基于上游降雨格局變化的水庫水位變化預測

夏力哈爾·俄坦

(新疆伊犁河流域開發建設管理局，新疆 伊犁 835000)

1 概 述

洪水屬于一種后果嚴重的緊急災害，需要決策者給予重點關注并迅速作出決策，以降低洪水風險并減少生命財產損失[1]。在中國某些地域，洪水是持續極端降雨事件造成的災難之一[2]。學者們為降低洪水風險做了許多努力，現行被世界廣泛所接受并使用的抗洪手段是建造水庫[3]。在洪水發生時，何時將水庫放水與釋放水量的多少是水庫運行中的一項關鍵決策[4]。

通常，水庫放水決定由一些專家所作出。這些決定是基于他們過去的經驗、當前水庫水位和上游來水量。通過上游降雨量和河流水位的大小來觀察上游流入量。總降雨量可能來自幾個測量站在總降雨歷時中所觀測到的數據，它們到水庫的距離各不相同。因此，這些測站觀測到的降雨形成徑流后可能需要不同的時間才能到達水庫。溢洪道閘門用作庫水的出口，一些水庫配有無閘門溢洪道，而另一些則有兩種類型的溢洪道。此外，作出放水的決定也會對大壩結構受損造成風險。人工神經網絡已經被許多學科所接受，前人的研究表明它適用于解決水文問題[5]。本文研究了用人工神經網絡建立水庫洪水預報模型。通過對洪水分期的預測，可以提前作出早期放水決策。洪水水位與水庫水位相關，分為正常、警戒、警告和危險4類。將上游降雨量和降雨類別用作輸入數據集，代入模型求解。數據準備將在方法部分進一步討論，結果和討論將在后續章節中介紹。

2 過往研究

以往的一些工作已經對幾種預測水庫水位的方法進行了研究，如人工神經網絡、自適應神經模糊推理系統、支持向量機(SVM)和自回歸綜合移動平均線法(ARIMA)。先前的研究比較了SVM和ANFIS模型的性能，根據統計評估，ANFIS模型的表現優于SVM模型。同時，一些學者使用人工神經網絡預測水位，并將結果與ARIMA進行了比較，結果表明人工神經網絡產生了更好的預測效果。因此，認為人工神經網絡在這些方法中表現最好，預測精度最高。人工神經網絡在后來的一些研究中被當作核心技術應用，并且大多數研究集中于多用途水庫。有時，多用途水庫的調洪功能與其他功能相沖突，在這種情況下，必須采取排澇手段以降低洪水風險，但何時將水庫放水與釋放水量的多少是水庫運行中的一項關鍵決策。

3 研究區概況

本文以新疆某水電站為例，水電站大壩后地面廠房內共安裝4臺單機容量80 MW的混流式水輪發電機，總裝機容量320 MW。水庫總蓄水16.94×108m3，電站裝機320 MW，是一座以灌溉為主，兼有發電、防洪等綜合效益的不完全多年調節水庫。工程由攔河壩、表孔泄洪洞、中孔泄洪洞、深孔排沙放空洞、發電引水系統、電站廠房、開關站等建筑物組成。除了減輕洪水之外，水庫還有其他用途，如供水、灌溉、調蓄、維持生態系統等。水庫系統可簡單分為4個部分：上游、水庫、溢洪道閘門和下游，見圖1。上游是水庫的水源或入流來源，由計量站和水文站記錄上游水文數據。在水被釋放到下游水道之前，從各個來源流入的水在水庫中混合。

圖1 水庫系統的概念模型

4 研究方法

4.1 人工神經網絡簡介

人工神經網絡(Artificial Neural Network，簡稱ANN)，是20世紀80 年代以來人工智能領域興起的研究熱點。它按不同的連接方式連接一些簡單的模型，抽象化人腦中的神經元網絡，并從信息的角度對其進行處理，從而組成不同的網絡。神經網絡或類神經網絡是工程領域對其的普遍稱呼。神經網絡是一種數學運算模型，其中存在大量的節點，每個節點代表一種稱為激勵函數(activation function)的特定輸出函數，整個網絡通過節點與節點之間相互聯系而形成。每兩個節點間都存在一個加權值，其代表一個對于通過該連接信號的權重，神經網絡求解的手段是對自然界某種算法或者函數的逼近，或是對一種邏輯的表達。該方法具有以下優點：①具有類似人腦的自我學習功能。例如，將不同的圖片或者信息輸入算法，再將這些元素各自對應的識別結果也輸入模型中，網絡就會通過自學習功能，慢慢學會識別類似的元素，對于預測來說，自我學習功能有特別重要的意義。人工神經網絡計算能為人類提供效益預測、水文預測等便利，其應用前途是很遠大的。②具有聯想存儲功能。這種聯想功能可以通過人工神經網絡的反饋網絡實現。③具有高速尋找優化解的能力。常規方法對解決復雜問題求解過程中計算量往往很大，人工神經網絡可以發揮計算機的高速運算能力，可能很快找到優化解。

4.2 數據來源和方法

水庫受上游入流的影響，其放水的決策由水庫管理者作出。在本研究中，2008-2018年水庫的上游降雨量數據來自《新疆維吾爾自治區水文年鑒》。降雨量的數據是從5個上游測量站收集的，將其編號為測站1、測站2、測站3、測站4和測站5。統計降雨量數據形成3個數據集。每個數據集都有不同的輸入模式，但目標相同，即表達洪水階段。表1為4種不同類型的洪水危急情況，即正常、警報、警告和危險。

表1 水庫水位洪水危急情況

在數據集1中，降雨模式是根據降雨量(RV)的變化確定的，其中rt代表當前降雨量，而rt-1代表上一個時段的降雨量。在數據集2中，根據降雨量的多少分為5類降雨類別：無、輕、中、重和非常重，具體參見表2。

表2 降雨類別

降雨模式是根據降雨類別(RC)的變化確定的，其中ct代表當前的降雨類別，而ct-1代表上一個時段的降雨類別。在數據集3中，降雨量和降雨量類別的變化都用作基礎數據輸入。而表3給出了每個數據集獲得的實例數量，其中每個數據集的實例數是在刪除沖突數據后獲得的。

表3 各數據集的實例數量

5 結果和討論

本文使用帶有偏差、學習率和動量的標準反向傳播神經網絡模型進行預測。表2中的降雨模式被用作輸入參數，計算目標是水庫的洪水階段。每個模型都用隱藏單元、學習率和動量的不同組合進行訓練。該過程的目的是獲得最佳結果的組合。通過使用平均絕對誤差(MAE)和均方根誤差(RMSE)來測量模型的性能。這兩種誤差衡量手段都是用于測量連續變量精度最常見的度量標準。

表4為訓練和測試過程后每個數據集的結果。

由表4可知，數據集3的預測結果為水庫水位預測模型的最佳值。雖然該數據集構建模型所需的時間比其他兩個模型長，但幾秒的模型構建時間對一個長期的洪水過程來說顯得微不足道。從表4中可以看出，數據集3的均方根誤差為0.644 8，平均絕對誤差為0.519 1，均表現出較數據集1和數據集2的優越性。神經網絡中每個參數的值見表5。

表4 訓練和測試過程后每個數據集的結果

表5 神經網絡運行參數結果

由表5中可知，從隱藏單元、學習率和動量這3個關鍵性的參數可以看出，數據集3的模型模擬情況產生了令人滿意的結果。此外，數據集3反映了模型中考慮的信息越多，精度越高的特點。圖2為數據集3的人工神經網絡體系結構，其中C代表降雨量；R代表降雨模式。

圖2 數據集3的神經網絡模型

6 結 論

在本研究中，將人工神經網絡應用于開發水庫洪水預報模型，創建并測試了3個數據集。與其他數據集相比，代表上游降雨模式及其變化的數據集3產生了更好的結果，這表明模式信息的變化對水庫放水決策至關重要。為了減少洪水對下游地區的影響，早期放水決策至關重要。這一結論可作為水庫決策者在制定計劃時的參考。同時，水庫應保持其有一定的蓄水量，以滿足其他目的。本文所提出的預測模型可用于指導水庫調度人員作出決策。