基于机器学习融合多源遥感数据的水库调度规则优化方法

技术领域

本发明属于水库调度的技术领域，具体涉及一种基于机器学习融合多源遥感数据的水库调度规则优化方法。

背景技术

水文气象数据是工程规划、设计、建设和运行管理的基本依据，也是评估流域水利工程防洪风险的重要资料，关系到流域水资源综合管理和水安全保障，对国民经济和社会发展具有重要意义。但是，我国部分水库仅有少量实测水文气象监测资料，因此如何反演长系列径流过程并指导水库运行调度是水文工作者面临的重大挑战。

近年来，卫星遥测技术和数据反演算法快速发展，基于卫星遥感反演的降水定量观测产品具有较宽的覆盖范围和更高的时空分辨率，有效弥补了气象站点布设不足的缺陷，并为无资料地区提供了新的数据参考。同时，随着人类观测手段和数据同化技术日渐成熟，学者们对多种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制，提出利用数值天气预报的数据同化技术来重构长期历史气候过程，即所谓的再分析数据集，它同化了数值天气预报和大量的地面观测数据与卫星遥感信息，具有时空分辨率精度高、时间跨度长等优点。国内外学者在稀缺资料地区应用卫星遥测和再分析数据作为气象输入，通过水文模型反演长系列径流系列，取得了一定的应用效果。

但是，水文模型适用于模拟天然状态下的径流过程，大坝、水库、农业灌溉、引水和跨流域调水等工程措施往往会破坏下垫面的一致性，造成流域水文模型存在较大误差，制约了水文模拟精度。现有文献未能充分利用卫星遥测气象信息，未能考虑人类活动干扰对径流模拟造成的误差，不能解决稀缺资料地区的长系列径流模拟难题，难以用于优化水库调度规则的应用实践中。

发明内容

本发明的目的在于针对现有技术的不足之处，提供一种水库调度规则优化方法，该方法考虑了人类活动干扰对径流模拟造成的误差，且解决了稀缺资料地区的长系列径流模拟的难题，为水库调度和水资源规划提供了参考依据。

为解决上述技术问题，本发明采用如下技术方案：

一种基于机器学习融合多源遥感数据的水库调度规则优化方法，包括如下步骤：

S1，采集水库的短系列径流观测数据，搜集水库的工程特性和调度运行相关资料，并提取水库所在流域的降水系列、再分析数据集气象资料以及陆地水储量系列；

S2，根据步骤S1获得的短系列径流观测数据和气象资料，建立水库所在流域的水文模型，通过水文模型实现初步径流的模拟；

S3，构建长短期记忆神经网络模型并采用其对步骤S2中的模拟径流进行校正，获得校正后的模拟径流系列模型；

S4，将步骤S1采集的长系列气象资料输入到步骤S2建立的水文模型和步骤S3中校正后的模拟径流系统模型中，模拟水库的长系列入库径流过程；

S5，根据步骤S4获得的水库长系列入库径流资料，构建多目标优化调度模型，并采用遗传算法求解得到优化的调度规则。

进一步地，步骤S1中的短系列径流观测数据包括水库的日出库流量、库区日水位数据，再分析数据集气象资料包括小时尺度的近地气温、露点温度和水平风速。

进一步地，步骤S2还包括如下子步骤：

步骤2.1，根据步骤S1获取的气象数据，提取日最高气温和日最低气温系列，并计算日均露点温度、日均气温和日均风速；

步骤2.2，根据步骤S1采集水库的短系列径流观测数据，依据水位-库容曲线和水量平衡原理，推求入库日径流系列；

步骤2.3，根据水库的入库日径流系列与同一时期的降水数据、日最高气温、日最低气温数据，构建率定考虑融雪模块的水文模型；

步骤2.4，采用率定后的水文模型，通过输入长系列的降水和步骤2.1中的气温资料，模拟得到长系列的入库径流过程。

进一步地，步骤S3还包括以下子步骤：

步骤3.1，根据步骤S1获取的气象数据提取日均气温和露点温度，再根据日均气温和露点温度推求相对湿度系列；

步骤3.2，通过对步骤S2模拟的日径流过程、实测的日径流过程进行统计分析，确定影响日实测径流的滞时；

步骤3.3，根据上述步骤获得的数据构建具有三层神经网络架构的长短期记忆神经网络，采用长短期记忆神经网络模型，以气象数据、步骤S2模拟径流系列和实测径流系列作为输入，率定长短期记忆神经网络模型后，通过率定后的长短期记忆神经网络模型来校正步骤S2的模拟径流系列，得到校正后的模拟径流系列模型。

进一步地，步骤3.1中求解相对湿度的方法为：通过克劳修斯-克拉珀龙方程和给定气温T求解得到大气饱和水汽压e

式中：T

相对湿度RH＝e

进一步地，校正后的模拟径流系列的模型为：Q

式中：Q

进一步地，步骤S5中以供水效益最大和发电量最大为调度目标建立多目标优化调度模型，多目标优化调度模型为：

式中：W

与现有技术相比，本发明的有益效果为：本发明充分利用卫星遥感观测数据、再分析数据和陆面同化系统数据的优势，获得了稀缺资料地区长系列气象数据，再根据长系列气象数据和构建的水文模型、长短期记忆神经网络模型对长系列径流进行模拟，最后基于长系列径流资料，构建多目标优化调度模型，本发明充分考虑了人类活动干扰对径流模拟造成的误差，融合多源遥感数据解决了稀缺资料地区的长系列径流模拟的难题，为流域水文模拟、水库调度运行和水资源规划提供重要且可操作性强的参考依据。

附图说明

图1为本发明实施例调度优化方法的具体流程图；

图2为本发明实施例的GR4J水文模型结构的示意图；

图3为本发明实施例日实测径流与不同滞时下模拟径流相关性系数变化的示意图；

图4为本发明实施例长短期记忆神经网络(LSTM)模型记忆单元的示意图；

图5为本发明实施例第二代非支配排序遗传算法流程图的示意图。

具体实施方式

下面将结合本发明实施例对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。

本发明提供一种基于机器学习融合多源遥感数据的水库调度规则优化方法，首先采集水库的短系列径流观测数据，搜集水库的工程特性和调度运行相关资料，并提取水库所在流域的降水系列、再分析数据集气象资料，包括小时尺度的气温、相对湿度、水平风速，并采集全球陆面数据同化系统(GLDAS)反演的陆地水储量系列；基于稀缺资料地区的短系列径流观测数据和多源遥感气象资料，建立水库流域的水文模型，通过水文模型实现初步径流的模拟；构建长短期记忆神经网络模型并采用其对步骤S2中的模拟径流进行校正，获得校正后的模拟径流系列模型，以减小大坝、水库、农业灌溉、引水和跨流域调水等工程措施造成的模拟误差；将步骤S1采集的长系列气象资料输入到步骤S2建立的水文模型和步骤S3中校正后的模拟径流系统模型中，即利用长系列卫星遥测数据、率定好的流域水文模型和长短期记忆神经网络模型，实现长系列径流模拟；最后基于长系列径流资料，构建多目标优化调度模型，并采用遗传算法求解得到优化的调度规则，其具体流程详见图1。

下面通过实施例，并结合附图，对本发明的技术方案做进一步具体说明：

步骤S1，采集水库的短系列径流观测数据，搜集水库的工程特性和调度运行相关资料，搜集水库的工程特性和调度运行相关资料，并提取水库所在流域的GPM卫星降水系列、ERA5再分析数据集气象资料和GLDAS系统的陆地水储量系列。

在该步骤中，短系列径流观测数据包括日出库流量、库区日水位系列，本实施例针对的是稀缺资料地区的的水库，所以采集到的日出库流量、库区日水位系列较短，故需要通过结合卫星遥感手段模拟得到较长系列的入库流量过程。

IMERG是全球降水计划GPM的最新一代多卫星融合反演降水数据，是GPM的3级产品，它充分利用GPM平台上所有的卫星传感器提供的数据(包括主被动微波传感器和各类红外数据传感器等)，也充分借鉴之前TRMM时代基本成熟的各类卫星降水反演算法进行有机融合；IMERG目前提供三套类型的卫星降水数据，分别是Early，Late，Final三个版本，其中Final产品引入了全球雨量站点进行校正。而本实施例采用的GPM卫星降水产品为IMERG-Final数据集。

此外，本实施例采用的再分析气象数据集为欧洲中期天气预报中心的第五代再分析气候产品ERA5。该数据集逐小时分析场的水平分辨率为31km，垂直分层137层，顶层达到0.01hPa高度；ERA5采用了综合预报系统的Cycle31r2模型版本，以光谱谐波分辨率T255为基础，通过双线性插值技术将简化的高斯网格(N128)数据插值到0.25°至2.5°等多种不同分辨率栅格，是目前时空分辨率最高的全球再分析数据之一。本实施例中ERA5再分析数据集的使用变量包括小时尺度的近地气温、露点温度和水平风速。本实施例采用的GLDAS第二代产品的陆地水储量数据。

步骤S2，根据步骤S1获得的短系列径流观测数据和气象资料，建立水库所在流域的水文模型，通过水文模型实现初步径流的模拟。该步骤还包括以下子步骤：

步骤2.1、基于ERA5的小时尺度气象数据，提取日最高气温(T

步骤2.2、基于步骤1采集到的水库日出库流量和库区日水位资料，依据水位-库容曲线和水量平衡原理，推求入库日径流系列；

步骤2.3、根据水库的入库日径流系列与同一时期的GPM卫星降水数据、ERA5的日最高气温、日最低气温数据，率定考虑融雪模块的GR4J-9水文模型；

步骤2.4，采用率定后的GR4J-9水文模型，通过输入长系列的降水和步骤2.1中的气温资料，模拟得到长系列的入库径流过程。

GR4J水文模型是一种仅有4个参数的集总式概念性水文模型，该模型具备结构简单、参数较少、精度高等特点，已经被广泛使用，该模型主要由两个非线性水库构成，分别为产流水库和汇流水库，模型结构如图2所示；本实施例在GR4J模型的基础上，进一步考虑融雪模块，其中，该融雪模块为CemaNeige模块，以提高水文模拟的精度。GR4J-9水文模型为本领域常用模型，它的输入为较短系列的降水、气温，输出为入库径流，故可以在率定该模型后，通过输入长系列的降水和气温资料，模拟得到长系列的入库径流过程。

本实施例采用复合型混合演化(SCE-UA)算法优选水文模型参数，该算法是一种全局优化算法，它集成了随机搜索算法、单纯形法、聚类分析及生物竞争演化等方法的优点，能有效处理目标函数反映面的不敏感和不凸起等问题，且不受局部最优点的干扰。

步骤S3，构建长短期记忆神经网络模型并采用其对步骤S2的模拟径流进行校正，获得校正后的模拟径流系列模型；该步骤进一步包括以下子步骤：

步骤3.1、基于ERA5提取的日均气温(T

式中：T

式中：T

相对湿度RH＝e

步骤3.2、通过对稀缺资料地区步骤2模拟的日径流过程、实测的日径流过程进行统计分析，确定影响日实测径流的滞时；

如图3所示，给出了日实测径流与不同滞时下模拟径流相关性系数变化的示意图；模拟径流与实测径流的相关系数，一般随着滞时的延长，而逐渐下降；进一步地，选取符合研究流域下垫面特征的相关性阈值，来确定与实测径流建立机器学习模型的模拟径流时长；例如，可取0.5。

步骤3.3，根据上述步骤获得的数据构建具有三层神经网络架构的长短期记忆神经网络，采用长短期记忆神经网络模型，以步骤S1的气象数据、步骤S2模拟径流系列和实测径流系列作为输入，率定长短期记忆神经网络模型后，通过率定后的长短期记忆神经网络模型来校正模拟径流系列，得到校正后的模拟径流系列模型；

本实施例构建具有三层神经网络架构的长短期记忆神经网络(LSTM)模型，用于概化大坝、水库或调水工程对流域的调蓄作用，提高水文模拟精度；本实施例使用神经网络区间模拟均值法，独立运行多次神经网络模型，取平均值作为最终模拟结果，以减少不确定性。

为解决非线性自回归外因输入模式(NARX)动态神经网络在深度学习过程(隐含层数≥2层)中引发的梯度爆炸和梯度消失问题，LSTM长短期记忆神经网络通过在NARX神经网络的隐藏层中引入存储单元，即输入门、忘记门、内部回馈连结、和输出门来选择记忆当前信息或遗忘过去记忆信息(如降雨–径流映射关系)，以增强NARX神经网络的长期记忆能力。简而言之，LSTM长短期记忆神经网络是将NARX动态神经网络中的每个隐藏层换成了具有记忆功能的存储单元，简称LSTM单元，而其输入层和输出层与NARX动态神经网络相同。

如图4所示，给出了本实施例采用的长短期记忆神经网络(LSTM)模型记忆单元的示意图。以步骤S1中获取的气象数据、步骤S2中的模拟径流系列和实测系列作为输入，率定LSTM模型后，通过率定后的长短期记忆神经网络(LSTM)模型来校正模拟径流系列，校正后的模拟径流系列方程可表示为：

Q

式中：Q

步骤4，将步骤S1采集的长系列气象资料输入到步骤S2建立的水文模型和步骤S3中校正后的模拟径流系统模型中，模拟水库的长系列入库径流过程。

本实施例的水库具有较短系列的水位和出库流量系列，通过水位-库容曲线和水量平衡原理推求的入库流量过程系列较短；为延长入库径流系列，基于短历时的资料通过步骤2和步骤3分别率定GR4J-9水文模型和LSTM模型；然后，再将长历时的气象资料输入到率定好的GR4J-9水文模型和LSTM模型中，从而实现长系列入库径流模拟。

步骤5、基于步骤4的长系列径流资料，构建多目标优化调度模型，并采用第二代非支配排序遗传算法(NSGA-II)求解得到优化的调度规则。

在该步骤中，多目标优化调度模型要根据研究水库的具体任务特性来构建，一般考虑水库的防洪、供水、发电和生态功能，构建多目标优化调度模型。例如，本实施例考虑的水库，其工程任务要求在尽量满足航运要求和河道生态用水的前提下，以水库产生尽可能多的供水效益和发电效益为准则进行调度，即调度的目标为供水效益最大和发电量最大，该水库的多目标优化调度模型如下所示：

式中：W

如图5所示，给出了第二代非支配排序遗传算法流程图的示意图；该算法以其快速的运行效果和良好的收敛性目前被广泛应用于多目标优化计算，同时它降低了传统非劣排序遗传算法的复杂性，成为了其它多目标优化算法性能的基准。NSGA-II通过引入精英保留策略防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。该算法近年来已被我国学者应用于水库调度的研究中，并取得了良好的效果。在该调度模型寻优过程中，应该满足水量平衡约束、水库蓄水量约束、下泄流量约束、电站出力约束和生态流量约束等。

以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。