基于神经网络的小型水库洪水预报研究

针对经验预测方法精度不高,传统水文模型应用至小型水库进行洪水预报工作量大、推广较难的问题,引入具有强大特征学习能力的人工神经网络(ANN)方法,结合遗传算法(GA)寻参,对小型水库进行洪水预报。利用GA实现ANN中时间步长和隐含层神经元节点参数自动寻优,可避免寻参盲目性,针对性地为各小型水库构建个性化洪水预报模型。通过构建反向传播(BP)、长短期记忆(LSTM)、门控循环单元(GRU)神经网络洪水预报模型,对实测洪水过程进行模拟对比试验。结果表明：LSTM模型预报精度高、稳定性良好,能学习并模拟实际洪水过程水位变化规律,预报性能优于BP和GRU模型。     

BP与LSTM神经网络在福建小流域水文预报中的应用对比

LSTM(长短期记忆)神经网络作为一种具有记忆能力的循环神经网络,能够学习时间序列数据间的状态特征,特别适合用于流域降雨径流预报。利用福建省延寿溪流域渡里水文站逐时降雨数据和逐时流量数据,分别采用模块化建模方法构建BP神经网络和LSTM神经网络,并采用集合预报均值的形式以避免模型训练中的参数局部最优解问题,进行未来1～24 h的逐时流量滚动预报。对比2个神经网络模型预报结果表明,LSTM模型整体预报效果优于BP模型,在滚动预报过程中预报精度的衰减速度大大慢于BP模型,1～24 h逐时预报的Nash效率系数为0. 968～0. 740,能够满足短期洪水预报精度要求。     

基于XAJ-DCH模型的五强溪库区洪水预报研究

由于沅水水系五强溪水库流域面积大，流量控制站少，且洪水进入库区后，洪水波的传播方式变化较大，因此五强溪水库近坝区的洪水预报难度大。为提高五强溪库区洪水预报精度，采用XAJ-DCH模型(Xin′anjiang Digital Channel Model)对近坝区2016～2020年间13场洪水进行模拟，模型河道汇流分别采用了非线性水库法和马斯京根法，根据两种汇流方法的特点制定了两种不同的洪水预报方案。模拟结果表明：XAJ-DCH模型中两种河道演算方法均表现良好且简单实用，13场洪水的确定性系数基本位于0.7以上。非线性水库方法相比于马斯京根法考虑了河段断面情况以及水力特性，能够体现洪水运动的时空变化，且只需要率定河道糙率，其他参数如河道坡降、河宽以及河段长均可根据数字高程模型进行估计；马斯京根法需要率定4个河道参数，但马斯京根法模拟结果相比于非线性水库方法稍好。研究成果可为科学有效开展库区洪水预报、提高预报精度提供参考。     

基于混合深度学习模型的洪水过程概率预报研究

传统的人工神经网络模型无法量化洪水预报的不确定性,而且在多时段连续预报中未考虑输出的时间相关性。本文通过融合新安江(XAJ)模型、基于外源输入编码-解码(EDE)结构的长短期记忆(LSTM)神经网络和混合密度网络(MDN),构建了XAJ-LSTM-EDE-MDN混合深度学习模型,以实现洪水过程概率预报。该模型在考虑预报洪水时间相关性的前提下,将解码过程产生的点估计转化为条件概率分布的估计;进一步采用最大似然估计法建立了损失函数,通过自适应矩估计(Adam)算法优选模型参数。在陆水和建溪两个流域的研究结果表明：该模型在不降低XAJ-LSTM-EDE模型预报精度的前提下,可有效反映预报洪水过程的不确定性,获得合理可靠的置信区间和优良的概率预报性能,为水库防洪调度等决策提供更多的风险信息,同时为研究深度学习在洪水概率预报中的应用提供参考。     

基于LSTM实时校正的WRF/WRF-Hydro耦合径流预报

为改进WRF/WRF-Hydro陆气耦合系统的径流预报效果,减小耦合系统在峰现时间、洪峰流量预报上的误差,本文在使用变分数据同化技术充分降低预报降雨误差水平的基础上,采用长短期记忆人工神经网络LSTM对WRF/WRF-Hydro耦合系统的径流预报过程开展了实时校正研究,并与自回归滑动平均模型ARMA实时校正结果进行对比。研究结果表明,通过数据同化技术可有效提升WRF模式降雨预报精度,降低WRF-Hydro模式的输入误差,但径流预报准确性仍有待提升。对比LSTM和ARMA两种实时校正模型对耦合径流预报结果的实时校正：在前3 h预见期,两种模型在中国北方半湿润、半干旱地区山区小流域6场典型洪水预报中的表现基本接近,除场次4外,LSTM和ARMA两种模型在3 h预见期的衰减速率分别为2.04~23.08和9.18~36.47,随着预见期的延长,LSTM径流预报精度的衰减速度在整体上慢于ARMA模型,预报效果优于ARMA模型。     

大流域洪水预报与洪水调度管理方法研究

采用水文学与水力学、确定与随机相结合的方法，研究大流域洪水预报与洪水调度管理。确定性模型采用降雨～径流模型的新安江模型和经验预报方案进行流域流量过程预报，一维非恒定流水力学方法进行河道流量与水位以及蓄滞洪预报。随机模型采用线性动态模型进行下断面水位实时预报，最小二乘递推模型进行误差实时校正。以长江支流修水流域为例，采用新安江模型、经验方案进行万家埠与柘林水库入库洪水预报作为水力学计算的上边界条件，采用一维非恒定流水力学方法进行河道洪水流量、水位计算以及分洪计算。该方法为流域的防洪减灾提供了科学的途径。     

陆水水文自动测报系统与水库防洪

对闭合流域来说,水库防洪调度必需依赖于及时、准确、全面和完整的水情情报。陆水流域内的陆水水库防洪调度及洪水预报,以前是靠人工观测站点通过邮局发送来的水情数据,这些数据存在不少弊端如:资料不完整、数据不全面,预报不及时这是人工预报最大的弊端。陆水流域属山溪性流域,汇流时间较短,常常是洪水已进库,水报还未收到给洪水预报和水库调度造成困难,这时只能凭借水库水位的涨率推算入库流量进行被动调度。     

陆水水库“98.7”洪水调度

通过对陆水水库“98.7”洪水调度过程的分析,说明了提高水库入库洪水预报的及时性和准确性,增长预报预见期,开展预报调度,是最大限度地发挥水库防洪保安作用的重要工作和根本保证。凡与水库防洪有关的部门,应顾全大局,密切配合,以使决策顺利实施,力争防汛主动。     

皂市水库施工洪水预报模型

皂市水利枢纽工程2005年4～5月度汛方案只有导流洞泄洪,本施工洪水预报调度模型分析了皂市水文站1953～2003年51 a的实测资料中4～5月的洪水系列,求出分期各频率设计洪水及典型洪水过程,根据库容曲线及导流洞的泄洪能力曲线,在3种不同起调水位下调洪计算出最高水位及最大下泄流量,据此建立相应的皂市水库施工期最高库水位预报模型.     

西大洋水库防洪预报预泄调度风险问题研究

根据西大洋水库流域的水文特征，建立水库防洪调度模型；通过分析水库预泄调度可能产生的影响，建立了预泄调度风险评估模型。实际应用表明：对于10年一遇和20年一遇的设计洪水，若采用200m³/s或400m³/s的预泄流量，预泄时间可以选定为12h，24h，36h，48h，60h，72h；对于50年一遇以上的洪水，可以采用较大的预泄流量，由于来水量充足，水库能够及时恢复至汛限水位；对于较大重现期的洪水，水库进行预报预泄调度是非常必要的，所发挥的防洪效益也比较明显，为水库的调度管理提供了依据。     

枫树坝水库洪水实时预报校正方法研究

枫树坝水库降雨径流概念性模型的建立及其自动采集系统的完善，为枫树坝水库洪水实时预报校正研究提供了前提条件。概念性水文模型考虑因素尽管样全面，但汇流经验单位线计算流量过程精度有待提高。基于洪水预报误差信息，对一价自回归模型自适应递推、二阶自回归自适应递推和卡尔曼滤波校正方法进行研究分析。实际洪水与模拟计算结果对比分析表明，二阶自加归递推和卡尔曼滤波校正计算方法提高了洪水预报精度。     

基于流溪河模型的乐昌峡水库入库洪水预报模型研究

采用流溪河模型构建乐昌峡水库入库洪水预报模型,通过"粒子群(PSO)"算法优选模型参数,并对实测洪水过程进行了模拟,对比模型性能。研究发现,采用流溪河模型的乐昌峡水库入库洪水预报性能优良,可满足乐昌峡水库入库洪水预报对精度的要求;模型参数优选可明显提高乐昌峡水库入库洪水预报流溪河模型的洪水模拟精度;"粒子群"算法具有很强的全局优化能力,快速的计算收敛能力,参数优选中种群进化次数在30次以内;乐昌峡水库的建成运行产生了一定的水库洪水效应,10场洪水平均峰现时间提前1.3 h,次洪径流系数增加1.596%,洪峰流量增加0.207%。该模型可用于同类水库入库洪水预报。     

模糊数学在陆水水库退水预报中的应用

对洪水的退水过程进行预报,对合理利用洪水资源具有重要意义。影响洪水退水过程的因素很多,为了做好洪水退水预报,需要对各影响因子进行分类研究。以陆水水库为例,在进行影响因子聚类分析时,联合采用了模糊等价关系聚类法与模糊软划分求聚类中心法,较好地利用了两者的优势。将基于影响因子聚类分析基础上建立的陆水水库洪水退水预报方案应用到实际工作中,取得了较好的效果,退水过程的预报值与实际发生值较为接近,合格率较高。     

新安江参数移植法在沿海中小水库入库洪水分析中的应用

运用中国洪水预报系统，采用新安江参数移植法对石康水库建立入库洪水预报方案，以2021年4月26日洪水为例，开展石康水库入库流量过程预报，并联合规程调度，预报水库最高库水位及库容，为沿海地区中小水库开展入库洪水分析及预报提供参考。     

多种水文预报模型在婺源地区的模拟分析

以江西婺源地区为研究区域,选取新安江模型、BP神经网络模型、基于土壤水动力学的洪水预报模型和GR3模型,对2017年以来18场洪水分别进行模拟,并从确定性系数、场次洪水合格率等方面进行综合比较分析。结果表明：4种模型在婺源地区效果均较好,平均确定性系数均超过0.8,其中以BP神经网络模型0.977为最高;场次洪水合格率均超过60%,新安江模型和GR3模型洪水过程模拟效果相当。在实际预报中可采用多模型相结合的方式进行综合分析,进而提升洪水预报精度。     

随机森林算法在西江洪水预报中的应用研究

以西江迁江站、柳州站和武宣站1952—2005年实测洪水数据为基础，通过分析上下游站点洪水流量的相关关系选取洪水预报特征因子，采用随机森林算法建立了武宣站洪水预报模型。结果表明：模型率定期预测的武宣站12～48 h洪水过程确定性系数大于0.98、合格率大于98%,验证期预测的12～24 h洪水过程确定性系数大于0.72、合格率大于82%,预报精度较高，预报结果不确定性较小，可为洪水预报提供方法参考。     

安康水库智能化洪水预报系统

安康水库是汉江上游流域主要控制型水库,对汉江上游的防洪起着决定性的作用,所以安康水库洪水预报准确性将影响汉江上游防洪的决策。为此研究了基于LSTM的智能化洪水预报模型,并开发了基于B/S模式的系统软件,通过与传统的新安江模型比较,得到了更为满意的结果,表明研究的模型及开发的系统软件在水文预报领域具有先进性。     

新安江模型与水箱模型在马家沟水库洪水预报的适用性研究

洪水预报是重要的非工程防洪措施之一,是防洪指挥决策的主要依据。为避免单一模型预报结果的不确定性,以城固县马家沟水库为对象,应用新安江模型和水箱模型分别模拟了2019—2021年流域日径流和次洪水过程,并结合遗传算法率定优化的模型参数比较了模拟结果与精度。日模方面,水箱模型的模拟效果更优,洪量相对误差小于16%,洪峰相对误差小于4%,峰现时差小于1 h, Nash-Sutcliffe效率系数大于0.58,均达到了《水文情报预报规范》的评定精度要求,且对于水库大洪水的模拟效果也较为理想。次模方面,2个模型的峰现时差表现相当,新安江模型的模拟效果更平滑,水箱模型的洪量和洪峰模拟更贴近实测流量过程。整体来看,水箱模型比新安江模型更适合马家沟水库的洪水预报。     

基于降水分布的相应流量法在水库洪水预报中的应用

相应流量法是在河道上下游断面进行洪水预报的一种常用方法,根据河道洪水波运动原理,分析洪水波上任一位相流量沿河道传播过程中在流量值与传播速度上的变化规律。文章根据区间入库控制站的流量与水库坝址区间入库流量建立相关关系,并对降水分布对相关系统的影响进行分析,提出基于降水分布的相应流量法在水库洪水预报中的应用,实现快速、便捷预报水库入库洪峰流量,预报精度较高,可为水库实时调度提供参数依据。     

基于BP神经网络的贝叶斯概率水文预报模型

本文在贝叶斯概率水文预报系统(BFS)框架之上，研究了双牌水库水文预报的不确定性，建立了流量先验分布及似然函数的BP神经网络模型，并通过Markov链Monte Carlo(MCMC)方法求解得到流量后验分布及其统计参数。通过对双牌水库历史洪水的研究结果表明，基于BP神经网络的BFS不仅显著提高了预报精度，而且为防洪决策提供了更多的信息，使得预报人员在决策中能考虑预报的不确定性，定量的估计各种决策的风险和后果。