人工神经网络与遗传算法在多泥沙洪水预报中应用.docVIP

人工神经网络与遗传算法在多泥沙洪水预报中的应用 翟宜峰1，李鸿雁2　刘寒冰3 (1.大连理工大学 水利土木学院； 2.北京理工大学 管理与经济学院；3.吉林大学 交通学院) 摘 要： 由于水沙作用机制和演进规律的复杂性，以及河道形态变化等因素，多泥沙洪水预报一直是 洪水预报的难点，对高含沙洪水快速、准确的预报是多年来国内外专家十分关注的课题。作者采用具有高度非线性识别能力的人工神经网络与遗传算法相结合的方法，探讨了建立智能 预报模型的基本方法，进一步对如何提高预报精度的问题进行了研究，并结合黄河洪水预报实例检验了神经网络模型的可行性。检验结果表明，该方法能够较好地识别多泥沙洪水的演进规律，对水位、流量和含沙量都能进行合理预报。 关键词：人工神经网络； 遗传算法； 多泥沙洪水预报； 多泥沙洪水预报精度 ?1　引言 我国多数河流汛期洪水含沙量较高，黄河和海河就是典型的多泥沙河流，河槽冲淤严重，洪水预报困难。只有正确认识高含沙洪水的水沙作用机制和演进规律，分析多泥沙河道河槽的演变趋势，实施较为准确的洪水预报和预警措施，才能较大限度减小洪灾经济损失。因此，对高含沙洪水快速、准确的预报是多年来国内外专家十分关注的课题。 目前，国内外对水沙机制的研究还没有取得突破性进展。实体模型试验代价较大，且存在相 似性问题，模型本身不能严格反映原河道演变和水沙演进机制；概化的数值计算模型难以较好反映实际复杂的水沙作用机制和自然边界条件。采用具有自学习功能的神经网络模型来研究水沙的作用机制，是一种全新的方法，已有大量有关这方面的研究成果［1～4］，为采用人工神经网络方法进行含沙量的预报提供了有益的参考。但是对于基于人工神经网络的水位、流量和含沙量等紧密相关水文要素的联合分析与研究的成果并不多见。本文在自然科学基金项目的资助下，结合在洪水智能预报中积累的经验［5～8］，以黄河历史水文资料作为数据支持，对高含沙洪水的智能预报方 法，以及如何提高预报精度进行了深入系统的研究，获得了合理的建模方法和相关参数的率定方法，为该领域的进一步研究提供了参考。 ２　多泥沙洪水智能预报的基本方法 多泥沙洪水预报包括两个方面：一是洪水过程预报；二是含沙量的预报。河道一个断面的水沙过程取决于上游的来水和来沙过程、河道控制边界和沿程水沙交换，因此，水沙预报模型必须能够反映河道的水沙交换机制。 ２.1　基本原理 神经网络的主要特征是自学习，通过对样本模式的学习模拟信息之间的内在机制。神经网络对河道洪水演进机制进行识别的实质，是通过选择适当的神经网络模型，逼近实际系统的动态过程。若以上游某断面的水文要素作为网络的输入，以下游某断面所形成的相应水文要素作为网络的输出，网络模型通过对历史水文资料的学习，就能对蕴含在该河段的水文规律进行映射。 设网络输入X＝［Ｘ1，Ｘ2，…，Ｘn］T表示上游断面的来流条件，输出Ｙ＝［ Ｙ1，Ｙ2，…，Ｙn］T表示下游断面的出流条件，期望输出Ｙｄ=［Ｙｄ1，Ｙd2，…，Ｙdn］T表示下游断面实测的水流情况，洪水演进机制可表示为从输入矢量Ｘ（ｔ）∈Ｒｎ到输出矢量Ｙ（ｔ）∈Ｒｎ的非线性 映射Ｎｅ，即 Ｎe:Ｘ（ｔ）∈Ｒｎ→Ｙ（ｔ）∈Ｒｎ (1) 误差指标为 E=∑‖e‖2=‖Ydk-Yk‖2(k=1,…n) (2) 可以采用误差反传播的ＢＰ算法来修改网络权重，使网络误差降低到足够小，以达到所需要的映射精度。ＢＰ算法是一种应用最为广泛的智能算法，其基本原理及运行方法这里不再赘述。 2.２　智能模型的建立 在多泥沙河道洪水智能预报模型中，水位、流量和含沙量相互联系，互相制约，所以将三个水文要素同时作为网络的输入和输出，即将上游水位、流量和含沙量作为网络的输入，下游相应的水位、流量和含沙量作为网络的输出，以历史洪水资料作为样本对网络进行训练，使网络识别出该河段的水沙演进规律，并将该规律贮存在网络权重中。如果已知河道上游的水位、流量和含沙量，完成训练的网络就会预报出下游的水位、流量和含沙量，洪水在河道中自上游至下游的传播时间即为网络的预见期。单一河道多泥沙洪水智能预报模型的结构示意图如图１所示。 图1　单一河道多泥沙洪水智能预报模型结构示意图Fig.1　Sketch of ANNS forecasting model for a single river 　　图中，ｔ为上游的起报时刻，Ｔ是网络的预见期。对于多泥沙河道水沙预报的建模思路是：构造神经网络模型，应用河道水沙资料进行模型训练，当训练精度达到要求时，神经网络模型就能在此精度下映射水沙演进机制。 ３　提高多泥沙洪水智能预报精度方法的研究 　　预报精度是检验一种方法是否可行的关键所在。这里结合大量的研究成果［9，10］，针对多泥沙洪水预报的专业规律，对如 何提高智能预报精度进行了系统深入的研究