基于不同算法的SWMM模型参数率定与应用

朱鹏斌

(邢台襄禹水利勘测设计有限公司,河北 邢台 054000)

近年来,随着国内经济的发展,我国城镇化率越来越高,截至2019年,我国城镇化率已超过了61%。城镇化的建设形成了排水管道和不透水地面的常态化,使区域径流增量得到了增加,在一定程度上增加了城市发生内涝的风险[1-2]。城市内涝的频繁发生,极大影响了居民生命和财产安全。为降低城市内涝发生的频率,国外学者于2015年首次提出了低影响开发LID理念[3],强调了在城市建设过程中需重点关注对区域径流的分散和吸收。该理念的提出对增加城市蓄洪防涝能力有着十分重要的意义。

暴雨径流管理模型(SWMM)[4]是一种应用于城市雨水管理和LID措施实施的重要模型,目前在城市内涝研究中已取得了一定的进展。陈曦等[5]基于SWMM模型对区域市政道路的径流量和水质情况进行了分析,研究得出了不同水质指标随着降雨历时的变化规律,指出了区域水质指标的削减情况不明显;吕金燕等[6]基于SWMM模型对城市的排水能力和内涝风险进行了评估,研究表明内涝中、高风险区主要集中在城乡接合部的中下游地区;王建富等[7]、王昊等[8]均证明了SWMM模型的科学性。

由于SWMM模型涉及的参数较多,参数取值的准确性将直接影响SWMM模型的运行效率。常用的参数率定方法主要包括人工试错法和模型率定法,人工试错法耗时长、精度低,无法快速实现模型参数的确定。目前,遗传算法[9]、GLUE法[10]等已用于SWMM模型参数率定中,但这些算法由于SWMM模型特有的线性结构,导致无法发挥算法功效,影响率定效率。BP神经网络模型是一种具备反馈功能的机器学习算法,该模型可有效提高参数率定的速率,但传统的BP模型易产生局部极值,限制了模型的适用性[11-12]。为找到SWMM模型参数快速率定的方法,本文基于优化的BP神经网络模型,采用Matlab软件进行数据处理,并将率定后的模型应用于实际区域雨洪模拟中。

1 研究方法

1.1 研究区域概况

研究区域选择河北中欧绿色产业园,产业园地属温带大陆季风气候区,借助产业园平面图,结合研究区域下垫面基本情况,将区域划分为27个汇水区,基本情况见图1。

图1 研究区域汇水区概况

1.2 SWMM模型相关参数

SWMM模型是由美国开发的暴雨洪水管理模型,该模型主要包括了降雨模型、产流模型和汇流模型三大部分。为实现SWMM模型与机器学习模型的混合调用,将SWMM与Matlab程序相结合,实现对SWMM模型参数的自动率定。SWMM模型需率定的参数及含义见表1[13]。

表1 SWMM模型参数及取值范围

1.3 优化BP神经网络模型构建

麻雀搜索算法(SSA)[14]基于麻雀觅食为原理,将训练种群分为发现者、加入者和警戒者三大类。但传统的SSA算法易陷入局部最优解中,因此需增加种群的多样性。在传统SSA算法中引入T分布,在算法迭代寻优过程中,利用自适应T分布追寻发现者、加入者和警戒者的位置,增加种群多样性,改进SSA算法优化BP模型(TSSA-BP)的具体步骤如下:

a.对发现者、加入者和警戒者的位置进行初始化处理,计算个体适应度值并排序。

b.对发现者、加入者和警戒者进行更新。

c.当种群个数小于输出值个数时,引入T分布进行种群变异处理。

d.重新计算个体适应度值,并更新位置。

e.如果达到最大迭代次数,则输出结果;反之,则重新计算。

本文采用霍顿下渗模型对降雨径流进行模拟,选择区域实测降雨径流数据作为模型输入值。实测降雨数据采用产业园雨量筒测定,径流数据在区域排水出口处测得。将TSSA-BP模型应用于SWMM模型参数率定中,为证明率定后的SWMM模型的精度,将本模型计算结果与SSA-BP模型、粒子群优化BP模型(PSO-BP)、遗传算法优化BP模型(GA-BP)、BP模型和人工率定等5种方法率定后的SWMM模型精度进行对比,得出SWMM模型参数率定的最优方法。

2 结果与分析

2.1 参数率定结果

利用区域实测降雨径流数据,经不同模型的映射关系得出的最终SWMM模型的参数结果见表2。在表2中可以看出,不同机器学习模型的参数率定结果有所差异,但较人工率定方法而言,差距较小,人工率定方法无法获得较精确的参数数值。

表2 不同模型率定的SWMM模型参数结果

2.2 模型验证

将参数率定后的SWMM模型应用于城市雨洪模拟中,模拟出的径流变化趋势见图2。在图2中可以看出,不同参数率定方法率定后的SWMM模型模拟的径流结果变化趋势总体一致,不同模拟结果的径流峰值均发生在降雨峰值之后的15min左右,其中TSSA-BP模型率定下的模拟结果与实测径流的变化趋势最为接近,其次为SSA-BP模型。传统的BP模型和人工率定方法虽可模拟出径流,但变化趋势与实测值差距较大,无法满足精度要求。

图2 不同重现期不同率定方法降雨径流变化趋势

为进一步验证不同率定方法的精度,以相对均方根误差RRMSE、相对误差RE、决定系数R2和纳什系数NS共同组成精度指标评价体系,评价不同模型模拟结果的精度。不同模型模拟径流的精度对比见图3。在图3中可以看出,在不同重现期下,TSSA-BP模型率定后的SWMM模型均表现出了较高的精度,该模型在两种重现期下的RRMSE分别为2.87%和3.14%、2.72%和3.15%,RE分别为3.46%和3.60%、3.36%和2.88%,R2分别为0.974和0.972、0.984和0.982,NS分别为0.974和0.974、0.942和0.962。优化后的BP模型率定效果明显优于BP模型和人工率定方法。

图3 不同重现期不同率定方法SWMM模型模拟径流精度指标对比

3 结 语

本文基于T分布优化的SSA算法改进BP模型,构建出TSSA-BP模型用于SWMM模型参数率定中,将率定后的模型应用于城市雨洪径流模拟中,取得了较高的模拟结果,率定后的SWMM模型模拟的径流随时间的变化趋势与实测值最为接近,同时与实测值的RRMSE和RE均在3.6%以下,R2和NS均在0.9以上,表明经TSSA-BP模型率定后的SWMM模型可行性和稳定性较高,可为今后SWMM模型的进一步应用提供依据。