，α1和α2均为符合标准高斯分布的随机数，
Figure BDA0001776959880000038
为t时段大鸡群中领头公鸡在第j维的位置，
Figure BDA0001776959880000039
为时段t母鸡i所在小鸡群领头公鸡在第j维的位置；
优选地，上述变参数非线性的河道流量预测方法里改进的鸡群优化算法中，小鸡的位置更新公式为
Figure BDA0001776959880000041
其中，
Figure BDA0001776959880000042
和
Figure BDA0001776959880000043
为t+1和t时段小鸡i在第j维的位置，α1和α2均为符合标准高斯分布的随机数，
Figure BDA0001776959880000044
为时段t小鸡i所在小鸡群领头公鸡在第j维所处位置，
Figure BDA0001776959880000045
为t小时段鸡i的母亲在第j维所处位置。
优选地，上述变参数非线性的河道流量预测方法，构建的变参数非线性马斯京根模型如下：
模型槽蓄方程为
Figure BDA0001776959880000046
其中，Wt为t时段河道槽蓄水量，It为t时段河道上断面流量，Ot为t时段河道下断面流量，ei为入流等级分界值，k(It,ei)为槽蓄系数，x(It,ei)为流量比重因素，m(It,ei)为示储流量指数，w为旁侧入流系数，且k(It,ei)、x(It,ei)、m(It,ei)均为It和ei的函数。
优选地，上述变参数非线性的河道流量预测方法，将河道上断面入流量按入流等级分界值分级的方法包括：
利用入流等级分界值ei(i＝1,2,…L-1)将入流划分为L个级别，确定k(It,ei)、x(It,ei)、m(It,ei)的函数形式，对一个总时段数为n的洪水过程在演算时段t中：
Figure BDA0001776959880000047
Figure BDA0001776959880000048
Figure BDA0001776959880000051
其中，kt、xt、mt分别为t时段模型参数k(It,ei)、x(It,ei)、m(It,ei)取值，Imax为河道上断面的洪峰流量，Mi、Ki和Xi均为模型参数。
优选地，上述变参数非线性的河道流量预测方法，变参数非线性马斯京根模型的参数优化模型如下：
目标函数为
Figure BDA0001776959880000052
约束条件为ei+1＞ei(i＝1,2,...,L-1)；
其中，SSD为下断面演算流量与实测流量的离差平方和，Ot为河道下断面实测流量，Ot为模型计算的河道下断面演算流量，
Figure BDA0001776959880000053
优选地，上述变参数非线性的河道流量预测方法，采用改进的鸡群优化算法进行求解获得变参数非线性马斯京根模型的参数，包括如下子步骤：
(4.1)算法参数初始化；
初始化的参数包括鸡群种群规模N、公鸡个体数RN、母鸡个体数HN、小鸡个体数CN、孵育小鸡的母鸡个体数MN、算法最大迭代次数R，入流级别L及与入流级别对应的入流等级分界值、算法当前迭代次数r；随机生成若干组由变参数非线性马斯京根模型参数组成的初始解，每组初始解代表一只鸡的初始位置；
(4.2)根据参数优化模型计算每个解的目标函数和约束值以比较鸡群中鸡的优劣；
(4.3)若满足鸡群划分条件，则将最优的RN只鸡看作公鸡，且将每只公鸡看做一个小鸡群的领头鸡，将最差的MN只鸡看作小鸡，其余为母鸡，且母鸡随机选定一个小鸡群生活，并随机选取一只小鸡与其确立母子关系；
(4.4)根据各位置更新公式对公鸡、母鸡、小鸡的位置进行更新；
(4.5)重复步骤(4.2)至步骤(4.4)，直至当前迭代次数r达到算法最大迭代次数R，输出最优解作为变参数非线性马斯京根模型的参数。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明提供的变参数非线性的河道流量预测方法，针对当前马斯京根模型未考虑模型槽蓄系数k和流量比重因素x随流量变化的不足，采用基于改进鸡群优化算法的变参数非线性马斯京根演算方法来进行河道下断面流量预测；该变参数非线性马斯京根模型参数槽蓄系数k、流量比重因素x和示储流量指数m均随河道上断面流量的变化而变化，充分考虑了水力要素随时空变化的特性，使得模型所模拟的洪水在河道内的流动过程更真实；
(2)本发明提供的变参数非线性的河道流量预测方法，采用改进的鸡群优化算法辨识模型参数，建立充分考虑水力要素随时空变化特性的变参数非线性马斯京根模型，变参数非线性马斯京根模型含有入流等级分界值ei、参数槽蓄系数k、流量比重因素x和示储流量指数m和旁侧入流系数w等多个参数，不同河道的模型参数不同，这些参数对变参数非线性马斯京根模型演算精度影响很大；本发明采用改进鸡群优化算法对其参数进行优化，可优化出更准确的变参数非线性马斯京根模型参数，提高变参数非线性马斯京根模型的演算精度，进而提高河道流量预测的准确度；
(3)本发明提供的变参数非线性的河道流量预测方法，针对现有鸡群优化算法在求解高维优化问题时存在易过早收敛的问题，提出新的公鸡、母鸡、小鸡的位置更新方式，更新不同种类鸡的位置；公鸡根据鸡群中领头公鸡的位置调整自己的位置，以使自己更靠近领头公鸡；母鸡除了跟随自己小鸡群中的公鸡外，也会向大鸡群的领头公鸡移动；小鸡则向自己所处鸡群的领头公鸡以及自己的母亲学习觅食经验，由此克服现有鸡群优化算法易过早收敛的问题，提高了鸡群优化算法的性能，进一步提高了模型演算精度，进而进一步提高河道流量预测的准确度。
附图说明
图1是本发明提供的变参数非线性的河道流量预测方法的一个实施例的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供的变参数非线性的河道流量预测方法，在考虑河道旁侧入流的基础上，将河道上断面入流量按入流等级分界值分级，建立变参数非线性马斯京根模型，模型参数中的槽蓄系数、流量比重因素、示储流量指数等参数均随入流等级分界值的变化而变化，构建变参数非线性马斯京根模型的参数优化模型，并采用改进的鸡群优化算法进行求解，获得变参数非线性马斯京根模型的参数，并利用河道上断面入流量预测河道下断面流量变化过程。参照图1，一个实施例提供的河道流量预测方法的流程具体包括如下步骤：
(1)构建变参数非线性马斯京根模型，确定入流等级分界形式将河道上断面入流量分级；模型参数随入流等级分界值ei(i＝1,2,…L-1)变化，模型槽蓄方程为
Figure BDA0001776959880000071
其中，Wt为t时段河道槽蓄水量，It为t时段河道上断面流量，Ot为t时段河道下断面流量，ei为入流等级分界值，k(It,ei)为槽蓄系数，x(It,ei)为流量比重因素，m(It,ei)为示储流量指数，w为旁侧入流系数，且k(It,ei)、x(It,ei)、m(It,ei)均为It和ei的函数。
确定入流等级分界形式的方法，指利用入流等级分界值ei(i＝1,2,…L-1)将入流划分为L个级别，确定k(It,ei)、x(It,ei)、m(It,ei)的函数形式，对一个总时段数为n的洪水过程在演算时段t中：
Figure BDA0001776959880000081
Figure BDA0001776959880000082
Figure BDA0001776959880000083
其中，kt、xt、mt分别为t时段模型参数k(It,ei)、x(It,ei)、m(It,ei)取值，Imax为河道上断面的洪峰流量，Mi、Ki和Xi均为模型参数。
(2)根据步骤(1)建立的变参数非线性马斯京根模型，构建其参数优化模型，
目标函数为
Figure BDA0001776959880000084
约束条件为ei+1＞ei(i＝1,2,...,L-1)；
其中，SSD为下断面演算流量与实测流量的离差平方和，Ot为河道下断面实测流量，Ot为模型计算的河道下断面演算流量，
Figure BDA0001776959880000085
(3)根据河道上下断面的实测洪水流量过程，使用改进的鸡群优化算法对步骤(2)建立的参数优化模型进行求解，获得变参数非线性马斯京根模型的参数，并利用河道上断面入流量预测河道下断面流量变化过程。
其中，使用改进的鸡群优化算法对参数优化模型进行求解，包括以下步骤：
(3.1)算法参数初始化；
实施例中，算法参数包括鸡群种群规模N＝5000、公鸡个体数RN＝1000、母鸡个体数HN＝3000、小鸡个体数CN＝1000、孵育小鸡的母鸡个体数MN＝1000、算法最大迭代次数R＝10，入流级别L＝5及入流等级分界值e1＝0.16、e2＝0.21、e3＝0.62、e4＝0.99；
设置算法当前迭代次数r＝0，随机生成1000组由变参数非线性马斯京根模型参数组成的初始解，每组初始解代表一只鸡的初始位置；
(3.2)根据参数优化模型计算每个解(即每一只鸡位置)的目标函数和约束值，根据得到的目标函数和约束值比较鸡群中鸡的优劣；
(3.3)判断是否满足当前迭代次数r＜R，若是，令r＝r+1，并进入步骤(3.4)，否则结束，并输出最优解作为模型参数；
(3.4)判断是否满足鸡群划分条件，若是，则进入步骤(3.5)，否则，进入步骤(3.6)；
(3.5)将最优的RN只鸡看作公鸡，且每只公鸡都被看做一个小鸡群的领头鸡，将最差的MN只鸡看作小鸡，其余为母鸡，且母鸡随机选定一个小鸡群生活，并随机选取一只小鸡与其确立母子关系；
(3.6)分别根据新的位置更新公式对公鸡、母鸡、小鸡的位置进行更新，并进入步骤(3.2)；
公鸡位置更新公式为
Figure BDA0001776959880000091
其中，
Figure BDA0001776959880000092
和
Figure BDA0001776959880000093
为t+1和t时段公鸡i在第j维的位置，α为符合标准高斯分布的随机数，
Figure BDA0001776959880000094
为时段t大鸡群中领头公鸡在第j维的位置；
母鸡的位置更新公式为
Figure BDA0001776959880000101
其中，
Figure BDA0001776959880000102
和
Figure BDA00017769598800001013
为t+1和t时段母鸡i在第j维的位置，α1和α2均为符合标准高斯分布的随机数，
Figure BDA0001776959880000104
为t时段大鸡群中领头公鸡在第j维的位置，
Figure BDA0001776959880000105
为时段t母鸡i所在小鸡群领头公鸡在第j维的位置；
小鸡的位置更新公式为
Figure BDA0001776959880000106
其中，
Figure BDA0001776959880000107
和
Figure BDA0001776959880000108
为t+1和t时段小鸡i在第j维的位置，α1和α2均为符合标准高斯分布的随机数，
Figure BDA0001776959880000109
为时段t小鸡i所在小鸡群领头公鸡在第j维所处位置，
Figure BDA00017769598800001010
为t小时段鸡i的母亲在第j维所处位置。
以《Water Resources Management》2016年第30卷7期《Parameters Estimationfor the New Four-Parameter Nonlinear Muskingum Model Using the Particle SwarmOptimization》(简称对照模型)中某河道实测流量序列为实例，采用实施例提供的变参数非线性的河道流量预测方法进行演算，结果如表1所列，表中列出了实测入流I，实测出流O，各时段对应的参数k、x、m、w，采用本发明的方法中基于变参数非线性马斯京根模型获得的出流预测量
Figure BDA00017769598800001011
及对照模型得到的出流预测量OMogh。
表1实施例的参数优化及演算结果
Figure BDA00017769598800001012
Figure BDA0001776959880000111
采用本发明的预测方法所预测得到的出流量及采用对照模型预测得到出流量的相关评价指标如表2所列；其中，SSD为演算流量与实测流量的离差平方和，SAD为演算流量与实测流量的绝对误差和，MARE为演算流量与实测流量的平均相对误差，MAE为演算流量与实测流量的平均绝对误差，RPO为演算洪峰流量与实测洪峰流量的绝对误差，DPOT为演算洪峰流量峰现时间与实测洪峰流量峰现时间的绝对误差。通过数据比对可以发现，采用本发明的预测方法基于改进的变参数非线性模型预测得到的出流的SSD、SAD、MARE、MAE均比采用对照模型的相关评价指标更优，且采用本发明的方法预测的洪峰更接近于实测洪峰。
表2实施例计算结果的相关评价指标
模型 SSD SAD MARE MAE RPO DPOT
本发明模型 64183.94 757.80 0.0577 31.58 0.0019 0
对照模型 74812.22 903.17 0.0674 37.63 0.0359 0
本发明提供的预测方法中所提出的改进的鸡群优化算法可以很好地率定出变参数非线性马斯京根模型的参数，使模型具备更强的演算能力。实测结果表明，采用本发明的方法得到的预测结果与观测值吻合良好；通过上述实施例的验证，也证明了本发明提供的方法的精度较高，可较准确地预测河道下断面的流量过程。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种变参数非线性的河道流量预测方法，其特征在于，在考虑河道旁侧入流的基础上，将河道上断面入流量按入流等级分界值分级，建立变参数非线性马斯京根模型，模型参数中的槽蓄系数、流量比重因素、示储流量指数均随入流等级分界值的变化而变化；构建变参数非线性马斯京根模型的参数优化模型，并采用改进的鸡群优化算法进行求解，获得变参数非线性马斯京根模型的参数；并利用河道上断面入流量以及变参数非线性马斯京根模型预测河道下断面流量变化过程；
所述改进的鸡群优化算法采用了新的位置更新方式更新不同种类鸡的位置，公鸡根据鸡群中领头公鸡的位置调整自己的位置，以使自己更靠近领头公鸡；母鸡除了跟随自己小鸡群中的公鸡外，也会向大鸡群的领头公鸡移动；小鸡只向自己所处鸡群的领头公鸡以及自己的母亲学习觅食经验；
所述变参数非线性马斯京根模型中，
槽蓄方程为
Figure FDA0002446739530000011
其中，Wt为t时段河道槽蓄水量，It为t时段河道上断面流量，Ot为t时段河道下断面流量，ei为入流等级分界值，k(It,ei)为槽蓄系数，x(It,ei)为流量比重因素，m(It,ei)为示储流量指数，w为旁侧入流系数，且k(It,ei)、x(It,ei)、m(It,ei)均为It和ei的函数；
其中，变参数非线性马斯京根模型的参数优化模型如下：
目标函数为
Figure FDA0002446739530000012
约束条件为ei+1＞ei(i＝1,2,...,L-1)；
其中，SSD为下断面演算流量与实测流量的离差平方和，
Figure FDA0002446739530000013
为河道下断面实测流量，Ot为模型计算的河道下断面演算流量，
Figure FDA0002446739530000014
其中，采用改进的鸡群优化算法进行求解获得变参数非线性马斯京根模型的参数，包括如下子步骤：
(4.1)算法参数初始化；
初始化的参数包括鸡群种群规模N、公鸡个体数RN、母鸡个体数HN、小鸡个体数CN、孵育小鸡的母鸡个体数MN、算法最大迭代次数R，入流级别L及与入流级别对应的入流等级分界值ei(i＝1,2,…L-1)、算法当前迭代次数r；随机生成若干组由变参数非线性马斯京根模型参数组成的初始解，每组初始解代表一只鸡的初始位置；
(4.2)根据参数优化模型计算每个解的目标函数和约束值以比较鸡群中鸡的优劣；
(4.3)若满足鸡群划分条件，则将最优的RN只鸡看作公鸡，且将每只公鸡看做一个小鸡群的领头鸡，将最差的MN只鸡看作小鸡，其余为母鸡，且母鸡随机选定一个小鸡群生活，并随机选取一只小鸡与其确立母子关系；
(4.4)分别根据公鸡、母鸡、小鸡的位置更新公式对公鸡、母鸡、小鸡的位置进行更新；
(4.5)重复循环步骤(4.2)至步骤(4.4)，直至当前迭代次数r达到算法最大迭代次数R，输出最优解作为变参数非线性马斯京根模型的参数。
2.如权利要求1所述的河道流量预测方法，其特征在于，改进的鸡群优化算法中，公鸡位置更新公式为
Figure FDA0002446739530000021
其中，
Figure FDA0002446739530000022
和
Figure FDA0002446739530000023
为t+1和t时段公鸡i在第j维的位置，α为符合标准高斯分布的随机数，
Figure FDA0002446739530000024
为时段t大鸡群中领头公鸡在第j维的位置。
3.如权利要求1或2所述的河道流量预测方法，其特征在于，改进的鸡群优化算法中，
母鸡的位置更新公式为
Figure FDA0002446739530000025
其中，
Figure FDA0002446739530000031
和
Figure FDA0002446739530000032
为t+1和t时段母鸡i在第j维的位置，α1和α2均为符合标准高斯分布的随机数，
Figure FDA0002446739530000033
为t时段大鸡群中领头公鸡在第j维的位置，
Figure FDA0002446739530000034
为时段t母鸡i所在小鸡群领头公鸡在第j维的位置。
4.如权利要求1或2所述的河道流量预测方法，其特征在于，改进的鸡群优化算法中，
小鸡的位置更新公式为
Figure FDA0002446739530000035
其中，
Figure FDA0002446739530000036
和
Figure FDA0002446739530000037
为t+1和t时段小鸡i在第j维的位置，α1和α2均为符合标准高斯分布的随机数，
Figure FDA0002446739530000038
为t时段小鸡i所在小鸡群领头公鸡在第j维所处位置，
Figure FDA0002446739530000039
为t时段小鸡i的母亲在第j维所处位置。
5.如权利要求1所述的河道流量预测方法，其特征在于，将河道上断面入流量按入流等级分界值分级的方法包括：
利用入流等级分界值ei(i＝1,2,…L-1)将入流划分为L个级别，确定k(It,ei)、x(It,ei)、m(It,ei)的函数形式，对一个总时段数为n的洪水过程在演算时段t中：
Figure FDA00024467395300000310
Figure FDA00024467395300000311
Figure FDA00024467395300000312
其中，kt、xt、mt分别为t时段模型参数k(It,ei)、x(It,ei)、m(It,ei)取值，Imax为河道上断面的洪峰流量，Mi、Ki和Xi均为模型参数。
CN201810974114.4A 2018-08-24 2018-08-24 一种变参数非线性的河道流量预测方法 Active CN109255476B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810974114.4A CN109255476B (zh) 2018-08-24 2018-08-24 一种变参数非线性的河道流量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810974114.4A CN109255476B (zh) 2018-08-24 2018-08-24 一种变参数非线性的河道流量预测方法

Publications (2)

Publication Number Publication Date
CN109255476A CN109255476A (zh) 2019-01-22
CN109255476B true CN109255476B (zh) 2020-06-02

Family

ID=65050232

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810974114.4A Active CN109255476B (zh) 2018-08-24 2018-08-24 一种变参数非线性的河道流量预测方法

Country Status (1)

Country Link
CN (1) CN109255476B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109902266B (zh) * 2019-03-07 2022-10-28 江西省水利科学研究院 一种基于Copula函数的河道流量演算方法
CN111400655B (zh) * 2020-06-08 2020-09-18 中国水利水电科学研究院 一种入库流量的修正优化方法及系统
CN112861449B (zh) * 2021-02-19 2021-11-09 河海大学 一种基于洪水预报误差反演的多河段联合校正模型
CN118036481B (zh) * 2024-04-15 2024-06-18 江西省水利科学院(江西省大坝安全管理中心、江西省水资源管理中心) 一种预测河道洪水流量的方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140140361A (ko) * 2013-05-29 2014-12-09 창원대학교 산학협력단 앙상블 유출 예측기법을 적용한 하천 수질예측 시스템
WO2018069539A1 (en) * 2016-10-13 2018-04-19 Université Libre de Bruxelles Methods and devices for the determination of the flow speed of a liquid in a free-surface flow

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105631168B (zh) * 2016-03-25 2018-12-28 中国水利水电科学研究院 一种实时高效的流域洪水演进可视化仿真方法
CN106884405B (zh) * 2017-03-08 2018-10-09 中国水利水电科学研究院 一种无资料地区溃堤型山洪灾害分析评价方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20140140361A (ko) * 2013-05-29 2014-12-09 창원대학교 산학협력단 앙상블 유출 예측기법을 적용한 하천 수질예측 시스템
WO2018069539A1 (en) * 2016-10-13 2018-04-19 Université Libre de Bruxelles Methods and devices for the determination of the flow speed of a liquid in a free-surface flow

Also Published As

Publication number Publication date
CN109255476A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN109255476B (zh) 一种变参数非线性的河道流量预测方法
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
CN109635435B (zh) 一种基于贝叶斯理论的天然河道水位流量关系确定方法
CN108537383A (zh) 一种基于模型融合的室内空气预测方法
CN109409614A (zh) 一种基于贝叶斯正则化神经网络的电力负荷预测方法
CN109670650A (zh) 基于多目标优化算法的梯级水库群调度模型的求解方法
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
CN114741987B (zh) 考虑洪水预报模型绝对误差拟合残差分布的洪水概率预报模型
CN113050430B (zh) 一种基于鲁棒强化学习的排水系统控制方法
CN114362175B (zh) 基于深度确定性策略梯度算法的风电功率预测方法及系统
CN102279419B (zh) 一种基于遗传算法提高缝洞型油藏自动历史拟合效率的方法
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
CN114548711A (zh) 基于模糊综合评价法的梯级水库水文生态调度效果评估方法
CN111915083A (zh) 一种基于时间分层组合的风电功率预测方法及预测系统
CN111008790A (zh) 一种水电站群发电调度规则提取方法
CN115640874A (zh) 基于改进型灰色模型理论的变压器状态预测方法
CN114357737B (zh) 针对大尺度水文模型时变参数的代理优化率定方法
CN115239029A (zh) 考虑功率时序及气象相依特性的风电功率预测方法及系统
CN115423264A (zh) 一种基于深度学习的线损区间自适应评估方法及系统
Katipoğlu Monthly stream flows estimation in the Karasu river of Euphrates basin with artificial neural networks approach
CN103684352A (zh) 基于差分演化的粒子滤波方法
CN107688702B (zh) 一种基于狼群算法的河道洪水流量演进规律模拟方法
CN110414084A (zh) 一种基于三层规划的半变异函数模型求解方法
CN116822180B (zh) 一种模拟河渠输水过程的积分时滞模型参数辨识方法

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