刘 涛，孟凡龙，胡宝军

(嫩江尼尔基水利水电有限责任公司，黑龙江齐齐哈尔161005)

洪水通常是指由暴雨、急骤融冰化雪、风暴潮等自然因素引起的江河湖海水量迅速增加或水位迅猛上涨的水流现象。对水库而言，洪水一方面让水库有机会增加其供水、灌溉、发电等效益;另一方面，它也给水库带来了挑战，加大水库的防洪压力，并威胁水利枢纽的安全。

通过及时准确的洪水预报，对水库来水进行预蓄预泄的预报调度，能解决上述2方面的矛盾，合理利用洪水，实现效益最大化。

洪水预报是预报调度的前提，其及时性和准确性的高低直接影响调度结果的成败。及时准确的洪水预报在防洪抢险、保证工农业安全生产、充分利用水能水资源方面都有很大的作用。因此，积极开展水库洪水预报的研究具有重要的理论价值及现实意义。

本文研究了尼尔基水利枢纽的短期洪水预报，利用人工神经网络的BP模型，在MATLAB平台上，由当前尼尔基以上嫩江干流控制站库漠屯站，及甘河控制站柳家屯站和科洛河控制站科后站三站实时流量值(以下称“三站”)，预测未来24 h尼尔基水库的入库流量值(取阿彦浅站的流量值)。预见期为24 h。

1 流域概况

尼尔基水利枢纽位于嫩江干流的中游，在阿彦浅水文站下游32 km处的尼尔基镇。坝址以上集水面积66 382 km2，占嫩江总流域面积的22.4%，多年平均径流量104.7亿m3，占嫩江流域的45.7%。

尼尔基水利枢纽控制流域属北温带季风气候，冬季寒冷干燥，历时长;夏季炎热多雨，春季干燥多风，蒸发量大，温度低;秋季降温急骤，历时短。流域的水汽主要由太平洋供给，进入夏季，太平洋季风把海洋上的暖湿气团输送到北方，暖湿气团向北推进过程中与北方的冷空气交绥，从而形成大面积的降水。流域多年平均降水量为400～500 mm，上游多于下游，山区多于平原。流域降水年内分配极不均匀，主要集中在6—9月份占年降水量的80%以上，7～8月份雨量集中，占年降水量的50%以上，冬季降水量很少，仅占年降水量的5%以下。

暴雨是形成嫩江流域洪水的主要因素。暴雨多发生在7～8月份，形成暴雨的天气系统有冷锋、气旋、低压等，其中低压是嫩江流域的主要天气系统。一次降雨过程多为3 d左右，主要雨量集中在24 h以内，约占3 d雨量的90%。有时几个天气系统接踵而至，可在数10 d内产生多次降雨过程，表现为连绵阴雨天气，但总降雨量大，从而造成洪水灾害。

2 研究资料及方法

2.1 资料选取

此次研究选取的资料是尼尔基水库入库控制站阿彦浅站1975—2003年间的56场洪水资料，及对应的上游三站的洪水过程。(2003年以后，阿彦浅站被库区淹没，入库流量实测值缺失，加之反推入库波动大，因此本次研究只针对2003年以前的径流资料，详细数据鉴于篇幅略。)

2.2 预报方法简介

人工神经网络也称为神经网络，是由大量处理单元(神经元)互连而成的网络，是对人脑的抽象、简化和模拟，反映了人脑的基本特性。

按网络结构和学习算法，人工神经网络可以分为:单层前向网络、多层前向网络、反馈网络等。

本文选用了多层前向网络，采用著名的误差反向传播算法(BP算法)，在MATLAB(矩阵实验室)平台上进行模拟和演算。通过不断修正相关参数值，使网络模型达到较好的预测效果，并将其应用于尼尔基水库短期洪水预报。

2.3 预报模型建立

选取资料中的42场洪水资料建立BP预报模型(其余14场洪水资料用于网络模型测试)。

输入层为上游三站的实测流量值。输出层为24 h后尼尔基水库入库控制站阿彦浅的流量值。由于输入层神经元个数为3，相对较少，隐含层个数设计为1。

模型最终确定为输入层、单隐含层、输出层的3层BP神经网络模型。模型示意图见图1。

图1 BP预报模型示意图

Input包含 3 个神经元，分别为 Q库莫屯(t)，Q柳家屯(t)，Q科后(t-24);Output 包 含 1 个 神 经 元，为Q尼尔基(t+24)。其中，

Q尼尔基(t+24)为尼尔基水库t+24时刻入库流量;Q库莫屯(t)为库漠屯站 t时刻流量;Q柳家屯(t)为柳家屯站t时刻流量;Q科后(t)为科后站t时刻流量。

2.4 模型训练

模型建立后，并不能立即投入使用，必须经过训练达到要求后，才能在尼尔基水库的短期预报中应用。

模型训练过程是一个不断调整权值和阈值的过程，通过修正，使模型收敛、实现其输出误差逐步减小，以满足实际应用的要求。

训练参数主要包含:训练目标、训练次数及学习速率等。具体设计见表1。

表1 训练参数表

参数设置代码为:

net.train Param.epochs=1000;

net.train Param.goal=0.00024;

LP.lr=0.1

利用训练函数trainlm的L-M优化算法对网络模型进行训练。训练结果见图2、图3。

图2 网络训练进度图

图3 网络训练成果图

经过41次训练，网络趋稳定，其误差达到设定要求。网络的收敛速度较快，说明了输入输出间规律性很强，上游三站基本实现对尼尔基水库入库流量的控制约束。保存网络以供测试(保存代码:save net)。

接下来就需要对训练稳定的网络模型进行预报检验。

2.5 预报检验

预报检验采用资料中剩余14场洪水过程及对应上游三站的流量。模型输入层(Input)为上游三站的流量值，通过已训练完毕的网络(网络调出代码:load net)，进行运算、预报，在网络输出端得出入库流量的预测值。

预测、实测流量过程线对比见图4。

图4 预测、实测流量过程线对比图

3 精度评定

根据水文情报预报规范相关规定，对洪水预报要素洪峰流量、峰现时间、洪水过程吻合程度进行精度评定。方案各预报要素精度评定结果见表2。

洪水预报要素洪峰流量、峰现时间、洪水过程精度都达到甲级水平，因此，本短期洪水预报方案精度为甲级。

水文情报预报规范规定，洪水预报方案精度达到甲、乙两个等级者，可用于发布正式预报;方案精度达到丙等者，可用于参考性预报;丙等以下者，只能用于参考性估报。

本方案精度达到甲级，可用于尼尔基水库实际短期洪水预报。

表2 预报要素评定结果统计表

4 结语

1)利用上游三站的流量，预测24 h后尼尔基水库入库流量的神经网络模型稳定、收敛快，基于该网络的预报方案达到甲级水平，可用于尼尔基水库短期洪水预报实际。

2)上游三站的流量跟尼尔基入库流量间呈非线性关系，BP神经网络模型很好的实现了对该非线性问题的映射、模拟，同时也有效避开了常规算法繁琐的数据处理过程。

3)方案模型采用BP学习算法，实现工作信号正向传播，误差信号反向传播，大大提高网络的适应性，有效提高了尼尔基水库短期洪水预报精度。

［1］高隽.人工神经网络原理:第2版［M］.北京:机械出版社，2007.

［2］水利部水利信息中心.SL250—2000水文情报预报规范［S］.北京:中国水利水电出版社，2000.

［3］葛哲学，孙志强.神经网络理论与MATLAB2007实现［M］.北京:电子工业出版社，2005.