沁水縣水庫(kù)洪水水位及流量智能化預(yù)測(cè)研究

張李拴

(沁水縣水務(wù)局，山西 晉城 048200)

0 引言

隨著氣候變化影響，北方地區(qū)發(fā)生洪澇災(zāi)害的風(fēng)險(xiǎn)性增加。水庫(kù)洪水水位和流量變化對(duì)水利工程的運(yùn)行和管理具有重要影響，準(zhǔn)確預(yù)測(cè)水庫(kù)洪水水位及流量變化是保證水利工程安全和科學(xué)管理的關(guān)鍵。傳統(tǒng)的洪水預(yù)測(cè)方法主要依賴于經(jīng)驗(yàn)公式和數(shù)學(xué)模型，但由于洪水過程的復(fù)雜性和不確定性，傳統(tǒng)方法在預(yù)測(cè)精度和實(shí)時(shí)性方面存在一定局限性。為提高預(yù)測(cè)精度和時(shí)效性，需將創(chuàng)新智能化技術(shù)手段將用于水位及流量監(jiān)測(cè)。

智能化預(yù)測(cè)方法的引入和應(yīng)用，可以有效地提高水庫(kù)洪水預(yù)測(cè)的精度和可靠性[1]。一些研究人員提出了解決應(yīng)用領(lǐng)域中不同問題的新方法[2]。例如用于分類水下電纜圖像的深度卷積神經(jīng)網(wǎng)絡(luò)，用于特征提取和故障檢測(cè)的堆疊自動(dòng)編碼器和長(zhǎng)短期記憶的混合方法，用于維護(hù)優(yōu)化的協(xié)同進(jìn)化多目標(biāo)粒子群優(yōu)化方法[3]。還有學(xué)者研究了使用小波變換來預(yù)測(cè)提前七天進(jìn)入水庫(kù)的每日流量[4]。綜上，利用大數(shù)據(jù)處理和分析技術(shù)、機(jī)器學(xué)習(xí)算法和人工智能等技術(shù)，可以深入挖掘洪水水位及流量的變化規(guī)律與關(guān)聯(lián)因素，建立準(zhǔn)確的預(yù)測(cè)模型。幫助水利工程管理部門合理調(diào)度水位，減少洪水帶來的損失和災(zāi)害。

多數(shù)研究人員都討論了一種新的處理和分類方法，但對(duì)提高數(shù)據(jù)縮減方法準(zhǔn)確性的研究相對(duì)較少[5-7]。為了克服計(jì)算復(fù)雜性，提高預(yù)測(cè)精度。文章提出一種基于神經(jīng)網(wǎng)絡(luò)和小波變換的水庫(kù)流量預(yù)測(cè)組合方法。從小波處理的信號(hào)和數(shù)據(jù)中提取一些特征向量，該步驟降低了算法的復(fù)雜性并提高了準(zhǔn)確性。此外，通過使用這種方法，減少神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)量的特征提取提高了預(yù)測(cè)的準(zhǔn)確性，甚至減少了處理和訓(xùn)練時(shí)間。此外，它還可以使用特定范圍內(nèi)所有數(shù)據(jù)的屬性，這與僅考慮前幾天的引用不同。這種方法側(cè)重于通過提出新的WNN模型并將其應(yīng)用于每日，每周和每月的時(shí)間尺度來提高準(zhǔn)確性并降低水庫(kù)流量預(yù)測(cè)的風(fēng)險(xiǎn)，應(yīng)用每天、每周和每月數(shù)據(jù)，嘗試改進(jìn)短期、中期和長(zhǎng)期水庫(kù)流量的預(yù)測(cè)。文章通過提出的改進(jìn)方法，提供更準(zhǔn)確的工具，幫助決策者規(guī)劃可持續(xù)水資源和防洪。智能化預(yù)測(cè)研究在水資源管理、防洪減災(zāi)、生態(tài)環(huán)境保護(hù)等領(lǐng)域具有廣泛的應(yīng)用價(jià)值，通過準(zhǔn)確預(yù)測(cè)水庫(kù)洪水變化，合理規(guī)劃水資源利用和布局防洪工程。開展張峰水庫(kù)洪水水位及流量智能化預(yù)測(cè)研究具有重要的實(shí)踐意義和理論價(jià)值，能夠?yàn)樗こ坦芾砗蜎Q策提供科學(xué)依據(jù)，推動(dòng)水利工程的智能化發(fā)展。

1 工程概況

沁水縣張峰水庫(kù)所處的流域?yàn)樗Ｋ恿饔颍彩呛楹拥闹Я髑逅拥纳嫌巍Ａ饔蚩偯娣e約為866.8km2，沿河流域分布有部分耕地、林地和草地。流域地勢(shì)較為平緩，海拔在500～1200m之間。在水庫(kù)工程方面，沁水縣張峰水庫(kù)總庫(kù)容為5000萬(wàn)m3，正常蓄水位為780m，死水位為744m。水庫(kù)的主要建筑物包括擋水壩、泄洪道、取水口等。其中擋水壩型式為矮壩土石壩，壩高36m，壩頂寬度為6m，壩身由黏土、填石料和碎石等組成。目前，張峰水庫(kù)在水環(huán)境管理、安全應(yīng)急處置等方面缺乏信息化手段來支撐，缺乏條件可持續(xù)水資源和防洪的技術(shù)手段。需開展智能化預(yù)測(cè)研究應(yīng)用于水資源管理、防洪減災(zāi)、生態(tài)環(huán)境保護(hù)等多個(gè)領(lǐng)域，通過準(zhǔn)確張峰預(yù)測(cè)水庫(kù)洪水變化，合理規(guī)劃水資源利用和布局防洪工程。

2 預(yù)測(cè)模型的建立和算法

2.1 小波神經(jīng)網(wǎng)絡(luò)

基于小波的神經(jīng)網(wǎng)絡(luò)是小波和神經(jīng)網(wǎng)絡(luò)2種理論的結(jié)合，既具有神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)和特征，又具有小波和多尺度分析的靈活性和可靠性。

建立小波神經(jīng)網(wǎng)絡(luò)模型，連續(xù)小波簇計(jì)算式為：

(1)

連續(xù)函數(shù)的小波變換計(jì)算式為：

Wa，b(f)=f(a，b)=(ψa，b(t)，f(t))

(2)

式中，a—擴(kuò)展參數(shù)，與頻率成正比；b—傳輸參數(shù)，與時(shí)間成正比。

2.2 混合小波神經(jīng)網(wǎng)絡(luò)算法

結(jié)合小波理論和徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)是可選非線性函數(shù)預(yù)測(cè)的良好替代方案。RBF隱藏層中具有激活函數(shù)，而在小波神經(jīng)網(wǎng)絡(luò)中，小波函數(shù)被認(rèn)為是RBF網(wǎng)絡(luò)的隱藏層激活函數(shù)。在神經(jīng)網(wǎng)絡(luò)中，傳輸參數(shù)、縮放參數(shù)及其權(quán)重都得到了優(yōu)化。訓(xùn)練和驗(yàn)證WNN的重要步驟如下：①將輸入數(shù)據(jù)分2組用于網(wǎng)絡(luò)訓(xùn)練和測(cè)試；②應(yīng)用適當(dāng)?shù)膫鬟f系數(shù)與尺度函數(shù)后滿足上述條件，將原始波分解為小波；③使用不同類型的小波取代隱藏層神經(jīng)元中的激活函數(shù)；④對(duì)建立的WNN使用網(wǎng)絡(luò)數(shù)據(jù)集的一組數(shù)據(jù)進(jìn)行訓(xùn)練；⑤通過分析驗(yàn)證數(shù)據(jù)檢查小波網(wǎng)絡(luò)的整體性能，以達(dá)到網(wǎng)絡(luò)性能的滿意度結(jié)束訓(xùn)練階段。否則將重復(fù)前面的步驟，直到達(dá)到最佳條件。由輸入層、隱藏層和輸出層組成的混合小波神經(jīng)網(wǎng)絡(luò)布局如圖1所示。

圖1 三層WNN的布局

所提方法的模型結(jié)構(gòu)如圖2所示。

圖2 所提方法結(jié)構(gòu)

共包括3個(gè)主要子模型，分別是小波、特征提取和人工神經(jīng)網(wǎng)絡(luò)模型，其中小波模型的輸出不分解，作為神經(jīng)網(wǎng)絡(luò)模型的輸入應(yīng)用。

混合WNN模型的流程如圖3所示。輸入信號(hào)分解后轉(zhuǎn)換為所需的小波系數(shù)，然后將這些時(shí)間序列中具有不同作用的子集傳遞到下一個(gè)ANN模型，且所有子集都必須作為神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行維護(hù)。

圖3 混合WNN法的流程

混合WNN模型的預(yù)測(cè)流程如下：以410×12矩陣的形式獲得數(shù)據(jù)，輸出為8個(gè)層次進(jìn)行小波分析。從獲得信號(hào)中提取7個(gè)特征向量輸入，以矩陣形式輸出給ANN進(jìn)行調(diào)諧。根據(jù)所提出模型的一系列信號(hào)進(jìn)行不同級(jí)別的小波分析，并從小波輸出中提取一系列特征向量。這種預(yù)測(cè)方法使得數(shù)據(jù)輸入數(shù)量減少，處理速度提高。

3 預(yù)測(cè)結(jié)果分析

本節(jié)分析了提出的新模型在張峰水庫(kù)流量預(yù)測(cè)的應(yīng)用效果。指定了模型的框架及其輸入過程，對(duì)張峰水庫(kù)流量進(jìn)行預(yù)測(cè)。在實(shí)際建模過程中，由于訓(xùn)練數(shù)據(jù)集中包含流量較高，所以時(shí)間序列中零值用0.001代替。皮爾遜相關(guān)系數(shù)的平方值是決策系數(shù)。因此，決策系數(shù)的頻譜在0～1之間。均方根誤差和平均效率方程使用如方程(3)～(5)計(jì)算：

(3)

(4)

(5)

式中，Qobs和Qsim—流量的平均觀測(cè)和預(yù)測(cè)的時(shí)間序列。

預(yù)測(cè)應(yīng)用時(shí)可選擇最佳成功準(zhǔn)則，使得效率系數(shù)和承諾系數(shù)對(duì)峰值流量的響應(yīng)非常迅速。

模糊小波神經(jīng)網(wǎng)絡(luò)模型的計(jì)算結(jié)果見表1。

表1 混合小波神經(jīng)模糊模型的計(jì)算結(jié)果

提出的混合小波神經(jīng)模糊模型性能預(yù)測(cè)良好，相比以前的方法具有更高的速度和準(zhǔn)確性。使用混合小波神經(jīng)模糊模型預(yù)測(cè)得到的每月所有數(shù)據(jù)、相關(guān)系數(shù)、散點(diǎn)圖和RMSE如圖4所示。

圖4 神經(jīng)網(wǎng)絡(luò)訓(xùn)練的月數(shù)據(jù)結(jié)果

圖4左圖顯示了每月的徑流量預(yù)測(cè)值，右圖顯示了相關(guān)性(R)值。由圖4(c)可知，相關(guān)性值達(dá)到了0.99869，預(yù)測(cè)效果十分出色。在圖4所示的曲線中沒有觀察到散射現(xiàn)象。使用小波神經(jīng)網(wǎng)絡(luò)對(duì)洪水流量的原始數(shù)據(jù)處理顯著提高了預(yù)測(cè)精度，尤其是峰值流量的預(yù)測(cè)精度。

4 結(jié)論

與同類方法不同，該模糊小波神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)分析方法在小波處理后不直接應(yīng)用于神經(jīng)網(wǎng)絡(luò)。根據(jù)測(cè)試獲得每個(gè)信號(hào)的標(biāo)準(zhǔn)偏差、能量和最大值，達(dá)到了流量預(yù)測(cè)效果。模糊小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的提出，有效降低了張峰水庫(kù)洪水流量預(yù)測(cè)的復(fù)雜程度并進(jìn)一步提高了預(yù)測(cè)精度。這項(xiàng)研究結(jié)果對(duì)水庫(kù)流量預(yù)測(cè)研究提供很大幫助。流量智能化預(yù)測(cè)研究具有重要的實(shí)踐意義和理論價(jià)值，為水利工程高效管理和工程結(jié)構(gòu)防災(zāi)減災(zāi)提供了科學(xué)的依據(jù)，進(jìn)一步推動(dòng)了沁水縣水利工程的智能化建設(shè)與發(fā)展。