CN110633532A - 一种swmm模型参数的高精度率定方法 - Google Patents
一种swmm模型参数的高精度率定方法 Download PDFInfo
- Publication number
- CN110633532A CN110633532A CN201910884426.0A CN201910884426A CN110633532A CN 110633532 A CN110633532 A CN 110633532A CN 201910884426 A CN201910884426 A CN 201910884426A CN 110633532 A CN110633532 A CN 110633532A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- swmm
- parameters
- uncertain
- 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.)
- Granted
Links
Images
Classifications
-
- 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]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种SWMM模型参数的高精度率定方法。本发明结合人工神经网络模型和粒子群优化算法对SWMM模型的参数进行率定,本发明有助于科学、精准、高效的率定模型,避免不必要的人力、物力、时间的浪费。
Description
技术领域
本发明涉及城市雨洪过程模拟技术领域,具体涉及一种SWMM模型参数的高精度率定方法。
背景技术
随着城市化进程的加快,城市内涝问题日益突出,准确分析内涝特性是城市防洪排涝的关键。目前,对于城市的内涝研究,一般采用数学模型对城市雨洪过程进行模拟与预测。SWMM(暴雨雨水管理模型)是由美国环境保护局与水资源中心联合开发,可以模拟城市区域内径流过程,模拟不同时刻子流域和管道中的水量等情况,作为开源软件,SWMM数学模型能与ArcGIS等软件结合使用,提高建模效率,因此被广泛应用于城市内涝分析和排水系统评估规划等方面。
但是SWMM数学模型也存在一些不足,即模型参数众多,其中水动力参数共有21个,根据参数获取的准确度可将将模型参数分确定性参数和不确定性参数。确定性参数包括Area、管道糙率等,可通过城市地面数据和管网资料等计算得到的;Slope、Imperv等,可通过遥感影像等分析计算得到;而不确定性参数与子汇水区的空间特征、地表径流过流能力、土壤下渗特性等因素有关,如Width、Dstore-Imperv、Dstore-Perv等,通常难以准确获得。
不确定性参数通常通过两种方式获取,其一是通过实测数据计算参数的大小,但是需要投入大量的人力和物力,且受测量精度的影响,计算结果往往难以满足使用需求。其二是类比法,即根据与研究区城市化水平一致、下垫面条件相近城市所采用的参数,进行类比选择。由于很难找到与研究区下垫面条件相似的城市,类比法可操作性不强。因此,对于不确定性参数的确定,一般是先根据SWMM计算手册提供的参数范围定一个初值,再通过模型率定确定参数的值。
对于模型率定,国内一般采用的是实际监测数据和综合径流系数法。综合径流系数法,是按照城市不透水率的程度对应城市综合径流值范围,需在该范围内主观确定一个综合径流值率定参数,率定精度比较低,且不一定符合实际情况。因此,根据降雨径流的实际监测数据对SWMM模型参数进行优化率定成为城市暴雨径流模拟的首选。利用实际监测数据优化率定参数,多数采用的方法是手动调参,由于不确定参数共有9个,根据实际情况,确定需要率定的参数,1~2个手动调整即可,但是三个及以上,根据结果调整参数其规律难寻,工作量大且繁杂、不确定因素比较多、时间成本高且率定的精度不高等问题。
因此,如何精准快速率定SWMM模型参数,是一个亟需解决的问题。
发明内容
针对现有技术中的上述不足,本发明提供的一种SWMM模型参数的高精度率定方法解决了SWMM参数模型难以准确获得的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种SWMM模型参数的高精度率定方法,包括以下步骤:
S1、确定需要率定的SWMM模型的不确定参数;
S2、根据SWMM用户手册,确定各不确定参数的取值范围,利用拉丁超立方抽样方法构建m组不确定参数的不同数据组合;
S3、建立SWMM模型,将不确定参数的不同数据组合输入SWMM模型中,根据SWMM模型输出结果的存储格式,得到与监测数据相对应的模型运算结果数据,进而通过模型运算结果数据得到m组不确定参数的不同数据组合和SWMM模型运算结果的数据样本;
S4、将数据样本分为训练数据组和验证数据组,利用人工神经网络模型对训练数据组和验证数据组进行训练和验证,得到高精度非线性的数学模型;
S5、以监测数据与对应SWMM模型运算结果数据的差值最小作为目标函数,利用高精度非线性的数学模型,采用粒子群优化算法反演得到模型参数值。
进一步地:所述步骤S1中的不确定参数包括汇流区慢流宽度系数、不透水区曼宁系数、透水区曼宁系数、不透水区洼蓄量、透水区洼蓄量、最大下渗率、最小下渗率、渗透衰减常数和排干天数。
进一步地:所述步骤S2中不确定参数的不同数据组数m的计算公式为:
m=min{cs,s*1000000}
上式中,s为不确定参数的个数,c为每个不确定参数在其规定范围内取不同数据的数量。
进一步地:所述步骤S3中的监测数据包括排水口的径流峰值、径流峰值出现时间和径流量总量。
进一步地:所述步骤S4中的数学模型的精度高于0.01。
进一步地:所述步骤S5中的目标函数为:
上式中,F(x)min为粒子群优化算法中的目标函数,i为监测排水口的数量,i取值范围为1~n,n为监测排水口的总数,j为一个排水口处监测的数据类型,类型范围为1~3,wj为监测第j个数据对应的权重系数,Yi,j为第i个排水口的第j个监测数据,yi,j为第i个排水口的第j个预测数据。
本发明的有益效果为:本发明结合人工神经网络模型和粒子群优化算法对SWMM模型的参数进行率定,本发明有助于科学、精准、高效的率定模型,避免不必要的人力、物力、时间的浪费。
附图说明
图1为本发明流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种SWMM模型参数的高精度率定方法,其特征在于,包括以下步骤:
S1、根据实际情况确定需要率定的SWMM模型的不确定参数;不确定参数包括汇流区慢流宽度系数Width、不透水区曼宁系数N-Imperv、透水区曼宁系数N-Perv、不透水区洼蓄量Dstore-Imperv、透水区洼蓄量Dstore-Perv、最大下渗率Max.Infil.Rate、最小下渗率Min.Infil.Rate、渗透衰减常数Decay Constant和排干天数Drying Time。
S2、根据SWMM用户手册,确定各不确定参数的取值范围,利用拉丁超立方抽样方法构建m组不确定参数的不同数据组合;
m的计算公式为:
m=min{cs,s*1000000}
上式中,s为不确定参数的个数,c为每个不确定参数在其规定范围内取不同数据的数量。
S3、建立SWMM模型,将不确定参数的不同数据组合输入SWMM模型中,根据SWMM模型输出结果的存储格式,得到与监测数据(监测数据包括排水口的径流峰值、径流峰值出现时间和径流量总量)相对应的模型运算结果数据,进而通过模型运算结果数据得到m组不确定参数的不同数据组合和SWMM模型运算结果的数据样本;
S4、将数据样本分为训练数据组和验证数据组(训练数据组合验证数据组的比例为8:2或7:3),利用人工神经网络模型对训练数据组和验证数据组进行训练和验证,得到高精度(精度在0.01以上)非线性的数学模型;
S5、以监测数据与对应SWMM模型运算结果数据的差值最小作为目标函数,利用高精度非线性的数学模型,采用粒子群优化算法反演得到模型参数值。
目标函数为:
上式中,F(x)min为粒子群优化算法中的目标函数,i为监测排水口的数量,i取值范围为1~n,n为监测排水口的总数,j为一个排水口处监测的数据类型,类型范围为1~3,wj为监测第j个数据对应的权重系数,Yi,j为第i个排水口的第j个监测数据,yi,j为第i个排水口的第j个预测数据。
本发明首先确定需要率定的不确定参数,结合SWMM用户手册确定不确定参数的范围,利用拉丁超立方抽样方法构建m组不确定参数数据组合。其次,根据SWMM模型模拟不同参数组合,根据SWMM输出结果的存储格式(output.c),监测数据(包括排水口的径流峰值、峰值出现时间和径流量总量)相对应的模型运算结果数据,进而得到m组不确定参数数据组合和模型运算结果的数据样本。利用人工神经网络进对数据样本进行训练和验证,得到一组高精度非线性近似数学模型。最后,以监测数据与对应SWMM模型运算结果数据的差值最小为目标函数,利用粒子群优化算法进行反演得到不确定参数值。该值即为模型率定结果。本发明有助于科学、精准、高效的率定模型,避免不必要的人力、物力、时间的浪费。
Claims (6)
1.一种SWMM模型参数的高精度率定方法,其特征在于,包括以下步骤:
S1、确定需要率定的SWMM模型的不确定参数;
S2、根据SWMM用户手册,确定各不确定参数的取值范围,利用拉丁超立方抽样方法构建m组不确定参数的不同数据组合;
S3、建立SWMM模型,将不确定参数的不同数据组合输入SWMM模型中,根据SWMM模型输出结果的存储格式,得到与监测数据相对应的模型运算结果数据,进而通过模型运算结果数据得到m组不确定参数的不同数据组合和SWMM模型运算结果的数据样本;
S4、将数据样本分为训练数据组和验证数据组,利用人工神经网络模型对训练数据组和验证数据组进行训练和验证,得到高精度非线性的数学模型;
S5、以监测数据与对应SWMM模型运算结果数据的差值最小作为目标函数,利用高精度非线性的数学模型,采用粒子群优化算法反演得到模型参数值。
2.根据权利要求1所述的SWMM模型参数的高精度率定方法,其特征在于,所述步骤S1中的不确定参数包括汇流区慢流宽度系数、不透水区曼宁系数、透水区曼宁系数、不透水区洼蓄量、透水区洼蓄量、最大下渗率、最小下渗率、渗透衰减常数和排干天数。
3.根据权利要求1所述的SWMM模型参数的高精度率定方法,其特征在于,所述步骤S2中不确定参数的不同数据组数m的计算公式为:
m=min{cs,s*1000000}
上式中,s为不确定参数的个数,c为每个不确定参数在其规定范围内取不同数据的数量。
4.根据权利要求1所述的SWMM模型参数的高精度率定方法,其特征在于,所述步骤S3中的监测数据包括排水口的径流峰值、径流峰值出现时间和径流量总量。
5.根据权利要求1所述的SWMM模型参数的高精度率定方法,其特征在于,所述步骤S4中的数学模型的精度高于0.01。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884426.0A CN110633532B (zh) | 2019-09-19 | 2019-09-19 | 一种swmm模型参数的高精度率定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910884426.0A CN110633532B (zh) | 2019-09-19 | 2019-09-19 | 一种swmm模型参数的高精度率定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110633532A true CN110633532A (zh) | 2019-12-31 |
CN110633532B CN110633532B (zh) | 2021-07-27 |
Family
ID=68971637
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910884426.0A Active CN110633532B (zh) | 2019-09-19 | 2019-09-19 | 一种swmm模型参数的高精度率定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110633532B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184450A (zh) * | 2011-05-05 | 2011-09-14 | 衢州远景资源再生科技有限公司 | 一种多孔介质燃烧器燃烧优化的建模方法 |
CN102184287A (zh) * | 2011-05-05 | 2011-09-14 | 杭州电子科技大学 | 一种废塑料炼油燃烧优化的建模方法 |
CN105260607A (zh) * | 2015-10-20 | 2016-01-20 | 华中科技大学 | 一种串并联耦合的多模型水文预报方法 |
CN105389469A (zh) * | 2015-11-09 | 2016-03-09 | 中山大学 | 一种暴雨洪水管理模型参数自动率定方法 |
US20160070828A1 (en) * | 2013-04-08 | 2016-03-10 | China University of Mining & Technology, Beijng | Vulnerability Assessment Method of Water Inrush from Aquifer Underlying Coal Seam |
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN106204333A (zh) * | 2016-07-20 | 2016-12-07 | 中国水利水电科学研究院 | 一种基于陆气耦合的水资源调度方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
CN108109076A (zh) * | 2017-12-19 | 2018-06-01 | 贵州乌江水电开发有限责任公司 | 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法 |
CN108984487A (zh) * | 2018-07-20 | 2018-12-11 | 长江水利委员会水文局 | 一种水位流量关系实时滑动拟合方法 |
CN109815305A (zh) * | 2019-01-18 | 2019-05-28 | 三峡大学 | 一种无资料地区场次洪水径流过程反演的方法 |
-
2019
- 2019-09-19 CN CN201910884426.0A patent/CN110633532B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184450A (zh) * | 2011-05-05 | 2011-09-14 | 衢州远景资源再生科技有限公司 | 一种多孔介质燃烧器燃烧优化的建模方法 |
CN102184287A (zh) * | 2011-05-05 | 2011-09-14 | 杭州电子科技大学 | 一种废塑料炼油燃烧优化的建模方法 |
US20160070828A1 (en) * | 2013-04-08 | 2016-03-10 | China University of Mining & Technology, Beijng | Vulnerability Assessment Method of Water Inrush from Aquifer Underlying Coal Seam |
US20160282229A1 (en) * | 2014-08-28 | 2016-09-29 | Beijing Jiaotong University | Fault Prediction and Condition-based Repair Method of Urban Rail Train Bogie |
CN105260607A (zh) * | 2015-10-20 | 2016-01-20 | 华中科技大学 | 一种串并联耦合的多模型水文预报方法 |
CN105389469A (zh) * | 2015-11-09 | 2016-03-09 | 中山大学 | 一种暴雨洪水管理模型参数自动率定方法 |
CN106204333A (zh) * | 2016-07-20 | 2016-12-07 | 中国水利水电科学研究院 | 一种基于陆气耦合的水资源调度方法 |
CN106952183A (zh) * | 2017-04-24 | 2017-07-14 | 武汉大学 | 一种基于粒子群优化最小二乘支持向量机的短期负荷预测方法 |
CN107590562A (zh) * | 2017-09-05 | 2018-01-16 | 西安交通大学 | 一种基于变权组合预测法的电力负荷短期预测方法 |
CN108038568A (zh) * | 2017-12-05 | 2018-05-15 | 国家电网公司 | 一种基于粒子群算法的变权组合电力负荷短期预测方法 |
CN108109076A (zh) * | 2017-12-19 | 2018-06-01 | 贵州乌江水电开发有限责任公司 | 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法 |
CN108984487A (zh) * | 2018-07-20 | 2018-12-11 | 长江水利委员会水文局 | 一种水位流量关系实时滑动拟合方法 |
CN109815305A (zh) * | 2019-01-18 | 2019-05-28 | 三峡大学 | 一种无资料地区场次洪水径流过程反演的方法 |
Non-Patent Citations (1)
Title |
---|
熊剑智: ""城市雨洪模型参数敏感性分析与率定"", 《中国优秀硕士学位论文全文数据库(电气期刊)工程科技Ⅱ辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN110633532B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dongquan et al. | GIS-based urban rainfall-runoff modeling using an automatic catchment-discretization approach: a case study in Macau | |
CN108022047B (zh) | 一种海绵城市水文计算方法 | |
CN112101693B (zh) | 基于正交分析的现状城区河道水质达标分析方法 | |
CN109376925B (zh) | 供水管网节点流量动态自适应优化方法 | |
Li et al. | Modeling the Quality and Quantity of Runoff in a Highly Urbanized Catchment Using Storm Water Management Model. | |
CN108984823B (zh) | 一种合流制溢流调蓄池规模的确定方法 | |
CN109559098B (zh) | 一种海绵城市试点区低影响开发设施模拟方法 | |
Perin et al. | Automated calibration of the EPA-SWMM model for a small suburban catchment using PEST: a case study | |
CN110909485B (zh) | 一种基于bp神经网络的swmm模型参数自率定方法 | |
CN110929359B (zh) | 基于pnn神经网络和swmm技术的管网淤积风险预测建模方法 | |
Yang et al. | The effect of nonstationarity in rainfall on urban flooding based on coupling SWMM and MIKE21 | |
CN112528563B (zh) | 一种基于svm算法的城市内涝预警方法 | |
Zhang et al. | Sensitivity analysis of Xinanjiang rainfall–runoff model parameters: a case study in Lianghui, Zhejiang province, China | |
CN111062125B (zh) | 海绵型综合管廊水文效应评估方法 | |
CN106650044B (zh) | 一种确定swmm软件中地表径流污染物参数w的方法 | |
CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
CN112785024A (zh) | 一种基于流域水文模型的径流计算和预测方法 | |
CN112417657A (zh) | 基于不同下垫面污染物贡献率的海绵城市优化设计方法 | |
Firoozi et al. | Developing a framework for assessment of climate change impact on thermal stratification of dam reservoirs | |
Yang et al. | Hydrologic response of a tropical watershed to urbanization | |
CN108763829B (zh) | 基于水动力相似的区域降雨模拟系统降雨过程设计方法 | |
Gao et al. | A framework for automatic calibration of SWMM considering input uncertainty | |
Hansen et al. | Downscaling precipitation for local-scale hydrologic modeling applications: comparison of traditional and combined change factor methodologies | |
Li et al. | Lake inflow simulation using the coupled water balance method and Xin’anjiang Model in an ungauged stream of Chaohu Lake Basin, China | |
CN110633532B (zh) | 一种swmm模型参数的高精度率定方法 |
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 |