沁水县水库洪水水位及流量智能化预测研究

张李拴

(沁水县水务局，山西 晋城 048200)

0 引言

随着气候变化影响，北方地区发生洪涝灾害的风险性增加。水库洪水水位和流量变化对水利工程的运行和管理具有重要影响，准确预测水库洪水水位及流量变化是保证水利工程安全和科学管理的关键。传统的洪水预测方法主要依赖于经验公式和数学模型，但由于洪水过程的复杂性和不确定性，传统方法在预测精度和实时性方面存在一定局限性。为提高预测精度和时效性，需将创新智能化技术手段将用于水位及流量监测。

智能化预测方法的引入和应用，可以有效地提高水库洪水预测的精度和可靠性[1]。一些研究人员提出了解决应用领域中不同问题的新方法[2]。例如用于分类水下电缆图像的深度卷积神经网络，用于特征提取和故障检测的堆叠自动编码器和长短期记忆的混合方法，用于维护优化的协同进化多目标粒子群优化方法[3]。还有学者研究了使用小波变换来预测提前七天进入水库的每日流量[4]。综上，利用大数据处理和分析技术、机器学习算法和人工智能等技术，可以深入挖掘洪水水位及流量的变化规律与关联因素，建立准确的预测模型。帮助水利工程管理部门合理调度水位，减少洪水带来的损失和灾害。

多数研究人员都讨论了一种新的处理和分类方法，但对提高数据缩减方法准确性的研究相对较少[5-7]。为了克服计算复杂性，提高预测精度。文章提出一种基于神经网络和小波变换的水库流量预测组合方法。从小波处理的信号和数据中提取一些特征向量，该步骤降低了算法的复杂性并提高了准确性。此外，通过使用这种方法，减少神经网络输入数据量的特征提取提高了预测的准确性，甚至减少了处理和训练时间。此外，它还可以使用特定范围内所有数据的属性，这与仅考虑前几天的引用不同。这种方法侧重于通过提出新的WNN模型并将其应用于每日，每周和每月的时间尺度来提高准确性并降低水库流量预测的风险，应用每天、每周和每月数据，尝试改进短期、中期和长期水库流量的预测。文章通过提出的改进方法，提供更准确的工具，帮助决策者规划可持续水资源和防洪。智能化预测研究在水资源管理、防洪减灾、生态环境保护等领域具有广泛的应用价值，通过准确预测水库洪水变化，合理规划水资源利用和布局防洪工程。开展张峰水库洪水水位及流量智能化预测研究具有重要的实践意义和理论价值，能够为水利工程管理和决策提供科学依据，推动水利工程的智能化发展。

1 工程概况

沁水县张峰水库所处的流域为耍水河流域，也是洪河的支流清水河的上游。流域总面积约为866.8km2，沿河流域分布有部分耕地、林地和草地。流域地势较为平缓，海拔在500～1200m之间。在水库工程方面，沁水县张峰水库总库容为5000万m3，正常蓄水位为780m，死水位为744m。水库的主要建筑物包括挡水坝、泄洪道、取水口等。其中挡水坝型式为矮坝土石坝，坝高36m，坝顶宽度为6m，坝身由黏土、填石料和碎石等组成。目前，张峰水库在水环境管理、安全应急处置等方面缺乏信息化手段来支撑，缺乏条件可持续水资源和防洪的技术手段。需开展智能化预测研究应用于水资源管理、防洪减灾、生态环境保护等多个领域，通过准确张峰预测水库洪水变化，合理规划水资源利用和布局防洪工程。

2 预测模型的建立和算法

2.1 小波神经网络

基于小波的神经网络是小波和神经网络2种理论的结合，既具有神经网络的优点和特征，又具有小波和多尺度分析的灵活性和可靠性。

建立小波神经网络模型，连续小波簇计算式为：

(1)

连续函数的小波变换计算式为：

Wa，b(f)=f(a，b)=(ψa，b(t)，f(t))

(2)

式中，a—扩展参数，与频率成正比；b—传输参数，与时间成正比。

2.2 混合小波神经网络算法

结合小波理论和径向基函数(RBF)神经网络是可选非线性函数预测的良好替代方案。RBF隐藏层中具有激活函数，而在小波神经网络中，小波函数被认为是RBF网络的隐藏层激活函数。在神经网络中，传输参数、缩放参数及其权重都得到了优化。训练和验证WNN的重要步骤如下：①将输入数据分2组用于网络训练和测试；②应用适当的传递系数与尺度函数后满足上述条件，将原始波分解为小波；③使用不同类型的小波取代隐藏层神经元中的激活函数；④对建立的WNN使用网络数据集的一组数据进行训练；⑤通过分析验证数据检查小波网络的整体性能，以达到网络性能的满意度结束训练阶段。否则将重复前面的步骤，直到达到最佳条件。由输入层、隐藏层和输出层组成的混合小波神经网络布局如图1所示。

图1 三层WNN的布局

所提方法的模型结构如图2所示。

图2 所提方法结构

共包括3个主要子模型，分别是小波、特征提取和人工神经网络模型，其中小波模型的输出不分解，作为神经网络模型的输入应用。

混合WNN模型的流程如图3所示。输入信号分解后转换为所需的小波系数，然后将这些时间序列中具有不同作用的子集传递到下一个ANN模型，且所有子集都必须作为神经网络的输入进行维护。

图3 混合WNN法的流程

混合WNN模型的预测流程如下：以410×12矩阵的形式获得数据，输出为8个层次进行小波分析。从获得信号中提取7个特征向量输入，以矩阵形式输出给ANN进行调谐。根据所提出模型的一系列信号进行不同级别的小波分析，并从小波输出中提取一系列特征向量。这种预测方法使得数据输入数量减少，处理速度提高。

3 预测结果分析

本节分析了提出的新模型在张峰水库流量预测的应用效果。指定了模型的框架及其输入过程，对张峰水库流量进行预测。在实际建模过程中，由于训练数据集中包含流量较高，所以时间序列中零值用0.001代替。皮尔逊相关系数的平方值是决策系数。因此，决策系数的频谱在0～1之间。均方根误差和平均效率方程使用如方程(3)～(5)计算：

(3)

(4)

(5)

式中，Qobs和Qsim—流量的平均观测和预测的时间序列。

预测应用时可选择最佳成功准则，使得效率系数和承诺系数对峰值流量的响应非常迅速。

模糊小波神经网络模型的计算结果见表1。

表1 混合小波神经模糊模型的计算结果

提出的混合小波神经模糊模型性能预测良好，相比以前的方法具有更高的速度和准确性。使用混合小波神经模糊模型预测得到的每月所有数据、相关系数、散点图和RMSE如图4所示。

图4 神经网络训练的月数据结果

图4左图显示了每月的径流量预测值，右图显示了相关性(R)值。由图4(c)可知，相关性值达到了0.99869，预测效果十分出色。在图4所示的曲线中没有观察到散射现象。使用小波神经网络对洪水流量的原始数据处理显著提高了预测精度，尤其是峰值流量的预测精度。

4 结论

与同类方法不同，该模糊小波神经网络数据分析方法在小波处理后不直接应用于神经网络。根据测试获得每个信号的标准偏差、能量和最大值，达到了流量预测效果。模糊小波神经网络预测模型的提出，有效降低了张峰水库洪水流量预测的复杂程度并进一步提高了预测精度。这项研究结果对水库流量预测研究提供很大帮助。流量智能化预测研究具有重要的实践意义和理论价值，为水利工程高效管理和工程结构防灾减灾提供了科学的依据，进一步推动了沁水县水利工程的智能化建设与发展。