基于BP神經網絡的尼爾基水庫短期洪水預報研究

劉 濤，孟凡龍，胡寶軍

(嫩江尼爾基水利水電有限責任公司，黑龍江齊齊哈爾161005)

洪水通常是指由暴雨、急驟融冰化雪、風暴潮等自然因素引起的江河湖海水量迅速增加或水位迅猛上漲的水流現象。對水庫而言，洪水一方面讓水庫有機會增加其供水、灌溉、發電等效益;另一方面，它也給水庫帶來了挑戰，加大水庫的防洪壓力，并威脅水利樞紐的安全。

通過及時準確的洪水預報，對水庫來水進行預蓄預泄的預報調度，能解決上述2方面的矛盾，合理利用洪水，實現效益最大化。

洪水預報是預報調度的前提，其及時性和準確性的高低直接影響調度結果的成敗。及時準確的洪水預報在防洪搶險、保證工農業安全生產、充分利用水能水資源方面都有很大的作用。因此，積極開展水庫洪水預報的研究具有重要的理論價值及現實意義。

本文研究了尼爾基水利樞紐的短期洪水預報，利用人工神經網絡的BP模型，在MATLAB平臺上，由當前尼爾基以上嫩江干流控制站庫漠屯站，及甘河控制站柳家屯站和科洛河控制站科后站三站實時流量值(以下稱“三站”)，預測未來24 h尼爾基水庫的入庫流量值(取阿彥淺站的流量值)。預見期為24 h。

1 流域概況

尼爾基水利樞紐位于嫩江干流的中游，在阿彥淺水文站下游32 km處的尼爾基鎮。壩址以上集水面積66 382 km2，占嫩江總流域面積的22.4%，多年平均徑流量104.7億m3，占嫩江流域的45.7%。

尼爾基水利樞紐控制流域屬北溫帶季風氣候，冬季寒冷干燥，歷時長;夏季炎熱多雨，春季干燥多風，蒸發量大，溫度低;秋季降溫急驟，歷時短。流域的水汽主要由太平洋供給，進入夏季，太平洋季風把海洋上的暖濕氣團輸送到北方，暖濕氣團向北推進過程中與北方的冷空氣交綏，從而形成大面積的降水。流域多年平均降水量為400～500 mm，上游多于下游，山區多于平原。流域降水年內分配極不均勻，主要集中在6—9月份占年降水量的80%以上，7～8月份雨量集中，占年降水量的50%以上，冬季降水量很少，僅占年降水量的5%以下。

暴雨是形成嫩江流域洪水的主要因素。暴雨多發生在7～8月份，形成暴雨的天氣系統有冷鋒、氣旋、低壓等，其中低壓是嫩江流域的主要天氣系統。一次降雨過程多為3 d左右，主要雨量集中在24 h以內，約占3 d雨量的90%。有時幾個天氣系統接踵而至，可在數10 d內產生多次降雨過程，表現為連綿陰雨天氣，但總降雨量大，從而造成洪水災害。

2 研究資料及方法

2.1 資料選取

此次研究選取的資料是尼爾基水庫入庫控制站阿彥淺站1975—2003年間的56場洪水資料，及對應的上游三站的洪水過程。(2003年以后，阿彥淺站被庫區淹沒，入庫流量實測值缺失，加之反推入庫波動大，因此本次研究只針對2003年以前的徑流資料，詳細數據鑒于篇幅略。)

2.2 預報方法簡介

人工神經網絡也稱為神經網絡，是由大量處理單元(神經元)互連而成的網絡，是對人腦的抽象、簡化和模擬，反映了人腦的基本特性。

按網絡結構和學習算法，人工神經網絡可以分為:單層前向網絡、多層前向網絡、反饋網絡等。

本文選用了多層前向網絡，采用著名的誤差反向傳播算法(BP算法)，在MATLAB(矩陣實驗室)平臺上進行模擬和演算。通過不斷修正相關參數值，使網絡模型達到較好的預測效果，并將其應用于尼爾基水庫短期洪水預報。

2.3 預報模型建立

選取資料中的42場洪水資料建立BP預報模型(其余14場洪水資料用于網絡模型測試)。

輸入層為上游三站的實測流量值。輸出層為24 h后尼爾基水庫入庫控制站阿彥淺的流量值。由于輸入層神經元個數為3，相對較少，隱含層個數設計為1。

模型最終確定為輸入層、單隱含層、輸出層的3層BP神經網絡模型。模型示意圖見圖1。

圖1 BP預報模型示意圖

Input包含 3 個神經元，分別為 Q庫莫屯(t)，Q柳家屯(t)，Q科后(t-24);Output 包 含 1 個 神 經 元，為Q尼爾基(t+24)。其中，

Q尼爾基(t+24)為尼爾基水庫t+24時刻入庫流量;Q庫莫屯(t)為庫漠屯站 t時刻流量;Q柳家屯(t)為柳家屯站t時刻流量;Q科后(t)為科后站t時刻流量。

2.4 模型訓練

模型建立后，并不能立即投入使用，必須經過訓練達到要求后，才能在尼爾基水庫的短期預報中應用。

模型訓練過程是一個不斷調整權值和閾值的過程，通過修正，使模型收斂、實現其輸出誤差逐步減小，以滿足實際應用的要求。

訓練參數主要包含:訓練目標、訓練次數及學習速率等。具體設計見表1。

表1 訓練參數表

參數設置代碼為:

net.train Param.epochs=1000;

net.train Param.goal=0.00024;

LP.lr=0.1

利用訓練函數trainlm的L-M優化算法對網絡模型進行訓練。訓練結果見圖2、圖3。

圖2 網絡訓練進度圖

圖3 網絡訓練成果圖

經過41次訓練，網絡趨穩定，其誤差達到設定要求。網絡的收斂速度較快，說明了輸入輸出間規律性很強，上游三站基本實現對尼爾基水庫入庫流量的控制約束。保存網絡以供測試(保存代碼:save net)。

接下來就需要對訓練穩定的網絡模型進行預報檢驗。

2.5 預報檢驗

預報檢驗采用資料中剩余14場洪水過程及對應上游三站的流量。模型輸入層(Input)為上游三站的流量值，通過已訓練完畢的網絡(網絡調出代碼:load net)，進行運算、預報，在網絡輸出端得出入庫流量的預測值。

預測、實測流量過程線對比見圖4。

圖4 預測、實測流量過程線對比圖

3 精度評定

根據水文情報預報規范相關規定，對洪水預報要素洪峰流量、峰現時間、洪水過程吻合程度進行精度評定。方案各預報要素精度評定結果見表2。

洪水預報要素洪峰流量、峰現時間、洪水過程精度都達到甲級水平，因此，本短期洪水預報方案精度為甲級。

水文情報預報規范規定，洪水預報方案精度達到甲、乙兩個等級者，可用于發布正式預報;方案精度達到丙等者，可用于參考性預報;丙等以下者，只能用于參考性估報。

本方案精度達到甲級，可用于尼爾基水庫實際短期洪水預報。

表2 預報要素評定結果統計表

4 結語

1)利用上游三站的流量，預測24 h后尼爾基水庫入庫流量的神經網絡模型穩定、收斂快，基于該網絡的預報方案達到甲級水平，可用于尼爾基水庫短期洪水預報實際。

2)上游三站的流量跟尼爾基入庫流量間呈非線性關系，BP神經網絡模型很好的實現了對該非線性問題的映射、模擬，同時也有效避開了常規算法繁瑣的數據處理過程。

3)方案模型采用BP學習算法，實現工作信號正向傳播，誤差信號反向傳播，大大提高網絡的適應性，有效提高了尼爾基水庫短期洪水預報精度。

［1］高雋.人工神經網絡原理:第2版［M］.北京:機械出版社，2007.

［2］水利部水利信息中心.SL250—2000水文情報預報規范［S］.北京:中國水利水電出版社，2000.

［3］葛哲學，孫志強.神經網絡理論與MATLAB2007實現［M］.北京:電子工業出版社，2005.