入湖流量(m /s) 97 86 79 73 66 1069 1211 1251 1232 1169 1204 1099 1202 1161 1106 1094 1182 1157
3
3.2.2 降雨量与入湖流量增量模型的建立 根据唐家山历史日降雨量与入湖流量的数据, 我们选取前两天的降雨量与当 天的降雨量作为样本点的特征值, 以当天的入湖流量增量为目标值, 建立训练集, 如表 3.构建未来 24 小时后流量和当日降雨量的神经网络模型.神经网络模型 的训练过程如图 2 所示.
表3 降雨量(mm) 前两天(t-2) 19.5 18.2 16.4 59 14.9 53.7 13.3 47.8 0 5 0 0 0 0 前一天(t-1) 70.4 65.7 59 48.8 53.7 44.4 47.8 39.5 5 2 0 0 0 3.5 当天(t) 58.3 54.3 48.8 0 44.4 0 39.5 0 2 0 0 0 0 1.5
5
入湖流量(m /s) 1051 945 826 510 758 471 684 427 118 100 91 83 75 104
3
流量增量(m /s) 158 138 120 -316 108 -287 96 -257 -14 -18 -9 -8 -8 -5
3
3.5 0 0 0 0 2 1 0 0 2.1 2.7 2.8 4.2 3.9 3.2 2.4 3.2 2.3 3.8 2.9 2.5 2.7 3.9
1.5 0 0 0 2 1 0 0 0 2.7 2.8 4.2 3.9 3.2 2.4 3.2 2.3 3.8 2.9 2.5 2.7 3.9 3.1
0 0 0 0 1 0 0 0 0 2.8 4.2 3.9 3.2 2.4 3.2 2.3 3.8 2.9 2.5 2.7 3.9 3.1 2.6
89 82 75 69 97 86 79 73 66 1069 1211 1251 1232 1169 1204 1099 1202 1161 1106 1094 1182 1157 1116
-15 -7 -7 -6 -7 -11 -7 -6 -7 45 142 40 -19 -63 35 -105 103 -41 -55 -12 88 -25 -41
图2
神经网络模型训练过程
6
神经网络模型的参数设定如下: 网络训练目标误差:0.0001; 网络训练代数:800; 网络学习速率:0.1; 各层的阈值函数分别:logsig , purelin ; 网络训练函数赋值:带动量,自适应学习速率的梯度下降法; 网络学习函数: 自适应学习速率的梯度下降法. 3.2.3 利用降雨量预测堰塞湖水位上升高度 堰塞湖所在地区 5 月 25 日至 6 月 12 日天气预报的降雨数据采集自网站中国 气象影视信息网(http://www.weathercn.com/)及附件.降雨量预报数据一般为 区间值,而且一天预测两次,我们取其平均值作为当天的降雨量.数据见表 4.
表 4 堰塞湖所在地区 5.25—6.12 日降雨量 日期
降雨量(mm)
5.25 14 6.5 8
5.26 10 6.6 15
5.27 0 6.7 1
5.28 1.5 6.8 0
5.29 0 6.9 0
5.30 0 6.10 0
5.31 0 6.11 3
6.1 2.5 6.12 0
6.2 0.5
6.3 0
6.4 0
日期
降雨量(mm)
根据资料记载,按起调水位 723m(5 月 25 日观测值),基流 93.9m3/s(根据 5 月 24 日,25 日水位高程数据估算,计算原理如下)计,进行唐家山堰塞湖未来 水位预估. (不记及泄洪) 基流计算原理:根据网上资料可查得 5 月 24 日,25 日水位高程分别为: 721.07m,723.0m.再根据蓄水量模型可得道其相应的蓄水量,进而求得 5 月 25 日入湖总量.最后求得 5 月 25 日的入湖流量,即基流. 基流计算过程: 设: h24 , h25 分别为 5 月 24 日,25 日水位高程; V24 , V25 分别为 5 月 24 日,25 日蓄水量;
ΔV 为 5 月 25 日入湖总量;
q 为 5 月 25 日入湖流量.
则

上一页下一页