一种基于水文相似性和人工神经网络的新安江模型参数率定方法技术

本发明专利技术公开了一种基于水文相似性和人工神经网络的新安江模型参数率定方法，包括：分析水文相似性，得到流域的各个特征向量并构建监督学习数据库；建立参数映射：使用监督学习数据库对混合神经网络‑新安江模型即初始人工神经网络进行训练，并最小化损失函数更新新安江模型参数；洪水预报与新安江模型参数率定：将流域的特征向量输入到训练完成的混合神经网络‑新安江模型即训练后的人工神经网络中，利用训练后的人工神经网络输出新安江模型参数；接受实时更新的雨量信息作为练后的人工神经网络输入，再次训练练后的人工神经网络减少预报误差，最终获得新安江模型参数率定结果。本发明专利技术方法精度高、物理可解释性和参数可迁移性强。

【技术实现步骤摘要】
一种基于水文相似性和人工神经网络的新安江模型参数率定方法
本专利技术属于数据挖掘与传统物理模型相结合的水文预报
，具体涉及一种基于水文相似性和人工神经网络的新安江模型参数率定方法。
技术介绍
随着信息技术的发展，使水利信息化程度得到不断提高，大量的智能化水文观测站点被建立。海量的水文历史数据与实时观测数据被存储进水文数据库。系统中的水文数据也呈现爆炸性地增长，虽然给水文信息的研究带来了便利，但同时如何挖掘出这些水文数据背后的信息，也成为水利信息化中面临的最突出问题。趋势对流域未来的水位流量进行有效预测，有助于预防洪涝灾害。新安江模型是概念性水文模型，本文采用将径流划分为地表径流、壤中流以及地下径流的三水源新安江模型。采用蓄满产流假定进行产流计算，将流域内各点不同土壤含水容量概化成蓄水容量曲线。蒸散发采用三层蒸发模式计算，将土壤层划分为上层、下层和深层。三水源新安江模型将净雨划分成地面径流、壤中流以及地下径流，其中地面径流采用单位线进行汇流计算，壤中流和地下径流经过线性水库的调蓄分别作为壤中流出流和地下水出流。周瑜佳等人于2018年5月在《中国农村水利水电》第五期114-118页提出的基于复合形遗传算法的新安江模型参数优化率定将遗传算法与复合形法相结合，构建了一种复合形遗传算法，并采用分层率定思想对新安江模型参数进行优化率定，取得了良好效果，但仍有运行时间相对较长，精度不高的问题。刘欣蔚等人于2018年在《南水北调与水利科技》第十六期69-74页提出的粒子群优化算法(PSO)是一种基于群体智能的进化算法，其采用实数求解，不要求目标函数可微，并且模型的参数较少，原理简单，易于实现，可用于解决大规模、非线性、不可微和多峰值的复杂优化问题。但PSO算法在应用中和其它全局优化算法同样可能会陷入局部最优，导致收敛精度不高，后期收敛速度较慢。且上述两种参数率定方法没有考虑到流域的水文相似性，物理可解释性较低。
技术实现思路
本专利技术的目的在于克服现有技术的缺陷，提供一种基于水文相似性和人工神经网络的新安江模型参数率定方法，该方法在流域水文建模的基础上，分析流域特征与新安江模型参数之间的关系，接受实时更新的雨量信息作为模型输入，最小化损失函数以更新混合神经网络-新安江模型的参数，最终得到适合该流域的新安江模型。为了解决上述技术问题，本专利技术采用以下技术方案。本专利技术的一种基于水文相似性和人工神经网络的新安江模型参数率定方法，包括：步骤一、水文相似性分析：得到流域的各个特征向量并构建监督学习数据库；步骤二、建立参数映射：使用监督学习数据库对混合神经网络-新安江模型即初始人工神经网络进行训练，并最小化损失函数更新新安江模型参数；步骤三、洪水预报与新安江模型参数率定：将流域的特征向量输入到训练完成的混合神经网络-新安江模型即训练后的人工神经网络中，利用训练后的人工神经网络输出新安江模型参数；接受实时更新的雨量信息作为练后的人工神经网络输入，再次训练练后的人工神经网络以减少预报误差，最终实现高精度的洪水预报效果，获得新安江模型参数率定结果；所述的步骤一的过程包括：步骤1.1搭建能识别静态流域特征的长短期记忆网络模型，将流域的气象数据、流量数据和静态流域属性数据作为输入，未来第k时刻流域出口断面流量为长短期记忆网络模型的输出，即长短期记忆网络预报的未来第k小时流量，训练该模型直至符合预报精度；步骤1.2提取长短期记忆网络模型中输入门的权重向量αi作为流域特征向量，流域特征向量代表输入门的激活程度，一定程度上可反映流域的水文特性；并使用K均值聚类算法对该流域特征向量进行聚类分析，从而得到水文相似性较高的流域集合；步骤1.3将流域特征向量作为监督学习数据库的特征，以t时间段内的流域流量数据作为改动长短期记忆网络模型的输入门，使其能识别静态流域特征，即i＝σ(Wixs+bi)式中，i是输入门，但其状态不随时间改变，xs是静态输入即静态流域特征，包括：平均海拔、植被覆盖率、流域面积。进一步地，所述的步骤1中监督学习数据库的格式为：其中，αi代表第i个流域的特征向量，βi代表第i个流域的t时间段内的流量数据，即βi＝{Q1，Q2，……，Qt}。进一步地，步骤2中所述的人工神经网络包括一层输入层、两层隐藏层、一层输出层、激活函数为可适应新安江模型参数范围的sigmoid函数；其中，输入层的数据是长短期记忆网络输入门的权重向量αi，且αi∈R256；输出层的数据是包含新安江模型五个高敏感参数的向量γ＝{x1，x2，……，x5}，此五个参数分别为蒸散发折算系数K、表层土自由蓄水库容量SM、地面径流消退系数CS、壤中流消退系数CI和自由水蓄水库地下水日出流系数KI。进一步地，所述的人工神经网络的激活函数由新安江模型参数的取值范围决定，其公式为：其中，xi代表输出的第i个新安江模型参数，Maxxi和Minxi分别对应第i个参数的最大值和最小值，该激活函数可以将人工神经网络的输出值控制在新安江模型参数的取值范围内。进一步地，步骤2中所述的损失函数是由洪峰峰值误差、洪水流量曲线拟合程度和均方根误差的加权组合，包含多项可评价水文预报精度的相关指标，其公式为：L(γ，β)＝λ1·RE+λ2·DC+λ3·RMSE其中，λ1、λ2和λ3为三个超参数，是控制损失函数中每个项的权重，并且可以在训练过程中进行调整；三个超参数可以设置为同一数值，或者根据决策者的预报侧重点手动调整其权重值大小；RE是洪峰相对误差，洪峰预报的准确性是衡量一个模型的重要指标，该数值越接近于0，洪峰预报精度越高；DC为确定性系数，经过改动后使其越接近0，预报准确率越高，其公式为：其中，具体公式为Qsimi＝f(γ，β)代表输入相关数据后第i时刻的新安江模型的模拟值，Qobsi代表实际观测值，代表实际观测值的平均值；RMSE为均方根误差，即预测值与真实值之间的偏差的程度，该值越接近0越表明结果与真实值相差越小。进一步地，所述步骤3的具体过程包括：3.1首先通过聚类判断这两个流域是否具有较强的水文相似性；3.2将要进行参数率定的流域的特征向量输入到训练后的人工神经网络中，捕捉该流域的特征与新安江模型参数之间的关系；3.3经过先验知识调参后的新安江模型仍然有一定的预报误差，需要引入该流域的实时气象和流量数据再次对该训练后的人工神经网络进行训练，最终得到适合该流域的新安江模型参数。与现有技术相比，本专利技术包括以下优点和有益效果：1.与现有参数率定算法相比，本专利技术参数率定速度快、精度高、物理可解释性和参数可迁移性强。2.本专利技术可利用实时数据对新安江模型参数进行实时更新，有利于保障在流域地貌特征改变后仍可保持较高的预报精度。附图说明图1为本专利技术的一种实施例的方法流程图。图2为本专利技术的一种实施例的可本文档来自技高网...

【技术保护点】
1.一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于，包括：/n步骤一、水文相似性分析：得到流域的各个特征向量并构建监督学习数据库；/n步骤二、建立参数映射：使用监督学习数据库对混合神经网络-新安江模型即初始人工神经网络进行训练，并最小化损失函数更新新安江模型参数；/n步骤三、洪水预报与新安江模型参数率定：将流域的特征向量输入到训练完成的混合神经网络-新安江模型即训练后的人工神经网络中，利用训练后的人工神经网络输出新安江模型参数；接受实时更新的雨量信息作为练后的人工神经网络输入，再次训练练后的人工神经网络以减少预报误差，最终实现高精度的洪水预报效果，获得新安江模型参数率定结果；/n所述的步骤一的过程包括：/n步骤1.1搭建能识别静态流域特征的长短期记忆网络模型，将流域的气象数据、流量数据和静态流域属性数据作为输入，未来第k时刻流域出口断面流量为长短期记忆网络模型的输出，即长短期记忆网络预报的未来第k小时流量，训练该模型直至符合预报精度；/n步骤1.2提取长短期记忆网络模型中输入门的权重向量α

【技术特征摘要】
1.一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于，包括：
步骤一、水文相似性分析：得到流域的各个特征向量并构建监督学习数据库；
步骤二、建立参数映射：使用监督学习数据库对混合神经网络-新安江模型即初始人工神经网络进行训练，并最小化损失函数更新新安江模型参数；
步骤三、洪水预报与新安江模型参数率定：将流域的特征向量输入到训练完成的混合神经网络-新安江模型即训练后的人工神经网络中，利用训练后的人工神经网络输出新安江模型参数；接受实时更新的雨量信息作为练后的人工神经网络输入，再次训练练后的人工神经网络以减少预报误差，最终实现高精度的洪水预报效果，获得新安江模型参数率定结果；
所述的步骤一的过程包括：
步骤1.1搭建能识别静态流域特征的长短期记忆网络模型，将流域的气象数据、流量数据和静态流域属性数据作为输入，未来第k时刻流域出口断面流量为长短期记忆网络模型的输出，即长短期记忆网络预报的未来第k小时流量，训练该模型直至符合预报精度；
步骤1.2提取长短期记忆网络模型中输入门的权重向量αi作为流域特征向量，流域特征向量代表输入门的激活程度，一定程度上可反映流域的水文特性；并使用K均值聚类算法对该流域特征向量进行聚类分析，从而得到水文相似性较高的流域集合；
步骤1.3将流域特征向量作为监督学习数据库的特征，以t时间段内的流域流量数据作为改动长短期记忆网络模型的输入门，使其能识别静态流域特征，即
i＝σ(Wixs+bi)
式中，i是输入门，但其状态不随时间改变，xs是静态输入即静态流域特征，包括：平均海拔、植被覆盖率、流域面积。


2.根据权利要求1所述的一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于，所述的步骤1中监督学习数据库的格式为：



其中，αi代表第i个流域的特征向量，βi代表第i个流域的t时间段内的流量数据，即βi＝{Q1，Q2，……，Qt}。


3.根据权利要求1所述的一种基于水文相似性和人工神经网络的新安江模型参数率定方法，其特征在于：
步骤2中所述的初始人工神经网络包括一层输入层、两层隐藏层、一层输出层、激活函数为可适应新安江模型参数范围的sigmoid函数；
其中，输入层的数据是长短期记忆网络输入门的权重向量αi，且αi∈R256；输出层的...

【专利技术属性】
技术研发人员：胡鹤轩，隋华超，胡强，朱跃龙，胡震云，张晔，
申请(专利权)人：河海大学，
类型：发明
国别省市：江苏;32