水库水位预报模型研究
基于BP神经网络的流溪河水库短期水位预报
基于BP神经网络的流溪河水库短期水位预报2 河北省智慧水利重点实验室河北邯郸 0560383 上海勘测设计研究院有限公司上海 200434；4 中国长江三峡集团有限公司湖北武汉 430010摘要：流溪河水库作为广州市唯一的大型水库，研究其调度运行对于广州市的防汛抗旱具有重大意义。
水位是水库维持正常运作的一个重要参数，也是水库实时调度的基础。
为预测流溪河水库水位实时变化，本文采用BP神经网络方法，构建了流溪河水位预报模型，模型以预报断面前期水位、上游断面前期水位和区间面雨量为输入参数，对流溪河水库进行了预见期为3h、6h、12h和24h的水位预报。
结果表明：（1）该模型能够较好实现流溪河水库的短期水位预报，各预见期精度均达到甲级标准；（2）不同预见期的精度各有差异，其中3小时预见期的精度最高。
研究结果证明了该方法的可行性和高精度，可应用于流溪河水库的运行和其他相关工作。
关键词:水位预测；BP神经网络；流溪河水库；预见期1引言流溪河水库是广州市唯一一座集防洪、灌溉、发电、养殖、旅游于一体的大型水库[1]。
水位是水库保持各种功能平衡的重要指标。
在水库运行中，多目标综合调度是水库的主要任务，水位预测是水库运行的基础。
随着机器学习技术的发展，基于深度学习的预测模型逐渐成为一种新的发展趋势。
要震等人[2]建立了基于遗传算法(GA)优化Elman神经网络的河流水位预测模型，该模型具有收敛速度快、精度高等优点；纪国良等人[3]将灰色模型和神经网络模型相结合进行水位预报，结果表明比单独运用灰色模型或者神经网络模型预测精度更高；Ashaary等人[4]研究了神经网络预测水库水位的潜力，通过建立6个不同的神经网络模型并进行比较，结果建运用前期长达2天的水库水位的变化数据进行建模时，预报结果最优。
由此可知，BP神经网络在水位预报领域的大量应用实例均获得了不错的效果，已日趋成熟。
本文构建了流溪河水库水位预测模型，探讨了其对流溪河水库水位预测的潜力，从而为流溪河水库的运行提供可靠的水位预测结果。
水库水位预警模型优化
水库水位预警模型优化水库是一种常见的水利工程，用于储存水资源，供应农田灌溉、城市供水及发电等需求。
然而，由于气候变化和人类活动的影响，水库的水位管理变得尤为重要。
水位的异常波动可能导致洪水、干旱、水电供应问题等。
因此，建立水库水位预警模型并对其进行优化，对于提高水库的安全性和运行效率具有重要意义。
水库水位预警模型是通过对水库水位数据进行分析和预测，提前警示可能出现的异常情况。
优化水位预警模型能够提高预警准确性和及时性，为水库管理者提供重要决策依据。
下面将从数据收集、模型建立、优化方法和实例应用等方面，对水库水位预警模型进行探讨。
1. 数据收集数据收集是建立水库水位预警模型的基础。
水库水位数据可以通过传感器、浮标等设备进行实时监测，并通过远程传输技术将数据发送至监测中心。
同时，还可以收集历史水位数据和与水位相关的气象、降雨等数据。
这些数据将作为预测模型的输入，用于模型的训练和验证。
2. 模型建立建立水库水位预警模型需要选择合适的预测方法。
常见的方法包括时间序列分析、回归模型、人工神经网络等。
根据实际情况和需求，选择适用的模型，并通过训练数据对模型进行参数估计和验证。
模型的建立需要考虑水库特性、气象因素和人类活动等影响因素，确保预测准确性和稳定性。
3. 优化方法为了提高水库水位预警模型的准确性和及时性，可以采用以下优化方法。
(1) 特征工程特征工程是指对原始数据进行处理和提取，得到更有价值的特征。
在水库水位预警模型中，可以根据水位的变化趋势、季节性、相关性等特点，提取合适的特征变量。
这些特征变量可以用于模型的训练和预测，提高模型的敏感性和准确性。
(2) 参数调优模型的参数对预测结果有重要影响，因此需要对模型的参数进行调优。
可以采用网格搜索、遗传算法等方法，找到最优的参数组合。
参数调优可以提高模型的适应性和泛化能力，使其适用于不同的水库和环境条件。
(3) 集成模型将多个预测模型组合起来形成集成模型，可以进一步提高预警模型的准确性和稳定性。
长江下游河段水位预报模型研究的开题报告
长江下游河段水位预报模型研究的开题报告一、研究背景长江是我国第一大河流，下游河段是重要的水文地理区域。
在日常的生产生活当中，长江下游河段的水位变化影响着人们的生产和生活。
随着社会经济的发展和气候变化的加剧，长江下游河段水位预报的精度和可靠性对于人们日常生产和生活的影响越来越重要。
因此，本研究从长江下游河段水位预报模型入手进行研究。
二、研究目的本研究旨在建立长江下游河段水位预报模型，通过对长江下游河段水位预报模型的研究和开发，提高水位预报的精度和可靠性，为人们日常生产和生活提供更好的服务。
三、研究内容1. 确定长江下游河段水位预报模型的建模原理和方法；2. 对长江下游河段水文环境、水位变化规律进行分析；3. 构建长江下游河段水位预报模型；4. 对长江下游河段水位预报模型进行测试和验证；5. 对长江下游河段水位预报模型进行优化和改进；6. 对长江下游河段水位预报模型的应用进行探讨。
四、研究方法本研究主要采用数学建模方法和计算机模拟技术，将长江下游河段水文环境的复杂变化建立为数学模型，结合计算机的计算能力和模拟技术，模拟长江下游河段水位的变化规律，并对模型进行测试和验证。
同时，本研究还将充分利用实验室设备和现场实测数据进行研究。
五、研究意义本研究的结果将为长江下游河段水位的预报和管理提供理论支持和技术手段。
建立精度高、可靠性好的水位预报模型，将对防洪减灾、航运安全、水资源利用等方面起到积极作用，对长江下游地区的经济社会发展做出贡献。
六、预期成果1. 长江下游河段水位预报模型的建立与优化；2. 与实际观测数据符合较好的预报结果；3. 改进长江下游河段水位预报系统和服务软件的可靠性和实用性。
七、进度计划1. 2021年9月至2021年12月：研究长江下游河段水位变化规律，建立模型的理论基础；2. 2022年1月至2022年3月：构建长江下游河段水位预报模型，并进行初步测试；3. 2022年4月至2022年6月：对模型进行测试和验证，分析模型的优缺点；4. 2022年7月至2022年9月：对模型进行优化和改进；5. 2022年10月至2023年1月：对模型进行应用探讨，并撰写论文。
基于深度学习的水文预报方法研究
基于深度学习的水文预报方法研究摘要：从当前的社会发展情况来看，洪水灾害对人类社会发展造成的损失是非常严重的。
人每年都会造成非常大的危害，洪水在形成的过程中会受到自然因素和人为因素的影响。
水文灾害存在着复杂的不确定性，开盖式流量预测是如果只是采用传统的一种方法，无法解决当前一些复杂的问题，也无法对数据进行准确的判断。
为了更好的获取水文序列中的一些有效特征，需要构建完善的水文流量模型，全面提高水文流量预测的精准度。
关键词：深度学习；水文预告；研究方法引言：在新时代发展的背景下，相关水利部门要做好水文预报方法研究工作。
了解水文管理工作的主要内容分析水文要素的基本影响，同时做好特征和流量因子之间的复杂关系。
明确信息分析的主要情况，采用现代化的信息技术，动态化的了解水文输入的基本特征，为后续建模工作做好基础。
1 分析要素研究对于当前的社会发展而言，洪水流量预测管理工作的开展是非常重要的，水文要素是影响洪水流量预测的，主要物理因素能够直接反映出当前使用流量变化的重要尺度。
在近些年的社会发展中，但是水资源短缺和洪水灾害的问题越来越严重。
各地区在进行水文特征分析和研究的过程中，要了解小流量数据的误差分析，系统化的强调年均降水量和地质指标之间的差距。
要从根本上意识到数据特征管理的重要性，同时要系统分析不同地区水温水质和地理环境的差异性。
这些外在因素对水文特征以及对径流洪水产生了一些影响，系统化地强调水文要素对是资源利用的重要性。
了解汛期和非汛期降水的特点，非汛期的降水比较少，但是不够稳定，在进行系统研究的过程中，要着重强调季节变化对洪水的影响程度了解水文流量，研究工作的主要情况，为后续研究工作的开展提供一些参考方向。
降雨量的周期性变化进行系统化的分析，了解降雨量多尺度的周期性和自相理性的特点。
系统化的分析当前水库河流年降水量的流量变化情况和趋势变化情况，从系统的结果出发，了解结果的变化规律，同时对水资源的调度工作进行合理的分析。
基于LSTM的三峡水库短期上游水位预测方法研究
基于LSTM的三峡水库短期上游水位预测方法研究
徐杨;刘亚新;汪涛;孟庆社
【期刊名称】《水利水电快报》
【年(卷),期】2022(43)10
【摘要】为精确预测三峡水库上游水位短期变化过程,保障三峡工程效益发挥和稳定运行,分析了三峡水库上游水位预测面临的技术难题,指出了基于水量平衡原理的传统水位预测方法的弊端,提出了基于长短时记忆(LSTM)的三峡水库短期上游水位预测方法。
模拟计算结果表明:该方法考虑了三峡动库容、调峰及入库流量计算密度不够等方面的影响,在复杂情况下,水位过程预测精度较高,实现了三峡水库短期上游水位连续24 h的逐时准确预测。
研究成果可为水库精细化调度提供可靠的理论支撑。
【总页数】6页(P13-18)
【作者】徐杨;刘亚新;汪涛;孟庆社
【作者单位】三峡水利枢纽梯级调度通信中心;智慧长江与水电科学湖北省重点实验室
【正文语种】中文
【中图分类】TV741
【相关文献】
1.基于LSTM神经网络的水电站短期水位预测方法
2.基于G-LSTM模型的短期径流预报
——以长江上游寸滩断面-三峡入库断面为例3.基于LSTM网络的在线藻类时序数据预测研究:以三峡水库为例4.一种基于LSTM模型的水库水位预测方法5.基于改进LSTM模型的三峡水库蓄水对洞庭湖水位影响的空间异质性分析
因版权原因，仅展示原文概要，查看原文内容请购买。
水库中长期水文预报模型研究(Ⅰ)
在 Ｐ 、 Ｐ 、 Ｐ 未知的情况下 ， 。Ｐ 、：…、。 可按赤池信
息准￣ （ ｔ ｑ ＡＣ准则 ） …确定 各 自的 阶数 。ＭＣ准则 函
数为 ： Ａ Ｃ（ ０Ｐ 、 ２ … 、 。 ｏＳ ， ０Ｐ 、 ２ … 、 Ｉ Ｐ 、 ｌＰ 、 Ｐ ）＝ｌ （ Ｐ 、 ｌＰ 、 ｇ Ｐ ）＋ （ ｏ ｌ ２ 。 ２ Ｐ ＋Ｐ ＋Ｐ ＋… ＋Ｐ ） ｍ 。／
第２卷 第 １ ７ ７期 ２ １ 年 ９月 ０１
甘肃 科技
Ｇａ ｓ ｃ ｅ ｃ ｎ ｅ ｈ ｏｏ ｙ ｎ ｕ Ｓ ｉｎ ｅ ａ ｄ Ｔ ｃ ｎ ｌ ｇ
２７ Ｎｏ ７ ．１ Ｓｅ ２ ｅ． ０１１
水 库 中 长 期 水 文 预 报 模 型 研 究 （Ｉ）
杨 晓 红
Ｓ ， ０Ｐ －，。 Ｚ Ｚ—Ｚ Ａ（ ｒ ）一１ Ｔ （ Ｐ ， ．Ｐ ）＝ Ｔ Ｔ Ａ ＡＺ （） ３
资料 需求 ： 与预 报对 象 相 对应 的时 间长 度 的水 文气象 特征 量 。
模型算法
设 已知实 测数 列 ｛ ￡ 、Ｙ，Ｙ，Ｙ ， ＝ｌ２ Ｚ ｝ ｛ｌｍ ｘ Ｐ 、 Ｐ 、， ， ａ （ ｏＰ 、 ：ｏ Ｐ ） 在式 （ ） ｏ ｏ １ 中分
别 取 ｔ ｐ＋１Ｐ＋ ， ， 由此可 得 ｍ—ｐ个 等 式 ， ＝ ， ２ … ｍ， 其 缩写 形式为 ：
Ｚ＝ Ｂ＋ Ａ 占
（） ４
式 中 Ｚ＝［ ｐ。 ∥ 一Ｚ ］ ｚ＋ Ｂ＝［０ １２ ｂ］ ｂ … 。 ｂｂ ｂ ＝［ 。 …６ ］ ’
在 给定某 个备 选 的最 大延 迟 量 Ｐ时 ， 所 有 可 在 能的符合以下不等式的值 中找出使式 （ ） ５ 中的 Ａ Ｃ Ｉ
最 ／ 的 Ｐ 、 １Ｐ 、 、 。 Ｊ 、 。Ｐ 、 ２ … Ｐ 。
张峰水库工程水文预报模型
第3卷第3期2005年9月水利与建筑工程学报Journal of W ater Resources and Architectural Engineer ingV ol.3No.3Sept.,2005收稿日期:2005 05 17作者简介:武斌(1967 ),男(汉族),山西定襄人,1990年毕业于清华大学水利水电工程系,工程师,主要从事水利水电设计工作。
张峰水库工程水文预报模型武 斌(水利部山西水利水电勘测设计研究院,山西太原030000)摘 要:水情自动测报可为水库安全渡讯和防洪调度提供可靠的依据。
本文以张峰水库工程水情自动测报系统为例,介绍流域水文模型的建立,供相关工程参考。
关键词:流域产流;坡面汇流;河槽汇流;水文学方法中图分类号:P338 文献标识码:A文章编号:1672 1144(2005)03 0033 04Hydrologic Forecasting Model for Project of Zhangfeng ReservoirWU Bin(Shanx i I nvestigation and Design I nstitute of W ater Conser vancy and H ydr opow er ,M inistry of Water Resources,T aiy uan,S hanx i 030000,China)Abstract:The automatic measuring and forecasting of w ater reg ime can provide the reliable basis for the safety during flood season and the dispatching of flood control of reservoirs.Taking the automatic measuring and fore casting system for the project of Zhangfeng Reservoir for ex ample,the paper introduces the construction of the hydrologic model of watershed to give the reference for the same type of the projects.Keywords:watershed runoff;overland sink flow;river channel sink flow;hydrology method 新中国成立50a 来,水文情报预报工作取得了很大成就。
考虑水文预报不确定性的水库优化调度研究
考虑水文预报不确定性的水库优化调度研究摘要：水库是我国最主要的水资源调控工程之一，有着广泛的应用。
然而，当面对极端气候和不确定的气候变化时，水文预报所带来的不确定性引起了人们的关注，这也影响到了水库的优化调度。
基于此，本文在考虑水文预报不确定性的情况下，对水库优化调度进行简单探讨。
关键词：水文预报；不确定性；水库调度；优化1.水库调度的基本原理水库能够对径流的季节丰枯进行调节。
一般的，水库在汛期用于防洪调度而维持在较低的水位运行，在非汛期用于供水、发电等兴利调度而维持在较高水位运行。
与此同时，水库在汛末蓄水，利用库容储存汛期水量用于非汛期的供水、发电等。
这些调度特征都反映在水库调度图中，如图1所示。
图1 水库调度图示例水库优化调度是指在水库水量允许的情况下，通过对不同情况的预测和分析，合理地制定水库放水计划，从而达到统筹水库水资源的最大效益。
水库调度问题是水利工程领域的一个经典问题，其优化调度问题具有极高的实际应用价值和重要性，不仅能够为水利工程的管理提供重要的参考依据，还可以为生态环境的保护和节能减排做出积极贡献。
对于水库调度问题，其本质是一个经典的优化问题，涉及到多个变量、多个目标和多种约束条件。
在实际运用中，水库调度问题通常被转化为一个数学规划问题，以实现对水库的优化调度，保证水库各项运行指标达到最优。
在进行水库优化调度时，需要考虑多种因素，如水库的水文水资源情况、上游入库流量、下游供水要求、防洪能力等。
同时，水库还应该遵循一系列基本原则，如优先满足下游的需水要求、尽量减少泄洪造成的损失等。
在制定水库的优化调度方案时，应该综合考虑多种因素，合理地制定水库放水计划，达到最优的调度效果。
此外，在水库优化调度过程中，不确定性因素也需要重视。
水库优化调度是建立在对水文预报的基础上的，但水文预报的不确定性往往导致水库放水计划的不确定性，因此，在进行水库优化调度时，应该充分考虑水文预报的不确定性，制定灵活的优化调度方案，以应对不确定性因素的影响。
水库调度优化模型的应用研究
水库调度优化模型的应用研究水库调度是水资源管理中的重要环节，其目的是在满足各种用水需求的同时，最大限度地发挥水库的综合效益，如防洪、发电、灌溉、供水等。
随着社会经济的发展和水资源供需矛盾的加剧，传统的水库调度方法已经难以满足实际需求，因此，研究和应用水库调度优化模型具有重要的现实意义。
一、水库调度优化模型的概述水库调度优化模型是基于数学规划理论和方法，结合水库的水文特性、工程特性以及用水需求等因素，建立的用于求解水库最优调度策略的数学模型。
常见的水库调度优化模型包括线性规划模型、非线性规划模型、动态规划模型等。
线性规划模型是最简单的一种，它将水库调度问题转化为线性目标函数和线性约束条件的优化问题。
非线性规划模型则能够更好地处理水库调度中的非线性关系，但求解难度较大。
动态规划模型适用于多阶段决策问题，能够有效地处理水库调度中的时间序列特性，但存在“维数灾”问题，即随着决策变量和阶段数的增加，计算量呈指数增长。
二、水库调度优化模型的建立建立水库调度优化模型需要明确以下几个方面：1、目标函数目标函数是衡量水库调度方案优劣的指标，通常包括经济效益最大化、社会效益最大化、环境效益最大化等。
例如，在发电调度中，目标函数可以是发电量最大化；在供水调度中，目标函数可以是满足供水需求的可靠性最高。
2、约束条件约束条件包括水库的水量平衡约束、水位约束、出库流量约束、用水需求约束等。
水量平衡约束是指水库的入库流量、出库流量和蓄水量之间的关系；水位约束是为了保证水库的安全运行；出库流量约束则是根据下游河道的承受能力和水利工程的运行要求确定的；用水需求约束是指满足各用水部门的水量和水质要求。
3、决策变量决策变量是水库调度中需要优化的变量，如水库的出库流量、蓄水水位等。
4、模型参数模型参数包括水库的特征参数（如库容曲线、泄流曲线等）、水文参数（如降雨、径流等）以及用水需求参数等。
这些参数的准确性直接影响模型的精度和可靠性。
一种基于LSTM模型的水库水位预测方法
doi:10.3969/j.issn.1003-3106.2022.01.012引用格式:刘威,尹飞.一种基于LSTM 模型的水库水位预测方法[J].无线电工程,2022,52(1):83-87.[LIU Wei,YIN Fei.AReservoir Water Level Prediction Method Based on LSTM Model[J].Radio Engineering,2022,52(1):83-87.]一种基于LSTM 模型的水库水位预测方法刘㊀威1,尹㊀飞2(1.金陵科技学院网络与通信工程学院,江苏南京211169;2.江苏省连云港市水利局,江苏连云港222006)摘㊀要:受降水量㊁径流等因素的影响,水库的长期水位预测面临巨大挑战㊂提出了一种新的基于长短期记忆(Long Short Term Memory,LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价㊂该模型整合了降雨㊁水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差㊂实验使用Nash-Sutcliffe 效率(NSE)㊁Pearson 相关系数平方(R 2)和绝对均方根误差(Root Mean Square Errors,RMSE)等评价指标,与基本的多层感知机模型和卷积神经网络(Convolutional Neural Networks,CNN)比较,得出如下结论:①LSTM 模型的预测值不存在明显较小的波峰或波谷;②模型的预测精度不会随着预测时间步长的增加而急剧下降;③在真实的洪水事件预测中,雨量较小时不会引起预报线的波动,且预测洪峰时偏离度较小㊂当然,如何在大规模流域中应用该模型,以及对流域中的多个水库水位同时预测等问题,将在未来的工作中进行进一步的研究和分析㊂关键词:水位预测;深度学习;长短期记忆模型;洪水预测中图分类号:TP389.1文献标志码:A开放科学(资源服务)标识码(OSID ):文章编号:1003-3106(2022)01-0083-05A Reservoir Water Level Prediction Method Based on LSTM ModelLIU Wei 1,YIN Fei 2(1.School of Networking and Communication Engineering ,Jinling Institute of Technology ,Nanjing 211169,China ;2.Water Conservancy Bureau of Lianyungang City ,Lianyungang 222006,China )Abstract :Due to the influence of precipitation,runoff and other factors,the long-term prediction of reservoir water level is facedwith great challenges.A novel time series model based on Long Short Term Memory (LSTM)network is proposed to predict the waterlevel and evaluate the performance of Shiliang River reservoir in Yishusi Basin.This model integrates historical information such asrainfall,water flow and water content in soil,and obtains the optimal prediction step through experiments,so as to improve the predictionaccuracy of the model with better stability and avoid large errors.In the experiments,Nash-Sutcliffe Efficiency (NSE),Squared PearsonCorrelation Coefficient (R 2),Root Mean Square Errors (RMSE)and other evaluation criteria are used to make comparison with the basic Multilayer Perceptrons (MLP)model and the Convolutional Neural Network (CNN)model.It is concluded that:①The predictedvalues of LSTM model do not have significantly smaller peaks or troughs;②The prediction accuracy of the model does not decrease sharply with the increase of the prediction time step;③In the prediction of real flood events,small rainfall does not cause the fluctuation of forecast line,and the deviation degree of flood peak prediction is small.Of course,how to apply the model in large-scalebasins and how to predict the water level of multiple reservoirs simultaneously will be further studied and analyzed in the future.Keywords :water level prediction;deep learning;long short term memory;flood prediction收稿日期:2021-11-24基金项目:国家自然科学基金(41801303)FoundationItem:NationalNaturalScienceFoundationofChina(41801303)0㊀引言水库通过改变水资源的时空分布来达到兴利除害的目的㊂水库的一个重要功能是蓄水防洪㊂在防洪工作中,可以通过对防洪风险的估测来辅助水库的调度决策㊂在这些风险估测中,水库水位是一个最为重要的参数㊂目前,随着人工智能㊁大数据等技术的不断发展,对于水库水位的长期估计,可以采用. All Rights Reserved.深度学习的方式进行预测[1-2]㊂深度学习中有不同类型的神经网络,常用的有人工神经网络(Artificial Neural Networks,ANN)㊁卷积神经网络(Convolutional Neural Networks,CNN)和周期神经网络(Recurrent Neural Networks,RNN)㊂在深度学习的模型构建过程中,最重要的步骤是特征提取和特征选择㊂在特征提取中,一般提取待解决问题的重要特征㊂在特征选择中,一般要选择那些能够提高机器学习或深度学习模型性能的特征[3-5]㊂ANN一般由输入层㊁隐藏层和输出层组成,每一层都包含多个感知器或神经元㊂ANN也被称为前馈神经网络,输入只在正向处理,可以用来解决表格数据㊁图像数据和文本数据等问题,优点是能够学习任何非线性函数㊂因此,这些网络通常被称为通用函数逼近器㊂ANN的缺点是容易失去空间特征㊂比如,在使用神经网络解决图像分类问题时,首先要将二维图像转换为一维向量,然后再对模型进行训练㊂这里有2个缺点:随着图像大小的增加,可训练参数的数量急剧增加;影像分类存在延时[6]㊂CNN模型被用于不同的应用和领域,在图像和视频处理项目中尤其普遍,在处理序贯数据(Se-quence Data)方面的表现也令人印象深刻㊂CNN的组成部分是过滤器,又称内核[7]㊂内核用于使用卷积运算从输入中提取相关特征㊂优点是可以自动学习过滤器,而不必显式地监控它㊂这些过滤器有助于从输入数据中提取正确的和相关的特征㊂RNN在隐藏状态上有一个循环的连接㊂这个循环约束确保在输入数据中能捕获到含有顺序的信息㊂RNN特别适合解决以下问题:时间序列数据㊁文本数据和音频数据[8]㊂优点是可以利用输入数据之间的依赖关系(时间㊁空间上)㊂但是,RNN存在梯度消失和梯度爆炸问题㊂长短期记忆(Long Short Term Memory,LSTM)网络是一种特殊的RNN[9-11]㊂本身有 门 (gate)这种设计,所以能够通过gate的值来决定信息的保留和丢失,这样就可以让长期依赖的信息沿着序列一直传递下去[12-14]㊂LSTM模型目前已被广泛地接受用于时间序列预测㊂最近,一些关于水位预测的研究使用了具有深度学习的LSTM模型,特别是在河流洪水事件期间㊂LSTM的内部结构适合于预测时间序列数据,因为它的记忆功能保留了过去的顺序模式㊂因此,本研究也采用LSTM模型来预测水位㊂该LSTM结构在传统LSTM隐含层结构的基础上扩展了多个隐含层[15]㊂上述学者提出的数据驱动模型取得了预期效果,特别是基于RNN模型的洪水预测模型得到了很大的改进㊂但并非所有的输入数据都与水位预报具有正相关关系,比如,不相关的输入数据往往会带来大量噪声㊂综上所述,基于常用数据驱动模型的中型水库水位预测局限于以下两部分:①水库水量受降雨㊁水流和上游土壤含水量等因素的影响㊂然而,一般的数据驱动模型很难保留上述物理量的长期历史信息,这使得预测难以达到预期的准确性㊂②在进一步增加预测时间步长的情况下,数据驱动模型的预测精度易出现剧烈下降㊂针对上述常见模型的局限性,提出了一种基于长期历史物理量和最优化预测时间步长的LSTM模型,该模型整合了降雨㊁水流和土壤含水量等历史信息,并通过实验获取最优预测步长㊂本文实验结果表明,与多层感知机(Multi-Layer Perceptrons,MLP)模型和CNN模型相比较,本文提出的LSTM模型性能优于MLP和CNN模型㊂在NSE评价指标中, LSTM模型的性能比MLP提升了12.2%,比CNN提升了5.1%㊂在R2评价指标中,LSTM模型的性能比MLP提升了5.9%,比CNN提升了1.4%㊂在RMSE评价指标中,LSTM模型的性能比MLP降低了34.7%,比CNN降低了25.8%㊂本文的主要创新点如下:①改进了基于LSTM 模型的数据使用方式,建立了历史水量信息与水位之间的长期依赖关系;②通过实验获得预测步长的最优值,确保模型的预测精度不会随着预测时间步长的增加而急剧下降㊂结果表明,本文建议的方法在一个真实的洪水事件上具有显著优势,雨量较小时不会引起预报线的波动,且预测洪峰时偏离较小,不会导致错过洪水警报㊂1㊀LSTM模型介绍在当前时刻t,输入数据包含多个节点㊂在前一时刻t-1,输出数据h t-1也包含多个节点㊂节点大致模拟了大脑中的一个神经元㊂输入数据依次经过3个门:遗忘门㊁输入门和输出门㊂式(1)定义了遗忘门f t的作用,它从记忆单元中移除一些信息:ft=σ(wf,hht-1+wf,xxt+bf),(1)式中,w f,h和w f,x是和h t-1,x t相关的系数;b f为偏置量;σ(㊃)为S型函数,也称为S型生长曲线,这. All Rights Reserved.里被用作激活函数㊂输入门与输入数据的2类特征源混合㊂下式表示了2种来源:㊀㊀㊀㊀i t =σ(w i ,h h t -1+w i ,x x t +b i ),(2)z t =tanh(w z ,h h t -1+w z ,x x t +b z ),(3)式中,tanh(㊃)为双曲正切型的激活函数;w i ,h ,w i ,x ,w z ,h 和w z ,x 为矩阵形式的加权系数;变量f t ,i t 和z t 被组合成:C t =f t C t -1 i t z t ,(4)式中, 表示矩阵的点积计算; 表示矩阵的点和计算㊂输出门o t 的定义为:o t =σ(w o ,h h t -1+w o ,x x t +b o ),(5)式中,w o ,h 和w o ,x 是和h t -1,x t 相关的系数;b o 为偏置量㊂最后,C t 与o t 相乘,并且更新输出h t :h t =o t tanh(C t )㊂(6)为了判断预测的准确性,通常使用以下几类评价指标:Nash-Sutcliffe 效率(Nash-Sutcliffe Efficien-cy,NSE )㊁Pearson 相关系数平方(Squared Pearson Correlation Coefficient,R 2)㊁RMSE 和相对均方根误差(Relative Root Mean Square Errors,rRMSE)㊁绝对偏差(Bias)和相对偏差(Relative Bias,rBias)以及持续性指数(Persistency Index,PI)㊂其中,评价指标NSE 定义为:NSE =1-ðni =1(o i -p i )2ðn i =1(oi-o -i )2,(7)式中,o 为观测值;p 为预测值;n 为样本数㊂在分母中,o -表示测试开始前的平均观测值(即2015年之前的数据),以便将模型的性能与预测开始时所有已知值的平均值进行比较㊂NSE 指标通常被用来验证水文模型仿真的准确度,其值为负无穷到1㊂当NSE 接近1时,说明水文模型具有高度可靠性;当NSE 接近0时,说明仿真结果接近观测值的平均水平,整体结果是可信的,但是仿真误差较大;当NSE 远小于0时,说明模型不可靠㊂Pearson 相关系数平方R 2的定义为:R 2=ðn i =1(oi-o -i )(p i -p -i )ðn i =1(oi-o -i )2ðn i =1(pi-p -i )2()2,(8)式中,p -为预测值的均值㊂该指标比较了预测值和观测值之间的线性关系㊂当R 2的值接近1时,说明模型更加可靠㊂RMSE 定义为:RMSE =1nðn i =1(oi-p i )2㊂(9)RMSE 的值对特别大的误差值敏感,因此可以反映模型的预测精度㊂RMSE 的值越大,说明预测值与测量值之间的误差越大㊂rRMSE 定义为:rRMSE =1nðn i =1o i -p io max -p min()2㊂(10)Bias 定义为:Bias =1nðn i =1(oi-p i )㊂(11)rBias 定义为:rBias =1nðni =1o i -p io max -o min(),(12)式中,o max 为最大观测值;o min 为最小观测值㊂PI 定义为:PI =1-ðni =1(oi-p i )2ðn i =1(oi-o last )2,(13)式中,o last 表示最后一个观测值㊂在以上各项指标中,RMSE 和Bias 指标虽然都可以用于比较不同模型之间特定时间序列的性能,但是rRMSE 和rBias 指标用于比较不同时间序列间的模型性能时更有效㊂PI 基本上是将性能与朴素模型进行比较,后者使用预测开始时最后已知的水库水位㊂当使用过去的水库水位作为输入时,上述数据的选择对于判断性能尤其重要㊂此时,该模型的性能应该优于朴素预测(即PI >0)㊂2㊀项目背景沂沭泗水系是淮河流域内一个相对独立的水系,系沂㊁沭㊁泗(运)3条水系的总称,位于淮河流域东北部,北起沂蒙山,东临黄海,西至黄河右堤,南以废黄河与淮河水系为界㊂全流域介于114ʎ45ᶄE ~120ʎ20ᶄE,33ʎ30ᶄN ~36ʎ20ᶄN,流域面积7.96万平方千米,占淮河流域面积的29%㊂沂沭泗流域多年平均降水为830mm,最大年为1098mm(1964年),最小年为562mm (1966年)㊂多年平均年内分配:春季(3 5月)为131mm,占15.8%;夏季汛期(69月)平均为592mm,占71.3%;秋季(10 12月)平均为77mm,占9.3%;冬季(次年1 2月)平均为30mm,占3.6%㊂全流域多年平均径流深为232mm,年径流系数为0.28㊂年径流分布与降水分布相似,南大北小,山区大平原小㊂泰沂山丘区年径. All Rights Reserved.流深达348mm,年径流系数为0.40;南四湖湖西年径流深达97.2mm,年径流系数为0.14㊂石梁河水库的位置如图1所示,地理坐标为34ʎ44ᶄ33ᵡN ~35ʎ49ᶄ46ᵡN,118ʎ44ᶄ11ᵡE ~118ʎ52ᶄ31ᵡE㊂其周围有蒋庄闸㊁南闸和北闸3个闸所,该水库是江苏省最大的人工水库,也是 导沭(河)经沙(河) 主要工程之一㊂图1㊀石梁河水库及闸所示意Fig.1㊀Illustration of location of Shiliang River reserviorand its three gates本文获取了2011 2020年,在石梁河水库及其周边所有泵站㊁闸门的水位传感器观测数据㊂每个泵站收集的数据是泵流量(简称 流量 )㊁降雨量和水位㊂测量了每个闸门的上游和下游水位,在每个传感器位置测量水位㊂这些数据被用来训练LSTM 模型并评估模型预测的误差㊂采用K-fold 交叉验证进行验证比较㊂K 设为10,将观测数据分为10组㊂9组对模型进行训练,1组对模型预测结果进行比较㊂模型预测组按顺序与其他组进行交换㊂第1步的观测数据来自实地测量㊂在第2步的学习过程中,部分观测数据被用于K-fold 交叉验证㊂第3步利用剩余观测数据进行预测㊂LSTM 模型的程序是使用Python(版本3.8.8)和Keras 中Python 深度学习库创建的㊂其中包含了Windows 操作系统PC 上的tensorflow 模块,PC 上的Intel Core i7-4770K CPU 为3.50GHz,GPU 为Nvidia GeForce RTX 2070,所有情况下的平均计算时间约为1h㊂3㊀实验及仿真结果在实验中,利用训练后的模型,输入代表水位信息的时间学历,并运行LSTM 模型,可以得到如图2所示的预测结果㊂图2的上半部分,是全部15000个观测值的预测情况㊂可以看出,LSTM 预测结果与实际的观测结果基本吻合,在部分峰值处和谷值处,预测值误差稍大㊂但是,由于样本较多,无法看到某微观时间段的预测结果㊂鉴于此,在图2的下半部分,仅选取了其中500个观测值和预测值进行绘图,从中也可以看出,预测值与观测值的误差较小,2条曲线基本一致㊂(a )测量值与预测值比较(全部样本)(b )测量值与预测值比较(局部样本)图2㊀水库水位的观测值与预测值示例Fig.2㊀Plots of the measured and predicted values forthe normalized reservior water level另外,为了评价本文模型的性能优劣,将LSTM 模型的结果与MLP 模型㊁CNN 模型的结果进行了对比㊂性能评价指标选择了NSE,R 2和RMSE 三类㊂具体仿真结果如表1所示㊂从表1可以看出,在NSE 评价指标中,LSTM 模型的性能比MLP 提升了12.2%,比CNN 提升了5.1%㊂在R 2评价指标中,LSTM 模型的性能比MLP 提升了5.9%,比CNN 提升了1.4%㊂在RMSE 评价指标中,LSTM 模型的性能比MLP 降低了34.7%,比CNN 降低了25.8%㊂表1㊀MLP ,CNN ,LSTM 三种模型预测结果比较Tab.1㊀Comparison of prediction results of MLP ,CNN andthe proposed LSTM model评价标准MLP 模型CNN 模型LSTM 模型NSE 0.8420.8990.945R 20.9210.9620.975RMSE120.308105.81278.523LSTM 模型性能较好的主要原因是:与MLP 和CNN 模型相比较,LSTM 模型的预测值不存在明显较小的波峰或波谷㊂该结果表明,LSTM 的记忆遗忘能力有助于模型对非线性和时间序列数据的预测,对水库水位的预测有较好的效果㊂但是,LSTM. All Rights Reserved.在主峰值预测方面仍然有误差,大多数主要峰值预测超过实际值约10%㊂若想解决这类问题,需要调整训练过程,或者采用更大规模㊁更准确的可用数据库㊂4㊀结束语基于降雨量㊁流域水量㊁土壤水含量和中小河流洪水事件,提出了一种基于LSTM模型的水库水位预测方法㊂该模型能够学习空间(降水中心)和时间(短时间和长时间)的依赖关系,并且利用了最优步长来提高预测精度㊂本文采用NSE㊁R2和RMSE 作为模型的性能评价标准,对LSTM模型进行评价㊂主要结论如下:首先,本文建议的LSTM模型性能明显优于MLP模型和CNN模型;其次,建议的LSTM 模型比MLP模型和CNN模型更稳定;最后,通过历史上的实际洪水事件测试,LSTM模型的洪水预报结果更加精确,说明了该模型对洪水过程中的关键节点具备预报能力㊂本文建议的模型主要应用于中小流域,在未来的工作中,将重点从以下3个方面进行算法改进和进一步研究:①在大规模流域中应用该模型;②对流域中的多个水库水位同时预测;③建立更多类型的时空相关性,对水库水位进行预测㊂参考文献[1]㊀武连洲,白涛,哈燕萍,等.水文序列变异对水库调度运行的影响研究[J].水资源与水工程学报,2016,27(4):88-92.[2]㊀杨光,郭生练,陈柯兵,等.基于决策因子选择的梯级水库多目标优化调度规则研究[J].水利学报,2017,48(8):914-923.[3]㊀冯钧,潘飞.一种LSTM-BP多模型组合水文预报方法[J].计算机与现代化,2018(7):82-85.[4]㊀周研来,郭生练,张斐章,等.人工智能在水文预报中的应用研究[J].水资源研究,2019,8(1):1-12. [5]㊀陈卓,孙龙祥.基于深度学习LSTM网络的短期电力负荷预测方法[J].电子技术(上海),2018,47(1):39-41.[6]㊀WANG W C,CHAU K W,XU D M,et al.Improving Fore-casting Accuracy of Annual Runoff Time Series UsingARIMA Based on EEMD Decomposition[J].WaterResource Management,2015,29(8):2655-2675.[7]㊀LEE G,LEE S,PARK H.Improving Applicability of Neu-ro-Genetic Algorithm to Predict Short-Term Water Level:A Case Study[J].Journal of Hydroinformatics,2014,16(1):218-230.[8]㊀要震,许继平,孔建磊,等.基于GA-Elman的河流水位预测方法研究[J].长江科学院院报,2018,35(9):34-37.[9]㊀范先友,李朝阳,杨传华,等.基于多元线性回归分析的水位短期预测方法[J].水运工程,2014(1):159-162.[10]张展羽,梁振华,冯宝平,等.基于主成分-时间序列模型的地下水位预测[J].水科学进展,2017,28(3):415-420.[11]YANG J H,CHENG C H,CHAN C P.A Time-series Wa-ter Level Forecasting Model Based on Imputation and Var-iable Selection Method[J].Computational Intelligenceand Neuroscience,2017(3):1-11.[12]ADAMOWSKI J,CHAN H F.A Wavelet Neural NetworkConjunction Model for Groundwater Level Forecasting[J].Journal of Hydrology,2011,407(14):28-40. [13]SEO Y,KIM S,KISI O,et al.Daily Water Level Forecas-ting Using Wavelet Decomposition and Artificial Intelli-gence Techniques[J].Journal of Hydrology,2015,520:224-243.[14]WANG D,BORTHWICK A G,HE G,et al.A HybridWavelet Denoising and Rank-set Pair Analysis Approachfor Forecasting Hydro-meteorological Time Series[J].En-vironmental Research,2018,160:269-281. [15]KULISZ M,KUJAWSKA J,PRZYSUCHA B,et al.Fore-casting Water Quality Index in Groundwater Using Artifi-cial Neural Network[J].Energies,2021,14(18):1-16.作者简介㊀㊀刘㊀威㊀男,(1980 ),毕业于东南大学信息与通信工程专业,博士,讲师㊂主要研究方向:人工智能㊁工业物联网㊂㊀㊀尹㊀飞㊀男,(1976 ),高级工程师㊂主要研究方向:水工自动化㊂. All Rights Reserved.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
Copyright © 2014 Chao Deng et al. This is an open access article distributed under the Creative Commons Attribution License, which permits unrestricted use, distribution, and reproduction in any medium, provided the original work is properly cited. In accordance of the Creative Commons Attribution License all Copyrights © 2014 are reserved for Hans and the owner of the intellectual property Chao Deng et al. All Copyright © 2014 are guarded by law and by Hans as a guardian.
水库水位预报模型研究
邓
1
超 1，刘
攀 1，伍朝晖 2，陈
旺2
武汉大学水资源与水电工程科学国家重点实验室，武汉 2 湖北省水文水资源局，武汉 Email: custdc@
收稿日期：2013 年 9 月 30 日；修回日期：2013 年 11 月 20 日；录用日期：2013 年 11 月 26 日
Table 2. Rainfall stations in Shuibuya reservoir 表 2. 水布垭水库流域雨量站点一览表
站号 1010 1210 1310 1610 1710 2110 2210 站名 新板桥 恩施 咸丰 茅田 建始 红土溪 花果坪 权重 0.05 0.18 0.11 0.05 0.07 0.13 0.08 站号 2410 2510 2910 4110 4410 4510 5010 站名 金果坪 野山关 利川 团堡 高坪 崔坝 水布垭 权重 0.07 0.04 0.07 0.09 0.02 0.02 0.02
3.1. 数据
本文以水布垭水库以上的集水区为研究区域，计 算过程中使用的资料如下： 1) 清江流域水布垭断面以 上 14 个雨量站 2011~2012 年的 1 小时段降雨资料； 2) 流域 4 个蒸发站 1989~2003 年的逐日蒸发资料； 3) 水布垭 2011~2012 年 1 小时水库运行资料； 4) 水布垭 水库水位库容特征曲线。 流域面雨量采用泰森多边形法进行计算，各站点 的权重值见表 2； 流 域 平均蒸发采用算术平均法计算。
3. 实例应用
水布垭水库是清江流域梯级开发的龙头水库，坝 址位于湖北省巴东县境内，集水面积为 10,860 km2。 水库正常蓄水位 400 m，对应库容 43.12 亿 m3，总库 容 45.8 亿 m3， 装机容量 1600 MW， 是以发电、 防洪、 航运为主，以及兼顾其他的水利枢纽工程。水布垭水 库显著增加了清江下游的隔河岩和高坝洲两座电站 的调频调峰能力，也是长江中下游防洪体系的重要组 成部分。因此，开展水布垭水库水位预报能够为水库 的正常运用和防洪提供保障。
摘
要：水库调度通过水位调控，达到兴利防灾的目的，因此开展水库水位预报具有重要意义。以三
水源新安江模型模拟降雨径流关系，利用水库调洪演算原理，构建水库水位预报模型。以水布垭水库 为研究对象开展实例研究，结果表明利用建立的水位预报模型无需反推入库流量，水位预报误差满足 水文预报精度要求，可有效指导生产实践。 关键词：水位预报；入库流量；新安江模型；水布垭水库
= Vt + Vt +1 I − O × ∆t
Z t = f (Vt )
2 1 层次
蒸发E
三水源新安江 模型
入库流量Q
水库调洪演算 原理 水库水位Z
出库流量q
Figure 1. Schematic overview of the water level prediction model 图 1. 水位预报模型流程图 Table 1. Parameters of the Xin’anjiang model 表 1. 新安江模型参数
3.2. 结果分析
为了评价模型的精度，使用以下指标： 1) 均方差 RMSE，该指标反映了模拟值与实测值之间的接近程 度， 最小的 RMSE 值表明模拟值对实测值的最佳逼近； 2) 绝对平均误差 MAE，反映模拟值相对于实测值的 偏离程度；3) 确定性系数 Ens，反映模型对实测水位 过程的拟合程度，其值越接近于 1，表明模型的效果 越好。三个指标的计算公式依次是：
N (Z sim ,i − Z obs ,i ) RMSE = ∑ N i =1
MAE = ∑
i =1 N
Table 3. Results of the water level prediction model 表 3. 水位预报模型结果统计
序号 1 2 3 4 5 时间 20110501~20110508 20110511~20110514 20110809~20110812 20111003~20111007 20111107~20111110 / RMSE 0.14 0.17 0.18 0.24 0.20 0.19 MAE 0.13 0.15 0.17 0.24 0.18 0.17 Ens 0.90 0.58 0.80 0.90 0.78 0.79
水资源研究 63
(3) (4) (5)
= F1
= F2
N
∑ ( Z obs − Z sim )
i =1
N
2
obs sim = i 1= i 1 = i 1
∑Z
−∑Z
N
∑ Z obs
N
OPEN ACCESS
Journal of Water Resources Research
2014. 3(1)
邓超，等：水库水位预报模型研究
水资源研究 OPEN ACCESS
62
Journal of Water Resources Research
2014. 3(1)
邓超，等：水库水位预报模型研究
水位预报研究。
降雨P
2. 研究方法
2.1. 模型的建立
本文利用三水源新安江模型[3]和水量平衡方程， 建立水库水位预报模型。模型的输入为流域面平均降 雨量 P 和流域平均蒸发 E，输出为水库水位 Z，水位 预报模型的流程见图 1。 自赵人俊教授等于 1973 年提出新安江水文模型 至今，该模型在国内外得到了广泛的应用，并取得了 良好的成果。本文采用三水源新安江模型，模型采用 分散性结构设计，分为蒸散发计算、产流计算、分水 源计算和汇流计算 4 个层次结构[4]。模型各层次的参 数及含义见表 1。 水库调度采用连续时段递推的方法进行计算，主 要是求解由水量平衡方程和水库蓄泄方程所组成的 方程组：
Study on Reservoir Level Forecasting Model
Chao Deng1, Pan Liu1, Zhaohui Wu2, Wang Chen2
1
State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan 2 Hydrology and Water Resources Bureau of Hubei Province, Wuhan Email: custdc@ Received: Sep. 30th, 2013; revised: Nov. 20th, 2013; accepted: Nov. 26th, 2013
方法 参数 WUM/mm 三层蒸发 模型 WLM/mm KC C WM/mm 蓄满产流模 型 B IM 参数含义 上层张力水容量 下层张力水容量 蒸发能力折算系数 深层蒸发折算系数 流域平均张力水容量 张力水蓄水容量曲线方次 流域不透水面积比 自由水蓄水容量 自由水蓄水容量曲线方次 自由水蓄水库对地下水的 日出流系数 自由水蓄水库对壤中流的 日出流系数 壤中流的消退系数 地下水的消退系数 河网蓄水的消退系数 河网汇流滞时 敏感性 不敏感 不敏感 敏感 不敏感 不敏感 不敏感 不敏感 敏感 不敏感 敏感 敏感 敏感 敏感 敏感 敏感
Journal of Water Resources Research 水资源研究, 2014, 3(1), 62-65 /10.12677/jwrr.2014.31010 Published Online February 2014 (/journal/jwrr.html)
等。其中水动力学方法计算复杂，而且需要详细的水 库水文地质资料；人工神经网络方法虽然具有较高的 精度，但结构具有不唯一性，收敛性较慢。 对于第一种方法，存在的主要问题是入库流量必 须由水库水量平衡方程反推，易呈现较大幅度的振荡， 甚至出现负值。针对该方法存在的问题，本文利用三 水源新安江模型和水库调洪演算原理，以确定性系数 为主要评价指标，建立水库水位预报模型，开展水库
(1) (2)
3 自由水蓄水 库结构
SM/mm EX KG KSS KKSS KKG 4 线性水库 CS L/h
式中， Vt ， Vt +1 为水库 t 时段初、末的蓄水量； I 为 t 时段平均入库流量； O 为 t 时段平均出库流量； ∆t 为 时段长；Z t 为 t 时段水库水位； f (*) 为水库水位库容 曲线。 对于式(1)中水库出库流量而言， 一般由几部分组 成，如发电流量、农业灌溉或生活用水供水流量、水 库弃水下泄流量，具体根据水库的功能和运用情况而 定。
2
0.5值； N 为 资料序列长度。
2.2. 目标函数的选取
在本次研究中，选取的目标函数不仅考虑模型对 水位过程的拟合效果，同时考虑实测值与模拟值的总 体偏差。将两个优化目标转化为单目标问题处理，得 到的目标函数如下所示：