CN116341365A - 一种基于神经网络的洪水预报方法及系统 - Google Patents

一种基于神经网络的洪水预报方法及系统 Download PDF

Info

Publication number
CN116341365A
CN116341365A CN202310111756.2A CN202310111756A CN116341365A CN 116341365 A CN116341365 A CN 116341365A CN 202310111756 A CN202310111756 A CN 202310111756A CN 116341365 A CN116341365 A CN 116341365A
Authority
CN
China
Prior art keywords
reservoir
flood
rainfall
neural network
days
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.)
Pending
Application number
CN202310111756.2A
Other languages
English (en)
Inventor
苏盛
吴福初
杨欣
莫苏正
潘旺
浦振武
何树敏
郭永研
林仕文
陈注岑
曾华瞻
张水新
钟家尚
黄方谋
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.)
Hezhou Big Data Development Bureau
Hezhou Water Conservancy Bureau
Guangxi Wuzhou Water Conservancy Power Designing Institute
Original Assignee
Hezhou Big Data Development Bureau
Hezhou Water Conservancy Bureau
Guangxi Wuzhou Water Conservancy Power Designing Institute
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 Hezhou Big Data Development Bureau, Hezhou Water Conservancy Bureau, Guangxi Wuzhou Water Conservancy Power Designing Institute filed Critical Hezhou Big Data Development Bureau
Priority to CN202310111756.2A priority Critical patent/CN116341365A/zh
Publication of CN116341365A publication Critical patent/CN116341365A/zh
Pending legal-status Critical Current

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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出的基于神经网络的洪水预报方法，用于对目标水库的情况进行预报，在符合相关标准的情况下建立训练库，并综合考虑水库的实际情况，采用跨度时间长，场次数量多的数据进行神经网络分析建模及检验，且训练库的构建符合目标水库的实际情况，考虑目标水库集水区域的各项主要参数，实现对水库库容的准确预报。

Description

一种基于神经网络的洪水预报方法及系统
技术领域
本发明涉及洪水预报领域，尤其涉及一种基于神经网络的洪水预报方法及系统。
背景技术
近年来气候变化不仅带来了全球平均温度的升高，还导致了极端天气气候事件呈现出频发、广发、强发和并发的趋势，对洪水防御提出了更大的挑战，洪水防御的预报、预警、预演、预案“四预”措施亟待强化，其中预报能力首当其冲。
现代洪水预报技术是建立在现有的气象预报和水文预报理论的技术基础之上的，主要有三个方面的内容：首先是研究能满足洪水预报特殊要求的定量降水预报技术；其次是建立起定量降水预报和洪水预报有机结合的方式；第三是实时洪水预报方法，包括流域产汇流和河道洪水预报。目前，实时洪水预报技术主要采用物理过程和数学方法分析建模计算，并根据最新监测的雨量、水位或者流量资料对模型的结构、参数或模型输出进行实时校正，不断提高过程洪水的预报精度。
在这种情况下，对于水库库容的准确预报也日益重要，现有技术提出了一种基于神经网络的洪水预报方法与系统，用于预测河道洪水情况，在将其应用于水库库容预报时，发现河道与水库始终存在明显区别，该方法并不能准确预测水库水位。
发明内容
针对现有技术中存在的不足之处，本发明提出了一种基于神经网络的洪水预报方法及系统，解决了当前洪水预报方法不能准确预报水库库容的问题。
为了实现上述目的，本发明采用如下技术方案：
一种基于神经网络的洪水预报方法，包括以下步骤：
S1：建立训练库，包括目标水库至少12场洪水过程数据，每场所述洪水过程数据结构单位为天，跨度时间至少为10天；
S2：神经网络分析，采用训练库中的数据进行神经网络分析建模，并进行精度检验，采用该模型对目标水库库容进行预报；
其中，训练库中，至少10场洪水过程数据参与神经网络分析建模，至少2场洪水过程数据参与精度检验。
在一些实施例中，还包括如下技术特征：
训练库的主要信息项为目标水库集水区域的泰森面降雨量、上游各测站的河道水位和目标水库的库容、总出库水量，其中，所述集水区域为以目标水库主坝为控制断面的流域面积；对所述泰森面降雨量、库容和总出库水量数据分别进行整合，将其调整为体积，简化流量合成过程。
所述泰森面降雨量通过泰森多边形法计算得出，具体为：在所述集水区域构成一个泰森多边形网，在网内，每个泰森多边形都对应一个雨量观测点，该雨量观测点的降雨量就代表对应泰森多边形内的降雨量；从而，通过网内所有雨量观测点的降雨量计算出累计降雨量。
目标水库集水区域泰森面降雨量可按下式求得：
Figure BDA0004077002540000021
其中，
Figure BDA0004077002540000022
为泰森面降雨量，单位为毫米，i为泰森多边形个数，代表相应雨量测站序号，xi代表序号为i的雨量测站的降雨量，Ai代表序号为i的雨量测站对应的泰森多边形面积与区域总面积的比，即雨量权重系数。
泰森面降雨量进行整合后，可按下式得到以体积为单位的累计降雨水量：
Figure BDA0004077002540000023
其中，t为求解目标时刻，m为数据起始时刻，
Figure BDA0004077002540000024
为目标水库集水区域n日累计降雨水量，/>
Figure BDA0004077002540000031
为目标水库集水区域n日t时泰森面降雨量，目标水库集水区域总面积为S＝1254(km2)。
所述总出库水量可按下式求得：
Figure BDA0004077002540000039
其中，t为求解目标时刻，m为数据起始时刻，
Figure BDA0004077002540000032
为目标水库n日总出库库容，/>
Figure BDA0004077002540000033
为目标水库n日排洪库容，/>
Figure BDA0004077002540000034
为目标水库n日灌溉库容，/>
Figure BDA0004077002540000035
为目标水库n日发电库容，/>
Figure BDA0004077002540000036
为目标水库n日t时发电流量，/>
Figure BDA0004077002540000037
为目标水库n日t时灌溉流量，/>
Figure BDA0004077002540000038
为目标水库n日t时排洪流量。
在n日t时做出n+1日t时的预报目标水库库容，即预见期为24小时。
不考虑目标水库上游各测站洪水传播时间对目标水库库容的影响。
步骤S2中，对通过神经网络分析建模得到的模型直接使用未参与神经网络分析建模的训练库数据进行初步精度检验，若检验结果准确，再对方案进行完整规范的精度评定和检验，反复建模、检验、纠错，根据精度检验结果可适当调整预见期，最后得出一套相对满意的洪水预报方案。
本发明还提出一种基于神经网络的洪水预报系统，其采用上述的基于神经网络的洪水预报方法进行洪水预报。
本发明还提出一种计算机存储介质，所述存储介质包括存储的程序，其中，所述程序可被执行以实现上述的基于神经网络的洪水预报方法。
本发明的有益效果是：
本发明的基于神经网络的洪水预报方法，融合应用水文学原理中的土壤含水量知识，采用多个跨度时间更长的前期数据参与建模，为应对水库较长历时的高水位过程中，土壤含水量受环境和地下水位变化的影响对洪水预报产生的误差，采用多个跨度时间长的前期数据参与建模，数据结构由原来以小时为单位调整为以天为单位，由神经网络分析相关潜在规律，从而实现准确的水库库容预测；同时，本方法采用至少10场洪水过程数据参与神经网络分析建模，至少2场洪水过程数据参与精度检验，符合《水文情报预报规范》(GB/T22482-2008)，可以直接应用于目标水库的预测工作。
在一些实施例中，本方法结合水文学原理中的水量平衡方程理论思想，对建模细节进行优化调整。水库不同于河道，为便于相对宏观地对水库进行洪水预报，结合水文学原理中的水量平衡方程理论思想，对建模细节进行调整：划分出具体的水库集水区域，根据区域面积、雨量、库容等数据，对主要影响目标水库水位库容的可整合的因子数据进行计算，统一整合为水量体积，使得影响因子更具宏观性和针对性，同时也简化了设计，满足了大型水库相对河道预报需要相对宏观的设计模型的要求；二是简化了水库大坝上游各测站洪水传播时间对水库水位(库容)的原方法建模设计，即洪水流量合成过程。
本发明实施例中的其他有益效果将在下文中进一步述及。
附图说明
图1为本发明实施例中龟石水库的集水区域；
图2本发明实施例中富川县测站分布图；
图3本发明实施例中龟石水库预报方案的因果图；
图4本发明实施例中集雨区域泰森多边形的构建过程；
图5本发明实施例中预报方案设计示意图。
具体实施方式
为使本发明技术方案和优点更加清楚，下面将结合本发明中的附图对本发明实施例的技术方案进行完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
本发明以下实施例将神经网络、数据挖掘、水文计算、水利工程调度、递推算法等知识领域技术综合应用于洪水预报，是一个多学科交叉的研究成果。
数据挖掘是一个多学科的交叉领域。一方面，想要以特殊的方法发现蕴藏在大型数据集中的有用知识，数据挖掘必须从统计学、机器学习、神经网络、模式识别、知识库系统、信息检索、高性能计算和可视化等学科领域汲取营养。另一方面，这些学科领域也需要从不同角度关注数据的分析和理解；数据挖掘也为这些学科领域的发展提供了新的机遇和挑战。从信息处理的角度，人们更希望计算机帮助分析数据和理解数据，帮助他们基于丰富的数据做出决策。于是，数据挖掘(从大量数据中以非凡的方法发现有用的知识)就成为一种自然的需求。
神经网络作为一种常用的分析算法已经融入多种数据挖掘工具中，依靠系统的复杂程度和计算机高速运算能力，通过调整内部大量节点之间相互连接的关系，有很高的容错能力和学习能力，在给定足够多的隐藏单元和足够的训练样本的前提下，神经网络能充分逼近复杂的函数或非线性关系从而达到处理信息的目的。在理论上，神经网络可以很容易地解决具有上百个参数的问题，为解决高度复杂问题提供了一种相对较为简单有效的方法。
本实施例提出的基于神经网络的洪水预报方法，用于对目标水库的情况进行预报，在符合相关标准的情况下建立训练库，并综合考虑水库的实际情况，采用跨度时间长，场次数量多的数据进行神经网络分析建模及检验，且训练库的构建符合目标水库的实际情况，考虑目标水库集水区域的各项主要参数，实现对水库库容的准确预报。
下面以龟石水库库容预报为例，对本发明进行进一步详细的说明。
1.设计思想
在河道预测方法的基础上，融合应用水文学原理中的水量平衡方程和土壤含水量知识，同时，考虑龟石水库作为多年调节的大型水库，与暴涨暴跌、历时短的中小河流洪水过程不同，水库有调蓄功能，水库高水位过程历时较长，应从相对宏观的角度科学地进行洪水预报方案设计，作出精准可靠的预报方案。
2.主要改进
(1)融合应用水文学原理中的土壤含水量知识，采用多个跨度时间更长的前期数据参与建模。为应对水库较长历时的高水位过程中，土壤含水量受环境和地下水位变化的影响对洪水预报产生的误差，采用多个跨度时间长的前期数据参与建模，数据结构由原来以小时为单位调整为以天为单位，由神经网络分析相关潜在规律。
(2)结合水文学原理中的水量平衡方程理论思想，对建模细节进行优化调整。水库不同于河道，为便于相对宏观地对水库进行洪水预报，结合水文学原理中的水量平衡方程理论思想，对建模细节进行调整：一是划分出具体的水库集水区域，根据区域面积、雨量、库容等数据，对主要影响龟石水库水位库容的可整合的因子数据进行计算，统一整合为水量体积(m3)；二是设出库水量为负值；三是简化了水库大坝上游各测站洪水传播时间对水库水位(库容)的建模设计，即洪水流量合成过程。
(3)充分按照《水文情报预报规范》(GB/T22482-2008)进行洪水预报。采用了14场次累计1573天的足够洪水过程数据并充分按照规范进行洪水预报方案编制、建模。
3.建立训练库
(1)如图1，确定以龟石水库主坝为控制断面的流域面积1254km2，即龟石水库的集水区域。
(2)确定龟石水库洪水预报起始水位。考虑水库低水位的数据对洪水预报意义不大，同时为保障数据建模的效果，经与市防汛抗旱指挥部办公室经验丰富的专家研究，拟定龟石水库洪水预报起始水位为178m(模型运行启动条件之一)。
(3)确定洪水过程中影响龟石水库水位的主要因素，见富川县测站分布图，如图2。
拟定以下三个方面：
龟石水库：主坝水位、库容，排洪流量，灌溉流量，发电流量；
河流：富阳站、东庄站、沙子坪站、麦岭街站(因东庄站、沙子坪站、麦岭街站建站较晚，数据不完整且质量较差，拟不采用)；
雨量：城北、东庄、福利、富阳、高路、楼村、麦岭、麦岭街、沙子坪、上洞、下路、杨家栎(因东庄站、沙子坪站、麦岭街站建站较晚，数据不完整且质量较差，拟不采用)。
综上，形成龟石水库预报方案的因果图，如图3所示。
(4)确定龟石水库上游各测站洪水到龟石水库主坝的传播时间(见表1)。按照洪水预报合成流量法的思想确定龟石水库上游各测站洪水到龟石水库主坝的传播时间，同时雨量站点的传播时间在参考相应河流站点的传播时间的基础上。考虑龟石水库调节周期为多年调节，结合建模的复杂性和时间成本，本次龟石水库建模暂不考虑相关传播时间。
表1各测站洪水到龟石水库主坝的传播时间(单位：小时)
Figure BDA0004077002540000071
Figure BDA0004077002540000081
(5)确定龟石水库洪水预报的预见期。龟石水库调节周期为多年调节，考虑龟石水库主坝水位库容主要仅为每日8时数据，拟定预见期为24小时，相应的雨量、出库数据按当日8时至次日7时的时间范围进行整合。
(6)确定龟石水库洪水预报训练库数据整合规则。根据拟定的预见期，考虑龟石水库主坝水位库容主要仅为每日8时数据，无法一一对应其他影响龟石水库水位的主要因素每小时数据，拟定相关的雨量、出库数据按当日8时至次日7时的时间范围进行整合。
(7)确定及龟石水库集水区域的泰森多边形。结合龟石水库集水区域、相应雨量测站，如图4，绘制龟石水库集水区域的泰森多边形。
同时计算出9个雨量权重系数，如表2。
表2泰森多边形法计算的区域雨量权重系数表
Figure BDA0004077002540000082
Figure BDA0004077002540000091
设泰森多边形个数(序号，代表相应雨量站)为i，每个雨量观测点的降雨量为xi,每个对应的泰森多边形面积与区域总面积的比即雨量权重系数为Ai，则龟石水库集水区域泰森面降雨量
Figure BDA0004077002540000092
可按下式求得。
Figure BDA0004077002540000093
(8)确定训练库的主要信息项及相关计算方法。信息项包括时间n日(以天为单位，起始时间为n日8时)、龟石水库n-1日8时库容(m3)、龟石水库n日8时库容(m3)龟石水库n日总出库水量(m3)、富阳站n日8时水位(m)、龟石水库集水区域n日24小时累计降雨水量(m3)。
设目标时间n日t时，起始时间n日m时，当起始时间为n日8时，n日m+1时即为n日9时，以此类推。需要计算的信息项计算公式如下：
(一)排洪库容(m3)
Figure BDA0004077002540000094
式中
Figure BDA0004077002540000095
为龟石水库n日排洪库容(m3)，/>
Figure BDA0004077002540000096
为龟石水库n日t时排洪流量(m3/s)
(二)灌溉库容(m3)
Figure BDA0004077002540000097
式中
Figure BDA0004077002540000098
为龟石水库n日灌溉库容(m3)，/>
Figure BDA0004077002540000099
为龟石水库n日t时灌溉流量(m3/s)
(三)发电库容(m3)
Figure BDA00040770025400000910
式中
Figure BDA00040770025400000911
为龟石水库n日发电库容(m3)，/>
Figure BDA00040770025400000912
为龟石水库n日t时发电流量(m3/s)。
(四)龟石水库总出库库容(m3)
Figure BDA0004077002540000101
式中
Figure BDA0004077002540000102
为龟石水库n日总出库库容。
(五)设龟石水库集水区域n日累计降雨水量(m3)(泰森面降雨量对应的面降水体积)为
Figure BDA0004077002540000103
龟石水库集水区域n日m时泰森面降雨量/>
Figure BDA0004077002540000104
龟石水库集水区域总面积为S＝1254(km2)。
Figure BDA0004077002540000105
(9)确定建模所需的完整训练库。按照主要改进的方向，在上述(8)的基础上，综合考虑增加n-1至n-6共计6日的连续前期数据，最终形成神经网络分析的训练库，训练库数据情况统计表3(表中部分数据因直观分析需要未进行调整)如下。
表3训练库数据情况统计表
Figure BDA0004077002540000106
4.神经网络分析
基于数据挖掘工具JMP10平台，将训练库数据(场次10和场次14用于精度检验，不参与建模)加载到JMP中进行神经网络建模分析，输出的因变量(响应)n+1日龟石水库8时库容，输入自变量(因子)n日至n-6日的龟石水库每日总出库水量(m3)、富阳站8时水位(m)、龟石水库集水区域每日累计降雨水量(m3)和n日龟石水库8时库容，神经网络的训练集与验证集的比例采用2:1，隐藏节点数即隐藏层的神经元数量设置采用15。建模。对通过神经网络分析得到的模型直接使用未参与建模的场次10和场次14的数据进行初步的精度检验，若检验结果准确，最后再对方案进行完整规范的精度评定和检验，反复建模、检验、纠错，最终得出一套相对满意的洪水预报方案。
5.确定预报方案
经检验，最终预报方案如图5。考虑龟石水库主坝水位库容主要仅为每日8时数据，本例中，t值固定为8，如后续龟石水库可实时进行水位库容的监测，t值可灵活调整(同时，龟石水库集水区域每日累计降雨水量、每日总出库水量也需跟随t值调整，具体调整参照3.建立训练库部分中的做法)：
Figure BDA0004077002540000111
式中，V为n+1日龟石水库的预报库容，按照设计的预报方案可递推出未来1日8时的龟石水库库容；i表示神经网络的隐藏层神经元，共15个；K表示神经元的权重系数，通过神经网络利用挖掘工具jmp得出；H表示神经元的拟合值，为双曲正切tanh函数值，由28个因子通过神经网络利用挖掘工具jmp计算得出，公式如下,
Figure BDA0004077002540000112
式中，T为进行tanh函数计算前的判定比，L为限制系数，P为神经元对应的每个因子的权重系数，均通过神经网络利用挖掘工具jmp得出；Z为因子，m为因子序号。对应关系见表4。
表4因子对应关系表
序号m 因子
1 n日的龟石水库8时库容
2 n日的富阳站8时水位
3 n日的龟石水库集水区域每日累计降雨水量
4 n日的龟石水库每日总出库水量
5 n-1日的龟石水库8时库容
6 n-1日的富阳站8时水位
7 n-1日的龟石水库集水区域每日累计降雨水量
8 n-1日的龟石水库每日总出库水量
9 n-2日的龟石水库8时库容
10 n-2日的富阳站8时水位
11 n-2日的龟石水库集水区域每日累计降雨水量
12 n-2日的龟石水库每日总出库水量
13 n-3日的龟石水库8时库容
14 n-3日的富阳站8时水位
15 n-3日的龟石水库集水区域每日累计降雨水量
16 n-3日的龟石水库每日总出库水量
17 n-4日的龟石水库8时库容
18 n-4日的富阳站8时水位
19 n-4日的龟石水库集水区域每日累计降雨水量
20 n-4日的龟石水库每日总出库水量
21 n-5日的龟石水库8时库容
22 n-5日的富阳站8时水位
23 n-5日的龟石水库集水区域每日累计降雨水量
24 n-5日的龟石水库每日总出库水量
25 n-6日的龟石水库8时库容
26 n-6日的富阳站8时水位
27 n-6日的龟石水库集水区域每日累计降雨水量
28 n-6日的龟石水库每日总出库水量
6.预报方案评定
根据《水文情报预报规范》(GB/T 22482-2008)标准，采用确定性系数对本次的预报方案进行精度评定和检验，并对洪峰预报时效进行评定。
6.1预报方案的精度评定和检验
确定性系数(DC)表示洪水预报过程与实测过程之间的吻合程度，按DC>0.9、0.9≥DC≥0.7、0.7＞DC≥0.5对洪水预报方案精度分为甲、乙、丙三个等级。本次采用确定性系数对方案的洪水预报过程进行精度评定和检验，确定性系数计算公式如下：
Figure BDA0004077002540000131
式中：
DC——确定性系数(取2位小数)；
yc(i)——预报值；
y0(i)——实测值；
Figure BDA0004077002540000132
——实测值的均值；
n——资料序列长度。
根据《水文情报预报规范》要求，选取参与编制洪水预报的全部资料(12场次洪水过程)进行评定，选取未参与编制洪水预报的全部资料(2场次洪水过程)进行检验，计算出精度评定与检验结果统计如表5。
表5龟石水库预报方案精度评定与检验结果统计表
Figure BDA0004077002540000133
Figure BDA0004077002540000141
按照确定性系数公式计算得出参与编制洪水预报的12场洪水过程DC均值约为0.97，精度评定为甲级水平；未参与编制洪水预报的2场洪水过程DC均值约为0.94，精度检验为甲级水平。
据此，按照《水文情报预报规范》的规定，此龟石水库预报方案精度等级达到甲级水平。
6.2洪峰预报时效的评定
洪峰预报时效用时效性系数表示，按下式计算：
CET＝EPF/TPF
式中：CET——时效性系数(取2位小数)；
EPF——有效预见期[指发布预报时间至本站洪峰(或预报对象)出现的时距，取1位小数，单位为小时(h)；
TPF——理论预见期[指主要降雨停止或预报依据要素出现，至本站洪峰(或预报对象)出现的时距，取1位小数，单位为小时(h)。
单河段(流域)洪峰预报时效等级按表6确定，当CET>1.00为超前预报，它是在洪峰预报依据要素未出现时发布的洪峰预报，预报时效达不到丙级者为时效不合格。水位流量过程预报的时效也可用预见期最长的预报值比照洪峰预报时效等级规定确定。
表6单河段(流域)洪峰预报时效等级表
时效等级 甲(迅速) 乙(及时) 丙(合格)
时效性系数 CET≥0.95 0.95>CET≥0.85 0.85>CET≥0.70
同时，各时效等级的CET的计算，以作业耗时值dh(包含水情信息接收处理时间，dh＝TPF-EPF)的下列值为上限，即甲级≤0.6h，乙级≤0.8h，丙级≤1.0h。
对照上述规定，本预报方案的预报作业主要内容是将n日至n-6日的预报依据要素代入预报公式进而递推得出n+1日的龟石水库库容，可通过Excel、编写小程序、数据挖掘工具进行计算，输入预报公式所需数据即可得出预报值；作业主要耗时包括水情信息接收处理和n日的雨量预报数据分析处理，整个作业过程耗时dh可以控制在0.2h(即12分钟)以下，如能开发软件将水情、雨情、工情数据接入与预报方案模型进行整合并提前做好n日的雨量预报数据分析处理工作，作业主要耗时仅为水情信息接收处理耗时。
综上，本预报方案的TPF为24h，作业耗时dh在0.2h之内，保守计算得出CET约为0.99，时效等级为甲级。
6.3精度评定总体分析
一、精度评定出现误差较大的场次5。场次5的DC值0.74较DC均值0.94差距明显(见表5)，但预报值与实测值的差值与其他场次的相比差别不明显，在固定的计算公式下，相对来说，考虑是受水位(库容)涨幅影响，由于所有参加精度评定和检验的场次数据均按“龟石水库洪水预报起始水位为178m”(已在前面章节说明)的要求进行确定，而场次5的龟石水库最高水位仅为178.27m，起涨0.27m涨幅相对最小，由此导致了一定的误差。
二、部分场次的小部分预报值与实测值差距较大。预报值与实测值差距较大的情况主要存在发生排洪过程特别是密集的、不规范的排洪过程，受调度排洪影响，参与预报方案模型计算主要因素之一的龟石水库每日总出库水量都是根据每小时总出库累计算得出(如按每日库容差计算，则无法形成预判)，如排洪量每日多次变化甚至频繁将一定程度上影响计算结果导致出现预报误差。
三、本次对预报方案进行了预报时效的评定，甲级的预报时效充分说明本预报方案的高效性。
四、本次洪水预报方案预见期为24小时，预报精度为甲级，预报时效性为甲级，可实时预报并用于指导性预报。
6.4小结
本发明充分按照《水文情报预报规范》(GB/T 22482-2008)进行洪水预报，采用多个跨度时间长的前期数据参与建模，并对建模细节进行调整，得到了一个预见期为24小时、预报精度为甲级、预报时效性为甲级、可实时预报的大型水利工程控制断面洪水预报方案。
本发明还提出一种基于神经网络的洪水预报系统，其采用上述的基于神经网络的洪水预报方法进行洪水预报。
本发明还提出一种计算机存储介质，所述存储介质包括存储的程序，其中，所述程序可被执行以实现上述的基于神经网络的洪水预报方法。
在本说明书的描述中，参考术语“一个实施例”和“示例”等述意指结合该实施例或示例描述的具体特征、结构或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相对的实施例或示例中以合适的方式结合。
必须指出，以上实施例的说明不用于限制而只是用于帮助理解本发明的核心思想，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，对本发明进行的任何改进以及与本产品等同的替代方案，也属于本发明权利要求的保护范围内。

Claims (10)

1.一种基于神经网络的洪水预报方法，其特征在于，包括以下步骤：
S1：建立训练库，包括目标水库至少12场洪水过程数据，每场所述洪水过程数据结构单位为天，跨度时间至少为10天；
S2：神经网络分析，采用训练库中的数据进行神经网络分析建模，并进行精度检验，采用建模得到的模型对目标水库库容进行预报；
其中，训练库中，至少10场洪水过程数据参与神经网络分析建模，至少2场洪水过程数据参与精度检验。
2.根据权利要求1所述的基于神经网络的洪水预报方法，其特征在于，训练库的主要信息项为目标水库集水区域的泰森面降雨量、上游各测站的河道水位和目标水库的库容、总出库水量，其中，所述集水区域为以目标水库主坝为控制断面的流域面积；对所述泰森面降雨量、库容和总出库水量数据分别进行整合，将其调整为体积，简化流量合成过程。
3.根据权利要求2所述的基于神经网络的洪水预报方法，其特征在于，所述泰森面降雨量通过泰森多边形法计算得出，具体为：在所述集水区域构成一个泰森多边形网，在网内，每个泰森多边形都对应一个雨量观测点，该雨量观测点的降雨量就代表对应泰森多边形内的降雨量；从而，通过网内所有雨量观测点的降雨量计算出累计降雨量。
4.根据权利要求3所述的基于神经网络的洪水预报方法，其特征在于，目标水库集水区域泰森面降雨量可按下式求得：
Figure FDA0004077002530000011
其中，
Figure FDA0004077002530000012
为泰森面降雨量，单位为毫米，i为泰森多边形个数，代表相应雨量测站序号，xi代表序号为i的雨量测站的降雨量，Ai代表序号为i的雨量测站对应的泰森多边形面积与区域总面积的比，即雨量权重系数。
5.根据权利要求4所述的基于神经网络的洪水预报方法，其特征在于，泰森面降雨量进行整合后，可按下式得到以体积为单位的累计降雨水量：
Figure FDA0004077002530000021
其中，t为求解目标时刻，m为数据起始时刻，
Figure FDA0004077002530000022
为目标水库集水区域n日累计降雨水量，
Figure FDA0004077002530000023
为目标水库集水区域n日t时泰森面降雨量，目标水库集水区域总面积为S＝1254(km2)。
6.根据权利要求2所述的基于神经网络的洪水预报方法，其特征在于，所述总出库水量可按下式求得：
Figure FDA0004077002530000024
其中，t为求解目标时刻，m为数据起始时刻，
Figure FDA0004077002530000025
为目标水库n日总出库库容，/>
Figure FDA0004077002530000026
为目标水库n日排洪库容，/>
Figure FDA0004077002530000027
为目标水库n日灌溉库容，/>
Figure FDA0004077002530000028
为目标水库n日发电库容，/>
Figure FDA0004077002530000029
为目标水库n日t时发电流量，/>
Figure FDA00040770025300000210
为目标水库n日t时灌溉流量，/>
Figure FDA00040770025300000211
为目标水库n日t时排洪流量。
7.根据权利要求2所述的基于神经网络的洪水预报方法，其特征在于，在n日t时做出n+1日t时的预报目标水库库容，即预见期为24小时。
8.根据权利要求1所述的基于神经网络的洪水预报方法，其特征在于，不考虑目标水库上游各测站洪水传播时间对目标水库库容的影响。
9.根据权利要求1所述的基于神经网络的洪水预报方法，其特征在于，步骤S2中，对通过神经网络分析建模得到的模型直接使用未参与神经网络分析建模的训练库数据进行初步精度检验，若检验结果准确，再对方案进行完整规范的精度评定和检验，反复建模、检验、纠错，根据精度检验结果调整预见期，最后得出洪水预报方案。
10.一种基于神经网络的洪水预报系统，其采用根据权利要求1-9中任一权利要求所述的基于神经网络的洪水预报方法进行洪水预报。
CN202310111756.2A 2023-02-14 2023-02-14 一种基于神经网络的洪水预报方法及系统 Pending CN116341365A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310111756.2A CN116341365A (zh) 2023-02-14 2023-02-14 一种基于神经网络的洪水预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310111756.2A CN116341365A (zh) 2023-02-14 2023-02-14 一种基于神经网络的洪水预报方法及系统

Publications (1)

Publication Number Publication Date
CN116341365A true CN116341365A (zh) 2023-06-27

Family

ID=86893819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310111756.2A Pending CN116341365A (zh) 2023-02-14 2023-02-14 一种基于神经网络的洪水预报方法及系统

Country Status (1)

Country Link
CN (1) CN116341365A (zh)

Similar Documents

Publication Publication Date Title
CN103729550B (zh) 基于传播时间聚类分析的多模型集成洪水预报方法
Afshar et al. Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran
CN107463730B (zh) 一种考虑土地利用时空演变的径流变化归因识别方法
CN110598290B (zh) 考虑气候变化的流域未来水电发电能力预测方法和系统
CN112986538A (zh) 大区域土壤重金属检测与时空分布特征分析方法及系统
CN104715292A (zh) 基于最小二乘支持向量机模型的城市短期用水量预测方法
CN103093643B (zh) 一种确定公共停车场泊位数的方法
CN111199298B (zh) 基于神经网络的洪水预报方法与系统
CN110646867A (zh) 一种城市排水监测预警方法和系统
CN112990739B (zh) 基于多介质污染特征识别的磷矿区水环境风险评估方法
CN113762618B (zh) 一种基于多因子相似分析的湖泊水位预报方法
CN105930670A (zh) 基于模型参数不确定性的河流突发污染事故动态预测方法
CN105678417A (zh) 一种施工隧道撑子面涌水量预测方法及装置
Efstratiadis et al. HYDROGEIOS: a semi-distributed GIS-based hydrological model for modified river basins
CN113720639B (zh) 一种污染场地调查补充采样的方法
CN112801687A (zh) 基于架空线路工程的费用预测模型的构建方法
CN113050430A (zh) 一种基于鲁棒强化学习的排水系统控制方法
Moghadam et al. Investigating the performance of data mining, lumped, and distributed models in runoff projected under climate change
CN114118613A (zh) 一种焦化土壤污染空间分布预测优化方法及系统
CN113011455B (zh) 一种空气质量预测svm模型构建方法
CN117077353A (zh) 基于多变量bp神经网络的碳排放测算建模、方法及装置
He et al. An Improved Coupling Model of Grey-System and Multivariate Linear Regression for Water Consumption Forecasting.
CN116341365A (zh) 一种基于神经网络的洪水预报方法及系统
Iordache et al. Planning forest accessibility with a low ecological impact
CN116796799A (zh) 无水文资料地区中小流域洪水降雨量阈值模型创建方法

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