沁水縣水庫洪水水位及流量智能化預(yù)測研究

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)險性增加。水庫洪水水位和流量變化對水利工程的運行和管理具有重要影響，準確預(yù)測水庫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)測方法主要依賴于經(jīng)驗公式和數(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)測精度和實時性方面存在一定局限性。為提高預(yù)測精度和時效性，需將創(chuàng)新智能化技術(shù)手段將用于水位及流量監(jiān)測。

智能化預(yù)測方法的引入和應(yīng)用，可以有效地提高水庫洪水預(yù)測的精度和可靠性[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的堆疊自動編碼器和長短期記憶的混合方法，用于維護優(yōu)化的協(xié)同進化多目標粒子群優(yōu)化方法[3]。還有學(xué)者研究了使用小波變換來預(yù)測提前七天進入水庫的每日流量[4]。綜上，利用大數(shù)據(jù)處理和分析技術(shù)、機器學(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，建立準確的預(yù)測模型。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，但對提高數(shù)據(jù)縮減方法準確性的研究相對較少[5-7]。為了克服計算復(fù)雜性，提高預(yù)測精度。文章提出一種基于神經(jīng)網(wǎng)絡(luò)和小波變換的水庫流量預(yù)測組合方法。從小波處理的信號和數(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)測的準確性，甚至減少了處理和訓(xùn)練時間。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，每周和每月的時間尺度來提高準確性并降低水庫流量預(yù)測的風(fēng)險，應(yīng)用每天、每周和每月數(shù)據(jù)，嘗試改進短期、中期和長期水庫流量的預(yù)測。文章通過提出的改進方法，提供更準確的工具，幫助決策者規(guī)劃可持續(xù)水資源和防洪。智能化預(yù)測研究在水資源管理、防洪減災(zāi)、生態(tài)環(huán)境保護等領(lǐng)域具有廣泛的應(yīng)用價值，通過準確預(yù)測水庫洪水變化，合理規(guī)劃水資源利用和布局防洪工程。開展張峰水庫洪水水位及流量智能化預(yù)測研究具有重要的實踐意義和理論價值，能夠為水利工程管理和決策提供科學(xué)依據(jù)，推動水利工程的智能化發(fā)展。

1 工程概況

沁水縣張峰水庫所處的流域為耍水河流域，也是洪河的支流清水河的上游。流域總面積約為866.8km2，沿河流域分布有部分耕地、林地和草地。流域地勢較為平緩，海拔在500～1200m之間。在水庫工程方面，沁水縣張峰水庫總庫容為5000萬m3，正常蓄水位為780m，死水位為744m。水庫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)測研究應(yīng)用于水資源管理、防洪減災(zāi)、生態(tài)環(huán)境保護等多個領(lǐng)域，通過準確張峰預(yù)測水庫洪水變化，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)小波簇計算式為：

(1)

連續(xù)函數(shù)的小波變換計算式為：

Wa，b(f)=f(a，b)=(ψa，b(t)，f(t))

(2)

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

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對建立的WNN使用網(wǎng)絡(luò)數(shù)據(jù)集的一組數(shù)據(jù)進行訓(xùn)練；⑤通過分析驗證數(shù)據(jù)檢查小波網(wǎng)絡(luò)的整體性能，以達到網(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。輸入信號分解后轉(zhuǎn)換為所需的小波系數(shù)，然后將這些時間序列中具有不同作用的子集傳遞到下一個ANN模型，且所有子集都必須作為神經(jīng)網(wǎng)絡(luò)的輸入進行維護。

圖3 混合WNN法的流程

混合WNN模型的預(yù)測流程如下：以410×12矩陣的形式獲得數(shù)據(jù)，輸出為8個層次進行小波分析。從獲得信號中提取7個特征向量輸入，以矩陣形式輸出給ANN進行調(diào)諧。根據(jù)所提出模型的一系列信號進行不同級別的小波分析，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)測結(jié)果分析

本節(jié)分析了提出的新模型在張峰水庫流量預(yù)測的應(yīng)用效果。指定了模型的框架及其輸入過程，對張峰水庫流量進行預(yù)測。在實際建模過程中，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)計算：

(3)

(4)

(5)

式中，Qobs和Qsim—流量的平均觀測和預(yù)測的時間序列。

預(yù)測應(yīng)用時可選擇最佳成功準則，使得效率系數(shù)和承諾系數(shù)對峰值流量的響應(yīng)非常迅速。

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

表1 混合小波神經(jīng)模糊模型的計算結(jié)果

提出的混合小波神經(jīng)模糊模型性能預(yù)測良好，相比以前的方法具有更高的速度和準確性。使用混合小波神經(jīng)模糊模型預(yù)測得到的每月所有數(shù)據(jù)、相關(guān)系數(shù)、散點圖和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)測值，右圖顯示了相關(guān)性(R)值。由圖4(c)可知，相關(guān)性值達到了0.99869，預(yù)測效果十分出色。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)對洪水流量的原始數(shù)據(jù)處理顯著提高了預(yù)測精度，尤其是峰值流量的預(yù)測精度。

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)測試獲得每個信號的標準偏差、能量和最大值，達到了流量預(yù)測效果。模糊小波神經(jīng)網(wǎng)絡(luò)預(yù)測模型的提出，有效降低了張峰水庫洪水流量預(yù)測的復(fù)雜程度并進一步提高了預(yù)測精度。這項研究結(jié)果對水庫流量預(yù)測研究提供很大幫助。流量智能化預(yù)測研究具有重要的實踐意義和理論價值，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)，進一步推動了沁水縣水利工程的智能化建設(shè)與發(fā)展。