6.6洪水过程动态系统预报方法实例在线视频

同学们好

本单元主要分析

洪水过程动态系统预报方法案例

考虑鸭绿江上游云峰水库

入库控制站临江站洪水过程预报问题

鸭绿江上游云峰水库以上集水面积为

24360平方千米

云峰水库以上主要支流在朝鲜境内

有长津江 虚川江 慈城江和赴站江

在中国境内无大支流

由于朝鲜侧已进行跨流域引水开发

且现阶段难以实时得到

朝鲜境内的水库运行资料

和水雨情报讯资料

因此以临江站上游十三道湾站的

流量过程为入流

考虑十三道站湾

至临江站区间降雨径流影响

预报临江站洪水过程

十三道站湾至临江站区间雨量站稀少

且均在中国一侧

难以建立新安江模型等

概念性水文模型进行降雨径流预报

可采用动态系统预报方法

进行临江站洪水过程预报

以十三道湾站流量过程

临江站前期流量过程

十三道湾站至临江站区间降雨

及前期影响雨量作为输入

临江站流量过程作为输出

建立如式6.5-49

所示的系统响应模型

十三道湾站至临江站区间面平均雨量

采用临江 八道沟 十三道湾

柳树河 闹枝沟5站算术平均计算

前期影响雨量

采用公式6.5-50 6.5-51计算

对于回归模型6.5-49

可以采用线性动态系统模型逼近

BP人工神经网络模型逼近

以及支持向量机回归模型逼近

采用1998至2014年间的大水年份

即2004 2005 2007 2010 2012

2013年汛期洪水过程资料和的

相应降水资料进行模型率定和验证

线性动态系统模型采用最小二乘法求解

由精度统计表可以看出

模型精度满足有关行业规范要求

这是模型验证期2013年汛期洪水过程拟合图

从这2幅洪水过程拟合图可以看出

洪峰部分的误差较大

下面采用ν-SVR模型方法

建立临江站洪水过程预报模型

建模步骤如下

一 样本归一化处理

为避免各个因子之间的量级差异

消除量纲和单位不同对各个因子的影响

需对样本进行归一化处理

二 确定核函数

选定径向基核函数

核函数所含的参数为σ

三 参数选择

给定惩罚因子C

核函数参数σ及支持向量控制参数ν

求解二次规划问题6.5-44

可得ν-SVR模型

实测值与预报值的

均方误差为式6.5-52所示

通过极小化均方误差MSE

可得求得ν-SVR模型参数C、σ、ν

通过极小化均方误差求解的ν-SVR模型

其支持向量的个数可能很大

固定参数C、σ

通过摄动参数ν

分析预报误差及支持向量机个数

最终确定参数ν

参数ν摄动分析计算结果见下表

由表可知

当ν=0.06

洪峰相对误差控制在10%以内

模型的支持向量个数为194

当ν=0.04

洪峰相对误差为12.41%波动较大

最终确定参数ν=0.06

将ν-SVR模型与线性动态系统模型

ε-SVR模型

BP人工神经网络对比

其中

线性动态系统模型采用最小二乘法求解

SVR模型选取径向基核函数

采用林智仁教授等开发的LIBSVM软件求解

BP人工神经网络采用3层结构网络

并采用MATLAB求解

计算结果如下表和过程线图所示

其中ε-SVR最优参数为

[C,σ,ε]= [18.1255, 0.07534, 0.01]

支持向量个数为447

这2幅图是验证期2012年

2013年汛期洪水过程线拟合图

从计算结果可以看出

四种模型中

无论是率定期还是验证期

线性动态系统模型的确定性系数最低

洪峰相对误差较大

且从过程线看

线性动态系统模型的计算结果

表现出不合理的跳动

二 对于率定期

BP神经网络模型的确定性系数

及洪峰相对误差

均好于线性动态系统模型

ε-SVR模型以及ν-SVR模型

但对于验证期

BP神经网络模型效果较差

这也印证了BP神经网络模型存在过学习

泛化能力差的固有缺陷

三 无论是率定期还是验证期

ε-SVR模型的确定性系数

及洪峰相对误差均好于ν-SVR模型

但ε-SVR模型的支持向量个数为447

而ν-SVR模型的支持向量数目为194

ν-SVR模型比ε-SVR模型简单

精度稍低

但在可接受的范围之内

此外从过程线看ε-

ε-SVR模型以及ν-SVR模型均表现良好

本次课程到此结束

谢谢大家 再见