基于递归神经网络和分布式水文模型入库流量预报的水库实时调度

Posted 2021-04-26 CTGUWRI

题目：

Real-time reservoir operation using recurrent neural networks and inflow forecast from a distributed hydrological model

Shuyu Yang a, Dawen Yang a,⁎,  Jinsong Chen b, Baoxu Zhao a

a    State Key Laboratory of Hydroscience and Engineering, Department of Hydraulic Engineering, Tsinghua University, Beijing 100084, China

b    Earth and Environmental Sciences Area, Lawrence Berkeley National Laboratory, Berkeley, CA, USA

期刊/年份：Journal of Hydrology/2019

文案/柯文豪

排版/柯文豪

校核/丁光旭

研究背景

水库作为水资源管理和利用的重要基础设施，具有防洪、抗旱、灌溉、发电、供水等多种效益。要实现上述功能，需要包括准确的实时入库流量预报在内的实时水库调度。

研究方法和目的

在该研究中，使用神经网络从历史调度数据中提取水库调度规则，并使用基于地貌的水文模型（The Geomorphology-based hydrological model，GBHM）进行入库流量预测。将基于递归神经网络（recursive neural network, RNN）的水库调度模型与水文模型相结合，实现水库出库流量的实时预报。以Chao Phraya 河流域上游三座多目标水库为例，包括两个多年调节水库和一个不完全年调节水库，对实时调度系统的性能进行了检验。该研究旨在：

(1)验证RNN在多年调节的多目标水库调度中的有效性；

(2)检验基于RNN的水库调度模型在不同流态(包括极高流量和极低流量)下的适用性；

(3)开发一个实时水库调度系统，将分布式水文模型结合起来，提供具有24小时预见期的水库出库流量预测。

研究结果

该研究选取位于Chao Phraya河流域上游的三座多目标水库（Bhumibol水库、Sirikit 水库和Khwae Noi Bamrung Dan水库）作为研究对象（见图1）。Chao Phraya河流域上游位于泰国北部，流域面积为110,569km²。气候属热带季风气候，年平均降水量1200mm左右。平均而言，每年总降雨量的85%出现在5月至11月(雨季)。其中Bhumibol水库和Sirikit 水库为多年调节水库，Khwae Noi Bamrung Dan水库为不完全调节水库。

图1 流域及三座水库位置示意图

水库调度模拟中的模型性能比较

图2显示了Bhumibol水库的模拟结果。结果表明，三种RNN（Basic NARX model、GA-NARX Model和LSTM model）均能较好地模拟水库的出流，具有较高的纳什效率系数（NSE）(>0.65)和较低的百分比偏差（PBIAS）绝对值(<10%)，其中GA-NARX的模拟效果最好。结果还表明，神经网络既能模拟多年调节水库的调度，又能模拟不完全年调节水库的调度。

为了更好地评估基于RNN的水库调度模型，该文比较了模型在不同流态下的性能。对于低流量模拟，RNN大大高估了PBIAS为正(>20%)的水库的出库流量，LSTM模型的精度最低。对于中间流量，对于较小的PBIAS(<10%)，所有RNN都有轻微的低估或高估。对于高流量模拟，RNN都低估了高流量，PBIAS为负(<20%)，GA-NARX模型明显比其他两个模型更准确。低流量的高估和高流量的低估可能是由S型激活函数引起的。对于S型函数，随着自变量绝对值的增大，斜率逐渐趋于0，表明激活函数会将高流量转换为低流量，将低流量转换为高流量。由于与中间值对应的激活函数的斜率接近1，所以中间值没有明显的偏差。此外，该文还发现，出流时间序列中的高低流量频率远远低于中间流量的频率，这可能导致在有限的高低流量数据集上对模型的训练不足。

此外，该研究中使用的GA来改善传统NARX的性能。对于该研究中三个水库，GA-NARX在模拟期内的性能都得到了改善，并且这种改善不依赖于初始权重和偏差。研究还表明，遗传算法非常有助于克服NARX的早熟收敛和对初始条件的高度敏感性。

图2 用NARX(A)、GA-NARX(B)和LSTM(C)对Bhumibol水库日实测流量(蓝色)和模拟流量(R红色)进行了比较，并比较了三种RNN在不同流态（高流量(橙色)、中间流量(蓝色)和低流量(黑色)）下的性能。

基于RNN模型的水库调度适用性研究

为了与现有的水库调度规则进行比较，这些规则定义了经验上期望的蓄泄关系，该文计算了由最佳性能模型(即GA-NARX模型)提取的与水库调度相关的水库库容的日轨迹。对于长期运行模拟，误差将逐渐累积（图3(a)）。为了减少累积误差的影响，该文每年在雨季开始时更新库容（图3(b)）。如图3(b)所示，上曲线和下曲线代表泰国皇家灌溉部提供的Bhumibol水库实际简化运行规则曲线，水库库容应在这两条线之间。然而，在历史记录中，观测到的库容轨迹多次超过上下限。这表明Bhumibol水库运行人员出于某些原因没有严格遵循运行曲线。这一现象部分是由自然过程造成的，如2011年的洪涝年，部分是决策者的个人判断和经验。如图3(b)所示，GA-NARX模型的结果更好地符合实际的水库库容轨迹。这表明GA-NARX模型能够满足水库运行人员的实际目标。此外，库容轨迹显示，水库往往在丰水年(如2007年)蓄水较多，并在随后的枯水年(如2007、2008、2009和2010年)利用这些水进行调节。令人满意的仿真结果也表明，GA-NARX提取的运行规则可以实现多年多用途的调节功能。

图3 用GA-NARX模拟Bhumibol水库库容轨迹(绿色)和实测库容轨迹(橙色)，比较了模拟期内未更新库容(a)和每年更新库容(b)的Bhumibol水库库容轨迹，并将模拟结果与已有的简化水库规则曲线(黑色和蓝色)进行了比较。

基于GBHM的入库流量预报实时调度

本研究选取2012年1月1日至2015年7月6日的气象观测资料作为天气预报资料，利用GBHM对水库入库流量进行实时预报。GA-NARX模型在入库预报的基础上，可以实现水库的实时调度。结果如图4和表1所示。

结果表明，实时出流预报的性能（NSE为0.89）令人满意。2012年旱季的出库流量显然被低估了，因为那段时间突然改变了调度规则。这种突然变化不包括在训练周期数据中，因此不能被RNN学习。另外，结果表明，该系统能更稳定、有效地捕捉到雨季的日变化，而不是旱季的日变化。造成这一现象的主要原因是枯水期和丰水期水库功能不同。Bhumibol水库主要用于旱季灌溉和供水，运行人员需要考虑复杂的下游用水需求，不确定性较大，而发电和防洪是汛期的主要功能，不确定性较小。因此，枯水期出流的日变化大于丰水期，较难捕捉。

表1 GBHM模型在流入预测中的性能和

2012年1月1日至2015年7月6日实时流出预测的性能

图4 2012年1月1日至2015年7月6日的实时流出预测结果

研究结论

（1）RNN能够从历史数据中捕捉到实际的水库调度规则，并能较好地模拟水库的泄流过程。另一方面，由于使用了S形激活函数和历史时间序列中有限的高低流量数据，RNN低估了高流量而高估了低流量。

（2）通过优化NARX的初始条件，与传统的NARX相比，遗传算法可以大大提高预测精度。GA-NARX算法还克服了NARX算法对初始条件敏感性高的缺点。

（3）基于GA-NARX的调度模型在极端洪涝和干旱情况下是有效的，并且比传统方法能更好地模拟库容轨迹，这表明基于GA-NARX的调度模型能够根据下游的反馈信息来捕捉极端水流条件下运行人员的判断，这意味着基于GA-NARX的调度模型在极端洪水和干旱情况下是有效的，并且能够比传统方法更好地模拟库容轨迹。

（4）该研究开发的Bhumibol水库实时调度系统与GBHM相结合进行入库流量预报，可以提供稳健的具有24小时预见期的水库出库流量预报。