水文
JOURNAL OF CHINA HYDROLOGY
第35卷第1期
2015年2月
Vol．35No．1Feb ．,2015
随着水文过程理论的不断完善、水文观测资料的丰富积累、地理信息系统和遥感等空间信息获取和处理技术的快速发展，以水文学理论为基础的概念性水文模型和基于水文物理机制的分布式水文模型均取得了长足的进步[1-3]，大大提高了降水径流过程模拟的精度和预报的准确性，尤其是自然流域的洪水过程模拟和定量预报，基本达到了防汛的预警预报实用要求[1-3]。但在河网水系发达的河口区域（一般在其下游存在回水顶托），影响河道断面流量（或水位）的因素众多，且影响因素与断面的流量（或水位）关系复杂，采用概念型流域水文模型和分布式流域水文模型进行流域产汇流计算和河道洪水演算时，往往存在研究区域内的水文过程（如河道受周期性回水顶托）难以概化、模型模拟所需的资料难以满足及模型的时空尺度难以合理选择等问题，致使具有一定物理基础的流域水文模型应用于该类断面的流量（或水位）计算、预报中精度较差。此外，很多山区河流水文站通常仅观测水位，而无流量资料，而基于质量、能量守恒的流域水文模型对流量通常能取得较好的模拟精度，但难以对受冲刷和於积作用影响较大的断面水位（水深）进行直接计算和预报。常规的线性回归等统计方法，亦难以描述河道断面的
流量（或水位）与邻近断面的流量（或水位）、区域降水等影响因素间的复杂关系。
BP 人工神经网络用工程技术手段模拟人脑神经
网络的结构和功能特征，采用非线性处理单元模拟人脑神经元，用处理单元之间可变联接强度（权重）来模拟突触行为，构成一个大规模并行的非线性动力系统，适于描述系统输入和输出间的复杂关系，已在降水径流过程模拟[4-6]、河道洪水预报[7-11]、水文模型参数与洪水特征属性间的关系[12-13]等水文系统建模中取得广泛的应用。BP 神经网络应用于专业问题能否成功取决于如下两个主要方面：一是对所研究专业问题的概化，即寻找对水文系统输出（如径流过程、断面流量等）起关键影响的因子以及对其之间存在的关系的分析；二是
BP 神经网络自身参数的确定。此外，BP 神经网络模型
本质上是一种“黑箱”统计模型，所选取的样本必须具有足够的数量和代表性。针对BP 神经网络存在着学习速度慢、易陷入局部极小值等主要缺陷，许多学者分别从网络参数的初始值设置、网络隐层数及隐层节点数、激励函数选择、学习过程中网络参数的调整、局部极小值退出措施等方面提出了相应的改进方案。其中，网络参数的初始值一般具有较大概率搜索到全局最优
BP 神经网络洪水预报模型在洪水预报系统中的应用
胡健伟1，周玉良2，金菊良2
（1水利部水文局,北京100053;2合肥工业大学土木与水利工程学院,安徽合肥230009）摘
要：采用相关分析法，在区域降水、观测断面流量（或水位）因子中识别出影响预报断面径流过程的
主要变量，在多个观测断面的数据均为流量情况下，采用基于时延组合的合成流量为影响预报断面径流过程的变量，采用自相关分析法，识别出影响预报断面径流过程的前期流量（或水位），以这些变量为
BP 神经网络模型的输入，以预报断面的流量（或水位）为模型的输出，在BP 神经网络隐层节点数自动
优选的基础上，构建了基于BP 神经网络的洪水预报模型。将模型载入中国洪水预报系统中，应用结果表明：模型在历史洪水训练样本具有一定代表性的情况下，可获得较高的预报精度。关键词：洪水预报；人工神经网络；BP 算法；洪水预报系统；应用中图分类号：P338.9
文献标识码：A
文章编号：1000-0852(2015)01-0020-06
收稿日期：2014－06－05
基金项目：国家自然科学基金(51109052)；水利部公益性行业科研专项经费(201001045)
作者简介：胡健伟（1979-），男，江苏启东人，硕士，高工，从事水文情报预报研究。E-mail:jwhu@https://www.doczj.com/doc/702969053.html, 通讯作者：周玉良（1982-），男，安徽舒城人，博士，副教授，从事水文水资源研究。E-mail:ZYL54600@https://www.doczj.com/doc/702969053.html,
第1期
解的方法获得[4]；隐层数及隐层节点数、激励函数型式一般采用试算法确定[8,14]；网络参数调整主要有自适应学习速率和附加动量项方法[7,11,14]；局部极小值跳出主要采用网络参数随机扰动结合参数优化的措施[15]。
针对具有一定物理基础的流域水文模型在现有条件下难以应用于部分区域的断面流量（或水位）预报的问题，提出将基于BP神经网络的洪水预报模型作为中国洪水预报系统[16]中的一种河道断面流量（或水位）预报模型，模型通过编译的动态链接库BP.dll载入中国洪水预报系统。中国洪水预报系统提供的数据有预报断面所在的区域范围、区域时段降水量序列、区域范围内的水文观测站的流量和（或）水位序列等，这里主要根据系统提供的数据，通过水文过程和相关统计分析等途径确定BP神经网络洪水预报模型的输入变量，通过比较的途径自动优选BP神经网络的隐层节点数。
1基于BP神经网络的洪水预报模型
1.1基于BP神经网络的洪水预报模型输入和输出
根据中国洪水预报系统提供的研究断面所在区域范围内的数据类型，可以将数据划分为如下3种：①只有区域降水P和预报输出断面流量Q O（或水位Z O）序列；②区域降水P、预报输出断面流量Q O（或水位Z O）和1个观测输入断面的流量Q S（或水位Z S）；③区域降水P、预报输出断面前期流量Q O（或水位Z O）和多于1个观测输入断面的流量Q S（或水位Z S）。
对于上述3种情况，采用相应的方法确定网络的输入变量：
①采用相关分析法，确定区域降水P和预报输出断面流量Q O序列相关系数（绝对值）最大所对应的延时L P；采用自相关分析法，确定预报输出断面流量Q O 序列自相关系数（绝对值）最大所对应的延时L O；则对应的网络输入变量为区域降水P（t–L P）和预报输出断面的前期流量Q O（t–L O），若预报输出断面的数据类型为水位，则仅需将网络输入中对应流量的变量更换为水位变量。
②区域降水和预报输出断面的前期流量作为网络输入变量的确定方法同①，观测输入断面的最显著延时L S采用相关分析法确定，则对应的网络输入变量为P（t–L P）、Q O（t–L O）以及观测输入断面的流量Q S（t–L S），若断面观测数据类型为水位，则仅需将网络输入中对应流量的变量更换为水位变量。
③区域降水和预报输出断面的前期流量作为网络输入变量的确定方法同①；若观测输入断面的数据类型为水位，则各观测输入断面的最显著延时（i=1～N，N 为观测输入断面数目）仍采用相关分析法确定，对应的N+2个网络输入变量为P（t–L P）、Q O（t–L O）)以及N个
观测输入断面的水位Z S（t–L i
s
）；若观测输入断面的数据类型为流量，则先计算给定的延时范围[T1,T2]内的各种延时（[T1,T2]，T1、T2为BP神经网络模型的参数文件中的参数）组合情况下的合成流量Q com，见式（1）。
Q com（t）=
N
i=1
ΣQ i s（t–L i s）（1）合成流量相当于流域各支流上的观测输入站洪水流量以运动波形式在时刻t传播到预报输出站。再对Q com和预报输出断面的流量Q O（或水位Z O）进行相关分析，选取相关系数（绝对值）最大时所对应的合成流量作为网络的1个输入变量，另2个网络输入变量分别为P（t–L P）和Q O（t–L O）。此处的延时相当于观测输入站洪水传播至预报输出站的传播时间，延时范围[T1，T2]一般根据观测输入站与预报输出站间的距离和流速确定。因洪水预报的预见期取决于最短的延时，选择的观测输入站至预报输出站的洪水传播时间一般大致相等，亦即T1和T2一般相差不大。若预报输出断面的观测数据类型为水位，则仅需将Q O（t–L O）更换为Z O（t–L O）。
BP神经网络洪水预报模型的输出为预报输出断面的流量或水位，由模型的参数文件中的输出断面的预报要素类型指定。
1.2基于BP神经网络的洪水预报模型隐层节点数
BP神经网络隐层节点数是影响神经网络模型拟合精度和计算耗时的重要参数，隐层节点数的确定是该模型的难点。目前尚无公认的隐层节点数确定规则，通常需要的隐层节点数会随输入层节点数的增加而增加。本模型根据神经网络输入变量的数目，设置隐层节点数的范围（如为输入变量数目的1.5～2.5倍），后对具有不同隐层节点数的BP神经网络进行训练，取BP 神经网络训练误差（网络训练的输出值与期望输出值之差的平方和）最小或模型的确定性系数最大时所对应的隐层节点数作为最终的隐层节点数。该隐层节点数的试算择优确定，由程序根据神经网络输入变量的数目自动执行，无需手工一一调试隐含层节点数。
1.3基于BP神经网络的洪水预报模型激励函数
函数可微是BP神经网络神经元的激励函数的基本要求，通常采用的激励函数有sigmoid函数、线性函
胡健伟等：BP神经网络洪水预报模型在洪水预报系统中的应用21
第35卷
水文数和双正切函数等。sigmoid 函数和双正切函数的最大值为1，最小值为0，使用这两种形式的激励函数，模型预报的量值不会超过预先设置的最值；线性函数没有最大值和最小值的限制，模型的预报值可超出样本中的最值。一些研究表明，线性函数在大江大河的河道流量演算中效果较好[9,14]，但神经元采用线性函数作为其激励函数会降低其非线性映射能力[14]。此外，在洪水预报计算过程中，若采用线性激励函数在低水时期会出现预报值为负值和在高水时期预报值出现难以解释的大值等情况。为此，这里取常用的sigmoid 函数为隐层和输出层神经元的激励函数，输入层神经元的激励函数采用线性函数。
为使BP 神经网络洪水预报模型具有一定的外延能力（即预报值可超出样本中的最值），在模型中设置两个参数，一个为预报值上限与训练样本中最大值的比例系数S 1，另一个为预报值下限与训练样本中最小值的比例系数S 2，这样可使BP 神经网络洪水预报模型能预报比样本中最值范围稍大的洪水或枯水，但模型的预报值实际上是基于预报样本的输入变量与训练样本的输入变量的相似性而得出的，若样本的代表性不足，外延能力十分有限。
1.4BP 神经网络的权值、阈值参数调整方式BP 神经网络通过误差函数“负梯度下降”法调整
网络权值和阈值参数，使网络的计算输出逼近期望输
出（实测值）。参数调整方式分为2种，一种是每训练一个样本，就计算单样本点误差，调整一次参数，称为在线学习方式；另一种是训练完所有样本后，计算样本集误差，调整一次参数，称为离线学习方式或批学习。在线学习方式每次参数调整并不一定有利于使样本集上所有样本对的误差平均值减小，学习新样本有遗忘旧样本的缺陷[17]，网络训练误差容易出现振荡，但若样本集具有足够的代表性，在线学习算法可较快逼近网络输入和输出间的关系；而离线学习方式着眼于样本集“总体误差”最小的效果，网络训练误差一般较平滑下降。哪种学习方式更加有效，目前尚无一致意见。因此，在中国洪水预报系统中提供在线和离线两种学习方式的模型方案供用户选择。
为解决减少网络训练误差出现振荡的机会和收敛速度过慢的矛盾，一般采用自适应学习速率和附加动量项法，调整网络权值和阈值参数[7，11，14]。自适应学习速率是在训练样本集前后两次迭代误差增加的情况下，减小学习速率；在误差减小的情况下，增加学习速率。但目前尚无一致的规则用于初始学习速率和学习速率调整的参数设置。附加动量法是在参数的变化上加上一项正比于上一次参数调整量的值[7,15]，与自适应学习速率所起作用类似。为此，本模型在网络参数调整时，采用附加动量项法，自适应学习速率采用小于1的较小值。
基于BP 神经网络的洪水预报模型程序框图见图1。
图1
BP 人工神经洪水预报模型程序框图
Fig.1
The block diagram of BP artificial neural flood forecasting model program
注：图中P 为区域降水；Q O (Z O )为预报输出断面的流量（水位）；Q S （Z S ）为观测输入断面的流量（水位）。
区域降水、观测站及预报站水位流量数据分析
数据序列（缺失、长度和类型）是否满足建模要求
程序非正常结束提示出错信息
BP 神经网络输入变量分类处理
P Q O (Z O )
P 、多Q S Q O (Z O )P 、单Q S （或多Z S ）、Q O (Z O )
多Q S 合成Q com
相关、自相关技术确定模型输入
输入预报样本，进行预报
最优隐层节点下模型参数更新学习次数，判断全局误差是否小于指定值或学习次数是否大于指定次数
更新样本对，正向计算，直至全部训练完
误差反方向调整参数否
初始化BP 网络参数确定或更新隐层节点数据模型输入变量数设置隐层节点范围输入样本，正向计算是
不满足
满足
22
第1期2基于BP 神经网络的洪水预报模型应用实例
基于BP 神经网络的洪水预报模型已加载入中国
洪水预报系统中，作为其中一种预报模型，已开始应用于区域的降水径流过程模拟和预报。以下是模型在部分区域的应用结果，图2为武夷山站2012年5月1日的降水径流过程模拟，模型的输入变量为武夷山流量站控制范围内的村尾、大安、洋庄等9个雨量站降水数据和武夷山流量站前期流量数据；图3为建阳站2012年5月2日的降水径流过程模拟，模型的输入变量为建阳站至武夷山站、麻沙站之间区域的城村、古亭、五夫等9个雨量站降水，以及武夷山站的流量和建阳站的前期流量；图4为金鸡站2012年4月28日的降水径流过程模拟，模型的输入变量区域的降水、容县、南
渡、岑溪站的流量以及金鸡站的前期流量。
从应用实例中可以看出，所建立的基于BP 神经网络的洪水预报模型在训练样本资料较长，具有一定代表性的情况下，拟合、预报的流量过程能较好地符合实测的洪水过程。由于神经网络模型实质上是一种数据驱动模型，成功应用该模型的前提是训练样本中需包含研究区历史上发生的各种流量（水位）的洪水样本，并能够正确提取出影响预报输出断面流量（或水位）的关键因子作为神经网络模型的输入。因此，运用该模型进行常规流域水文模型难以应用的复杂区域的洪水预报时，需要对研究区域的径流形成（产、汇流）过程的进行深入分析，找出影响流量（或水位）的主要因子，并能够收集具有一定代表性的洪水资料。
图2武夷山流量站流域范围及降水径流过程模拟示意图（输入为降水和武夷山前期流量）
Fig.2
The schematic diagram of the Wuyishan station catchment and rainfall runoff simulation
图3建阳站流域范围及降水径流过程模拟示意图（输入为降水、武夷山流量和建阳前期流量）
Fig.3The schematic diagram of the Jianyang station catchment and rainfall runoff simulation
胡健伟等：BP 神经网络洪水预报模型在洪水预报系统中的应用
紫溪
王村
张家山
里江东
车盘
篁村
石垅
黄龙桥
擂鼓岭
船坑
禹溪
坑口坑口电站
大安
西际
徐家厂
上村
黄墩村尾
连墩电站
岭阳
岚谷
横源
古岩
黄尾
染壑
樟村
枫溪
龙门电站
吴边
岭根东溪
四渡
洋庄
浆溪
程墩
柘洋
厅下
首阳
岭山
武夷山
樟树水库
厅下
首阳
岭山柘洋
浆溪
程墩东溪
岭根
枫溪吴边
黄墩村尾
连墩电站
洋庄
四渡
徐家厂
岱坪
举安
干坑西口
东山高家霞洋
三港东北源
皮坑口红星
曹墩星村巨口
洲头
黄坑
黎源
澄浒
高阳
仙店
大渚下梅
荷墩
上梅南树
城村
兴田
澄溪
大将五夫古亭
茶景
武夷山
麻沙
洋后
界首分站
下沙
吴家塘
上王塘邵武故县城郊
曾家尾大竹
徐市
小湖
水吉
23
第35卷
水文图4金鸡站流域范围及降水径流过程模拟示意图（输入为降水、3个观测站流量和金鸡站前期流量）
Fig.4The schematic diagram of the Jinji station catchment and rainfall runoff simulation
3结论
分析识别出影响预报输出断面的流量（或水位）的
关键因子，并设计出合理的网络输入，是基于BP 神经网络的洪水预报模型取得成功应用的基础；此外，基于
BP 神经网络的洪水预报，实质上是一种通过识别待预
报洪水与历史洪水的影响因子的相似性获得待预报洪水的统计方法，其外延能力有限，训练样本中具有足够代表性的历史洪水，是模型能够获得较高预报精度的前提。据建立的方案在中国洪水预报系统中应用情况，得到以下结论：
（1）以研究区域的降水、区域外入境观测输入断面的流量（水位）和预报输出断面的前期流量（水位）作为预报输出断面流量（或水位）的关键影响因子，并通过相关、自相关技术确定的变量作为基于BP 神经网络的洪水预报模型的输入是可行的；通过延时组合分析，合成多个区域外入境观测输入断面的流量为合成流量，作为预报输出断面流量（或水位）的影响因子是合理的。
（2）设计的BP 神经网络隐层节点数自动优选法、选取的网络神经元的激励函数和采用的附加动量项网络参数调整法是合适和可行的。
（3）模型在历史洪水训练样本具有一定代表性的情况下，可以获得较高的预报精度。但在训练样本洪水代表性不足的条件下，模型因其本质特性，外延能力有限。
参考文献:
[1]陆桂华,吴志勇,何海.水文循环过程及定量预报[M].北京:科学
出版社,2010.
(LU Guihua,WU Zhiyong,HE Hai.Hydrological
Cycle Process and Its Quantitatitve Forecast [M].Beijing:Science Press,2010.(in Chinese))
[2]徐宗学.水文模型[M].北京:科学出版社,2009.
(XU Zongxue.
Hydrology Model[M].Beijing:Science Press,2009.(in Chinese))[3]水利部水文局(水利信息中心).中小河流山洪监测与预警预测技术
研究[M].北京:科学出版社,2010.(Bureau of Hydrology.Research
on Medium and Small -Size Rivers of Monitoring and Early Warning Prediction [M].Beijing:Science Press,2010.(in Chinese))[4]包红军,李致家,王莉莉.降雨径流模拟神经网络模型及应用[J].西
安建筑科技大学学报(自然科学版),2009,41(5):719-722.(BAO
Hongjun,LI Zhijia,WANG Lili.Rainfal -runoff modeling with artificial neural network and genetic algorithm [J].Journal of Xi'an University of Architecture &Technology (Natural Science Edition),
2009,41(5):719-722.(in Chinese))
[5]宋晓猛,孔凡哲.新安江模型和人工神经网络的耦合应用[J].水土保
持通报,2010,30(6):135-138.
(SONG Xiaomeng,KONG Fanzhe.
Application of Xi nanjiang model coupling with artificial neural networks [J].Bulletin of Soil and Water Conservation,2010,30(6):135-138.(in Chinese))
[6]Rajurkar M P,Kothyari U C,Chaude U C.Modeling of the daily
rainfall-runoff relationship with artificial neural network [J].Journal of Hydrology,2004,285:96-113.
[7]金菊良,丁晶.水资源系统工程[M].成都:四川科学技术出版社,
2002.
(JIN
Juliang,
DING
Jing.
Water
Resources
Systems
Engineering
[M].Chengdu:Sichuan Science and Technology Press,
2002.(in Chinese))
[8]庞博,郭生练,熊立华,等.改进的人工神经网络水文预报模型及应
用[J].武汉大学学报(工学版),2007,40(1):33-36.(PANG Bo,GUO
Shenglian,XIONG Lihua,et al.A modified artificial neural network model
and
its
application
to
flood
forecasting
[J].
Engineering Journal of Wuhan University,2007,40(1):33-36.(in
Chinese))
[9]王光生,苏佳林,沈必成,等.神经网络理论在河道洪水预报中的应
罗贤
燕岭
大安
平岭稻花
六陈大有
动界
旺冲
寻社黄花石罗
围塘（新客）六陈水库（渠道）
大冲大妙
联堡
福华军丰
罗秀新垌圩新伟
中和庞村中西平山圩
下蓝垌古齐大洲
潭龙
长田坡
新庆木棉
象棋
河儿口
大桥冲
藤县
蒙告
白石
垠南
同心
三堡
良垌
糯垌
平山
波塘
波塘富裕
安平
大维
太安
大寨
杨乐
大业
梨木
大隆
赤水
岑溪天星
马路
高垌
黄牛坪
竹山
宁冲
龙门
六洋
新圩
民安
北流
平梨
杨梅
佛子湾
理珍塘
吉太
南渡
加益
大水口
康塘
岭景石村岭景
金鸡
24
第1期
用[J].水文,2009,29(5):55-58.(WANG Guangsheng,SU Jialin, SHEN Bicheng,et al.Application of neural network in channel flow forecasting[J].Journal of China Hydrology,2008,28(6):28-29.
(in Chinese))
[10]王艳君,金生.河网水情预测的三种BP神经网络方法比较[J].水
电能源科学,2010,28(2):19-22.(WANG Yanjun,JIN Sheng.
Comparison of three kinds of BP neural network methods for water regime forecasting[J].Water Resources and Power,2010, 28(2):19-22.(in Chinese))
[11]覃光华,丁晶,刘国东.自适应BP算法及其在河道洪水预报上的应
用[J].水科学进展,2002,13(1):37-41.(QIN Guanghua,DING Jing, LIU Guodong.River flow prediction using artificial neural networks self-adaptive error back-propagation algorithm[J].
Advances in Water Science,2002,13(1):37-41.(in Chinese)) [12]陈田庆,解建仓,张刚,等.基于BP神经网络的马斯京根模型参数动
态估计[J].水力发电学报,2012,31(3):31-38.(CHEN Tianqing, XIE Jiancang,ZHANG Gang et al.Dynamic parameter estimation for Muskingum routing model based on BP artificial neural network[J].Journal of Hydroelectric Engineering,2012,31(3):31-
38.(in Chinese))
[13]刘政,邹长武,赵吉武,等.BP神经网络模型拟合受回水影响的水位
流量关系研究[J].水文,2008,28(6):28-29.(LIU Zheng,ZOU
Changwu,ZHAO Jiwu,et al.A new method to simulate stage-discharge relation affected by backwater[J].Journal of China Hydrology,2008,28(6):28-29.(in Chinese))
[14]李鸿雁,刘寒冰,苑希民,等.提高人工神经网络洪水峰值预报精
度的研究[J].自然灾害学报,2002,11(1):57-61.(LI Hongyan,LIU Hanbing,YUAN Ximin,et al.Study on improving peak flood forecast accuracy of artificial neural network[J].Journal of Natural Disasters,2002,11(1):57-61.(in Chinese))
[15]周玉良,金菊良,吴成国,等.洪水灾害等级评价的遗传神经网络非
线性组合模型[J].水电能源科学,2008,26(5):37-39.(ZHOU Yuliang,JIN Juliang,WU Chengguo,et al.BP-RAGA based combination model for evaluating loss grade of flood disaster[J].
Water Resources and Power,2008,26(5):37-39.(in Chinese)) [16]章四龙.洪水预报系统关键技术研究与实践[M].北京:中国水利
水电出版社,2006.(ZHANG Silong.Research and Practice on Key Technologies for Flood Forecasting System[M].Beijing: China WaterPower Press,2006.(in Chinese))
[17]欧璟,李海青.关于BP网络批学习算法的讨论[J].浙江大学学报
(自然科学版),1997,31(3):395-398.(OU Jing,LI Haiqing.Discussion on batch-mode learning algorithm for BP neural networks[J].
Journal of Zhejiang University(Natural Science),1997,31(3):395-398.(in Chinese))
Flood Forecasting Model on BP Neural Networks and Its Application in Flood Forecasting Systems
HU Jianwei1,ZHOU Yuliang2,JIN Juliang2
(1.Bureau of Hydrology,MWR,Beijing100053,China;
2.School of Civil Engineering,Hefei University of Technology,Hefei230009,China)
Abstract:Correlation analysis technique was used to identify main influence factors of runoff processes for prediction river section from regional precipitation,discharge or stage of river survey section,especially when the data type of river survey sections was discharge,the combined discharge obtained on combination of lag times of runoff between survey sections and prediction section was selected as influence fac tors,and the auto-correlation analysis technique was adopted to identify influence factor from preceding discharge or stage process of prediction section.And then the influence factors were used as input of networks,and the discharge or stage of prediction section was used as output of networks,with node number of hidden layer acquire by trial and error automatically,the flood forecasting model based on BP neural networks was established.Then the established model was loaded in national flood forecasting systems.The application results show that satisfactory forecasting effects are acquired when there are some representative flood processes in the training samples.
Key words:flood forecasting;artificial neural networks;back propagation algorithm;flood forecasting system; application
胡健伟等：BP神经网络洪水预报模型在洪水预报系统中的应用25
岸堤水库雨洪资源解析 使 用 说 明 书 二〇一五年六月一日 作者:文华 :******** :fblwh150@163. 目录 第一章概述 (3 第二章功能简介 (5 第一节功能特点 (5 第二节软件画面 (6 第三节运算功能 (7 第四节气象云图及气象雷达 (13 第三章数学模型 (14 第一节洪水模型 (14
1、瞬时单位线 (14 2、CAMMADIST函数语法 (15 3、CAMMADIST函数应用 (16 4、流域洪水错时叠加 (17 第二节洪水传播 (18 第三节泄量模型 (19 1、闸门出流 (19 2、推求水面线 (21 3、闸门泄量 (22 第四节调洪演算 (22 第五节控运案 (23 第四章扩展性设计 (23 第五章调洪实例 (29 第六章课目攻关概况 (30 第七章使用说明书 (31 第一节洪水预报 (31 第二节调洪演算 (33 第三节其他计算 (33
附件课题研发小组成员....................................................................... 错误!未定义书签。 第一章概述 控制和预见洪水,让洪水变为一种资源,实现科学预见、动态管理、合理利用,是本课题的研究对象。 科学控制洪水,真正能够对洪水运用自如,其首要问题是准确解析、及时预报,掌握洪水动态。但目前实际应用中,对水库防洪兴利控制运用,还仅限于依靠库水位的变化,结合下游河道的承受能力,试探性的调节洪水,这种洪水调整模式,具有较大的盲目性,理论面的支撑相对不足。 当前,各水库防汛主体单位,均制定了相应的《水库控制运用案》。如岸堤水库防洪调度图(图1,但这些案的编制和批复仅表现为粗线条和原则性的界定,是在进行大量假定的基础上进行编制的,应用中的可操作性相对欠缺,在实践中仅具有指导意义。 (图1 洪水调度控制案的编制,偏离实际应用,存在的突出问题,主要表现在以下几个面: 1、假定了降雨的空间分配是均匀的,即整个流域降雨分布是均等的。但实际降雨,特别是流域面积稍大的水库,降雨的空间分布几乎不可能是均等。 2、事先拟定了24小时降雨在1日各时段上的雨量分配。但实际降雨在时段上的分配,是个随机的不确定因素。 3、控制运用案的编制,起调水位为汛中限制水位,但实际降雨前的库水位,却几乎不可能恰巧是汛中限制水位。 4、所有闸门同开度启用,与实际控制运用也不相符。
Journal of Water Resources Research 水资源研究, 2019, 8(1), 24-32 Published Online February 2019 in Hans. https://www.doczj.com/doc/702969053.html,/journal/jwrr https://https://www.doczj.com/doc/702969053.html,/10.12677/jwrr.2019.81003 Application of the Long Short-Term Memory Networks for Flood Forecast Jiong Guo1, Yanjun Zhang1*, Junbo Wang1, Zhengying Yuan2, Jinjin Wu1, Wenxun Dong1, Sumiao Wang1 1State Key Laboratory of Water Resources and Hydropower Engineering Science, Wuhan University, Wuhan Hubei 2Hydrology Bureau of Changjiang Water Resources Commission of the Ministry of Water Resources, Wuhan Hubei Received: Feb. 2nd, 2019; accepted: Feb. 17th, 2019; published: Feb. 25th, 2019 Abstract Flood forecasting is difficult in mountain watershed because precipitation data is scarce and hard to reflect spatial heterogeneity. To improve the accuracy of flood forecasting in mountain watershed, long short-term memory model (LSTM) and Xin’anjiang model are used to simulate flood in Guanshan river watershed. The results show that the Nash efficiency coefficient of verification period in the tra-ditional hydrological model is 0.55, while that in the LSTM is 0.7 with daily data from 1975 to 1987. LSTM can greatly improve the hydrological simulation and forecast effect in the areas lacking precipi-tation data. Keywords Long Short-Term Memory (LSTM), Flood Forecast 长短期记忆模型在小流域洪水预报上的应用研究 郭炅1，张艳军1*，王俊勃1，袁正颖2，吴金津1，董文逊1，王素描1 1武汉大学水资源与水电工程科学国家重点实验室，湖北武汉 2长江水利委员会水文局，湖北武汉 收稿日期：2019年2月2日；录用日期：2019年2月17日；发布日期：2019年2月25日 摘要 在山区小流域，降水资料稀缺，且难以反应其降水的空间异质性，使得仅依靠降水资料进行洪水预报十分困难。作者简介：郭炅(1993-)，男，湖北黄冈人，硕士研究生，主要从事水文水资源方面研究。 *通讯作者。
横山水库洪水预报方案技术报告 （江苏省水文水资源勘测局无锡分局盛龙寿） 1.基本情况 (1) 1.1流域概况 (1) 1.2工程概况 (1) 1.3水文站点 (2) 2.产流计算 (3) 2.1产流模型 (3) 2.2产流计算 (4) 3.汇流计算 (4) 3.1单位线率定 (4) 3.2汇流计算 (6) 4.方案精度 (7) 5.预报软件 (7) 5.1运行环境 (7) 5.2资料录入 (7) 5.3水库调洪 (8) 5.4输出成果 (9) 5.5调洪程序 (10) 附件：单位线率定图表 (11)
1.基本情况 1.1 流域概况 自然地理：横山水库位于江苏省宜兴市，是厔溪河水系的拦蓄工程。水库集水面积154.8km2，上游山高岭陡，南部主要为太华山区，最高海拔500m以上，地势由南向北减缓，平均高程300m以上，流域内有100多条纵横交错的涧水由南向北呈扇形汇合而下，主要来水有两处：一是来自宜兴的太华山、襄王岭、分介岭、唐盘山等；二是来自溧阳的金牛岭、同官岭、松岭等。两处水源约占横山水库总来水的60%和40%。流域干流全长13km，河道坡降6.58‰，水库周围为建德群火山岩、茅山群灰白、紫红、黄色砂岩，石质坚硬，渗水性小。流域内植被达98％以上，山上生长成片竹林及各种用材林，浓郁成荫。山地占80％，可耕地约占10％。 流域气象：平均年降雨量为1310mm，平均雨日135.6日，平均年水面蒸发约870mm，平均相对湿度为80.1%，平均风速3.0m/s，年平均气温15.7℃左右，属湿润的亚热带季风气候区。全年降水的50～60％集中于6～9月份，6、7月份冷暖气团在上空遭遇，常产生锋面低压和静止锋，形成连续阴雨的梅雨天气，7至9月多受热带风暴影响，易形成来势迅猛的特大暴雨。 1.2 工程概况 横山水库是无锡地区唯一的一座大（Ⅱ）型水库，也是江苏省六大水库之一。水库于1958年动工兴建，1969年9月基本竣工。经省水利厅、太湖局立项批复，横山水库除险加固工程于2001年10月开工建设，总投资9938万元，按100年一遇设计，2000年一遇校核。水库原设计以防洪、灌溉为主，兼顾水力发电、水产养殖等综合经营，现发展为防洪、供水为主，结合发电、水产养殖。 横山水库总库容1.12亿m3，2000年一遇校核洪水位40.36 m(镇江吴淞基
基于分布式水文模型的中小河流洪水预报技术探讨 发表时间：2019-12-24T10:16:57.930Z 来源：《工程管理前沿》2019年第22期作者：张勇强[导读] 通常位于山丘地区的中小河流具有预见期短、分布范围广、突发性强以及洪水汇流时间短等特点摘要：通常位于山丘地区的中小河流具有预见期短、分布范围广、突发性强以及洪水汇流时间短等特点，所以，信息的及时预报与预警就是预报中小河流洪水的首要任务。在实时预警过程中，可通过自动预报实现，这样不仅能减少人员及财产损失，还能对地质灾害的发生概率进行最大程度降低。基于此，本文主要阐述了中小河流洪水预报中分布式水文模型构建条件， 关键词：分布式水文模型；中小河流；洪水预报 前言：我国地质地貌南北差异较大，地处季风区，所以，受气候因素与人类活动的影响，近年来频繁发生山区洪水灾害，不仅逐年增多了伤亡人数，还造成了严重的财产损失。中小河流洪水自然灾害在此背景下，已经成为对我国山区人民经济持续发展与社会快速发展制约的主要因素。本文围绕我国山区洪水地域地质概况及实际特征等进行了深入分析与探讨，为了实现准确预报与监测区域中小河流洪水，建立了科学的数据模型，以供参考。 1构建中小河流洪水预报中分布式水文模型的条件 1.1对需要的数据资料进行科学的收集 在对分布式水文模型进行构建过程中，有效的收集DEM数字高程模型数据、地形坡度、当地地形地貌、中小河流流域面积、土地综合利用情况以及土壤类型等数据资料就是最为核心的工作环节。 1.2应有效分析相关情况 应有效分析中小河流水位、水位流量关系、大断面资料以及当地降雨量等情况，为了对当地中小河流断面情况进行更好的了解，通过实地调研与数据分析，根据河道行洪能力，对河道防洪技术标准进行科学合理的制定。在分析与收集资料的前提下，应进一步分析降雨日资料与洪水日资料，通过数据总结对比，形成科学的产汇流特征参数及流域降雨径流关系。 1.3应对流域洪水汇流时间进行确定 构建中小河流洪水预报分布式水文模型的前提条件就是准确的汇流时间。因为目前较为缺乏水情遥测站的长系列历史水文数据资料，所以，在对中小河流汇流时间进行确定过程中，需要根据暴雨洪水与汇流速度公式响应关系的地区规律进行分析计算，详细的计算公式如下： T=0.278 式中：Qm--设计洪峰流量，该值在中小河流水预报预警中，可定为警戒流量或洪水预警特征值，可由流量关系线和断面水位查算而得，m3/s；m为汇流参数，在各地《水文手册》中，通过运用其中的经验公式计算可得；J--小河流主河道比降，可通过对谷歌地图或高比例尺地形图查算得到；L--小河流主河道长度。 1.4需要选择适当的分析方法 分析方法要适用于中小河流洪水预报模型，所以需要科学的进行选择。根据中小河流实际特点，采用临界雨量预警方式，对汇流时间在1小时以下的流域进行了数据分析。另外，对分布式的临界雨量预警模型进行了科学构建，临界量采用降雨量指标和前期影响雨量的两大因素，并采用土壤饱和度表示结果。临界雨量在模型构建中，主要通过分析确定的时段包括6小时、3小时、1小时以及30分钟。除此之外，若建有水库，那么在分析中小河流洪水预报过程中，采用分布式模型进行，并对水库调蓄影响因素进行综合考虑。通过对水库出库与入库流量预报节点进行增加，进而对水库入库洪水预报模块和调度模块进行构建。 2中小河流洪水预报中分布式水文模型构建 2.1数字流域可采用DEM技术自动生成，对中小河流径流应用现有概念性集总模型进行推算的方式要应用在每个子流域中，然后在汇流演算时，采用地貌单位线法，最终对中小河流的断面流量进行计算并得出结果。松散性耦合模型就是这一分布式水文模型的别称。 2.2测算地形空间变化信息过程中，应用DEM技术，结合地形指数信息，可以模拟当地水文环境的特性。在此前提下，对中小河流断面流量的计算，可利用统计学方法来实现。 2.3在合理划分中小河流流域的网格单元过程中，通过DEM技术，可运用数值分析方法，对邻网格单元的时空关系进行构建。采用分布式水文模型在此过程中，能实现对中小河流流域的洪水预报，在此过程中，子流域单元和汇流拓扑关系流向及水系等在内的数字流域应采用高精度数字高程模型DEN自动生成，并采用蓄满产流和超渗产流模型在每个流域中，推求对中小河流的径流。另外，也可进行汇流演算，通过马斯京根及等流时线进行，最后，对中小河流每个子流或网格出口断面的洪水预报数据进行科学的得出。 3基于分布式水文模型的中小河流洪水预报 本文的研究对象主要以汉江河流域为主，基于分布式水文模型TOPKAPI，充分收集了此流域内降雨、水文气象、河流流量、土地利用情况及植被类型、数字高程、土壤及相关地理信息等数据资料。此次分析数据资料的收集，从全国数字高程数据库中，采用1：25万比例，提取相关数据资料；由原始比例尺寸为1：5百万及通过FAO —UNESCO的数字地图提供土壤数据资料。1km的网格为该模型分析数据测量精度，按照USGS标准进行模型分析数据指标分类，将水文模型中的土地类型共分为24种。并采用MapWindow地理信息系统软件在此基础上，科学提取了流域一千米尺度上的FAO土壤分类、USGS土地利用分类资料以及数字高程，最终通过科学模拟，充分利用DEM模型，对中小河流流域水系进行了自动生成。在计算该中小河流洪水预报情况时，基于分布式水文模型，结合本流域近10年水情遥测站的相关数据资料和汛期4至10月的数据资料，利用模型TOPKAPI对该水域近两年的汛期数据资料进行了科学的验证，采用加权平均法计算了网格内的实际降雨量，网格时间和长度分别是一小时和500米。流域面积与汇流历时关系详情如表1所示。河流域实际汇流时间 4-6 4 2.0-3.5 1.1-2.4 0.8 0.4 河流域实际流域面积 900-1250 500-900 200-500 100-200 50-100 50 表1 统计汉江流域面积与汇流历时关系计算结果（h,km2）
第五章 河道洪水演算及实时洪水预报 河道洪水演算，是以河槽洪水波运动理论为基础，由河段上游断面的水位、流量过程预报下游断面的水位、流量过程。本文着重介绍马斯京根洪水演算方法以及简化的水力学方法。 5.1 马斯京根演算法 马斯京根演算法是美国麦卡锡(G . T. McCarthy)于1938年在美国马斯京根河上使用的流量演算方法。经过几十年的应用和发展，已形成了许多不同的应用形式。下面介绍主要的演算形式。 该法将河段水流圣维南方程组中的连续方程简化为水量平衡方程，把动力方程简化为马斯京根法的河槽蓄泄方程，对简化的方程组联解，得到演算方程。 5.1.1 基本原理 该法的基本原理，就是根据入流和起始条件，通过逐时段求解河段的水量平衡方程和槽泄方程，计算出流过程。 在无区间入流情况下，河段某一时段的水量平衡方程为 122121)(21 )(21W W t O O t I I -=?+-?+ (5-1) 式中：1I 、2I 分别为时段初、末的河段入流量；1O 、2O 分别为时段初、末的河段出流量；1W 、2W 分别为时段初、末的河段蓄量。 河段蓄水量与泄流量关系的蓄泄方程，一般可概括为 )(O f W = (5-2) 式中：O 为河段任一流量O 对应的槽蓄量。 根据建立蓄泄方程的方法不同，流量演算法可分为马斯京根法、特征河长发等。马斯京根法就是按照马斯京根蓄泄方程建立的流量演算方法。 5.1.2 马斯京根流量演算方程 马斯京根蓄泄方程可写为 Q K O x xI K W '=-+=])1([ (5-3) 式中：K 为蓄量参数，也是稳定流情况下的河段传播时间；x 称为流量比重因子； Q '为示储流量。 联立求解式(5-2)和(5-3)，得到马斯京根流量演算公式为
冯家山水库入库洪水预报方法探析 摘要本文利用冯家山水库上游水文站网历史实测水文资料，按照降雨径流相关法对入库洪水预报方法进行了分析计算，最终确定了冯家山水库的入库洪水预报方法及最终成果，并对预报方法进行了精度评定，可用于冯家山水库实际生产中的洪水预报，并为水库入库洪水预报积累了经验。 关键词冯家山水库;入库洪水;预报 1 流域概况 千河为渭河中游左岸较大的一级支流，河道干流长152.6km，河道平均比降5.8‰，流域面积3493km2。暖温带大陆性半湿润季风气候，冬季寒冷，夏季炎热多暴雨，多年平均气温10.8℃，多年平均降雨量629mm;年蒸发量为1000mm 左右，多年平均径流深100～200mm，径流系数在0.17～0.25之间。 2 水库基本情况 冯家山水库是一座大Ⅱ型水利工程。设计洪峰流量（1%）3550m3/s，校核洪峰流量（0.02%）8860m3/s，设计汛限水位707.00m，正常蓄水位710m，远期正常蓄水位712m，设计洪水位708.8m，校核洪水位713.90m，死水位688.50m，坝顶高程716m，水库总库容 4.27亿m3。水库在校核洪水位，最大泄流量2025m3/s。 千阳水文站位于坝址上游17km处，区间无支流加入，是冯家山水库入库控制站。多年平均降雨量610mm，多年平均径流量3.705亿m3。建站以来实测最大流量2130m3/s（2010年7月23日）。调查最大流量3840m3/s（1907年8月）。实测最大含沙量604kg/m3（1974年7月3日）。 3 资料选用 流域内有固关、曹家湾、火烧寨、清河里、八渡镇、东风、上店镇、千阳8处雨量站的观测资料。洪水资料选用千阳水文站1964～2013年52场流量大于150m3/s的洪水资料。蒸发资料选用千阳站实测蒸发资料[1]。 4 预报模型 以千阳水文站代表冯家山水库入库断面，作为预报对象，采用降雨径流模型进行预报。 4.1 预报原理 （1）产流。径流深R：R=P-I：其中P：流域平均雨量;I：因植物截流、填
4.7洪水预报系统 综合考虑招标书中的需求，我们推荐使用“中国洪水预报系统”作为本项目中的洪水预报软件。“中国洪水预报系统”是在财政部和国家防办的支持下，由水利部水利信息中心联合国内其他单位研制开发的洪水预报软件。系统结合我国的实际情况，基于统一的实时水情数据库、预报专用数据库和客户/服务器环境，采用规范、标准、先进的软硬件环境及模块化、开放性结构，建立常用预报模型和方法库，能方便地加入新的预报模型，快速地构造多种类的预报方案，具有人工试错和自动优选相耦合的模型率定系统，可用图形和表格方式干预任何过程的实时交互预报系统，提供通用的数据预处理模块和常用的实用模块，以及完整的预报系统管理功能。系统具有通用性强、功能全面、操作简便等特点，完全可以满足招标书中关于洪水预报软件的要求。 4.7.1洪水预报关键技术 要建设方便实用，预报精度满足要求的洪水预报系统，我们认为需要解决以下关键技术： 1)预报模型库的建立 预报模型是预报系统的核心，预报系统各模块均是围绕预报模型而开发，通用的洪水预报系统必具有通用的预报模型库，目前在实时洪水预报方面，比较实用的是确定性概念模型，按照模拟的对象不同可分为河道汇流模型、流域产流模型、流域汇流模型、经验模型等。 预报模型库要解决以下问题：一是通用的预报模型库标准数据接口。模型所需数据包括输入数据、输出数据、模型参数、模型状态等，不同种类模型需要不同种类数据，能否设计提出一通用的标准数据接口是建立预报模型库的关键；二是预报模型库的管理，主要是预报模型的调用、运行，以及修改和删除等功能；三是用户可任意在预报模型库中增加所开发的模型，即预报模型库具有很强的扩展性。 2)预报方案的构建
基于Web 的水库洪水预报调度系统的关键技术 程春田,廖胜利,李 刚,李向阳 (大连理工大学水电与水信息研究所,辽宁省大连市116024) 摘要:在重大洪水预报、洪水调度决策过程中,如何有效地获取分布的遥远水库、水文站点的动态 水雨情信息,让相关利益部门和防洪专家积极主动地参与决策过程中的模型分析计算和重要决策过程讨论,迅速形成正确结论,实现科学、高效的防洪调度决策,是Web 环境下水库洪水预报调度系统需要解决的重大关键技术问题。文中简要介绍了Web 应用环境下该系统的体系结构,重点阐述了支持多用户多方案的洪水预报模型、洪水调度模型抽象设计技术及数据库表设计方法,给出了多库联调交互方案生成设计的解决方案。上述思想已经体现在所开发的基于Web 的洪水预报调度系统中,在实际应用中取得了很好的效果。 关键词:水库;洪水预报;洪水控制;洪水预报调度系统;Web 中图分类号:TV122;TV697.1 收稿日期:2006212208;修回日期:2007201225。 辽宁省自然科学基金资助项目(20032114)。 0 引言 近10多年来,随着以互联网为主的通信技术在水库防洪调度系统工程中广泛深入的应用,以互联网为主的通信方式已经和正在深刻改变传统的防汛调度方式,给流域防洪调度带来前所未有的挑战。面对全新的以宽带网络数字技术为特征的防汛系统工程网络,如何有效地组织和利用分散在各个防汛部门的计算和信息资源,支持跨流域、多部门、异地防汛会商与决策,建立科学、高效、智能化的流域洪水调度系统,是我国各级防汛部门和水库调度管理人员非常关心的问题。需要解决的突出问题是,在重大洪水预报、洪水调度决策过程中如何有效地获取分布在遥远地区的水库、水文站点的动态水雨情信息,让相关利益部门和防洪专家积极主动地参与决策过程中的模型分析计算和重要决策过程讨论,迅速形成正确的结论,实现科学、高效的防洪调度决策[122]。 传统的客户/服务器(C/S )或者C/S +浏览器/服务器(B/S )的洪水预报系统,不支持分布式洪水调度计算,计算过程在洪水发生地局域网完成,计算结果通过网上发布供上级主管和相关部门查询[223]。采用上述方法,上级主管和其他部门不能主动进行洪水过程分析的详细计算,信息只能单向、被动地接受,缺乏主动分析,不能充分利用更多专家的经验、知识,难以做到有效的防汛会商决策。因此,研究和 开发能更多地利用和反映新技术特点的洪水预报调度系统,是非常有意义的[4]。 本文重点介绍分布式洪水预报调度系统的体系结构、支持多用户多方案的洪水预报模型的抽象设计、调度模型设计、库群洪水联合调度方案设计等关键技术,目的在于建立高效、可靠的群决策信息支持平台,为防汛系统会商提供重要的技术支持。 1 分布式洪水预报调度系统结构 基于Web 的洪水预报系统主要包括遥测数据提取、水文模型参数率定、洪水预报、洪水调度、信息查询、数据维护等几大模块,其总体结构见图1 。 图1 基于Web 的洪水预报调度系统总体结构 该系统在实时库、预报库、历史库、系统库的支持下工作,Web 服务器由J SP ,Servlet 等生成动态交互式Web 页面,普通用户、授权用户、水文专家、管理员等通过交互式Web 页面向Web 服务器提交相关请求,Web 服务器接受浏览器端发送的请求,并将复杂的业务计算或数据库操作提交给业务逻辑层处理,最后将处理结果以图表或者文字的形式返 5 1第31卷 第2期 2007年4月20日 Vol.31 No.2 Apr.20,2007
一、洪水预报系统边界 防汛抗旱综合数据库 实时雨水情信息历史特征值信息水利工程特征参数 防洪调度系统水利工程调度成果主要河段调度成果 洪水预报系统软件平台洪水预报成果 数据汇集平台 预报成果共享 洪水预报系统边界 预报方案建设 模型方法库建设 天气雷达应用系统区域定量降水估算产品 二、洪水预报系统流程分析 不同工程运用方式模拟 不同调度方案对比 不同降雨模式预报模拟 预报效益评估 历史暴雨过程预报模拟 数值降雨风险评估 历史洪水对比分析 多成果优选 专家交互修正 抗暴雨能力预测 水资源预测 水位、流量关系转换 实时作业洪水预报 计算土湿等状态变量 整理提取历史数据 等时段化、归档 纠错、缺测插补 预报数据处理综合计算分析 洪水模拟 预测预报计算 防洪调度、会商、决策 要素计算 洪水预报业务流程图 三、预报方案编制业务流程 预报方案编制从业务内容上分为预报模型选择、预报方案编制和方案参数率定三个阶段，这三个阶段涵盖了预报方案的全部业务工作内容。预报方案构建子系统业务流程：
否是 否是 模型选择参数率定 方案定制 基础资料整理 暴 雨 洪 水 特 点 分 析 预 报 模 型 选 择 是 否 适 用 ？ 模 型 软 件 开 发 预 报 方 案 定 义 预 报 方 案 属 性 设 置 历 史 资 料 收 集 入 库 历 史 资 料 分 析 处 理 预 报 模 型 选 择 是 否 最 优 ？ 保 存 最 优 参 数 预报方案编制业务流程图 预报模型选择阶段的工作内容主要包括基础资料收集整理、暴雨洪水特点分 析、预报模型选择（模型适应性分析）、模型软件开发和预报方案定制等。 预报方案编制阶段的工作内容主要包括方案定义（预报方案的类型、输入、所使用的模型、预报方案的输出等）和方案属性设置（预报站码、时间步长、预热期、预见期等）。 方案参数率定阶段的工作内容主要包括历史资料收集入库、历史资料分析处理、模型参数率定等。模型参数率定的方法分为人工试算和自动优选两种。在实际操作过程中两者需结合使用。 四、预报模型和方法选择 短期洪水预报有三种基本类型，一是河段洪水预报，二是流域降雨径流预报，三是以上两者的集合。 河段洪水预报：根据河段上断面的水位或流量，推求下断面的水位或流量。 降雨径流预报：根据流域上一场降雨，推求流域出口断面流量过程线，称为流域降水径流预报。
QB 企业标准 Q/CTP- FA-2016-001 水库洪水调度案 2018-04-01修订2018-04-01实 施 电力投资有限公司
目录 一、流域概况 1 二、水库工程概况1——2 三、防洪标准及调度原则2——3 四、年度洪水预测 3 五、水库洪水调度与控制3——5 六、汛期水情预报、预警要求5——6 七、附件6——12
前言 本案由突发事件管理领导小组提出。 本预案起草单位：发电部。 本预案主要起草人： 本预案主要审定人： 本预案主要审核人： 本预案批准人： 本预案由发电部归口并负责解释。 本预案2016年首次发布，本次为第2次修订。
一流域概况 水利枢纽工程位于下游，坝址以上集雨面积为km2，占河流域面积的89%。 浔江河，发源于湘桂边境的城步县和资源县境，自东北向西南流经广西龙胜、三江两县，是融江的主要支流之一。古宜河流域属亚热带气候区，四季分明、温湿多雨。根据县气象站资料统计，多年平均气温为18.20C,多年平均流量为177 m3/s，流域年降雨量一般为1300—2000mm,多年平均降雨量为1544mm。降雨量的年分配不均匀，多集中在汛期，4—8月降雨量占全年降雨量的70%，9月至次年3月降雨量占全年30%。 水电厂是三级规化的最后一级，上游已建成的两个梯级电站分别为电站和电站；下游电站，正常蓄水时回水可达坝址下游。在已建成的工程中均为低水头径流式电站，对电站的来水年分配影响不大。 二水库工程概况 水电站位于浔江河段，距县城10km，是浔江河梯级开发利用的最后一级电站，上连水电站，下接水电站。 该工程控制流域面积4535km2，多年平均流量177m3/s，正常蓄水位151.0m，水库总容积4440万m3，装机为MW灯泡贯流式水轮发电机组，多年年平均发电量万Kw.h。机组安装高程133.9m,厂房顶高于坝顶桥面，高程为168.1m；泄洪闸坝总长138m设闸8，闸净宽14m,堰顶高程138m，每均装14×13m平板钢闸门。 站区主要建筑物有拦河闸坝、河床式厂房、左右岸挡水重力坝、开关站、进厂公路和综合楼，占地面积76.5亩，是一座具有发电、养殖等综合效益的小型水利枢纽工程。
洪水预报 来源：作者：发布日期：2011-04-07 洪水主要是指由暴雨引起江河水量迅猛增加及水位急剧上涨的自然现象，洪水特征一般用洪峰流量、洪峰水位和洪水过程线来描述。当流域发生暴雨时，在流域各处所形成的地面径流，都依其远近先后汇集于河道的出口断面处，当近处的地面径流到达该出口断面时，河水流量开始增加，水位相应上涨，这就是洪水起涨之时；随着流域远处的地表径流陆续流入河道，使流量和水位继续增涨，大部分高强度的地表径流汇集到出口断面时，河水流量增至最大值称为洪峰流量，其最高水位，称为洪峰水位。洪水流量由起涨到达洪峰流量以后逐渐下降，到暴雨停止以后的一定时间，河网中的水量均已流经出口断面时，河水流量及水位回落到接近于原来状态。即为洪水落尽之时。如在方格纸上以时间为横坐标，以江河的流量或水位为纵坐标，可以绘出洪水从起涨至峰顶到落尽的整个过程曲线，称为洪水过程线。一次降雨产生的径流量，称为一次洪水总量，可由一次洪水流量过程线与横坐标所包围的面积求得。一次洪水过程所经历的时间称为洪水总历时。 根据洪水形成和运动的规律，利用过去和实时水文气象资料，对未来一定时间内的洪水情况的预测，称洪水预报。这是水文预报中最重要的内容。洪水预报包括河道洪水预报、流域洪水预报、水库洪水预报等。主要预报项目有最高洪峰水位（或流量）、洪峰出现时间。洪水涨落过程、洪水总量等。 河道洪水预报，即预报沿防汛河段的各指定断面处的洪水位和洪水流量。天然河道中的洪水，以洪水波形态沿河道自上游向下游运动，各项洪水要素（洪水位、洪水流量等）先在河道上游断面出现，然后依次在下游各断面出现。因此，可利用河道中洪水波运动的规律，由上游断面的洪水位和洪水流量，来预报下游断面的洪水位和洪水流量。根据对洪水波运动的不同研究方法，可得出河道洪水预报的各种方法。常用的有相应水位（或相应流量）法和流量演算法。 流域洪水预报是根据径流形成的基本原理，直接从实时降雨预报流域出口断面的洪水总量和洪水过程。前者称径流量预报（亦称产流预报），后者称径流过程预报（亦称汇流预报）。流域洪水预报的预见期比河段预报要长些。在一些地区，没有发布河段预报的条件（如一条河上没有上、下游水情站）或预见期太短时，为满足防洪要求，宜采用流域洪水预报的方法。 流域洪水预报方法常用的有实用预报方案和流域水文模型。实用预报方案即用实测的雨洪资料建立起降雨径流经验相关图和由实测洪水过程线分析出来的经验单位过程线，对降水所形成的径流量及洪水过程进行预报。流域水文模型是从系统的角度来模拟降雨径流关系。以流域为系统，降雨过程作为系统的输入，经过系统的作用，流域出口流量过程作为系统的输出。因此，建立降雨径流模型，首先要建立模型的结构，并以数学方式表达，其次要用实测降雨径流资料来率定及调试模型参数。随着人们对流域上产、汇流过程认识的深入和计算机的发展，产生了大量的流域水文模型，较多的是用于水文预报方面，目前我国有代表性的是新安江模型（新安江模型是流域水文模型）。 水库洪水预报主要包括入库洪水预报、水库最高水位和最大出库流量及其出现时间的预报。由于水库大小不同、条件各异，运用方式各有特点，因此水库洪水预报方法和要求也不尽相同。这里不一一叙述了。
QB 企业标准 Q/CTP- FA-2016-001 水库洪水调度方案 2018-04-01修订 2018-04-01实施电力投资有限公司
目录 一、流域概况 1 二、水库工程概况 1——2 三、防洪标准及调度原则 2——3 四、年度洪水预测 3 五、水库洪水调度与控制 3——5 六、汛期水情预报、预警要求 5——6 七、附件 6——12
前言 本方案由突发事件管理领导小组提出。 本预案起草单位：发电部。 本预案主要起草人： 本预案主要审定人： 本预案主要审核人： 本预案批准人： 本预案由发电部归口并负责解释。 本预案2016年首次发布，本次为第2次修订。
一流域概况 水利枢纽工程位于下游，坝址以上集雨面积为km2，占河流域面积的89%。 浔江河，发源于湘桂边境的城步县和资源县境内，自东北向西南流经广西龙胜、三江两县，是融江的主要支流之一。古宜河流域属亚热带气候区，四季分明、温湿多雨。根据县气象站资料统计，多年平均气温为,多年平均流量为177 m3/s，流域内年降雨量一般为1300—2000mm,多年平均降雨量为1544mm。降雨量的年内分配不均匀，多集中在汛期，4—8月降雨量占全年降雨量的70%，9月至次年3月降雨量占全年30%。 水电厂是三级规化的最后一级，上游已建成的两个梯级电站分别为电站和电站；下游电站，正常蓄水时回水可达坝址下游。在已建成的工程中均为低水头径流式电站，对电站的来水年内分配影响不大。 二水库工程概况 水电站位于浔江河段，距县城10km，是浔江河梯级开发利用的最后一级电站，上连水电站，下接水电站。 该工程控制流域面积4535km2，多年平均流量177m3/s，正常蓄水位，水库总容积4440万m3，装机为MW灯泡贯流式水轮发电机组，多年年平均发电量万。机组安装高程,厂房顶高于坝顶桥面，高程为；泄洪闸坝总长138m 设闸8孔，闸孔净宽14m,堰顶高程138m，每孔均装14×13m平板钢闸门。
西津水库实时洪水预报模型(1) 论文结合西津水库以上流域的地形地貌、水文气象特征及水库防汛调度的需，将洪水预报模型、河道洪水演进模型和实时校正模型相结合，建立了实时洪水预报模型。模型软件与水情自动测报系统于1998年初开发完成并投入应用后，由于能及时获取水、雨情信息，水库在防洪、发电和航运方面较为充分地发挥了综合利用效能，取得了明显的社会效益和经济效益。 关键词：预报模型洪水演进实时校正综合利用 1 流域概况 西津水库位于广西横县县城上游5 km 处的西津村，是一座以发电、通航为主兼顾灌溉效益的大型水利枢纽工程。水库坝址以上集水面积为80901km2，其中南宁以上集水面积为73301km2，占西津水库坝址以上集水面积的90.6%；南宁～西津集水面积为7600km2，占西津水库坝址以上集水面积的9.4%。南宁上游宋村处分为左江和右江，左江发源于越南大凉山，全长为523 km，集水面积为 31500km2，占南宁以上集水面积的43.0%，占西津水库坝址以上集水面积的38.9%；右江发源于云南省广南县，全长为629 km，集水面积为 37600 km2，占南宁以上集水面积的51.3%，占西津水库坝址以上集水面积的46.5%。流域水系及站网分布见图2所示。 2 预报思路 根据流域地形、地貌条件及所布设的水情遥测站网，按天然流域将全流域划分为11块即：百色以上、百色～田东、田东～下颜、下颜～南宁、龙州以上、宁明以上、新和以上、龙州＋宁明＋新和～崇左、崇左～扶绥、扶绥～南宁、南宁～西津。其中南宁～西津采用流域水文模型，其余主采用河道洪水演进模型。 3 模型概述 西津水库实时洪水预报模型由洪水预报模型、河道洪水演进模型和实时校正模型三部分组成。洪水预报模型：通过产流、汇流计算，预报部分流域的入库流量过程。河道洪水演进模型：根据选用的河道演进模型，计算洪水过程在主河道中的演进过程，并给出主控制站点的水位或流量。实时校正模型：根据选用的实时校正模型和计算与实测流量（或水位）过程从上游往下游逐级逐时段进行实时修正。模型计算流程见图1。 3.1 洪水预报模型
南告水库入库洪水预报毕业论文 目录 摘要................................................................... - 2 - 第一章南告水库流域水文及工程概况...................................... - 3 - 1.1 流域概况........................................................ - 4 - 1.2 水文气象特征.................................................... - 6 - 1.3 工程概况........................................................ - 9 - 第二章使用资料情况..................................................... -8 - 2.1 日模型资料...................................................... - 8 - 2.2 次洪水资料 (8) 第三章三水源新安江模型................................................ - 9 - 3.1 模型结构........................................................ - 9 - 3.2 模型计算....................................................... - 10 - 3.2.1 流域产流计算............................................. - 10 - 3.2.1.1 流域分块............................................ - 10- 3.2.1.2 蒸散发计算......................................... - 10 - 3.2.1.3 产流计算........................................... - 11 - 3.2.1.4 水源划分........................................... - 13 - 3.2.2 流域汇流计算............................................. - 17 - 3.2.2.1 地表径流汇流....................................... - 17 - 3.2.2.2 壤中流汇流......................................... - 17 - 3.2.2.3地下径流汇流........................................ - 17 - 3.2.2.4 单元面积河网总入流................................. - 17 - 3.2.2.5 单元面积河网汇流................................... - 17 - 3.2.2.6 单元面积以下河道汇流............................... - 18 - 3.2.3模型参数................................................. - 18 - 3.2.3.1 模型参数的性质与约值............................... - 18 - 3.2.3.2 模型参数的独立性、敏感性与相关性................... - 19 - 3.2.3.3 模型参数率定....................................... - 19 - 第四章计算成果....................................................... - 20 - 4.1 日模型参数..................................................... - 20 - 4.2 日模型计算成果................................................. - 22 - 4.3 次洪模型参数................................................... - 37 - 4.4 次洪模型计算结果............................................... - 37 - 4.5 误差分析及可能减小误差的途径................................... - 40 - 4.5.1 误差的来源............................................... - 41 - 4.5.2 日模型误差分析........................................... - 44 - 4.5.3 次模型误差分析........................................... - 45 - 4.5.4预报精度评定............................................... -46 - 4.5.5减小误差的途径............................................. - 47- 第五章对毕业论文的认识与体会......................................... - 48 -
水库洪水预报调度系统研究与开发 【摘要】水库是我国防洪广泛采用的工程措施之一。在防洪区上游河道适当位置兴建能调蓄洪水的综合利用水库，利用水库库容拦蓄洪水，削减进入下游河道的洪峰流量，达到减免洪水灾害的目的。水库洪水预报调度，则是依据预报的洪水过程，而不是设计给定或实测的洪水过程，实施防洪调度的方法。这一方法的明显优点在于增加了水库调洪的主动性，增大了水库预蓄或预泄的可能性，从而为实现汛限水位的动态控制、缓解水库防洪和兴利的矛盾创造了条件。 【关键词】水库；洪水；预报；调度；系统；研究；开发 引言 洪水预报调度，作为一种能有效减轻洪灾的危害程度和降低洪灾所造成的损失的非工程措施，在近几年来的防洪减灾工作中发挥着越来越重要的作用。本文在横锦水库实时洪水预报调度系统的研究开发过程中，对洪水预报参数率定，实时洪水预报软件开发，实时洪水作业预报精度提高，洪水调度等问题做了认真细致的研究工作，找到相应的解决方案，为水库洪水预报调度提供了比较完善的解决方案。 1 工程概述 横锦水库位于浙江省东阳市横锦村之东，是一座以防洪、灌溉为主，结合供水、发电等综合利用的大（2）型水利工程，水库控制流域面积378平方公里，水库库容2.74亿立米，主流长50公里，水库流域以山区为主，流域分水岭平均高程646米，河道平均高程259米，3～6小时洪峰即可到达水库，为提高水库洪水预报和防洪调度的现代化水平，最大限度的发挥水库的防洪效益，横锦水库洪水预报调度系统于2003年6月建成并投入运行，系统的使用，使横锦水库能够更好地发挥水库的拦洪减灾作用，充分利用洪水资源，增加兴利效益。 2 系统功能模块 水库洪水预报调度系统采用客户/服务网络结构的模块化设计，具有较强的通用性，从数据库接到水文遥测数据开始，一直到洪水预报调度，主要由三个子系统来实现：数据库管理子系统、洪水预报子系统和洪水调度子系统。 2.1 数据库管理子系统 数据库管理包括水库库码、水文站雨量站的站码管理，水雨情信息输入与输出管理及水文资料的信息的整编与处理等问题。业务管理是为水库日常的水文业务计算、运行业务、各种其他业务报表统计打印、汛情报表制订与上报等提供管理服务。