CN117634321B - 一种水库蓄水顶托作用下的水文站水位流量关系重构方法 - Google Patents

一种水库蓄水顶托作用下的水文站水位流量关系重构方法 Download PDF

Info

Publication number
CN117634321B
CN117634321B CN202410104192.4A CN202410104192A CN117634321B CN 117634321 B CN117634321 B CN 117634321B CN 202410104192 A CN202410104192 A CN 202410104192A CN 117634321 B CN117634321 B CN 117634321B
Authority
CN
China
Prior art keywords
water level
station
reservoir
flow
hydrologic
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
CN202410104192.4A
Other languages
English (en)
Other versions
CN117634321A (zh
Inventor
李港
刘章君
张静文
刘鑫
吴佳琪
鄢笑宇
吴向东
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 CN202410104192.4A priority Critical patent/CN117634321B/zh
Publication of CN117634321A publication Critical patent/CN117634321A/zh
Application granted granted Critical
Publication of CN117634321B publication Critical patent/CN117634321B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Fluid Mechanics (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Molecular Biology (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明涉及一种水库蓄水顶托作用下的水文站水位流量关系重构方法，所述方法包括：收集水文资料，计算水文站水位顶托量及对应流量和水库水位；采用深度学习模型拟合水文站水位顶托量、流量及水库水位之间的关系，建立水文站水位顶托量回归模型；固定水库水位值，输入系列水文站流量，基于回归模型获得对应的水位顶托量数据；建立水动力模型，模拟相同水库水位下系列流量对应的水位顶托量，对比水动力模型和回归模型获得的水位顶托量数据，分析回归模型水位顶托量数据精度；最后基于回归模型获取不同水库水位对应的水文站流量水位关系曲线簇。本发明融合深度学习回归模型和水动力模型实现了水库顶托作用下的水文站水位流量关系重构。

Description

一种水库蓄水顶托作用下的水文站水位流量关系重构方法
技术领域
本发明涉及水文与水资源领域，具体是一种水库蓄水顶托作用下的水文站水位流量关系重构方法。
背景技术
水库运行后上游的水文站受到水库蓄水的顶托作用，会破坏水文站原有的水位流量关系，对于洪水预报与防洪安全存在严重影响。因此进行水库蓄水顶托作用下的水文站水位流量关系重构对于水资源调度与利用、防洪安全、通航安全以及水生态环境保护等方面具有重要的意义。
目前对于水文站的水位流量关系大多采用线性拟合法，即通过点绘水位流量数据点，进行线性拟合，获得水文站水位流量的定量关系。在河流上未建水库时，通过线性拟合获得水文站的水位流量关系曲线相对准确，能够有效指导洪水预报。然而，当河流上兴建水库后，在水库蓄水过程中，会对水文站的水位产生顶托作用，使得水文站原有天然条件下的水位流量关系发生了改变，呈现出明显的非线性特征，同时，在不同水库蓄水水位下，对应水文站的水位流量关系必然存在一定的差异；即使在同一水库蓄水水位下，由于水文站相应的水位流量数据监测点相对较少，也难以根据有限的实测数据获得水库某一蓄水水位下水文站的水位流量关系。
发明内容
本发明的目的在于提供一种水库蓄水顶托作用下的水文站水位流量关系重构方法，旨在通过采用深度学习方法建立水文站水位顶托量回归模型，基于回归模型生成不同水库蓄水水位下的水位流量数据，并采用水动力模型进行数据质量的检验；最后基于回归模型获取不同水库水位对应的水文站流量水位关系曲线簇，实现水库顶托作用下的水文站水位流量关系重构。
为实现上述目的，本发明提供如下技术方案：
一种水库蓄水顶托作用下的水文站水位流量关系重构方法，所述方法包括以下步骤：
步骤S1:收集水库建设前后水文站实测水位流量数据以及建库后水库水位数据，计算建库后水文站的水位顶托量，并确定与及对应的水文站流量及水库水位；
步骤S2：采用深度学习模型拟合建库后的水文站水位顶托量、流量以及水库水位三者对应的关系，建立水文站顶托量回归模型；固定某一水库水位，输入系列预设的水文站流量，基于水文站顶托量回归模型，获取相应系列水文站顶托量数据，同时建立水动力模型，模拟获得同一固定水库水位下，以系列预设的水位站流量作为边界的水文站水位，并计算水位顶托量，对比回归模型水位顶托量与水动力模型模拟的对应水位顶托量，验证回归模型水位顶托量精度；
步骤S3：预设不同的水库水位，以系列水文站流量数据为输入，基于验证好的深度学习水位顶托量回归模型获取不同水库水位下的系列水文站顶托量数据，进而重构水库蓄水顶托作用下水文站水位流量关系曲线簇。
作为本发明进一步的技术方案，步骤S1中进行水库建设后的水文站水位顶托量计算时，首先利用建库前水文站的实测水位流量数据绘制水文站未受水库顶托影响的正常水位流量关系曲线，获得其水位流量关系，假设其关系满足式（1）：
式（1）：；
其中，为建库前水文站的水位，为建库前水文站的流量，为建 库前水文站水位和流量的对应函数关系；
假设建库后的水文站水位为，流量为，其对应的水库水位为， 则建库后水文站的水位顶托量表示为式（2）：
式（2）：；
根据式（1）和式（2），获得水库建设后一一对应的水文站水位顶托量和流量。
作为本发明进一步的技术方案，在步骤S2中，进行水库建设后的水文站水位顶托 量、流量以及水库水位三者关系建立时，采用的深度学习模型为长短时 记忆网络LSTM，假设利用LSTM拟合得到的三者的回归模型表示为式（3）：
式（3）：；
其中，为通过深度学习模型LSTM建立的水库建设后水文站顶托量和水 文站流量以及水库水位之间的函数关系；
预设某一水库水位值，然后预设一系列建库后的水文站流量数据，将预设的系列流量代入回归模型式（3）中，得到基于深度学习回归 模型生成的在水库水位为下的系列水文站水位顶托量；
采用水动力模型MIKE21建立包含目标水库和水文站所处河段的水动力模型，其中 以目标水库所处位置为模型下边界，以水文站所处位置为上边界，利用历史实测水文资料 率定好水动力模型后，保持水动力模型下边界为水库的预设水位值，然后将预设一系 列建库后的水文站流量数据作为水动力模型的上边输入流量，运行 水动力模型k次，得到基于水动力模型模拟得到的在水库水位为下的系列水文站水位 顶托量；
水动力模型是基于河段的真实地形以及水流运动的真实水动力过程建立的模型， 因此其模拟的不同流量下对应的水文站水位可以用来评价深度学习回归模型生成的水文 站水位顶托量结果可信度，对比水动力模型模拟的水文站水位顶托量 和深度学习回归模型得到的水文站水位顶托量，利用拟合优度R2和纳什 系数NSE评价深度学习回归模型生成的水文站水位顶托量数据质量，拟合优度R2和纳什系 数NSE的计算公式如式（4）和式（5）所示：
式（4）：；
式（5）：；
其中，为深度学习回归模型生成的第i个流量下的水文站水位顶托量 值，为水动力模型模拟得到第i个流量边界下的水文站水位顶托量值， 为深度学习回归模型生成水文站水位顶托量的平均值，为水动力模型模拟得到的 水文站水位顶托量的平均值。
作为本发明进一步的技术方案，在步骤3中，进行水库蓄水顶托作用下水文站水位 流量关系曲线重构时，设置系列水库水位值,然后基于步骤 （2）中获得的水文站水位顶托量回归模型获得各水库水位下不同流量对应的水文站水位顶 托量，例如第j个水库水位值在预设的系列流量下基于水位顶 托量回归模型获得的对应水文站水位顶托量为，水库水位为时的 水位顶托量和流量关系即表示为式（6）,水位顶托量加上水文站流量对应于建库前的水位， 即为建库后的水文站的水位值，其计算公式如式（7）所示：
式（6）：；
式（7）：；
其中，为建库后水库水位为时的水文站流量，为对应流量基于 回归模型生成的水文站水位，表示水库水位为条件下的水文站水位顶托量和水文 站流量关系，为建库后预设流量下的水文站水位，f为建库前的水位流量关系曲线；
基于回归模型获得的不同水库水位下水文站的水位顶托量和流量序列，根据式（6）和式（7）计算实现不同水库水位下水文站水位流量关系曲线的重构。
与现有技术相比，本发明的有益效果是：
本发明提供了一种水库蓄水顶托作用下的水文站水位流量关系重构方法，旨在通过采用深度学习方法建立水文站水位顶托量回归模型，基于回归模型生成不同水库蓄水水位下的水位流量数据，并采用水动力模型进行数据质量的检验；最后基于回归模型获取不同水库水位对应的水文站流量水位关系曲线簇，实现水库顶托作用下的水文站水位流量关系重构。
附图说明
图1是建库前水文站水位流量关系。
图2是水库蓄水后水文站的水位流量关系图。
图3是LSTM基于42.5m库水位得到的水位顶托量和水动力模型MIKE得到的水位顶托量对比图。
图4是水库蓄水顶托作用下的水文站水位流量关系重构方法的流程图。
具体实施方式
下面结合具体实施方式对本专利的技术方案作进一步详细地说明。
请参阅图4，本发明实施例提供了一种水库蓄水顶托作用下的水文站水位流量关系重构方法，所述方法包括以下步骤：
步骤S1:收集水库建设前后水文站实测水位流量数据以及建库后水库水位数据，计算建库后水文站的水位顶托量，并确定与及对应的水文站流量及水库水位；
步骤S2：采用深度学习模型拟合建库后的水文站水位顶托量、流量以及水库水位三者对应的关系，建立水文站顶托量回归模型；固定某一水库水位，输入系列预设的水文站流量，基于水文站顶托量回归模型，获取相应系列水文站顶托量数据，同时建立水动力模型，模拟获得同一固定水库水位下，以系列预设的水位站流量作为边界的水文站水位，并计算水位顶托量，对比回归模型水位顶托量与水动力模型模拟的对应水位顶托量，验证回归模型水位顶托量精度；
步骤S3：预设不同的水库水位，以系列水文站流量数据为输入，基于验证好的深度学习水位顶托量回归模型获取不同水库水位下的系列水文站顶托量数据，进而重构水库蓄水顶托作用下水文站水位流量关系曲线簇。
本实施例的，步骤S1中进行水库建设后的水文站水位顶托量计算时，首先利用建库前水文站的实测水位流量数据绘制水文站未受水库顶托影响的正常水位流量关系曲线，获得其水位流量关系，假设其关系满足式（1）：
式（1）：；
其中，为建库前水文站的水位，为建库前水文站的流量，为建 库前水文站水位和流量的对应函数关系；
假设建库后的水文站水位为，流量为，其对应的水库水位为， 则建库后水文站的水位顶托量表示为式（2）：
式（2）：；
根据式（1）和式（2），获得水库建设后一一对应的水文站水位顶托量和流量。
本实施例的，在步骤S2中，进行水库建设后的水文站水位顶托量、流量以及水库水位三者关系建立时，采用的深度学习模型为长短时记忆网络 LSTM，假设利用LSTM拟合得到的三者的回归模型表示为式（3）：
式（3）：；
其中，为通过深度学习模型LSTM建立的水库建设后水文站顶托量和水 文站流量以及水库水位之间的函数关系；
预设某一水库水位值，然后预设一系列建库后的水文站流量数据，将预设的系列流量代入回归模型式（3）中，得到基于深度学习回归 模型生成的在水库水位为下的系列水文站水位顶托量；
采用水动力模型MIKE21建立包含目标水库和水文站所处河段的水动力模型，其中 以目标水库所处位置为模型下边界，以水文站所处位置为上边界，利用历史实测水文资料 率定好水动力模型后，保持水动力模型下边界为水库的预设水位值，然后将预设一系 列建库后的水文站流量数据作为水动力模型的上边输入流量，运行 水动力模型k次，得到基于水动力模型模拟得到的在水库水位为下的系列水文站水位 顶托量；
水动力模型是基于河段的真实地形以及水流运动的真实水动力过程建立的模型， 因此其模拟的不同流量下对应的水文站水位可以用来评价深度学习回归模型生成的水文 站水位顶托量结果可信度，对比水动力模型模拟的水文站水位顶托量 和深度学习回归模型得到的水文站水位顶托量，利用拟合优度R2和纳什 系数NSE评价深度学习回归模型生成的水文站水位顶托量数据质量，拟合优度R2和纳什系 数NSE的计算公式如式（4）和式（5）所示：
式（4）：；
式（5）：；
其中，为深度学习回归模型生成的第i个流量下的水文站水位顶托量 值，为水动力模型模拟得到第i个流量边界下的水文站水位顶托量值， 为深度学习回归模型生成水文站水位顶托量的平均值，为水动力模型模拟得到的 水文站水位顶托量的平均值。
本实施例的，在步骤3中，进行水库蓄水顶托作用下水文站水位流量关系曲线重构 时，设置系列水库水位值,然后基于步骤（2）中获得的水文 站水位顶托量回归模型获得各水库水位下不同流量对应的水文站水位顶托量，例如第j个 水库水位值在预设的系列流量下基于水位顶托量回归模型获 得的对应水文站水位顶托量为，水库水位为时的水位顶托量和流 量关系即表示为式（6）,水位顶托量加上水文站流量对应于建库前的水位，即为建库后的水 文站的水位值，其计算公式如式（7）所示：
式（6）：；
式（7）：；
其中，为建库后水库水位为时的水文站流量，为对应流量基于 回归模型生成的水文站水位，表示水库水位为条件下的水文站水位顶托量和水文 站流量关系，为建库后预设流量下的水文站水位，f为建库前的水位流量关系曲线；
基于回归模型获得的不同水库水位下水文站的水位顶托量和流量序列，根据式（6）和式（7）计算实现不同水库水位下水文站水位流量关系曲线的重构。
为了便于本领域技术人员更好地理解本发明技术方案，给出本发明具体实施例如下：
本发明实施例具体提供了一种水库蓄水顶托作用下的水文站水位流量关系重构方法，包括以下步骤：
（1）选取某水库上游水文站为研究站点，收集2014年水库蓄水前后水文站的实测水位流量数据，根据2005~2014年建库前水文站的实测水位流量数据绘制水文站未受水库顶托影响的正常水位流量关系曲线，并根据式（1）确定水库蓄水前水文站的水位流量关系：
式（1）：；
式中，为建库前水文站的水位，为建库前水文站的流量，为建 库前水文站水位和流量的对应函数关系。构建的水库蓄水前水位流量关系具体如图1所示。
水库蓄水后，水库的顶托作用会影响到水文站的水位流量关系，2014年某水库蓄水以后2014年~2020年逐日的水位流量关系点绘图如图2所示。从图2中可以看出，水库蓄水后严重影响了上游水文站的水位流量关系，并且表现出明显的非线性关系，常规的拟合手段无法获得水库顶托作用下的水文站水位流量关系。
（2）根据建库后的水文站流量，基于图2查出其对应的水库顶托作用下的水文站水 位，然后在采用相同的水文站流量，基于图1查出其对应的未建水库时的水文站水 位，水文站建库后的水位顶托量即为，并同时确定此时对 应的水库水位。
首先采用归一化方法将2014年~2020年水库建设蓄水后的水文站顶托量、水 文站流量以及水库水位归一化至区间[0,1]，然后利用深度学习模型LSTM拟合三者之 间的关系，在训练过程中不断调整参数获得最优的水文站顶托量、水文站流量和水库 水位拟合结果。并采用NSE和R2进行拟合精度结果评价，深度学习模型的主要参数设 置情况如表1所示。
经过模型参数的调试，最终水库蓄水后的水文站顶托量和来流流量以及水 库水位的拟合关系中，精度指标NSE和R2分别为0.9684和0.9512，拟合精度较好，表明 LSTM模型能够很好的学习水文站顶托量、水文站流量以及水库水位之间的关系。
表1深度学习模型LSTM参数取值
（3）给定某一水库水位值，然后人为给定一系列建库后的水文站流量数据，将给定的系列流量代入训练好的LSTM模型中，得到基于深度学习 回归模型生成的在水库水位为下的系列水文站水位顶托量。
采用水动力模型MIKE21建立包含目标水库和水文站所处河段的水动力模型，其中 以目标水库所处位置为模型下边界，以水文站所处位置为上边界，利用历史实测水文资料 率定好水动力模型后。保持水动力模型下边界为水库的给定水位值，然后将人为给定 一系列建库后的水文站流量数据作为水动力模型的上边输入流量， 运行水动力模型k次，得到基于水动力模型模拟得到的在水库水位为下的系列水文站 水位顶托量。
基于深度学习模型LSTM得到的水库水位为下的系列水文站水位顶托量和基于水动力模型得到的某一水库水位为下的系列水文站水位 顶托量的对比图如图3所示。从图中可以看出，利用LSTM模型获得水库 蓄水后某一水库水位下的水文站不同流量对应的水位顶托量与水动力模型模拟的水文站 不同流量对应的水位顶托量拟合度较高，R2可达0.9611，水动力模型模拟的结果能够较好 的表征水文站真实的水位流量在水库顶托作用下的变化过程，而在实际情况中，此类监测 数据显著缺乏，即获取某一水库库水位对应的上游水文站水位流量数据量很小，因为水库 水位是动态变化的，实际监测无法满足在同一水库水位下获取水文站不同的流量水位数 据，而水动力模型可以通过模拟获得符合实际情况的同一水库水位下水文站的不同流量及 其对应的水位，但运行时间成本较大。通过图3可以发现，利用水动力模型验证后的深度学 习模型LSTM也能够有效的扩充某一水库水位下的水文站不同流量对应的水位。能够用于水 文站在水库顶托作用下的水位流量关系重构。基于此深度学习模型，即可快速的实现不同 水库水位下水文站的水位流量关系曲线重构。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (1)

1.一种水库蓄水顶托作用下的水文站水位流量关系重构方法，其特征在于，所述方法包括以下步骤：
步骤S1：收集水库建设前后水文站实测水位流量数据以及建库后水库水位数据，计算建库后水文站的水位顶托量，并确定与及对应的水文站流量及水库水位；
步骤S2：采用深度学习模型拟合建库后的水文站水位顶托量、流量以及水库水位三者对应的关系，建立水文站顶托量回归模型；固定某一水库水位，输入系列预设的水文站流量，基于水文站顶托量回归模型，获取相应系列水文站顶托量数据，同时建立水动力模型，模拟获得同一固定水库水位下，以系列预设的水位站流量作为边界的水文站水位，并计算水位顶托量，对比回归模型水位顶托量与水动力模型模拟的对应水位顶托量，验证回归模型水位顶托量精度；
步骤S3：预设不同的水库水位，以系列水文站流量数据为输入，基于验证好的深度学习水位顶托量回归模型获取不同水库水位下的系列水文站顶托量数据，进而重构水库蓄水顶托作用下水文站水位流量关系曲线簇；
步骤S1中进行水库建设后的水文站水位顶托量计算时，首先利用建库前水文站的实测水位流量数据绘制水文站未受水库顶托影响的正常水位流量关系曲线，获得其水位流量关系，假设其关系满足式(1)：
式(1)：y建库前＝f(x建库前)；
其中，y建库前为建库前水文站的水位，x建库前为建库前水文站的流量，f(·)为建库前水文站水位和流量的对应函数关系；
假设建库后的水文站水位为y建库后，流量为x建库后，则建库后水文站的水位顶托量y顶托表示为式(2)：
式(2)：y顶托＝y建库后-f(x建库后)；
根据式(1)和式(2)，获得水库建设后水文站一一对应的流量x建库后和水位顶托量y顶托；
在步骤S2中，进行水库建设后的水文站水位顶托量y顶托、流量x建库后以及水库水位wl水库三者关系建立时，采用的深度学习模型为长短时记忆网络LSTM，利用LSTM拟合得到的三者的回归模型表示为式(3)：
式(3)：y顶托＝g(x建库后，wl水库)；
其中，g(.)为通过深度学习模型LSTM建立的水库建设后水文站顶托量y顶托和水文站流量x建库后以及水库水位wl水库之间的函数关系；
预设某一水库水位值然后预设一系列建库后的水文站流量数据将预设的系列流量代入回归模型式(3)中，得到基于深度学习回归模型生成的在水库水位为/>下的系列水文站水位顶托量采用水动力模型MIKE21建立包含目标水库和水文站所处河段的水动力模型，其中以目标水库所处位置为模型下边界，以水文站所处位置为上边界，利用历史实测水文资料率定好水动力模型后，保持水动力模型下边界为水库的预设水位值然后将预设一系列建库后的水文站流量数据/>作为水动力模型的上边输入流量，运行水动力模型k次，得到基于水动力模型模拟得到的在水库水位为/>下的系列水文站水位顶托量/>
对比水动力模型模拟的水文站水位顶托量和深度学习回归模型得到的水文站水位顶托量/>利用拟合优度R2和纳什系数NSE评价深度学习回归模型生成的水文站水位顶托量数据质量，拟合优度R2和纳什系数NSE的计算公式如式(4)和式(5)所示：
式(4)：
式(5)：
其中，为深度学习回归模型生成的第i个流量/>下的水文站水位顶托量值，/>为水动力模型模拟得到第i个流量边界下/>的水文站水位顶托量值，为深度学习回归模型生成水文站水位顶托量的平均值，/>为水动力模型模拟得到的水文站水位顶托量的平均值；
在步骤3中，进行水库蓄水顶托作用下水文站水位流量关系曲线重构时，设置系列水库水位值然后基于步骤(2)中获得的水文站水位顶托量回归模型获得各水库水位下不同流量对应的水文站水位顶托量，第j个水库水位值在预设的系列流量/>下基于水位顶托量回归模型获得的对应水文站水位顶托量为/>水库水位为/>时的水位顶托量和流量关系即表示为式(6),水位顶托量加上水文站流量对应于建库前的水位，即为建库后的水文站的水位值，其计算公式如式(7)所示：
式(6)：
式(7)：
其中，为建库后水库水位为/>时的水文站流量，/>为对应流量基于回归模型生成的水文站水位，fj表示水库水位为/>条件下的水文站水位顶托量和水文站流量关系，/>为建库后预设流量下的水文站水位，f为建库前的水位流量关系曲线；
基于回归模型获得的不同水库水位下水文站的水位顶托量和流量序列，根据式(6)和式(7)计算实现不同水库水位下水文站水位流量关系曲线的重构。
CN202410104192.4A 2024-01-25 2024-01-25 一种水库蓄水顶托作用下的水文站水位流量关系重构方法 Active CN117634321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410104192.4A CN117634321B (zh) 2024-01-25 2024-01-25 一种水库蓄水顶托作用下的水文站水位流量关系重构方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410104192.4A CN117634321B (zh) 2024-01-25 2024-01-25 一种水库蓄水顶托作用下的水文站水位流量关系重构方法

Publications (2)

Publication Number Publication Date
CN117634321A CN117634321A (zh) 2024-03-01
CN117634321B true CN117634321B (zh) 2024-04-26

Family

ID=90025533

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410104192.4A Active CN117634321B (zh) 2024-01-25 2024-01-25 一种水库蓄水顶托作用下的水文站水位流量关系重构方法

Country Status (1)

Country Link
CN (1) CN117634321B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112287301A (zh) * 2020-10-29 2021-01-29 东莞理工学院 一种基于全球水文模型的全球尺度水力发电能力的评估方法
WO2021129039A1 (zh) * 2019-12-25 2021-07-01 华中科技大学 一种跨水库流域河道径流演算方法和系统
CN115099500A (zh) * 2022-06-29 2022-09-23 黄河水利职业技术学院 基于权重修正和drsn-lstm模型的水位预测方法
CN115310362A (zh) * 2022-08-16 2022-11-08 长江航道勘察设计院(武汉)有限公司 一种基于深度学习的航道内无站点处水位预报方法
CN115983483A (zh) * 2023-01-06 2023-04-18 长江水利委员会长江科学院 耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法
CN116502775A (zh) * 2023-06-27 2023-07-28 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) 一种水文序列增强及预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6889141B2 (en) * 2003-01-10 2005-05-03 Weimin Li Method and system to flexibly calculate hydraulics and hydrology of watersheds automatically

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021129039A1 (zh) * 2019-12-25 2021-07-01 华中科技大学 一种跨水库流域河道径流演算方法和系统
CN112287301A (zh) * 2020-10-29 2021-01-29 东莞理工学院 一种基于全球水文模型的全球尺度水力发电能力的评估方法
CN115099500A (zh) * 2022-06-29 2022-09-23 黄河水利职业技术学院 基于权重修正和drsn-lstm模型的水位预测方法
CN115310362A (zh) * 2022-08-16 2022-11-08 长江航道勘察设计院(武汉)有限公司 一种基于深度学习的航道内无站点处水位预报方法
CN115983483A (zh) * 2023-01-06 2023-04-18 长江水利委员会长江科学院 耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法
CN116502775A (zh) * 2023-06-27 2023-07-28 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) 一种水文序列增强及预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
华小军 ; 汪芸 ; 刘志武 ; .多河流顶托情况下水库下游水位计算方法探讨.人民长江.2016,(07),全文. *
陈学秋 ; 瞿思敏 ; 李代华 ; 石朋 ; 王轶凡 ; 单帅 ; 勾建峰 ; .富春江入库控制断面水位计算方法研究及误差分析.中国农村水利水电.2018,(02),全文. *
高耶 ; 孙亚飞 ; 赵静飞 ; 江国红 ; 蔡健平 ; .水工程回水顶托对水位流量关系的影响.湖南水利水电.2016,(03),全文. *

Also Published As

Publication number Publication date
CN117634321A (zh) 2024-03-01

Similar Documents

Publication Publication Date Title
Dottori et al. A dynamic rating curve approach to indirect discharge measurement
Skaugen et al. A rainfall‐runoff model parameterized from GIS and runoff data
CN103279671A (zh) 基于rbf神经网络-云模型的城市水灾害风险预测方法
CN112307536B (zh) 一种大坝渗流参数反演方法
CN116502775B (zh) 一种水文序列增强及预测方法
CN115659729A (zh) 一种基于结构仿真计算的大坝安全监测分析方法及系统
CN115526108B (zh) 一种基于多源监测数据的滑坡稳定性智能动态预测方法
CN114611832B (zh) 一种基于贝叶斯多模型集对分析的海水入侵预测方法
CN112287299A (zh) 河流健康变化定量归因方法、装置及系统
CN115455867A (zh) 基于回归分析的坝区流态的推求方法
CN115792150A (zh) 基于海上抽水试验的潮汐水文地质参数获取方法
CN114819322A (zh) 湖泊入湖流量的预报方法
Yu et al. Impact of climate change on hydrological processes over a basin scale in northern Taiwan
CN114492984A (zh) 粉尘浓度的时空分布预测方法、装置、设备和存储介质
CN117634321B (zh) 一种水库蓄水顶托作用下的水文站水位流量关系重构方法
CN117648878A (zh) 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法
CN114757049A (zh) 流域污水处理厂提标改造的必要性分析验证方法
CN112464552B (zh) 一种适用于地下水封储油库渗流场时序预测方法及系统
CN114693022A (zh) 一种基于深度学习的分布式光伏出力估算方法及系统
CN114154686A (zh) 一种基于集成学习的大坝变形预测方法
Javadi et al. Evaluation and Simulation of Groundwater Flow in Aquifers Enclosed With Desert Saline Areas (Case Study: Isfahan Province-Ardestan Aquifer)
CN113868223A (zh) 水质监测方法、装置、系统和可读存储介质
CN113077110A (zh) 一种基于gru的调和残差分段式潮位预测方法
Mediero et al. Improving probabilistic flood forecasting through a data assimilation scheme based on genetic programming
Wang et al. Simulation of long-term morphological development in the Western Scheldt

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