基于长历时互相关性的白石水库水沙预测及适应性调度策略

吴占华

(凌源市水土保持局，辽宁 朝阳 122500)

1 工程简介

白石水库始建于2009年，坝址位于辽宁省北票市大凌河干流上，是一座以供水为主，兼具发电、旅游、养殖的大型水利枢纽工程[1]。水库控制流域面积17649km2，占大凌河流域面积的76%，水库正常蓄水位为126m，总库容为16.45亿m3。水库建成后可以使下游地区的防洪标准由原来的20a一遇提高到50a一遇，同时每年可以向下游的阜新和锦州等城市提供生产生活用水2亿m3。白石水库的防洪设计标准为100a一遇，下泻流量为2675m3/s，校核标准为1 000a一遇，下泻流量为3814m3/s。白石水库所在的大凌河流域属于寒温带大陆性气候，降雨的年际变化较大，最大年降雨量为1053mm，最小年降雨量为345mm；夏季降雨较多，其中7、8两月的降雨量占全年的4成左右。大凌河是辽宁省西部的第一大河流，流经辽宁省朝阳市5县1市2区，在锦县东南注入辽东湾。大凌河全长397.2km，流域面积2.35万km2，平年均径流量约16.67亿m3[2]。流域内年平均降雨量450-610mm，降雨多集中于7、8两月，同时，河流的上中游气候干旱，多荒山丘陵，水土流失比较严重。因此，大凌河含沙量可达57kg/m3，属于高含沙河流。因此，加强白石水库水沙联合调度具有重要的理论意义和实践价值，可以为水库水沙调度风险管理提供依据。

2 基于长历时互相关性的水沙预测模型

2.1 改进BP神经网络

BP神经网络是由Rinehart和McClelland提出的，按照误差逆传播算法进行训练的多层前馈网络，是人工神经网络体系中的精华部分。由于BP神经网络具有十分强大的运算能力，因此在理论研究和实践中均获得十分广泛的应用。BP神经网络的拓扑结构可以分为输入层(input)、隐层(hide layer)和输出层(output layer)三层。虽然BP神经网络是一种精确、快速的预测模型，但是也存在一些缺点，主要是学习过程中没有能力解释自己的推理过程，同时过拟合现象，影响研究成果的实际应用价值[3]。鉴于BP神经网络的上述缺陷，近年来提出了名为Dropout 的方法，可以有效解决过拟合问题。其基本原理是在训练迭代过程中Dropout可以随机选择几个节点进行“冻结”处理，并在下一次迭代过程中作为输入值，基本Dropout 方法将节点冻结率设定在了50%。这种方式不仅可以保证每次迭代过程的变化，同时又可以保留基本结构特征，进而避免过拟合情况。在本次研究中，将改进BP神经网络用于水沙预测模型的构建。对于预测结果，研究中采用NSE(纳什效率系数)作为水沙预测精度标准，其计算公式如下：

(1)

2.2 长历时互相关性在预测模型中的应用

建立起基于BP神经网的白石水库入库径流量预测模型，并以2016年5月-2016年10月的历史数据输入模型。在以前n天的数据输入时，可以获得模型的NSE值与n之间的关系，结果显示，NSE值随着n值的增大而增大，并在n=7时达到最大，为0.7054，之后逐步减小。因此，虽然入库径流量具有长历时相关特征，但是超过7d的数据对提高预测精度不利，因此预测模型最好输入前7d的历史数据。同样，建立起基于BP神经网的白石水库入库径流含沙量预测模型，并以2016年10月的历史数据输入模型。在以前n天的数据输入时，可以获得模型的NSE值与n之间的关系，结果显示，NSE值随着n值的变化特征与径流量预测模型类似，在n=4时达到最大，为0.6643，因此含沙量预测模型最好输入前4d的历史数据。

2.3 建立基于长历时互相关性的水沙预测模型

相关研究成果显示，水沙序列之间具有长历时互相关性，也就是河流的径流序列以及含沙序列不仅在长历时过程中具有对自身的当前与未来的长期记忆，相互之间也具有显著的影响。所以，过去的径流量与含沙量历史过程，对未来的含沙量和径流量模拟均具有较好的参考价值。因此，在径流量的预测模型中，可以将含沙量作为重要的输入因子，利用两者之间的长历时互相关性提高模型的预测精度，对含沙量预测模型也是如此。

根据前文获得的最佳n值，将其涵盖范围内的历史数据作为模型的输入因子进行预测，获得如表1所示的径流量与含沙量预测结果的NSE值。由表中结果可知，在加入另一变量后，径流量和含沙量预测模型的NSE值均有所提升，说明基于长历时互相关性的模型具有更好的预测效果。

表1 基于长历时互相关性的预测模型NSE值

根据表1中显示的最好预测模型，也就是前3天的径流量和前4天的含沙量，构建水沙预测模型，并利用Levenberg-Marquardt 法进行训练，在训练10000次之后的预测结果如图1和表2所示。结果显示，基于互相关性的模型预测结果与实际结果的拟合度更高，而模型的合格率由不考虑互相关性模型的74.3%提高到 86.2%，NSE值也由0.6742 提高到 0.8321，具有更高的可信度。

图1 含沙量预测模型预测效果对比

预测模型考虑互相关性不考虑互相关性误差/%9.8713.74合格率/%86.274.3NSE值0.83210.6742

3 白石水库水沙预测及适应性调度策略

3.1 库区冲淤模型变量关系

利用上节构建的基于长历时互相关性的白石水库水沙预测模型以及郭维东等关于白石水库洪水过程泥沙冲淤数值模拟分析的相关研究成果，对白石水库在不同水位、流量条件下的库区一日内淤积情况进行模拟研究，获得各个变量之间存在的如下规律：

1)当白石水库库区水位低于118.0m时，主要表现为冲刷，并且冲刷量会随着流量的增大而增大；当库水位高于118.0m时，库区主要表现为淤积，并且淤积量会随着流量的增大而增大[4]。

2)当入库流量>1250m3/s时，如果库水位低于118.0m，可以通过增大下泻流量至850m3/s避免库区淤积；如果库水位高于120.0m，无论如何调整下泻流量，均会产生比较严重的淤积。因此，如果入库流量较大，应该适当降低库水位。

3) 当入库流量>850m3/s时，无论以何种水位运行，均不会产生比较严重的淤积。从提高水库效益出发，可以保持高水位运行。

4)如果库水位低于115.0m，当下泻流量>1250m3/s时，可以获得良好的冲沙效果。

3.2 白石水库适应性调度策略

根据上文研究获得的基于长历时互相关性水沙预测模型以及库区一日冲淤变量关系，文章在一年内的月、旬时间尺度下提出具体的适应性调度策略：

1)大凌河在每年的3月中旬开始进入春汛期，径流量明显增大但是含沙量较小，从4月上旬开始，径流量明显减小但是含沙量增大。总体来看，这一时期径流量不大且含沙量低，提高库水位不会造成水库严重淤积，可以保持高水位运行提高水库的效益。

2)4月至6月白水水库的入库径流量较小，此时的水位高低与库区淤积关系不大，因此可保持高水位运行。在保证水库水位的条件下，可以视上游来水情况适当加大下泻流量，保持下游河道的良好生态环境。

3)7月至8月为大凌河的主汛期，流域内多短时强降雨，入库流量的波动性较大，且伴随着高含沙水流。因此，当出现>1250m3/s的入库流量时，建议降低库水位防止库区产生比较严重的淤积；如果此时恰好处于冲沙水位，则应当将下泻流量加大至1250m3/s以上，以便达到良好的冲沙效果。

4)白石水库在8月下旬开始流量逐步减小，流量不会>1250m3/s。同时，8月下旬至10月上旬属于汛末阶段，应当在保证下游生态流量的前提下积极抬高库水位蓄水，以最大限度发挥水库的综合效益。

4 结 论

水沙预测是水库调度研究的重要的内容，精准度高的水沙预测模型对提高水库调度的科学性，提升水库综合效益具有重要价值。文章以辽宁省白石水库为例，利用BP神经网络建立起基于长历时互相关性的水沙预测模型，进行了白石水库水沙预测及适应性调度策略研究，并获得如下主要结论：

1)将径流量7d、含沙量4d作为输入因子可以提高各自预测模型的预测精度，超过这一范围预测精度反而会降低。

2) 在径流量的预测模型中，可以将含沙量作为重要的输入因子，利用两者之间的长历时互相关性提高模型的预测精度，对含沙量预测模型也是如此，径流量和含沙量预测模型的NSE值计算结果也印证了上述结论。

3)以长历时互相关性水沙预测模型为支持，获取白石水库一日水沙信息和库区冲淤模型变量关系，并以此为指导提出相应的适应性调度策略。