水库调洪演算bp网络模型的建立与研究1

《水库调洪演算bp网络模型的建立与研究1》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、水库调洪演算BP网络模型的建立与研究1[收稿日期]：2001-1[作者简介]：※※※（1965-），副教授※※※1　※※※2　　※※※1　　※※※31.西北农林科技大学水建学院2.西北农林科技大学信息工程学院陕西杨凌712100；3.浙江省围海工程公司浙江宁波315051[摘要]分析了影响水库调洪演算的因素，建立了基于人工神经网络下的水库调洪演算BP网络模型，进行了洪水过程模拟和预测；对影响网络收敛速度的因素做了探索研究，阐述了BP网络参数选择原则和选取范围．[关键词]水库调洪演算；人工神经网络模型；参数选取水库调洪演算在水库设计中有着举足轻重的地位。通常借助于水

2、库调洪演算辅助曲线图解计算，该方法操作复杂，曲线更新繁琐，计算精度也受人为因素的影响。本文以时段水库水量平衡原理和动力平衡原理为依据，使用人工神经网络的理论和技术，建立了基于BP网络的水库调洪演算人工神经网络模型，进行了洪水过程模拟和预测．并对影响网络收敛速度的因素做了探索，阐述了BP网络参数选择原则和选取范围。1．BP网络模型简介BP网络模型是实现复杂非线性映射的新方法。如果网络的输入层神经元个数为n，输出层节点数为m，则该网络实现的是Rn到Rm的映射，即有：Rn→Rm[1]。BP算法主要包括两个过程：一是由学习样本、网络权值W和阈值θ，按照输入层→隐层→输出层

3、的顺序，逐层计算节点的输出；二是由期望输出与计算输出构造出误差函数E（Wk）,采用梯度下降法调整网络权值，即Wk+1=Wk+η通过不断学习，当误差函数E（Wk+1）小于任意小的值ε时，网络收敛。2．水库调洪演算的BP网络模型建立2.1BP网络的输入与输出（1）水库调洪演算是在水库水量平衡和动力平衡原理（即圣维南方程组的连续方程和动力方程）的支配下进行的[2]。水库水量平衡方程可用下式描述：式中，Q1和Q2为时段△t始、末的入库流量（m3/s），q1和q2为时段△t始、末的出库流量（m3/s），V1和V2为时段△t始、未的水库蓄水量（m3），△t为计算时段（s）。动

4、力平衡用水库的蓄泄关系描述：q=f(H)（2）式中，q是下泄流量（m3/s）；H为堰上水头(m)。在水库调蓄洪水期间，视水库为静水面，则有H=f(V)，其中V为水库库容(m3)。结合（2）式，则有：q=f(V)（3）由（1）和（3）可得：q2=f(q1,Q)或q2=f(q1,Q1，Q2)水库调洪演算的实质就是确定时段末的下泄流量q2。q2是时段初的下泄流量q1和时段平均入库流量Q的函数，或是时段初的下泄流量q1和时段始、末入库流量Q1、Q2的函数。它们分别对应于网络的输出和输入，输入与输出之间存在着非线性映射关系。2.2BP网络模型的建立经比较，输入层神经元分别为

5、Q1、Q2和q13个，隐层节点数为7，输出层节点数为1，构成BP网络（简称3-7-1模型）。表1为某水库12h洪水演算数据[2]，将其中的前9个洪水过程数据作为学习样本，后3个（内插数据）作为预报样本。取学习率为1.85，冲量因子为1.3。经网络不断学习和对学习效果比较，得出网络最优权值和阈值，如矩阵W1、W2、W3、W4所示。W1为输入层对隐层的权值、W2为隐层对输出层的权值、W3为隐层阈值、W4为输出层阈值，BP模型拟合和预测结果如表2。W4=-6.6664表1某水库12h洪水过程基本数据Table1Somereservoirof12hfloodwaterpr

6、ocessbasicdata序号No.Q1（m3/s）Q2（m3/s）q1（m3/s）实测值Realresults（m3/s）序号No.Q1（m3/s）Q2（m3/s）q1（m3/s）实测值Realresults（m3/s）11014010207321513010021407102010581510100753710279105235910107565427913123522510440190165242513165225175111909524220066532175130129545200150表2BP模型拟合和预测结果Table2Imitationandpr

7、edictionresultsoffloodWaterprocessBPneuralnetwork样本序号No.实测值Realresults（m3/s）计算值Calculationresults（m3/s）误差Error（%）序号No实测值Realresults（m3/s）计算值Calculationresults（m3/h）误差Error（%）12020.94-1.88710098.601.452105105.20-0.0287576.60-2.103235235.000.0096564.360.984225225.19-0.4010242234.803.305

8、75174