基于神經(jīng)網(wǎng)絡(luò)的希尼爾水庫水位變化預(yù)測

陳立剛

(新疆額爾齊斯河流域開發(fā)工程建設(shè)管理局，新疆 烏魯木齊 830000)

1 研究方法

水庫運行政策在水庫運行中非常重要，因為水庫運行對社會和經(jīng)濟的影響巨大。水庫運營商和規(guī)劃師需要規(guī)劃一個可用于確定決策的策略。水庫的運行政策通常是根據(jù)以前的氣象和水文數(shù)據(jù)制定的。在某些情況下，運營政策(也稱為運營規(guī)則)通常用于擬建水庫早期的規(guī)劃層面。在水庫運行中，決策是需要明智實施的重要程序之一，以平衡水的需求和供應(yīng)，實現(xiàn)最佳的社會、經(jīng)濟和環(huán)境效益，水庫泄水的早期決策問題通常發(fā)生在不可預(yù)測的天氣條件下。因此，開發(fā)了一些決策程序，以確定水庫系統(tǒng)中的最佳運行規(guī)則至關(guān)重要[1-3]。

本文以新疆地區(qū)的希尼爾水庫為研究對象，希尼爾水庫是新疆地區(qū)最大的多用途水庫之一，位于新疆庫爾勒市境內(nèi)，水庫隸屬開孔河流域，是一座注入式反調(diào)節(jié)的平原水庫，從孔雀河第一分水樞紐引水并經(jīng)庫塔干渠總干渠輸水，尾閭接孔雀河阿恰樞紐。希尼爾水庫與其他用途(供水和娛樂)一起用作洪水緩解。在本研究中，使用了2010—2019年的3600個日水庫水位(WL)數(shù)據(jù)。數(shù)據(jù)經(jīng)過預(yù)處理并標(biāo)準化為-1～1的范圍。水庫水位的變化，即水位的上升或下降，影響水位的階段性。表1根據(jù)專家分類和標(biāo)稱值顯示了希尼爾水庫大壩的水位。

表1 水位表示和標(biāo)稱值

該模型采用帶偏差、學(xué)習(xí)率和動量的標(biāo)準反向傳播神經(jīng)網(wǎng)絡(luò)。模型采用基于水庫水位階段變化的時間模式。以水庫水位和水位階段的變化代替水庫實際水位作為輸入模式。水庫水位的這些變化見式(1)：

ΔWLt=WLt-WLt-1

(1)

式中：ΔWLt為t時水庫水位的變化；WLt為t時水庫水位；WLt-1為t-1時水庫水位。

每個數(shù)據(jù)集由N個輸入列和1個輸出列組成。N等于表示不同時間t、t-1、t-2、…、t-w的水庫水位的窗口大小，其中t表示時間，w表示窗口大小。根據(jù)式(2)對輸入進行歸一化，以將值x變換為適合范圍[C，D]。

(2)

式中：C為新的最小值；D的范圍是[-1，1]。輸出是t時水庫水位的變化，其中，“1”表示有變化，“-1”表示無變化。

使用滑動窗口技術(shù)保存水庫水位數(shù)據(jù)的時間信息，這個過程稱為分段過程。在本研究中，形成了六個數(shù)據(jù)集，每個數(shù)據(jù)集表示不同的窗口大小。每個窗口大小表示未來的持續(xù)時間。例如，窗口大小為3表示未來3 d的時間。數(shù)據(jù)示例如表2所示，表3顯示了為每個數(shù)據(jù)集提取的實例數(shù)。

表2 窗口大小3的數(shù)據(jù)示例

表3 實例數(shù)

將每個數(shù)據(jù)集隨機分為三個數(shù)據(jù)集：訓(xùn)練集(80%)、驗證集(10%)和測試集(10%)。訓(xùn)練集用于神經(jīng)網(wǎng)絡(luò)的訓(xùn)練階段，而驗證集用于在訓(xùn)練期間驗證神經(jīng)網(wǎng)絡(luò)的性能。測試集用于在訓(xùn)練完成后測試神經(jīng)網(wǎng)絡(luò)的性能。在這項研究中，開發(fā)了六個神經(jīng)網(wǎng)絡(luò)模型，每個神經(jīng)網(wǎng)絡(luò)模型用一個數(shù)據(jù)集進行訓(xùn)練。每個模型都采用隱含層、學(xué)習(xí)率和學(xué)習(xí)動量的不同組合進行訓(xùn)練。當(dāng)驗證錯誤在幾個時期內(nèi)持續(xù)出現(xiàn)時，會執(zhí)行提前停止。神經(jīng)網(wǎng)絡(luò)訓(xùn)練程序的目的是獲得最佳的結(jié)果組合。

2 結(jié)果與討論

神經(jīng)網(wǎng)絡(luò)訓(xùn)練、驗證和測試的結(jié)果如表4所示。總體而言，訓(xùn)練的最低誤差為0.136 307，驗證和測試的最低誤差為0。訓(xùn)練的最佳結(jié)果為92.62%，驗證和訓(xùn)練的最佳結(jié)果均為100%。從訓(xùn)練、驗證和測試中獲得的最高和最低結(jié)果之間存在微小差異。因此，差異表明神經(jīng)網(wǎng)絡(luò)已經(jīng)很好地學(xué)習(xí)了數(shù)據(jù)。在此基礎(chǔ)上，選擇數(shù)據(jù)集1作為水庫水位階段變化預(yù)測模型的最佳數(shù)據(jù)集。訓(xùn)練結(jié)果為92.5%，驗證和測試結(jié)果均為100%，誤差分別為0.150 001、0和0。數(shù)據(jù)集1由窗口大小為2的50個實例組成。

表4 訓(xùn)練、驗證和測試結(jié)果

訓(xùn)練階段獲得的網(wǎng)絡(luò)參數(shù)值如表5所示。對于數(shù)據(jù)集1，獲得的最佳結(jié)果是學(xué)習(xí)率為0.7，動量為0.7，實現(xiàn)的最佳網(wǎng)絡(luò)架構(gòu)是4-17-1。本研究的發(fā)現(xiàn)表明，神經(jīng)網(wǎng)絡(luò)架構(gòu)4-17-1在訓(xùn)練(92.5%)、驗證(100%)和測試(100%)期間產(chǎn)生了可接受的性能，見圖1。研究結(jié)果還表明，未來的最佳持續(xù)時間為2 d。建議對水庫水位變化和水庫水位階段進行為期2 d的觀察。

圖1 訓(xùn)練、驗證和測試的結(jié)果

表5 神經(jīng)網(wǎng)絡(luò)參數(shù)

3 結(jié) 論

水庫水位已成為水庫泄水決策的重要指標(biāo)之一，其中,最主要的信息是水庫水位的變化?；谏窠?jīng)網(wǎng)絡(luò)模型對水庫的水位進行了預(yù)測，其中,實現(xiàn)的最佳網(wǎng)絡(luò)架構(gòu)是4-17-1，預(yù)測未來的最佳持續(xù)時間為2 d。根據(jù)未來和當(dāng)前水庫水位的信息做出早期放水決策，早期放水對于為上游流入預(yù)留空間至關(guān)重要，此外，下游河流的容量將由釋放的水量控制。因此，可以避免下游河流因水庫大量放水而發(fā)生洪水的風(fēng)險。水庫水位的預(yù)測考慮了水位、降雨量和流量等歷史數(shù)據(jù)的可用性。日降雨量和水位數(shù)據(jù)已用于多用途水庫預(yù)測模型。因此，這項研究有助于預(yù)測水庫水位的變化和水庫水位的分期，從而有助于防汛抗旱。