[发明专利]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

说明书

本发明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。本发明方法精度高、物理可解释性和参数可迁移性强。

技术领域

本发明属于数据挖掘与传统物理模型相结合的水文预报技术领域，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。

背景技术

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。

发明内容

本发明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，本发明采用以下技术方案。

本发明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：