于淳蛟，張 璐

（湖北志宏水利水電設(shè)計有限公司,湖北 武漢 430070）

0 引言

水資源是最為重要的可再生優(yōu)質(zhì)清潔能源之一,在現(xiàn)代社會的能源結(jié)構(gòu)中占有十分重要的地位,特別是我國“碳中和、碳達峰”戰(zhàn)略目標背景下,水電事業(yè)的發(fā)展得到越來越廣泛的關(guān)注[1-3]。水電在滾動開發(fā)和資源優(yōu)化配置過程中,通過運營管理手段充分利用水庫的調(diào)度能力,挖掘水電站的利用效率,可有效提高水電站的發(fā)電量、防洪抗旱效益等。按照調(diào)度時間的長短分類,水庫優(yōu)化調(diào)度可以大致分為3 種類別,分別是廠內(nèi)優(yōu)化調(diào)度、短期優(yōu)化調(diào)度和中長期優(yōu)化調(diào)度,其中短期優(yōu)化調(diào)度和中長期優(yōu)化調(diào)度的影響因素眾多,預測難度大[4]。因此研究水庫中長期徑流預報及短期優(yōu)化調(diào)度具有十分重要的意義。

1 工程概況

某水庫位于湖北省內(nèi),水庫總庫容608.42 萬m3,是一座集農(nóng)業(yè)灌溉、水力發(fā)電、防洪抗旱、農(nóng)村人畜飲水于一體的綜合利用水利樞紐工程。水庫工程由樞紐工程、供水工程組成。樞紐主要建筑物由攔河壩、溢洪道、導流輸水隧洞等建筑物組成。攔河壩壩高54.90 m,壩頂長度132.00 m,寬度6.00 m。攔河壩上游壩坡采用C20 預制混凝土、C20 現(xiàn)澆混凝土護坡。下游壩坡采用C20 框格網(wǎng)草皮護坡,壩頂、下游壩面馬道、下游壩坡外緣設(shè)C20 混凝土排水溝將岸坡雨水排至量水堰外[5]。

2 流域徑流量分析

水庫所在河道全長14.3 km,河流自西向東流,發(fā)源于西部某山頂,山頂高程1540 m,水庫壩址以上控制流域面積15.1 km2,控制河長9.1 km,河道平均比降0.0316,流域形狀呈狹長形,流域形狀系數(shù)0.18,流域平均寬度1.66 km。流域整體地形西南高東北低,趨勢由西南向東北傾斜,流域分水嶺高程一般多分布在1300 m～1500 m,工程區(qū)流域內(nèi)平均高程1240.5 m。

設(shè)計流域無實測水文資料,鄰域具有年徑流統(tǒng)計參數(shù)分析的水文站具有相同的氣候成因,水庫取水壩斷面設(shè)計年徑流量主要考慮臨近水文站作為參證站,年徑流統(tǒng)計參數(shù)分析計算的成果作為采用成果,計算成果見表1。

表1 水庫設(shè)計徑流成果表

設(shè)計洪水計算考慮采用暴雨途徑進行推求,成果見表2。

表2 水庫主汛期和汛后期設(shè)計洪水成果表

根據(jù)水文站1959 年～2019 年60 年的實測水文資料進行年洪水及枯水期洪水分析計算,移用其枯水期設(shè)計洪水與設(shè)計年洪水的比值關(guān)系,從而由水庫的年洪水估算其枯水期洪水,成果見表3。

表3 水庫枯水期洪水成果表

3 基于BP 神經(jīng)網(wǎng)絡(luò)法的水電站水庫群中長期徑流預報

3.1 BP 神經(jīng)網(wǎng)絡(luò)法基本原理

水庫群中長期徑流預測的難點是因為徑流受到地形、氣候以及人類活動等多方面的影響,導致徑流預測則存在不確定性,且預測的時間越長,其預測結(jié)果的精確性越差。采用傳統(tǒng)的水電站水庫群長期徑流預報方法不僅效率低下,而且預測精度較差[6]。人工神經(jīng)網(wǎng)絡(luò)由于具有非線性的自學習能力、自適應控制能力和強大的信息運算功能,可以對大批量的數(shù)據(jù)進行學習訓練,實現(xiàn)大規(guī)模的無監(jiān)督學習,對復雜的、難以解決的模式識別問題可以得到良好的求解,因此人工神經(jīng)網(wǎng)絡(luò)應用于水電站水庫群中長期徑流預測具有較好的可行性。

人工神經(jīng)網(wǎng)絡(luò)是一種對人腦記憶過程和辨識能力模仿的數(shù)學模型,其典型的計算結(jié)構(gòu)見圖1,圖中中間層可以有多層。目前,人工神經(jīng)網(wǎng)絡(luò)發(fā)展出了3 種應用較為廣泛的算法,分別為BP 神經(jīng)網(wǎng)絡(luò)法、RNN 循環(huán)神經(jīng)網(wǎng)絡(luò)法和LSTM 長短期記憶神經(jīng)網(wǎng)絡(luò)法[7]。

圖1 人工神經(jīng)網(wǎng)絡(luò)典型計算結(jié)構(gòu)

BP 神經(jīng)網(wǎng)絡(luò)是計算每個神經(jīng)網(wǎng)絡(luò)節(jié)點的n個輸入值,對每個輸入值xi賦予權(quán)重和偏值后,僅有1 個中間輸出結(jié)果z,每個中間輸出結(jié)果z通過Sigmoid激活得到每個神經(jīng)元的輸出f（x）,計算方法如見式（1）和公式（2）[8-9]。

式中：z為輸出結(jié)果；xi為輸入值；Sigmoid為激活函數(shù)；wi為每個輸入值的權(quán)重；b為偏值；e為指數(shù)底數(shù)。

對于BP 神經(jīng)網(wǎng)絡(luò)法的輸出結(jié)果,一般采用損失函數(shù)（如均方誤差）進行樣本訓練效果的評價,通過求得損失函數(shù)的最小極值達到訓練過程的收斂,該求解過程實現(xiàn)主要運用反向傳播迭代完成。定義損失函數(shù)見公式（3）、公式（4）,則可以按照梯度下降法迭代得到最優(yōu)解,見公式（5）和公式（6）[10-11]。

式中：l為神經(jīng)網(wǎng)絡(luò)的第l層；J（w,b,x,y）為損失函數(shù)；σ（zl）為神經(jīng)網(wǎng)絡(luò)輸出激活函數(shù)；a為第l層神經(jīng)元的輸出。

3.2 BP 神經(jīng)網(wǎng)絡(luò)法預測結(jié)果

為可靠地預測水庫群中長期年平均流量,以為短期的水庫運營優(yōu)化提供決策依據(jù)?；贐P 神經(jīng)網(wǎng)絡(luò)法對1990 年～2005 年的水庫群實測年平均流量進行訓練學習,并對2006 年～2021 年的水庫群年平均流量進行預測,并與實測年平均流量進行對比,以檢驗BP 神經(jīng)網(wǎng)絡(luò)預測的準確性。同時,為了更好地研究BP 神經(jīng)網(wǎng)絡(luò)法的中長期平均流量預測精度,本文研究增加了基于小波分析法、混沌理論模型法的中長期流量預測,達到佐證的效果,得到預測分析結(jié)果見表4 和圖2、圖3。

圖2 BP 神經(jīng)網(wǎng)絡(luò)法徑流訓練集

圖3 不同預測方法預測結(jié)果對比

表4 不同預測方法的水電站水庫群中長期徑流預測結(jié)果對比

從圖2 中可以看出,在1990 年～2005 年的水庫群實測年平均流量呈現(xiàn)不同程度的波動,波動范圍在210 m3/s～350 m3/s,年均流量最小值出現(xiàn)在1996 年,為215 m3/s。從圖3 中可以看出,經(jīng)過小波分析法、混沌理論模型法和BP 神經(jīng)網(wǎng)路法預測得到的數(shù)據(jù)均與實測年均流量呈現(xiàn)不同程度的差異,但總體趨勢表現(xiàn)為較為一致,其中年均流量最大值出現(xiàn)在2017 年,基于小波分析方法的最大年均流流量為332m3/s,基于混沌理論模型得到的最大年均流量為327 m3/s,基于BP 神經(jīng)網(wǎng)絡(luò)法模型得到的最大年均流量為334 m3/s；年均流量最小值出現(xiàn)在2016 年,基于小波分析方法的最小年均流流量為228 m3/s,基于混沌理論模型得到的最小年均流量為238 m3/s, 基于BP 神經(jīng)網(wǎng)絡(luò)法模型得到的最小年均流量為214 m3/s。表4 中的各方法的年平均流量預測誤差計算方法為（預測值-實測值）/實測值×100%,整體上看,基于小波分析法得到的年平均流量預測誤差范圍為-4.06%～6.34%,基于混沌理論模型法得到的年平均流量預測誤差范圍為-4.04%～10.88%,基于BP 神經(jīng)網(wǎng)絡(luò)法得到的年平均流量預測誤差范圍為-4.15%～-0.55%。由此表明,相對于小波分析法和混沌理論模型法,BP 神經(jīng)網(wǎng)絡(luò)法在年平均流量預測中具有更高的精度。

對水庫群中長期（2025 年～2035 年）年均流量進行預測,結(jié)果見圖4。從圖4 中可以看出,2025 年～2035 年水庫群的年均流量呈現(xiàn)不同程度的波動,年均流量最大值出現(xiàn)在2033年,年均流量值為358 m3/s,最小值出現(xiàn)在2031 年,年均流量值為232 m3/s,年均流量的平均值為282 m3/s。

圖4 BP 神經(jīng)網(wǎng)絡(luò)法預測預報結(jié)果

4 水電站水庫群徑流短期優(yōu)化調(diào)度分析

從2022 年1 月份開始,對2022 年全年的平均流量進行預測,預測方法采用BP 神經(jīng)網(wǎng)絡(luò)法,輸入?yún)?shù)為河道歷年年均流量,年內(nèi)分配原則為同頻率法,輸出值為預測目標年的年內(nèi)平均流量,在預測的基礎(chǔ)上對水庫群的平均流量進行優(yōu)化調(diào)度,結(jié)果見圖5。從圖5 可以看出,在全年范圍內(nèi)預測得到7 月～8 月和10 月是水庫運行的徑流峰值期,水庫高水位的運行給庫區(qū)安全運行帶來一定的調(diào)整,對庫區(qū)的水位進行運行優(yōu)化調(diào)度,實測優(yōu)化調(diào)度后的月均流量在豐水期（6 月～10 月）,庫區(qū)水位得到有效改善,超額水量可通過在汛期合理安排蓄滯洪區(qū)進行調(diào)度,而在枯水期（12 月～次年3 月）則通過提前蓄水等措施保證庫區(qū)水量的補充,庫區(qū)的水位得到了一定程度提高,大大提高了水庫群的防洪抗旱的能力,達到了調(diào)節(jié)水資源的目的。

圖5 基于BP 神經(jīng)網(wǎng)絡(luò)法預測水電站徑流年內(nèi)優(yōu)化分配

5 結(jié)論

文章以某河流水庫為研究對象,基于BP 神經(jīng)網(wǎng)絡(luò)法對實測監(jiān)測值訓練學習,校核預測精度,基于預測方法對水庫平均流量短期優(yōu)化調(diào)度,結(jié)果表明：經(jīng)過小波分析法、混沌理論模型法和BP 神經(jīng)網(wǎng)路法預測得到的數(shù)據(jù)均與實測年均流量呈現(xiàn)不同程度的差異,但總體趨勢表現(xiàn)較為一致；相對于小波分析法和混沌理論模型法,BP 神經(jīng)網(wǎng)絡(luò)法在年均流量預測精度更高；基于BP 神經(jīng)網(wǎng)絡(luò)對庫區(qū)進行優(yōu)化調(diào)度,豐水期庫區(qū)水位得到有效控制,枯水期庫區(qū)的水資源量充足,提高了水庫運行管理效率。由于水庫來水量預測難度較大,為了避免極端氣候的出現(xiàn),應加強預備水平,更好的優(yōu)化水庫調(diào)度。