基于長歷時互相關性的白石水庫水沙預測及適應性調度策略

吳占華

(凌源市水土保持局，遼寧 朝陽 122500)

1 工程簡介

白石水庫始建于2009年，壩址位于遼寧省北票市大凌河干流上，是一座以供水為主，兼具發電、旅游、養殖的大型水利樞紐工程[1]。水庫控制流域面積17649km2，占大凌河流域面積的76%，水庫正常蓄水位為126m，總庫容為16.45億m3。水庫建成后可以使下游地區的防洪標準由原來的20a一遇提高到50a一遇，同時每年可以向下游的阜新和錦州等城市提供生產生活用水2億m3。白石水庫的防洪設計標準為100a一遇，下瀉流量為2675m3/s，校核標準為1 000a一遇，下瀉流量為3814m3/s。白石水庫所在的大凌河流域屬于寒溫帶大陸性氣候，降雨的年際變化較大，最大年降雨量為1053mm，最小年降雨量為345mm；夏季降雨較多，其中7、8兩月的降雨量占全年的4成左右。大凌河是遼寧省西部的第一大河流，流經遼寧省朝陽市5縣1市2區，在錦縣東南注入遼東灣。大凌河全長397.2km，流域面積2.35萬km2，平年均徑流量約16.67億m3[2]。流域內年平均降雨量450-610mm，降雨多集中于7、8兩月，同時，河流的上中游氣候干旱，多荒山丘陵，水土流失比較嚴重。因此，大凌河含沙量可達57kg/m3，屬于高含沙河流。因此，加強白石水庫水沙聯合調度具有重要的理論意義和實踐價值，可以為水庫水沙調度風險管理提供依據。

2 基于長歷時互相關性的水沙預測模型

2.1 改進BP神經網絡

BP神經網絡是由Rinehart和McClelland提出的，按照誤差逆傳播算法進行訓練的多層前饋網絡，是人工神經網絡體系中的精華部分。由于BP神經網絡具有十分強大的運算能力，因此在理論研究和實踐中均獲得十分廣泛的應用。BP神經網絡的拓撲結構可以分為輸入層(input)、隱層(hide layer)和輸出層(output layer)三層。雖然BP神經網絡是一種精確、快速的預測模型，但是也存在一些缺點，主要是學習過程中沒有能力解釋自己的推理過程，同時過擬合現象，影響研究成果的實際應用價值[3]。鑒于BP神經網絡的上述缺陷，近年來提出了名為Dropout 的方法，可以有效解決過擬合問題。其基本原理是在訓練迭代過程中Dropout可以隨機選擇幾個節點進行“凍結”處理，并在下一次迭代過程中作為輸入值，基本Dropout 方法將節點凍結率設定在了50%。這種方式不僅可以保證每次迭代過程的變化，同時又可以保留基本結構特征，進而避免過擬合情況。在本次研究中，將改進BP神經網絡用于水沙預測模型的構建。對于預測結果，研究中采用NSE(納什效率系數)作為水沙預測精度標準，其計算公式如下：

(1)

2.2 長歷時互相關性在預測模型中的應用

建立起基于BP神經網的白石水庫入庫徑流量預測模型，并以2016年5月-2016年10月的歷史數據輸入模型。在以前n天的數據輸入時，可以獲得模型的NSE值與n之間的關系，結果顯示，NSE值隨著n值的增大而增大，并在n=7時達到最大，為0.7054，之后逐步減小。因此，雖然入庫徑流量具有長歷時相關特征，但是超過7d的數據對提高預測精度不利，因此預測模型最好輸入前7d的歷史數據。同樣，建立起基于BP神經網的白石水庫入庫徑流含沙量預測模型，并以2016年10月的歷史數據輸入模型。在以前n天的數據輸入時，可以獲得模型的NSE值與n之間的關系，結果顯示，NSE值隨著n值的變化特征與徑流量預測模型類似，在n=4時達到最大，為0.6643，因此含沙量預測模型最好輸入前4d的歷史數據。

2.3 建立基于長歷時互相關性的水沙預測模型

相關研究成果顯示，水沙序列之間具有長歷時互相關性，也就是河流的徑流序列以及含沙序列不僅在長歷時過程中具有對自身的當前與未來的長期記憶，相互之間也具有顯著的影響。所以，過去的徑流量與含沙量歷史過程，對未來的含沙量和徑流量模擬均具有較好的參考價值。因此，在徑流量的預測模型中，可以將含沙量作為重要的輸入因子，利用兩者之間的長歷時互相關性提高模型的預測精度，對含沙量預測模型也是如此。

根據前文獲得的最佳n值，將其涵蓋范圍內的歷史數據作為模型的輸入因子進行預測，獲得如表1所示的徑流量與含沙量預測結果的NSE值。由表中結果可知，在加入另一變量后，徑流量和含沙量預測模型的NSE值均有所提升，說明基于長歷時互相關性的模型具有更好的預測效果。

表1 基于長歷時互相關性的預測模型NSE值

根據表1中顯示的最好預測模型，也就是前3天的徑流量和前4天的含沙量，構建水沙預測模型，并利用Levenberg-Marquardt 法進行訓練，在訓練10000次之后的預測結果如圖1和表2所示。結果顯示，基于互相關性的模型預測結果與實際結果的擬合度更高，而模型的合格率由不考慮互相關性模型的74.3%提高到 86.2%，NSE值也由0.6742 提高到 0.8321，具有更高的可信度。

圖1 含沙量預測模型預測效果對比

預測模型考慮互相關性不考慮互相關性誤差/%9.8713.74合格率/%86.274.3NSE值0.83210.6742

3 白石水庫水沙預測及適應性調度策略

3.1 庫區沖淤模型變量關系

利用上節構建的基于長歷時互相關性的白石水庫水沙預測模型以及郭維東等關于白石水庫洪水過程泥沙沖淤數值模擬分析的相關研究成果，對白石水庫在不同水位、流量條件下的庫區一日內淤積情況進行模擬研究，獲得各個變量之間存在的如下規律：

1)當白石水庫庫區水位低于118.0m時，主要表現為沖刷，并且沖刷量會隨著流量的增大而增大；當庫水位高于118.0m時，庫區主要表現為淤積，并且淤積量會隨著流量的增大而增大[4]。

2)當入庫流量>1250m3/s時，如果庫水位低于118.0m，可以通過增大下瀉流量至850m3/s避免庫區淤積；如果庫水位高于120.0m，無論如何調整下瀉流量，均會產生比較嚴重的淤積。因此，如果入庫流量較大，應該適當降低庫水位。

3) 當入庫流量>850m3/s時，無論以何種水位運行，均不會產生比較嚴重的淤積。從提高水庫效益出發，可以保持高水位運行。

4)如果庫水位低于115.0m，當下瀉流量>1250m3/s時，可以獲得良好的沖沙效果。

3.2 白石水庫適應性調度策略

根據上文研究獲得的基于長歷時互相關性水沙預測模型以及庫區一日沖淤變量關系，文章在一年內的月、旬時間尺度下提出具體的適應性調度策略：

1)大凌河在每年的3月中旬開始進入春汛期，徑流量明顯增大但是含沙量較小，從4月上旬開始，徑流量明顯減小但是含沙量增大?？傮w來看，這一時期徑流量不大且含沙量低，提高庫水位不會造成水庫嚴重淤積，可以保持高水位運行提高水庫的效益。

2)4月至6月白水水庫的入庫徑流量較小，此時的水位高低與庫區淤積關系不大，因此可保持高水位運行。在保證水庫水位的條件下，可以視上游來水情況適當加大下瀉流量，保持下游河道的良好生態環境。

3)7月至8月為大凌河的主汛期，流域內多短時強降雨，入庫流量的波動性較大，且伴隨著高含沙水流。因此，當出現>1250m3/s的入庫流量時，建議降低庫水位防止庫區產生比較嚴重的淤積；如果此時恰好處于沖沙水位，則應當將下瀉流量加大至1250m3/s以上，以便達到良好的沖沙效果。

4)白石水庫在8月下旬開始流量逐步減小，流量不會>1250m3/s。同時，8月下旬至10月上旬屬于汛末階段，應當在保證下游生態流量的前提下積極抬高庫水位蓄水，以最大限度發揮水庫的綜合效益。

4 結 論

水沙預測是水庫調度研究的重要的內容，精準度高的水沙預測模型對提高水庫調度的科學性，提升水庫綜合效益具有重要價值。文章以遼寧省白石水庫為例，利用BP神經網絡建立起基于長歷時互相關性的水沙預測模型，進行了白石水庫水沙預測及適應性調度策略研究，并獲得如下主要結論：

1)將徑流量7d、含沙量4d作為輸入因子可以提高各自預測模型的預測精度，超過這一范圍預測精度反而會降低。

2) 在徑流量的預測模型中，可以將含沙量作為重要的輸入因子，利用兩者之間的長歷時互相關性提高模型的預測精度，對含沙量預測模型也是如此，徑流量和含沙量預測模型的NSE值計算結果也印證了上述結論。

3)以長歷時互相關性水沙預測模型為支持，獲取白石水庫一日水沙信息和庫區沖淤模型變量關系，并以此為指導提出相應的適應性調度策略。