CN116362423A - 一种预测水库入库流量的方法 - Google Patents

一种预测水库入库流量的方法 Download PDF

Info

Publication number
CN116362423A
CN116362423A CN202310631861.9A CN202310631861A CN116362423A CN 116362423 A CN116362423 A CN 116362423A CN 202310631861 A CN202310631861 A CN 202310631861A CN 116362423 A CN116362423 A CN 116362423A
Authority
CN
China
Prior art keywords
reservoir
model
value
parameters
river
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
Application number
CN202310631861.9A
Other languages
English (en)
Other versions
CN116362423B (zh
Inventor
李德龙
许小华
黄萍
许新发
吴晓彬
张华明
王小笑
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.)
Jiangxi Academy Of Water Resources Jiangxi Dam Safety Management Center Jiangxi Water Resources Management Center
Original Assignee
Jiangxi Academy Of Water Resources Jiangxi Dam Safety Management Center Jiangxi Water Resources Management Center
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 Jiangxi Academy Of Water Resources Jiangxi Dam Safety Management Center Jiangxi Water Resources Management Center filed Critical Jiangxi Academy Of Water Resources Jiangxi Dam Safety Management Center Jiangxi Water Resources Management Center
Priority to CN202310631861.9A priority Critical patent/CN116362423B/zh
Publication of CN116362423A publication Critical patent/CN116362423A/zh
Application granted granted Critical
Publication of CN116362423B publication Critical patent/CN116362423B/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
    • 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
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种预测水库入库流量的方法，包括以下步骤：步骤1，收集水库上游流域的水文、气象、地形、土地利用和土壤类型资料；步骤2，构建水库上游流域的水文模型，并确定水库水文模型精度的评价指标；步骤3，利用逆变换法改进蜂群，并优化水库水文模型参数；步骤4，利用水库上游流域内气象预报日降雨过程资料作为水库水文模型输入条件，通过优化后的水库水文模型，计算出水库的预测入库流量过程和洪峰。本发明提出一种全新的用于预测水库入库流量的方法，可推广到其他水库流域的分布式水文模型参数优化研究中，为精准预测水库入库流量和洪水过程提供科学参考。

Description

一种预测水库入库流量的方法
技术领域
本发明涉及一种防洪减灾和洪水预报技术领域，具体而言，涉及一种预测水库入库流量的方法。
背景技术
针对水库洪水预报问题，现有技术提出可广泛推广的分布式物理水文模型，但由于水库水文模型参数较多，且不完全独立，导致水库水文模型计算工作量巨大，且水库水文模型应用推广的关键难点在于对参数的优化率定。
近年来，随着现代计算机技术的进步，基于仿生学的人工智能优化算法得到了快速发展，目前已公开的文献研究表明，针对水库水文模型参数优化常用的方法有粒子群算法和洗牌复形演化算法，且针对较为简单的粒子群算法缺陷也有文献利用混沌理论对粒子群算法的参数初始化取值做了改进，均取得了一定的优化效果，但是混沌理论Tent映射对参数初始化取值的改变要经过对参数取值进行调整至0到1的范围、随机取值、取值扰动、参数映射调整至参数上下限取值范围等一系列变化，且有仿真实验表明tent混沌映射的初始种群并不均匀。Tent映射的繁杂取值过程和存在的不均匀性缺点，会导致优化复杂程度很高的水文模型时，经常出现优化效率不高且会出现局部最优的问题，特别是随着水库流域面积的增大，参数优选计算量呈几何级别增加，会导致优化水库流域分布式水文模型需要耗费大量的计算时间且找不到最优参数。
相对混沌理论，逆变换法可以利用均匀分布函数和反函数便可获取到参数的均匀取值，精简了取值扰动的中间过程，并且能持续保持稳定的均匀性，更好的提升算法计算效率；除了改善了算法初始取值，本发明还利用逆变换法去改进智能优化方法的局部更新机制，可很好克服局部更新机制中的随机性和盲目性引起算法在较短时间内易于陷入局部最优解的不足；双重改进可使优化方法在保持更加稳定的基础上，能更快速高效的找到全局最优值，这对于利用智能优化方法解决大流域面积的分布式水文模型参数优化问题有显著的提升作用。
发明内容
针对现有技术存在的不足，本发明提供了一种预测水库入库流量的方法，该方法用逆变换法改进人工蜂群算法，并引入到复杂程度较高的水库水文模型参数优化研究中。
为解决以上技术问题，本发明采用如下的技术方案：一种预测水库入库流量的方法，包括以下具体步骤：
步骤1，收集水库上游流域的水文、气象、地形、土地利用和土壤类型资料；
步骤2，构建水库上游流域的水文模型，并确定水库水文模型精度的评价指标；
步骤3，利用逆变换法改进蜂群，并优化水库水文模型参数；
步骤4，利用水库上游流域内气象预报日降雨过程资料作为水库水文模型输入条件，通过优化后的水库水文模型，计算出水库的预测入库流量过程和洪峰。
进一步的，步骤2中的构建水库上游流域的水文模型，并确定水库水文模型精度的评价指标；具体步骤为：
步骤21，将流域划分河道单元、水库单元和边坡单元；
步骤22，估算河道断面尺寸；
步骤23，计算不可调参数：单元流向、边坡单元的坡度；
步骤24，确定可调参数的上下限取值范围：
步骤25，构建水库水文模型：确定不可调参数的值和可调参数的上下取值范围，即完成对水库水文模型的构建；
步骤26，确定水库水文模型精度的评价指标：引入水库水文模型模拟效果的评价标准指标确定性系数DC，其计算公式如公式（1）：
Figure SMS_1
式中：DC是评价标准指标确定性系数；Oi是水库坝址处i时刻实测流量、Pi是水库坝址处i时刻模拟流量、
Figure SMS_2
为水库坝址处实测流量的平均值，单位均为m3/s；i为收集到的历史实测日降雨或日流量过程的时段数，1≤i≤n；n为时段数的上限；0<DC≤1，DC越接近于1模拟效果越好；当DC>0.75时，认为模拟效果非常好；0.50≤DC≤0.75，模拟效果较好；DC<0.50时，模拟效果较差。
进一步的，步骤1中收集水库上游流域的水文、气象、地形、土地利用和土壤类型资料，具体为：水文数据含水库上游流域内各雨量站点的历年实测日降雨过程资料、坝址处历年实测入流日流量过程资料；气象数据为水库上游流域范围内气象预报日降雨过程资料；地形数据为水库上游流域高精度地形数据；土地利用和土壤类型数据均为水库上游流域范围内的土地利用和土壤类型数据。
进一步的，步骤21，将流域划分河道单元、水库单元和边坡单元；具体为：
河道单元是根据累积流入单元格的上游单元个数划分，设定累积流入的阈值，大于阈值的单元为河道单元；水库单元是根据水库的控制水位来划分，高程低于控制水位的单元为水库单元；边坡单元为非河道单元和水库单元的单元；
步骤22，估算河道断面尺寸；具体为：
假定河道断面形状为梯形，河道底宽根据流域的遥感影像确定；河道底坡根据高精度地形数据估算；河道侧坡根据经验判断，在无条件时可假定为90度；
步骤23，计算不可调参数：单元流向、边坡单元的坡度；具体为：
单元流向根据ArcGIS软件基于高精度地形数据计算水流方向的方法确定；
边坡单元按照边坡单元周围附近的8个不同方向流动，8个不同方向单元编号以j表示，分为东方向记为j=1、东南方向记为j=2、南方向记为j=4、西南方向记为j=8、西方向记为j=16、西北方向记为j=32、北方向记为j=64、东北方向记为j=128；边坡单元的坡度按照公式（2）和公式（3）计算：
Figure SMS_3
Figure SMS_4
式中，
Figure SMS_5
为编号为ii单元的坡度；/>
Figure SMS_6
为编号为ii单元的高程值；/>
Figure SMS_7
为编号为j单元的高程值；/>
Figure SMS_8
为相邻边坡单元的中心点间距；ii为单元编号；当j=1、4、16和64时，边坡单元的坡度用公式（2）计算；当j=2、8、32和128时，边坡单元的坡度用公式（3）计算；
步骤24，确定可调参数的上下限取值范围：具体为：
给每个可调参数赋予一个缺省值，引入修正系数，对水文模型的可调参数值进行空间等比例缩放，即修正系数乘以水文模型初始缺省值得到水文模型计算最终的可调参数值；最终的可调参数值的修正系数的上下限均为2和0.5；可调参数主要分为蒸散发参数、产流参数和汇流参数三大类。
进一步的，步骤3中利用逆变换法改进蜂群，并优化水库水文模型参数；具体步骤为：
步骤31，将收集到的水库上游流域内各雨量站点的历年实测日降雨过程资料通过泰森多边形法，计算得出水库上游流域的面雨量过程，作为水库水文模型输入条件；
步骤32，设定人工蜂群算法的相关参数值；
步骤33，在水库水文模型的可调参数取值范围内，利用逆变换法对可调参数进行初始取值；
步骤34，将可调参数的初始取值调用到水文模型进行计算，得出水库水文模型模拟的入库流量过程数据；将模拟的入库流量和坝址处实测流量，通过评价指标公式计算得出评价标准指标确定性系数DC；
步骤35，利用评价标准指标确定性系数DC计算得出可调参数的适应度函数值，即为初始蜜源；适应度函数计算如公式（4）：
Figure SMS_9
式中：
Figure SMS_10
为适应度函数值，DC为评价标准指标确定性系数；
步骤36，在初始蜜源附近，由引领蜂搜索新蜜源，比较新蜜源和初始蜜源，选择蜜源适应度函数更优的值进入下一步；
步骤37，跟随蜂根据概率，选择当前蜜源或在当前蜜源附近搜索新蜜源，选择更优的蜜源进入下一步；
步骤38，判断是否出现侦察蜂，如果是，则引领蜂转变为侦察蜂，利用逆变换法产生一个新的蜜源，取代原蜜源，确定本次标记蜜源；否则，则直接进入步骤39；
步骤39，判断是否满足迭代次数的最大限制条件；如果是，输出最优结果即为水库水文模型的最优解，对应的参数即为水库水文模型最优参数；如果不是，则转入到步骤36，然后按照步骤37、38顺序计算，直至满足步骤39的终止条件。
进一步的，步骤33中在水库水文模型的可调参数取值范围内，利用逆变换法对可调参数进行初始取值；具体是通过利用逆变换法对可调参数进行初始取值代替原算法的随机初始取值，具体步骤为：
步骤331，在水库水文模型的可调参数取值的范围内，根据计算公式（5）、（6）和（7），计算得到分布函数；
Figure SMS_11
式中，Y（y）为水库水文模型可调参数y分布函数，y表示水库水文模型可调参数值；ymin为水库水文模型可调参数下限值；ymax为水库水文模型可调参数上限值；
步骤332，对分布函数求反函数，即可求得抽样公式为：
Figure SMS_12
式中，u为在0和1之间范围内均匀分布的随机数；
Figure SMS_13
表示分布函数的反函数。
进一步的，步骤38中利用逆变换法产生一个新的蜜源，即代替引领蜂转变为侦察蜂阶段随机产生一个新的蜜源，具体操作步骤为：
步骤381，在引领蜂转变为侦察蜂阶段，会由侦察蜂在当前蜜源的附近区域，利用逆变换法在可调参数取值范围内产生一系列均匀分布的参数值；
步骤382，将逆变换法获取到均匀分布的参数值通过适应度函数计算公式，分别计算得出均匀分布的参数对应的适应度函数值；
步骤383，比较一系列新蜜源的适应度函数值，取适应度函数值最小作为一个新的蜜源，即为逆变换法产生的一个新蜜源。
本发明的有益效果是：
（1）本发明是在保持了标准人工蜂群算法全局搜索能力的基础上，充分吸收了逆变换法的优势，与现有常用Tent映射初始化参数取值相比，进一步去除了参数取值的扰动过程和克服了取值的不稳定性缺点，更有效的提升了算法的搜索速度和稳定性；
（2）本发明是在保持了标准人工蜂群算法框架上，在引领蜂转变为侦察峰阶段，利用逆变换法改进了该阶段的局部更新机制，由原先随机产生一个解，到通过逆变换法产生一系列参数值，利用适应度计算公式计算出参数值对应的适度度函数值，选取适应度函数值更小的作为该阶段的最优解，使得局部更新机制去除了随机性和盲目性，快速跳出局部最优，从而达到提升了算法全局寻优能力的目的；
（3）目前的复杂程度较高的水库水文模型，面积较大，参数较多，优选的工作量巨大，采用较多的是手工试错法、粒子群算法、SCE-UA算法，本方法采用的是人工智能学科中的人工蜂群优化方法，能在合理的参数范围内实现参数的自动优化率定，能快速准确求解出难度极高的动态优化问题，为分布式水文模型参数优化研究提供了一种可参考的技术方法，可推广到其他模型参数优化研究中。
附图说明
图1为本发明技术流程图。
图2为逆变换蜂群优化水库水文模型的流程示意图。
具体实施方式
下面结合实施例详述本发明，但本发明不局限于这些实施例。本实施例采用流溪河水库为例，流溪河水库位于流溪河干流上游，控制面积539km2，是一个以防洪发电为主的综合利用水库。流溪河模型其参数众多，涉及蒸散发、产流、汇流等3大类14个具有物理意义的参数。
流溪河模型是分布式物理水文模型，其每个单元上均采用不同的模型参数。参数按照产汇流过程可分为蒸散发参数、产流参数及汇流参数三大类，主要包括田间持水量、凋萎含水率、潜在蒸发率、蒸发系数；饱和含水率、土壤层厚度、土壤饱和水力传导率、土壤特性数据；边坡坡度、河道底坡、河道底宽、边坡糙率、河道糙率、地下径流消退系数等共14个参数，其中除去边坡坡度和河道底坡为不可调参数外，剩余12个参数是可调整参数，因此，流溪河模型参数优化是一个参数复杂且维度高、求解难度大的动态优化问题。
如图1所示，一种预测流溪河水库入库流量的方法，其方法为：
步骤1，收集流溪河水库上游流域的水文和气象资料：含水库上游流域内各雨量站点的历年实测日降雨过程资料、坝址处历年实测入流日流量过程资料、水库上游流域范围内气象预报日降雨过程资料；
步骤2，构建流溪河水库上游流域水文模型，并确定流溪河水库水文模型精度的评价指标；
步骤3，利用逆变换法改进蜂群，并优化流溪河水库水文模型参数；
步骤4，利用流溪河水库上游流域内气象预报日降雨过程资料作为模型输入条件，通过优化后的流溪河水库水文模型，计算出流溪河水库的预测入库流量过程和洪峰。
进一步的，所述步骤2中的构建流溪河水库上游流域水文模型，具体操作方法为：
步骤21，收集流溪河水库上游流域1000米分辨率高精度地形数据、土地利用数据和1000米分辨率土壤类型数据；通过重采样技术，获取流溪河水库上游流域100米分辨率高精度地形数据和100米分辨率土壤类型数据；
步骤22，划分边坡单元、河道单元和水库单元；将流溪河模型分成了52853个单元流域，主要划分了4级河流分级；对流溪河水库，以设计洪水位作为划分水库单元的控制性高程，划分出了流溪河水库的水库单元；
步骤23，估算河道断面尺寸；根据库区遥感影像和高精度地形数据的变化，在有较大支流汇合处、河道宽度变化较大处及河底坡降变化较大的地方，进行河道结点设置，共划分4级河道18个虚拟河段；
步骤24，单元流向根据ArcGIS软件基于高精度地形数据计算水流方向的方法确定；
边坡单元按照边坡单元周围附近的8个不同方向流动，8个不同方向单元编号以j表示，分为东方向记为j=1、东南方向记为j=2、南方向记为j=4、西南方向记为j=8、西方向记为j=16、西北方向记为j=32、北方向记为j=64、东北方向记为j=128；边坡单元的坡度按照公式（2）和公式（3）计算：
Figure SMS_14
式中，
Figure SMS_15
为编号为ii单元的坡度；
Figure SMS_16
为编号为ii单元的高程值；
Figure SMS_17
为编号为j 单元的高程值；
Figure SMS_18
为相邻边坡单元的中心点间距；ii为单元编号；当j=1、4、16和64时，边坡 单元的坡度用公式（2）计算；当j=2、8、32和128时，边坡单元的坡度用公式（3）计算；
步骤25，确定可调参数的上下限取值范围：给每个可调参数赋予一个缺省值，引入修正系数，对模型参数值进行空间等比例缩放，即修正系数乘以模型初始缺省值得到模型计算最终参数值；该参数修正系数的上下限均为2和0.5；可调参数主要分为蒸散发参数、产流参数和汇流参数等三大类，蒸散发参数具体包括田间持水量、凋萎含水率、潜在蒸发率、蒸发系数；产流参数具体包括饱和含水率、土壤层厚度、土壤饱和水力传导率、土壤特性数据；汇流参数具体包括边坡坡度、河道底坡、河道底宽、边坡糙率、河道糙率、地下径流消退系数。
步骤26，构建流溪河水库水文模型：确定了不可调参数的值和可调参数的上下取值范围，即可完成对流溪河模型的构建。
步骤27，确定模型的评价指标：引入水库水文模型模拟效果的常用评价标准指标确定性系数DC，其计算公式为：
Figure SMS_19
式中：DC是评价标准指标确定性系数；Oi是水库坝址处i时刻实测流量、Pi是水库坝址处i时刻模拟流量、
Figure SMS_20
为水库坝址处实测流量的平均值，单位均为m3/s；i为收集到的历史实测日降雨或日流量过程的时段数，1≤i≤n；n为时段数的上限；0<DC≤1，DC越接近于1模拟效果越好；当DC>0.75时，认为模拟效果非常好；0.50≤DC≤0.75，模拟效果较好；DC<0.50时，模拟效果较差。
进一步的，所述步骤3中利用逆变换法改进蜂群，并优化流溪河模型参数，具体操作步骤（见图2）为：
步骤31，将收集到的流域内楠木、吕田和坝上3个雨量站点的1997~2005年的10场洪水过程对应的实测日降雨过程，通过泰森多边形法，计算得出流域的1997~2005年的10场洪水过程对应的面雨量过程；以前6场洪水过程作为流溪河模型率定的输入条件，后4场洪水过程作为流溪河模型验证的输入条件；
步骤32，设定人工蜂群算法的相关参数值；本具体实施例中，种群规模数量为200，蜜源个数为80，蜜源维数为12，最大进化次数为12000，同一蜜源被限定采蜜次数为500；
步骤33，在保持流溪河模型参数物理意义的基础上，根据经验设置流溪河模型参数取值范围，利用逆变换法在参数取值范围内均匀取值；
步骤34，将参数初始值调用到流溪河模型进行计算，得出模型模拟的入库流量过程数据；将模拟的入库流量和坝址处实测流量，通过评价指标公式计算得出DC；
步骤35，利用DC通过计算得出参数的适应度函数值，即为初始蜜源；适应度函数计算公式为：
Figure SMS_21
式中，
Figure SMS_22
为适应度函数值，DC为评价标准指标确定性系数；
步骤36，在初始蜜源附近，由引领蜂搜索新蜜源，比较新蜜源和初始蜜源，选择蜜源适应度函数值更优的进入下一步；
步骤37，跟随蜂根据概率，选择当前蜜源或在当前蜜源附近搜索新蜜源，选择更优的蜜源进入下一步；
步骤38，判断是否出现侦察蜂，如果是，则引领蜂转变为侦察蜂，利用逆变换法产生一个新的蜜源，取代原蜜源，确定本次标记蜜源；否则，则直接进入步骤39；
步骤39，判断是否满足迭代次数的最大限制条件；如果是，输出最优结果即为流溪河模型的最优解，对应的参数即为流溪河模型最优参数；如果不是，则转入到步骤36，然后按照步骤37、38顺序计算，直至满足步骤39的终止条件。
进一步的，所述步骤33在流溪河模型参数取值范围内，利用逆变换法对参数进行初始取值，具体操作方法为：
步骤331，在流溪河模型参数取值的上下限范围内，根据计算公式（5）、（6）和（7），计算得到分布函数Y（y）；
Figure SMS_23
式中，Y（y）为水库水文模型可调参数y分布函数，y表示水库水文模型可调参数值；ymin为水库水文模型可调参数下限值；ymax为水库水文模型可调参数上限值；
步骤332，对分布函数求反函数，即可求得抽样公式为：
Figure SMS_24
式中，u为在0和1之间范围内均匀分布的随机数；
Figure SMS_25
表示分布函数的反函数。
进一步的，所述步骤38中利用逆变换法产生一个新的蜜源，具体操作步骤为：
步骤381，在引领蜂转变为侦察蜂阶段，会由侦察蜂在当前蜜源的附近区域，利用逆变换法在参数取值范围内产生一系列均匀分布的参数值；该取值方法的操作步骤与上述逆变换法取值步骤相同。
步骤382，将逆变换法获取到的参数值通过计算公式
Figure SMS_26
，分别计算得出各参数对应的适应度函数值；
步骤383，比较一系列新蜜源的适应度函数值，取适应度函数值最小作为一个新的蜜源，即为逆变换法产生的一个新蜜源。
综上，本发明通过逆变换法可以利用均匀分布函数和反函数便可获取到参数的均匀取值，精简了取值扰动的中间过程，还利用逆变换法去改进智能优化方法的局部更新机制，可很好克服局部更新机制中的随机性和盲目性引起算法在较短时间内易于陷入局部最优解的不足；与现有技术相比，双重改进可使优化方法在保持更加稳定的基础上，能更快速高效的找到全局最优值，这对于利用智能优化方法解决大流域面积的分布式水文模型参数优化问题有显著的提升作用，对准确预测流溪河水库入库流量从而提升水库预报精度有着至关重要的作用。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (6)

1.一种预测水库入库流量的方法，其特征在于：包括以下具体步骤：
步骤1，收集水库上游流域的水文、气象、地形、土地利用和土壤类型资料数据；
步骤2，构建水库上游流域水文模型，并确定水库水文模型精度的评价指标；
步骤3，利用逆变换法改进蜂群，并优化水库水文模型参数；
步骤4，利用水库上游流域内气象预报日降雨过程资料作为水库水文模型输入条件，通过优化后的水库水文模型，计算出水库的预测入库流量过程和洪峰；
步骤2中具体步骤为：
步骤21，将流域划分为河道单元、水库单元和边坡单元；
步骤22，估算河道断面尺寸；
步骤23，计算不可调参数：单元流向、边坡单元的坡度；
步骤24，确定可调参数的上下限取值范围：
步骤25，构建水库水文模型：确定不可调参数的值和可调参数的上下取值范围，即完成对水库水文模型的构建；
步骤26，确定水库水文模型精度的评价指标；引入水库水文模型模拟效果的评价标准指标确定性系数DC，其计算公式如公式（1）：
Figure QLYQS_1
（1）
式中：DC是评价标准指标确定性系数；Oi是水库坝址处i时刻实测流量、Pi是水库坝址处i时刻模拟流量、
Figure QLYQS_2
为水库坝址处实测流量的平均值，单位均为m3/s；i为收集到的历史实测日降雨或日流量过程的时段数，1≤i≤n；n为时段数的上限；0<DC≤1，DC越接近于1模拟效果越好；当DC>0.75时，认为模拟效果非常好；0.50≤DC≤0.75，模拟效果较好；DC<0.50时，模拟效果较差。
2.根据权利要求1所述的一种预测水库入库流量的方法，其特征在于：
步骤1中收集水库上游流域的水文、气象、地形、土地利用和土壤类型资料数据，具体为：
水文资料数据含水库上游流域内各雨量站点的历年实测日降雨过程资料、坝址处历年实测入流日流量过程资料；
气象资料数据为水库上游流域范围内气象预报日降雨过程资料；
地形资料数据为水库上游流域高精度地形数据；
土地利用和土壤类型资料数据均为水库上游流域范围内的土地利用和土壤类型数据。
3.根据权利要求2所述的一种预测水库入库流量的方法，其特征在于：
步骤21，将流域划分为河道单元、水库单元和边坡单元；具体为：
河道单元是根据累积流入单元格的上游单元个数划分，设定累积流入的阈值，大于阈值的单元为河道单元；
水库单元是根据水库的控制水位来划分，高程低于控制水位的单元为水库单元；
边坡单元为非河道单元和水库单元的单元；
步骤22，估算河道断面尺寸；具体为：
假定河道断面形状为梯形，河道底宽根据流域的遥感影像确定；河道底坡根据高精度地形数据估算；河道侧坡根据经验判断，在无条件时可假定为90度；
步骤23，计算不可调参数：单元流向、边坡单元的坡度；具体为：
单元流向根据ArcGIS软件基于高精度地形数据计算水流方向的方法确定；
边坡单元按照边坡单元周围附近的8个不同方向流动，8个不同方向单元编号以j表示，分为东方向记为j=1、东南方向记为j=2、南方向记为j=4、西南方向记为j=8、西方向记为j=16、西北方向记为j=32、北方向记为j=64、东北方向记为j=128；边坡单元的坡度按照公式（2）和公式（3）计算：
Figure QLYQS_3
（2）
Figure QLYQS_4
（3）
式中，
Figure QLYQS_5
为编号为ii单元的坡度；/>
Figure QLYQS_6
为编号为ii单元的高程值；/>
Figure QLYQS_7
为编号为j单元的高程值；/>
Figure QLYQS_8
为相邻边坡单元的中心点间距；ii为单元编号；当j=1、4、16和64时，边坡单元的坡度用公式（2）计算；当j=2、8、32和128时，边坡单元的坡度用公式（3）计算；
步骤24，确定可调参数的上下限取值范围：具体为：
给每个可调参数赋予一个缺省值，引入修正系数，对水文模型的可调参数值进行空间等比例缩放，即修正系数乘以水文模型初始缺省值得到水文模型计算最终的可调参数值；最终的可调参数值的修正系数的上下限均为2和0.5；可调参数主要分为蒸散发参数、产流参数和汇流参数三大类。
4.根据权利要求3所述的一种预测水库入库流量的方法，其特征在于：
步骤3中利用逆变换法改进蜂群，并优化水库水文模型参数；具体步骤为：
步骤31，将收集到的水库上游流域内各雨量站点的历年实测日降雨过程资料通过泰森多边形法，计算得出水库上游流域的面雨量过程，作为水库水文模型输入条件；
步骤32，设定人工蜂群算法的相关参数值；
步骤33，在水库水文模型的可调参数取值范围内，利用逆变换法对可调参数进行初始取值；
步骤34，将可调参数的初始取值调用到水库水文模型进行计算，得出水库水文模型模拟的入库流量过程数据；将模拟的入库流量和坝址处实测流量，通过评价指标公式计算得出评价标准指标确定性系数DC；
步骤35，利用评价标准指标确定性系数DC计算得出可调参数的适应度函数值，即为初始蜜源；适应度函数计算如公式（4）：
Figure QLYQS_9
（4）
式中：
Figure QLYQS_10
为适应度函数值，DC为评价标准指标确定性系数；
步骤36，在初始蜜源附近，由引领蜂搜索新蜜源，比较新蜜源和初始蜜源，选择蜜源适应度函数更优的值进入下一步；
步骤37，跟随蜂根据概率，选择当前蜜源或在当前蜜源附近搜索新蜜源，选择更优的蜜源进入下一步；
步骤38，判断是否出现侦察蜂，如果是，则引领蜂转变为侦察蜂，利用逆变换法产生一个新的蜜源，取代原蜜源，确定本次标记蜜源；否则，则直接进入步骤39；
步骤39，判断是否满足迭代次数的最大限制条件；如果是，输出最优结果即为水库水文模型的最优解，对应的参数即为水库水文模型最优参数；如果不是，则转入到步骤36，然后按照步骤37、38顺序计算，直至满足步骤39的终止条件。
5.根据权利要求4所述的一种预测水库入库流量的方法，其特征在于：
步骤33中在水库水文模型的可调参数取值范围内，利用逆变换法对可调参数进行初始取值；具体步骤为：
步骤331，在水库水文模型的可调参数取值的范围内，根据计算公式（5）、（6）和（7），计算得到分布函数；
Figure QLYQS_11
式中，Y（y）为水库水文模型可调参数y分布函数，y表示水库水文模型可调参数值；ymin为水库水文模型可调参数下限值；ymax为水库水文模型可调参数上限值；
步骤332，对分布函数求反函数，即可求得抽样公式为：
Figure QLYQS_12
式中，u为在0和1之间范围内均匀分布的随机数；
Figure QLYQS_13
表示分布函数的反函数。
6.根据权利要求5所述的一种预测水库入库流量的方法，其特征在于：
步骤38中利用逆变换法产生一个新的蜜源，即代替引领蜂转变为侦察蜂阶段随机产生一个新的蜜源，具体操作步骤为：
步骤381，在引领蜂转变为侦察蜂阶段，会由侦察蜂在当前蜜源的附近区域，利用逆变换法在可调参数取值范围内产生一系列均匀分布的参数值；
步骤382，将逆变换法获取到均匀分布的参数值通过适应度函数计算公式，分别计算得出均匀分布的参数对应的适应度函数值；
步骤383，比较一系列新蜜源的适应度函数值，取适应度函数值最小作为一个新的蜜源，即为逆变换法产生的一个新蜜源。
CN202310631861.9A 2023-05-31 2023-05-31 一种预测水库入库流量的方法 Active CN116362423B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310631861.9A CN116362423B (zh) 2023-05-31 2023-05-31 一种预测水库入库流量的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310631861.9A CN116362423B (zh) 2023-05-31 2023-05-31 一种预测水库入库流量的方法

Publications (2)

Publication Number Publication Date
CN116362423A true CN116362423A (zh) 2023-06-30
CN116362423B CN116362423B (zh) 2023-09-05

Family

ID=86909387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310631861.9A Active CN116362423B (zh) 2023-05-31 2023-05-31 一种预测水库入库流量的方法

Country Status (1)

Country Link
CN (1) CN116362423B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491643A (zh) * 2017-08-18 2017-12-19 中国水利水电科学研究院 一种确定设计洪峰流量的方法、装置及系统
CN107563046A (zh) * 2017-08-30 2018-01-09 国家电网公司 基于大坝失效功能函数模型的失效风险率计算方法及装置
WO2022032872A1 (zh) * 2020-08-14 2022-02-17 贵州东方世纪科技股份有限公司 一种基于大数据的水文预报方法
CN115130396A (zh) * 2022-06-13 2022-09-30 大连理工大学 一种河道型水库库区的分布式水文模型建模方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491643A (zh) * 2017-08-18 2017-12-19 中国水利水电科学研究院 一种确定设计洪峰流量的方法、装置及系统
CN107563046A (zh) * 2017-08-30 2018-01-09 国家电网公司 基于大坝失效功能函数模型的失效风险率计算方法及装置
WO2022032872A1 (zh) * 2020-08-14 2022-02-17 贵州东方世纪科技股份有限公司 一种基于大数据的水文预报方法
CN115130396A (zh) * 2022-06-13 2022-09-30 大连理工大学 一种河道型水库库区的分布式水文模型建模方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张迅;李决龙;邢建春;王平;杨启亮;: "基于混沌蜂群算法的高耸结构振动信号小波阈值去噪方法研究", 建筑结构学报, no. 1, pages 474 - 481 *

Also Published As

Publication number Publication date
CN116362423B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN111582755B (zh) 一种基于多维度集合信息山洪灾害综合风险动态评估方法
Dong et al. Enhancing short-term forecasting of daily precipitation using numerical weather prediction bias correcting with XGBoost in different regions of China
CN108022047A (zh) 一种海绵城市水文计算方法
CN103093114B (zh) 一种基于地形和土壤特性的分布式流域缺水量测算方法
CN113742910A (zh) 基于中小流域洪水预报的水库来水量预警预报方法及系统
CN115375198B (zh) 区域河湖水系连通联合调度和水质安全保障方法及系统
CN111598724B (zh) 一种中小水库入库流量日前预测的分时段集成方法
CN106709181B (zh) 一种基于并行编程和模块法的分布式水文模型率定方法
CN111210050A (zh) 山地丘陵型中小水电站降雨来水增量预报模型与方法
CN115130396A (zh) 一种河道型水库库区的分布式水文模型建模方法
CN112528563A (zh) 一种基于svm算法的城市内涝预警方法
CN114462254A (zh) 基于流向的分布式水文模型并行计算方法
CN111985129A (zh) 一种城市暴雨内涝精细化模拟方法
CN116362423B (zh) 一种预测水库入库流量的方法
CN113869804B (zh) 一种洪涝灾害下的电网设备风险预警方法及系统
CN115730739A (zh) 一种基于lstm神经网络的城市内涝积水预测方法
CN115809562A (zh) 一种确定小流域引水沟渠规模方案的方法
CN114385959A (zh) 一种近坝区子流域单元划分方法、装置及存储介质
CN111861014B (zh) 一种分布式单位线洪水预报方法
Cao et al. Optimization design and research of simulation system for urban green ecological rainwater by genetic algorithm
CN111079065A (zh) 一种时空动态优化的嵌套式自稳定汇流演算方法
CN118050828B (zh) 一种流域防洪智能优化预报方法
Zhong et al. Effect of different areal precipitation estimation methods on the accuracy of a reservoir runoff inflow forecast model
CN111539596A (zh) 一种流域灰色基础设施的调蓄能力评价方法
CN111274545A (zh) 一种栅格尺度基于地形地貌的多模式产流计算方法

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