耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法技术

一种耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法，包括：构建水利工程建成后下游河道断面流量模拟预测模型；利用长时间流量序列进行模型参数训练及精确度验证；输入水库正式建成运行之前的下游河道关键断面水文站历史时刻流量，模拟预测目标水文站在预见期以内的流量过程值；利用目标水文站最新拟合的目标水文站水位与流量之间的关系，反算预测在现状河道河床特征下目标水文站在建库前历史流量过程所对应的预见期以内水位值过程。本发明专利技术充分捕捉目标水文站与上游水利工程代表水文站决策信息、上游相邻水文站之间长序列流量样本的相关关系，以较低建模成本、较高模拟精度预测目标水文站在当前河床工况下的水位值。前河床工况下的水位值。前河床工况下的水位值。

【技术实现步骤摘要】
耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法


[0001]本专利技术涉及水库调度
，具体是一种耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法。

技术介绍

[0002]由于水利工程修建、河道岸线治理、泥沙等多因素导致河床形态是一直处于动态变化过程中，而较远历史数据的水位流量关系反映的是过去的河床环境状态，因此，在现状河床环境工况下利用较远历史数据进行模拟研究有一定失真。但河道水位精确预测对开展上游水利工程及下游湖泊制定调度决策、沿河取水工程供水安全等均具有十分重要的现实意义。
[0003]目前，若开展水利工程修建等因素影响之前的河道历史来水情景下的下游河道断面水位模拟预测研究，一般采用两种构建模拟模型的研究思路：其一，收集河道断面形态资料、糙率等反映河床形态参数，利用传统一维或二维水力学模型构建河道演进模型；其二，根据收集的目标水文站长序列水位资料，利用随机水文学或数据驱动方法构建模拟模型。然后输入水利工程修建等因素影响之前的河道历史来水情景，从而利用构建的模拟模型预测计算目标断面(通常用水文站数据表征)的水位过程。
[0004]综上，在现有的技术中存在如下问题：(1)利用传统水力学模型可较好的反映河床形态，若模型输入的参数精准合理则预测效果较为真实，可较好地反映，在当前河床形态下，若发生水利工程修建等因素影响之前的河道历史来水情景下河道各断面的水位情况预测，但构建模型所需的数据样本需求大且实际收集过程困难、模型构建成本较高；(2)利用随机水文学或数据驱动方法构建河道水位预测模拟模型的研究思路，模型构建成本较低、但无法辨析或剥离水利工程修建等因素对河道演进关系的影响，针对较久远或水利工程修建以前的河道来水情景下的水位预测模拟效果相对较差，甚至容易失真。

技术实现思路

[0005]本专利技术是为了解决上述问题而进行的，目的在于提供一种耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法，该方法能够充分捕捉目标水文站与上游水利工程代表水文站决策信息、上游相邻水文站之间长序列流量样本的相关关系，并利用目标站自身水位流量关系以较低建模成本、较高模拟精度预测目标水文站的水位值，从而为河道上游水库或下游带闸门控制的湖泊制定调度决策、沿江取水口工程正常供水提供关键的参数支撑，从而更合理配置河道内上下游不同空间内的水资源利用。
[0006]本专利技术提供了一种面向多方用水需求的水库与引调水工程联合供水调度方法，包括以下步骤：
[0007]步骤1，利用循环神经网络方法构建建库以后的水库下游河道关键断面水文站的流量模拟预测模型；
[0008]步骤2，采用水库正式建成运行以后的各水文站长时间流量序列为数据样本，对步骤1构建的水库下游河道关键断面水文站的流量模拟预测模型进行参数训练及精确度验证，得到训练后的流量模拟预测模型；
[0009]步骤3，利用步骤2训练后得到的流量模拟预测模型，输入水库正式建成运行之前的下游河道关键断面水文站历史时刻流量，模拟预测目标水文站在预见期以内的流量过程值；
[0010]步骤4，以步骤3得到的目标水文站在预见期以内的流量过程值为输入，结合该目标水文站最新拟合的目标水文站水位与流量之间的关系，反算预测在现状河道河床特征下，该目标水文站在建库前历史流量过程所对应的预见期以内水位值过程，从而实现河道水文站在建库前历史流量过程对应的水位还现计算。
[0011]进一步的，步骤1具体包括：
[0012]步骤1
‑
1，以水库建设所在河道为研究对象，选取水库下游河道内的多个关键断面水文站为模拟预测目标水文站点集，所述水文站点集包含水库出库断面水文站、目标水文站、目标水文站相邻上游水文站；
[0013]步骤1
‑
2，利用循环神经网络方法构建水库出库断面水文站流量与下游河道关键断面水文站流量之间的模拟预测模型，假设预测时段记为t1,t2,...,t
F
，其中t
F
为预见期长度，所述模拟预测模型的输入参数包括水库出库断面水文站和下游河道预测目标水文站的历史时刻流量序列、预测目标水文站相邻上游水文站的历史时刻流量序列，对应历史时刻均为t0‑
H
,
…
,t0‑1,t0，其中t0为当前时刻，t0‑
H
为历史H天前对应时刻，H设置不固定，具体根据拟合效果来设定。
[0014]进一步的，步骤2具体包括：
[0015]步骤2
‑
1，以水库正式建成运行时间为节点，将河道水文站长时间流量序列资料划分为建库前、建库后两个时段，分别记为N1和N2；
[0016]步骤2
‑
2，将河道水文站在建库后长时间流量序列N2按照2：8的比例划分为训练集和验证集，对步骤1构建的流量模拟预测模型进行参数率定及模拟精确度验证。
[0017]进一步的，其特征在于：步骤3具体包括：
[0018]步骤3
‑
1，以河道水文站在建库前流量序列N1为历史流量过程样本，选取某一年历史流量过程为例，作为历史流量过程下目标水文站水位还现计算的输入数据；
[0019]步骤3
‑
2，利用步骤2训练后得到的流量模拟预测模型，预测目标水文站在预见期以内的流量过程值。
[0020]进一步的，其特征在于：步骤4具体包括：
[0021]步骤4
‑
1，根据目标水文站收集到的最新年份的水位流量数据进行拟合，并采用函数表达式描述目标水文站水位与流量之间的关系，从而反映建库以后当前河床状态下的目标水文站所在断面的水文流量关系；。
[0022]步骤4
‑
2，将步骤3预测得到的目标水文站在预见期以内的流量过程作为输入项，结合步骤4
‑
1拟合得到的描述目标水文站水位与流量之间的关系的函数表达式，反算预测在现状河道河床特征下，该目标水文站在建库前历史流量过程所对应的预见期以内水位值过程。
[0023]与现有技术相比，本专利技术的有益效果在于：
[0024]本专利技术提出了一种耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法，该方法能够充分捕捉目标水文站与上游水利工程代表水文站决策信息、上游相邻水文站之间长序列流量样本的相关关系，并利用目标站自身水位流量关系以较低建模成本、较高模拟精度预测目标水文站的水位值，从而为河道上游水库或下游带闸门控制的湖泊制定调度决策、沿江取水口工程正常供水提供关键的参数支撑，从而更合理配置河道内上下游不同空间内的水资源利用。
附图说明
[0025]图1是本专利技术实施例提供的一种耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法的流程示意图；
[0026]图2是本专利技术实施例中建库前某断面水位流量关系拟合曲线；
[0027]图3是本专利技术实施例中建库后某断面水位流量关本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法，其特征在于，包括以下步骤：步骤1，利用循环神经网络方法构建建库以后的水库下游河道关键断面水文站的流量模拟预测模型；步骤2，采用水库正式建成运行以后的各水文站长时间流量序列为数据样本，对步骤1构建的水库下游河道关键断面水文站的流量模拟预测模型进行参数训练及精确度验证，得到训练后的流量模拟预测模型；步骤3，利用步骤2训练后得到的流量模拟预测模型，输入水库正式建成运行之前的下游河道关键断面水文站历史时刻流量，模拟预测目标水文站在预见期以内的流量过程值；步骤4，以步骤3得到的目标水文站在预见期以内的流量过程值为输入，结合该目标水文站最新拟合的目标水文站水位与流量之间的关系，反算预测在现状河道河床特征下，该目标水文站在建库前历史流量过程所对应的预见期以内水位值过程，从而实现河道水文站在建库前历史流量过程对应的水位还现计算。2.根据权利要求1所述的一种耦合循环神经网络与河道水位流量关系反算建库前来水情景下河道水位的预测方法，其特征在于：步骤1具体包括：步骤1
‑
1，以水库建设所在河道为研究对象，选取水库下游河道内的多个关键断面水文站为模拟预测目标水文站点集，所述水文站点集包含水库出库断面水文站、目标水文站、目标水文站相邻上游水文站；步骤1
‑
2，利用循环神经网络方法构建水库出库断面水文站流量与下游河道关键断面水文站流量之间的模拟预测模型，假设预测时段记为t1,t2,
…
,t
F
，其中t
F
为预见期长度，所述模拟预测模型的输入参数包括水库出库断面水文站和下游河道预测目标水文站的历史时刻流量序列、预测目标水文站相邻上游水文站的历史时刻流量序列，对应历史时刻均为t0‑
H
,
…
,t0‑1,t0...

【专利技术属性】
技术研发人员：张晓琦，王冬，王永强，许继军，杨苑，姜庆琛，
申请(专利权)人：长江水利委员会长江科学院，
类型：发明
国别省市：