[發明專利]一種小流域洪水自適應智能組網預報方法

有效

• 申請號: 202110479091.1
• 申請日: 2021-04-30
• 公開（公告）號: CN113221342B
• 公開（公告）日: 2022-05-17
• 發明（設計）人: 苑希民;王秀杰;何立新;羅鵬;張興源;田福昌
• 申請（專利權）人: 天津大學
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06Q50/06;G06F119/14
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 李素蘭

1.一種小流域洪水自適應智能組網預報方法，其特征在于，該方法具體包括如下步驟：

第一步：根據小流域地形數據和流域降雨產匯流特性進行子流域劃分，確定各子流域出水口；

第二步：收集子流域的水文地理要素，至少從中選取與洪水流量相關的四個指標包括子流域面積、平均坡度、降雨量以及前期降雨，構建神經網絡訓練數據集與測試集X、Y，并對數據集進行歸一化處理，歸一化處理公式如下：

X＝(x₁,x₂,x₃,x₄)^T

Y＝(y_o)^T

x₄＝f(r₁,r₂,r₃,r₄,r₅)

式中，X為輸入數據集，x₁,x₂,x₃,x₄為訓練集中各子流域的指標序列，Y為目標輸出序列，y_o為對應于輸入序列的各子流域出口徑流序列，r₁,r₂,r₃,r₄,r₅為降雨前一到五日的子流域中心降雨量，f()為映射關系，x₄為前期影響雨量，y為歸一化后的目標數據，x_max、x_min為原始數據中的最大值、最小值，y_max、y_min為目標數據的最大值、最小值，T表示矩陣轉置；

第三步：構建基于貝葉斯正則化的BP神經網絡，利用子流域的訓練數據集進行神經網絡模型訓練，選取均方差函數為性能函數，其中，n為樣本數量，y_i,t為預測值，y_i,o為目標值；利用測試數據集測試合格后，計算待預報子流域與資料稀缺子流域出口的洪水流量過程；

使用BP神經網絡進行訓練過程分為正向傳遞過程和反向誤差修改過程：正向傳遞過程中，輸入的訓練樣本數據從輸入層，經隱含層到輸出層逐層計算出輸出層神經元節點的輸出值；反向誤差修改過程中，計算訓練數據期望輸出與實際輸出之間的誤差，然后基于貝葉斯正則化對各層神經元參數進行優化調整以達到誤差允許值；詳細的優化流程如下：

樣本空間域S中的隨機樣本為 D₁,D₂,…,D_n，P(D_i)為事件D_i發生的概率，則對于任一事件x，P(x)為事件x發生的概率，則有：

式中，P(D_j|x)是后驗分布，D_j表示不確定的未知數據，P(x|D_j)是似然函數，P(D_j)是先驗概率，i，j表示樣本空間域S中的編號，n是樣本空間域中的樣本總數；

利用貝葉斯正則化算法通過最大化后驗概率估計參數w，得到w的最大似然估計結果w^*，公式如下：

w^*＝argmax_wp(D|w)p(w)

式中，為似然函數在參數向量w的情況下數據D出現的概率，p(w)為參數向量w的先驗概率，D為給定歷史數據；

第四步：基于馬斯京根-康格法構建小流域河道組網匯流模型，以各子流域洪水流量過程作為上游入流，計算河道洪水的演進過程和預報時段小流域出口的洪水流量過程，相關的連續方程和擴散形式動量方程如下：

式中，A為河道過水斷面面積，Q為河道流量，q_L為河道側向入流，t為時間，S_f為摩阻比降，S₀為底坡，x為沿河道水流方向的距離；y為水深；

進而得到對流擴散方程如下：

式中，c為波速，μ為水力擴散系數，B為水面頂寬；

第五步：計算小流域出口預報流量，根據小流域出口實測流量和預報流量，采用加權最小二乘法對河道匯流模型參數進行自適應率定，得到具有準確參數的小流域洪水自適應智能組網預報模型，流程如下：

(5-1)輸入各子流域出口的修正流量過程計算流域出口流量；ρ_i為流量匯入修正系數、Q_i為神經網絡預測流量過程；

(5-2)構建實測流量值與預報流量值之間的誤差函數；

(5-3)利用加權最小二乘法率定模型參數，得到誤差函數目標值；

加權誤差目標函數為：

其中，λ_i為加權因子，為子流域預報模型的計算輸出，為子流域預報模型的期望輸出，k為計算流量的總步數，t、o分別為計算輸出和期望輸出；

將E對ρ_i求導數，結果如下：

使求得誤差目標函數的最小值，確定河道匯流模型的側向入流修正參數ρ_i并代入流量修正公式和河道組網匯流模型，得到流域出口的流量過程；

第六步：利用已構建的小流域洪水自適應智能組網預報模型，輸入新的預報時段數據集，完成小流域洪水預報。