基于BP神经网络的流溪河水库短期水位预报

基于BP神经网络的流溪河水库短期水位
预报
2 河北省智慧水利重点实验室河北邯郸 056038
3 上海勘测设计研究院有限公司上海 200434；
4 中国长江三峡集团有限公司湖北武汉 430010
摘要：流溪河水库作为广州市唯一的大型水库，研究其调度运行对于广州市
的防汛抗旱具有重大意义。

水位是水库维持正常运作的一个重要参数，也是水库
实时调度的基础。

为预测流溪河水库水位实时变化，本文采用BP神经网络方法，构建了流溪河水位预报模型，模型以预报断面前期水位、上游断面前期水位和区
间面雨量为输入参数，对流溪河水库进行了预见期为3h、6h、12h和24h的水位
预报。

结果表明：（1）该模型能够较好实现流溪河水库的短期水位预报，各预
见期精度均达到甲级标准；（2）不同预见期的精度各有差异，其中3小时预见
期的精度最高。

研究结果证明了该方法的可行性和高精度，可应用于流溪河水库
的运行和其他相关工作。

关键词:水位预测；BP神经网络；流溪河水库；预见期
1引言
流溪河水库是广州市唯一一座集防洪、灌溉、发电、养殖、旅游于一体的大
型水库[1]。

水位是水库保持各种功能平衡的重要指标。

在水库运行中，多目标综
合调度是水库的主要任务，水位预测是水库运行的基础。

随着机器学习技术的发展，基于深度学习的预测模型逐渐成为一种新的发展
趋势。

要震等人[2]建立了基于遗传算法(GA)优化Elman神经网络的河流水位预测
模型，该模型具有收敛速度快、精度高等优点；纪国良等人[3]将灰色模型和神经
网络模型相结合进行水位预报，结果表明比单独运用灰色模型或者神经网络模型预测精度更高；Ashaary等人[4]研究了神经网络预测水库水位的潜力，通过建立6个不同的神经网络模型并进行比较，结果建运用前期长达2天的水库水位的变化数据进行建模时，预报结果最优。

由此可知，BP神经网络在水位预报领域的大量应用实例均获得了不错的效果，已日趋成熟。

本文构建了流溪河水库水位预测模型，探讨了其对流溪河水库水位预测的潜力，从而为流溪河水库的运行提供可靠的水位预测结果。

2资料与方法
2.1 研究数据
研究选用流溪河水库水位监测断面和流溪河水库上游从化铜锣湾水库、渔公洞水库、联溪水库水位监测断面历史监测数据和流溪河水库流域内雨量实测数据建模，建模数据时间尺度为2005~2020年。

图1 流溪河水库研究区位
Fig.1 Liuxihe Dam Study site
2.2 研究方法
2.2.1 BP神经网络模型
在本文构建的水位预报神经网络模型中，输入层由前期降雨、上游拓扑节点断面水位和预报断面水位组成。

在输入信息之前，应对输入层的数据进行相关性分析，并利用相关系数排除不相关因素，以此来减少不相关因素对结果的影响，提高计算效率。

中间层是利用输入层构造的神经网络，输出层是预测水位，最终形成BP神经网络模型。

2.2.2 预测结果评判标准
本文采用RMSE (均方根误差) 、绝对误差、相对误差、DC (确定性系数) 四项指标和《水文情报预报规范》[6]中对模型的预报效果等级来进行评价。

四个指标具体计算公式如下：
（1）
（2）
（3）
（4）
式中，为实测值；为预测值；是实测值的均值；n是资料序列长度。

是绝对误差，是相对误差，当三个值越小时，证明误差越小，预测值与实测值越相近。

DC为确定性系数，越接近1，拟合程度越高，测量值和预测值越接近。

3参数率定与结果分析
3.1 参数率定
（1）参数率定前置工作：包括①选取流溪河流域内具有代表性断面进行模型构建；②收集流域内水文气象站的日观测数据，以及降水、蒸发量、日平均流量和水位等数据；③采用自然流域方法圈定子流域，以考虑由于不同的地形、地
质、下垫面等条件不同，区块间模型参数的不同；④根据子流域划分结果和预报断面的上下游结构构建拓扑关系。

（2）模型输入：①预测断面：流溪河水库水位；②预报断面上游水位监测断面：从化铜锣湾水库水位、渔公洞水库水位、联溪水库水位；③面雨量。

（3）模型参数分析：①洪水摘录：目的是提取典型的降雨过程和相应的流量过程，以进行参数确定和验证。

②参数率定：根据参数意义进行参数分析，并通过不断的优化调整最终率定出符合模型精度的参数取值。

③参数验证：选择异于率定场次的典型降雨过程及其对应流量过程进行验证，为了进行对比，进而验证模型参数精度。

3.2 结果分析
为验证BP神经网络方法在流溪河水库水位预报中的适用范围以及模型的实用性，让模型在2021年5月31日分别进行了预见期为3h、6h、12h、24h小时的水位预报。

以2021年5月31日的水位预测结果为例，详细分析了基于BP神经网络的流溪河水库水位预测模型的精度。

预测结果表明，该模型能较准确地模拟流溪河水库短期水位变化过程 (图4)，3h、6h、12h和24h预测期精度均达到甲类水平(表2)。

（a）预见期3h（b）预见期6h
（c）预见期12h（d）预见期24h
图4 2021年5月31日3h、6h、12h和24h预见期实测效果和预测效果比较
Fig.4 Comparison of the actual measurement and prediction effect of 3h,6h,12h and 24h prediction period on May 31，2010
表2 2021年5月31日模型预报评价结果
Tab.2 Results of the model forecast assessment on May 31， 2021
评价指标3h6h12h24h
RMSE0.0540.0570.1160.126 DC0.9860.9840.9350.925
0.0470.0500.0890.100
0.0280.0310.0540.060
评估等级甲级甲级甲级甲级
经过对图表的进一步分析，可以看出，随着预见期的增大，RMSE、绝对误差和相对误差指标随之增大，RMSE、绝对误差和相对误差与预见期呈正比关系，即预见期为3h时模型模拟能力最好，6h次之，并与3h预报精度较为接近，12h和24h预报精度明显低于3h和6h。

DC指标与预见期呈反比关系，DC值随预见期增大而减小，在3h预见期时DC达到0.986的较高水平，同样说明模型在3h预见期时模拟能力最好，且3h和6h的预报精度整体高于12h和24h。

综合可知，随着预见期的增大，预测值和实测值之间的误差在逐渐增加，预见期越短，模型具可有更好的预报效果。

4结论
1.不同预测期的预测方案可适用于不同调度需求的时段 (汛期、非汛期、灌
溉期、非灌溉供水期等)，从而减少人力、物力的消耗，使效益最大化。

2.本文只使用了神经网络模型进行预测，该模型仍存在许多不足，因此，在
以后的研究中，可以将 ESMD、小波等理论与方法相结合，并对其进行优
化和完善，从而提高预报的精度。

参考文献
[1] 苏开君.流溪河水库的水文特征研究[C]//.节能环保和谐发展——2007中国科协年会论文集（三），2007:1321-1326.
[2] 要震，许继平，孔建磊，等.基于GA-Elman的河流水位预测方法研究[J].长江科学院院报，2018，35(09):34-37.
[3] 纪国良，周曼，刘涛，等.基于循环神经网络的水库水位预测方法[J].长江科学院院报，2022，39(03):80-85.
[4] 高学平，闫晨丹，张岩，等.基于BP神经网络的调水工程调蓄水位预测模型[J].南水北调与水利科技，2018，16(01):8-
13.DOI:10.13476/ki.nsbdqk.20180002.
基金项目：国家自然科学基金青年基金(NSFC NO.51809283)；中国长江三峡集团有限公司科研项目资助(合同编号：202003136)；河北省自然科学青年基金（E2021402039）；河北省教育厅重点项目
（ZD2021021）
作者简介：管一(1998–)，女，硕士研究生，研究方向为水资源综合利用及保护，E-mail：
******************
通讯作者：王继选(1982–)，男，博士、副教授、硕导，研究方向为能源利用及可再生能源的应用与基础研究。