基于神经网络的希尼尔水库水位变化预测

陈立刚

(新疆额尔齐斯河流域开发工程建设管理局，新疆 乌鲁木齐 830000)

1 研究方法

水库运行政策在水库运行中非常重要，因为水库运行对社会和经济的影响巨大。水库运营商和规划师需要规划一个可用于确定决策的策略。水库的运行政策通常是根据以前的气象和水文数据制定的。在某些情况下，运营政策(也称为运营规则)通常用于拟建水库早期的规划层面。在水库运行中，决策是需要明智实施的重要程序之一，以平衡水的需求和供应，实现最佳的社会、经济和环境效益，水库泄水的早期决策问题通常发生在不可预测的天气条件下。因此，开发了一些决策程序，以确定水库系统中的最佳运行规则至关重要[1-3]。

本文以新疆地区的希尼尔水库为研究对象，希尼尔水库是新疆地区最大的多用途水库之一，位于新疆库尔勒市境内，水库隶属开孔河流域，是一座注入式反调节的平原水库，从孔雀河第一分水枢纽引水并经库塔干渠总干渠输水，尾闾接孔雀河阿恰枢纽。希尼尔水库与其他用途(供水和娱乐)一起用作洪水缓解。在本研究中，使用了2010—2019年的3600个日水库水位(WL)数据。数据经过预处理并标准化为-1～1的范围。水库水位的变化，即水位的上升或下降，影响水位的阶段性。表1根据专家分类和标称值显示了希尼尔水库大坝的水位。

表1 水位表示和标称值

该模型采用带偏差、学习率和动量的标准反向传播神经网络。模型采用基于水库水位阶段变化的时间模式。以水库水位和水位阶段的变化代替水库实际水位作为输入模式。水库水位的这些变化见式(1)：

ΔWLt=WLt-WLt-1

(1)

式中：ΔWLt为t时水库水位的变化；WLt为t时水库水位；WLt-1为t-1时水库水位。

每个数据集由N个输入列和1个输出列组成。N等于表示不同时间t、t-1、t-2、…、t-w的水库水位的窗口大小，其中t表示时间，w表示窗口大小。根据式(2)对输入进行归一化，以将值x变换为适合范围[C，D]。

(2)

式中：C为新的最小值；D的范围是[-1，1]。输出是t时水库水位的变化，其中，“1”表示有变化，“-1”表示无变化。

使用滑动窗口技术保存水库水位数据的时间信息，这个过程称为分段过程。在本研究中，形成了六个数据集，每个数据集表示不同的窗口大小。每个窗口大小表示未来的持续时间。例如，窗口大小为3表示未来3 d的时间。数据示例如表2所示，表3显示了为每个数据集提取的实例数。

表2 窗口大小3的数据示例

表3 实例数

将每个数据集随机分为三个数据集：训练集(80%)、验证集(10%)和测试集(10%)。训练集用于神经网络的训练阶段，而验证集用于在训练期间验证神经网络的性能。测试集用于在训练完成后测试神经网络的性能。在这项研究中，开发了六个神经网络模型，每个神经网络模型用一个数据集进行训练。每个模型都采用隐含层、学习率和学习动量的不同组合进行训练。当验证错误在几个时期内持续出现时，会执行提前停止。神经网络训练程序的目的是获得最佳的结果组合。

2 结果与讨论

神经网络训练、验证和测试的结果如表4所示。总体而言，训练的最低误差为0.136 307，验证和测试的最低误差为0。训练的最佳结果为92.62%，验证和训练的最佳结果均为100%。从训练、验证和测试中获得的最高和最低结果之间存在微小差异。因此，差异表明神经网络已经很好地学习了数据。在此基础上，选择数据集1作为水库水位阶段变化预测模型的最佳数据集。训练结果为92.5%，验证和测试结果均为100%，误差分别为0.150 001、0和0。数据集1由窗口大小为2的50个实例组成。

表4 训练、验证和测试结果

训练阶段获得的网络参数值如表5所示。对于数据集1，获得的最佳结果是学习率为0.7，动量为0.7，实现的最佳网络架构是4-17-1。本研究的发现表明，神经网络架构4-17-1在训练(92.5%)、验证(100%)和测试(100%)期间产生了可接受的性能，见图1。研究结果还表明，未来的最佳持续时间为2 d。建议对水库水位变化和水库水位阶段进行为期2 d的观察。

图1 训练、验证和测试的结果

表5 神经网络参数

3 结 论

水库水位已成为水库泄水决策的重要指标之一，其中,最主要的信息是水库水位的变化。基于神经网络模型对水库的水位进行了预测，其中,实现的最佳网络架构是4-17-1，预测未来的最佳持续时间为2 d。根据未来和当前水库水位的信息做出早期放水决策，早期放水对于为上游流入预留空间至关重要，此外，下游河流的容量将由释放的水量控制。因此，可以避免下游河流因水库大量放水而发生洪水的风险。水库水位的预测考虑了水位、降雨量和流量等历史数据的可用性。日降雨量和水位数据已用于多用途水库预测模型。因此，这项研究有助于预测水库水位的变化和水库水位的分期，从而有助于防汛抗旱。