一种考虑多河流顶托影响的水库下游水位计算方法技术

本发明专利技术提供种考虑多河流顶托影响的水库下游水位计算方法，包括以下步骤：将下游顶托的支流流量和水库出库流量作为模型输入预测因子，水库下游水位作为模型输出，计算下游水位；考虑前期影响的试算，找到误差最小的结果；参数试算：设置不同的隐层神经元个数、最大迭代次数、训练速率和训练精度数值，进行反复试算，找出误差最小的结果；数据输出：得出最佳结果的下游水位数值列表、训练期纳什效率系数、检验期纳什效率系数、检验期最大误差、检验期平均误差。本发明专利技术方法可以反映出支流流量与顶托水位的非单调复杂关系，尤其是顶托量大时计算误差较小，可用于生产实际。

【技术实现步骤摘要】

本专利技术涉及水库库区预测管理领域，特别是一种考虑多河流顶托影响的水库下游水位计算方法，尤其是能用于顶托影响无规律的情况下。
技术介绍
目前，水库下游水位-出库流量在天然状态下具有明显的规律性，但是当下游有较大支流汇入时，会对水库下游有顶托影响，使断面水位流量关系愈加复杂，增加了水库下游水位的预报难度。传统方法是分析下游支流来水对下游水位的顶托量来估算下游水位，以下简称“顶托法”，“顶托法”的精度不高，尤其是在顶托量大的时候误差较大。鉴于此，有必要找到一种考虑多河流顶托影响的水库下游水位计算方法。
技术实现思路
本专利技术所要解决的技术问题是提供一种考虑多河流顶托影响的水库下游水位计算方法，能够解决“顶托法”的不足，能快速、准确的计算出下游水位。为解决上述技术问题，本专利技术所采用的技术方案是：一种考虑多河流顶托影响的水库下游水位计算方法，包括以下步骤：一、将下游顶托的支流流量和水库出库流量作为模型输入预测因子，水库下游水位作为模型输出，利用误差反向传播算法的神经网络计算下游水位；二、考虑前期影响的试算：选取前a个时段的所有因子作为模型输入预测因子，同时选取当前时刻的下游顶托的支流流量和水库出库流量作为模型输入预测因子，进行反复试算，找到误差最小的结果；三、参数试算：设置不同的隐层神经元个数、最大迭代次数、训练速率和训练精度数值，进行反复试算，找出误差最小的结果；四、数据输出：得出最佳结果的下游水位数值列表、训练期纳什效率系数、检验期纳什效率系数、检验期最大误差、检验期平均误差。优选的方案中，试算过程为：1)正向传播输入信息，在正向传播输入信息过程中，输入的数据从输入层通过激励函数向隐含层、输出层逐层传播；每两个节点间的连接都代表一个对于通过该连 接信号的加权值，称之为权重；2)反向前馈计算误差，如果输出层的输出值与目标值的相差较大，计算结果未达到预期，则将误差由输出层向输入层逐层反推，同时调整各层之间连接权重，重新进行正向运算。通过权重的不断调整，使网络朝着能期望输出的方向发展，当输出结果达到期望的预测精度时，网络计算停止。优选的方案中，具体运算过程为：设，在3层误差反向传播算法网络中，输入信息为X＝(x1，x2，…，xi，…，xn)T，i＝1，2，…，n，其中xi为输入信息的第i个元素；输出层输出信息为O＝(o1，o2，…，ok，…，ol)T，k＝1，2，…，l，其中ok为输出层输出信息的第k个元素；期望输出信息为d＝(d1，d2，…，dk，…，dl)T，k＝1，2，…，l，其中dk为期望输出信息的第k个元素；输入层和隐含层之间的权重用矩V表示，V＝(V1，V2，…，Vj，…，Vm)T，j＝1，2，…，m，其中列向量Vj为隐含层第j列神经元对应的权向量；隐含层和输出层之间的权重用矩阵W表示，W＝(W1，W2，…，Wk，…Wl)T，k＝1，2，…，l，其中列向量Wk为输出层第k列神经元对应的权向量；当输出结果与期望不一致时，存在计算误差E： E = 1 2 ( d - O ) 2 - - - ( 1 ) ]]>展开后得： E = 1 2 Σ k = 1 l { d k - f [ Σ j = 0 m ω j k f ( Σ i = 0 n υ i j x i ) ]本文档来自技高网...

【技术保护点】
一种考虑多河流顶托影响的水库下游水位计算方法，其特征是包括以下步骤：一、将下游顶托的支流流量和水库出库流量作为模型输入预测因子，水库下游水位作为模型输出，利用误差反向传播算法的神经网络计算下游水位；二、考虑前期影响的试算：选取前n个时段的所有因子作为模型输入预测因子，同时选取当前时刻的下游顶托的支流流量和水库出库流量作为模型输入预测因子，进行反复试算，找到误差最小的结果；三、参数试算：设置不同的隐层神经元个数、最大迭代次数、训练速率和训练精度数值，进行反复试算，找出误差最小的结果；四、数据输出：得出最佳结果的下游水位数值列表、训练期纳什效率系数、检验期纳什效率系数、检验期最大误差、检验期平均误差。

【技术特征摘要】
1.一种考虑多河流顶托影响的水库下游水位计算方法，其特征是包括以下步骤：一、将下游顶托的支流流量和水库出库流量作为模型输入预测因子，水库下游水位作为模型输出，利用误差反向传播算法的神经网络计算下游水位；二、考虑前期影响的试算：选取前n个时段的所有因子作为模型输入预测因子，同时选取当前时刻的下游顶托的支流流量和水库出库流量作为模型输入预测因子，进行反复试算，找到误差最小的结果；三、参数试算：设置不同的隐层神经元个数、最大迭代次数、训练速率和训练精度数值，进行反复试算，找出误差最小的结果；四、数据输出：得出最佳结果的下游水位数值列表、训练期纳什效率系数、检验期纳什效率系数、检验期最大误差、检验期平均误差。2.根据权利要求1所述的一种考虑多河流顶托影响的水库下游水位计算方法，其特征是试算过程为：1)正向传播输入信息，在正向传播输入信息过程中，输入的数据从输入层通过激励函数向隐含层、输出层逐层传播；每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重；2)反向前馈计算误差，如果输出层的输出值与目标值的相差较大，计算结果未达到预期，则将误差由输出层向输入层逐层反推，同时调整各层之间连接权重，重新进行正向运算。通过权重的不断调整，使网络朝着能期望输出的方向发展，当输出结果达到期望的预测精度时，网络计算停止。3.据权利要求2所述的一种考虑多河流顶托影响的水库下游水位计算方法，其特征是具体运算过程为：设，在3层误差反向传播算法网络中，输入信息为X＝(x1，x2，…，xi，…，xn)T，i＝1，2，…，n，其中xi为输入信息的第i个元素；输出层输出信息为O＝(o1，o2，…，ok，…，ol)T，k＝1，2，…，l，其中ok为输出层输出信息的第k个元素；期望输出信息为d＝(d1，d2，…，dk，…，dl)T，k＝1，2，…，l，其中dk为期望输出信息的第k个元素；输入层和隐含层之间的权重用矩V表示，V＝(V1，V2，…，Vj，…，Vm)T，j＝1，2，…，m，其中列向量Vj为隐含层第j列神经元对应的权向量；隐含层和输出层之间的权重用矩阵W表示，W＝(W1，W2，…，Wk，…Wl)T...

【专利技术属性】
技术研发人员：华小军，汪芸，刘志武，
申请(专利权)人：中国长江电力股份有限公司，
类型：发明
国别省市：湖北;42