小浪底至花园口区间含沙量人工神经网络预报方法的研究.docVIP

小浪底至花园口区间含沙量人工神经网络预报方法研究 摘要：本文对小浪底至花园口区间含沙量过程的人工神经网络预报方法进行了研究，主要内容有人 工神经网络预报的基本原理、改进方法、人工神经网络模型的建立、样本数据的组织、网络的训练，以及对历史数据的验证等，并对预报结果进行了评定和系统分析，讨论了进一步的 改进措施，该研究为含沙量过程预报探索了新的理论和方法。 关键词：人工神经网络； 含沙量过程预报 ??? 黄河是世界上输沙量最大、含沙量最高的一条河流，泥沙问题是治黄的症结所在。“96.8 洪水之后，黄河连续多年未发生较大洪水，下游河道淤积严重，河道过洪能力减小，频繁出 现“小流量、高水位的现象，在2002年黄河调水调沙试验中，下游夹河滩至孙口部分河段 的漫滩流量不足2 000m3/s，再一次说明了黄河下游防洪形势的严峻。随着黄河治理开发的深入和新的防洪形势要求，对洪水预报的要求也越来越高，洪水预报由原来的洪峰（或过程）、峰现时间到近几年进行的黄河下游水位预报，2003年黄河水利委员会领导与专家又提出了开展黄河中下游干流主要水文站洪水含沙量预报的要求，拟为黄河下游防洪、三门峡和小浪底水库合理调度，以及对小浪底水库调水调沙实验提供决策支持。 ??? 70年代后期黄委水 文局和黄委水科所在“黄河下游变动河床洪水位预报方法研究中曾尝试过平均含沙量、最大含沙量及沙峰峰现时间预报，取得了较好效果，但由于方法中所涉及的预报因子太多以及限于当时作业预报手段等，该法在生产中未得到推广应用。国内外在流域产沙预报方 面作了大量的工作，也有许多研究成果，但在大江大河上开展含沙量预报，还未见付诸实施。 ??? 目前，采用人工神经网络算法来研究水沙的作用机制，为泥沙问题的研究提供了新的途径。关于采用具有自学习功能的人工神经网络模型来研究泥沙问题，主要集中在对含沙量的预报上，已有大量有关这方面的研究成果［1～4］，但这些成果都是流域年平均含沙量预报，作者文献［5］也只是对花园口至夹河滩的日平均含沙量进行了预报研究，至于对小时段、含沙量变化过程的预报研究尚为空白。 本文以小浪底至花园口区间的含沙量过程为研究对 象，采用1991～1998年的洪水资料作为研究样本，每2小时为一时段采集数据，来研究含沙量的演变规律和水沙作用机制。关于人工神经网络预报方法的基本原理、运行过程，以及提高预报精度的改进方法，文献［5～11］有较系统、详细的介绍，这里不再赘述。这里主要从含沙量实时预报的专业角度对模型的建立、参数的选择、数据的采集、预报结果的分析，以及目前存在的问题等进行深入的探讨。1 预报模型的建立 本研究以黄河小浪底至花园口1991～1998年的主要含沙量过程为样本资料，以2小时为一个时段采集洪水数据作为样本。以t时段上游小浪底水文站的流量和含沙量作为网络的输入，（t+T）时段下游花园口水文站的含沙量作为网络的输出，网络的拓扑结构如图1所示。其中，T为网络的预见期，即洪水自上游小浪底站传播到花园口站所需时间。网络的平均预见期约为18小时，即9个时段。从严格意义上讲，洪水传播速度和泥沙传播速度并不一致，洪水过程与含沙量过程也不协调，这里进行的含沙量过程的预报，实质是针对以流量测度的洪水中含沙量变化过程的预报。 图1 小浪底至花园口含沙量ANNS预报模型结构简图Fig.1 Sketch of ANNS forecasting model for sediment concentration from?Xiaolang di to Huayuankou 2 主要参数的确定 基于大量数据的试算方法是人工神经网络确定其参数的重要方法，经多次试算和检验，算法过程中的数据的预处理、遗传算法优化网络的初始权重，以及BP算法部分的主要参数取值如 下： 数据的预处理部分 ??? 目标数据的最大值：Tmax＝1.0；? 目标数据的最小值：Tmin＝0.0； 遗传算法部分 种群规模：pop-size＝200；??? 变异概率：pm＝0.05； 选择概率：ps＝0.05；　　　　? 进化代数：? termGen＝100； 交叉概率：pc＝0.1；　　　　　 峰值放大系数：u=10； ? BP算法部分 动量项系数：m＝0.9　　　　　　学习率调整系数：η＝0.8； 学习率：lr＝0.015；?????????? 峰值放大系数：u=2； 模型迭代次数：termEpochs＝200000。 3? 预报结果 就实质而言，人工神经网络模拟的是在一段相对稳定的时间内河 道洪水的演进规律，虽然从算法角度讲，样本序列越多，对规律的识别越精确，但是由于各种复杂的因素使河道和来流条件逐年发生变化，过长的样本序列会产生“以旧规律预报新现象的弊端。所以，过长的样本序列反而会带来更大的预报误差。值得一提的是，