确定水库分期汛限水位的神经网络调洪演算方法

应用科学学报 ›› 2009, Vol. 27 ›› Issue (3): 288-293.

确定水库分期汛限水位的神经网络调洪演算方法

吴成国1，金菊良1，周玉良2，程亮1

1. 合肥工业大学土木与水利工程学院，合肥230009
2. 河海大学水问题研究所，南京210098

收稿日期:2008-10-20 修回日期:2009-04-13 出版日期:2009-05-28 发布日期:2009-05-28
作者简介:吴国成，博士生，研究方向：水资源系统工程，E-mail:wule9825@163.com; 金菊良，教授，博导，研究方向：水资源系统工程，E-mail:JINJL66@126.com
基金资助:
国家自然科学基金(No.70771035)；“十一五”国家科技支撑计划重点基金(No.2006BAB14B02)；中国气象局成都高原气象开放实验室基金(No.LPM2008018)资助项目

Application of Neural Networks to Determine Limited Water Level of Reservoir Flood Routing

1. College of Civil and Hydraulic Engineering, Hefei University of Technology, Hefei 230009, China
2. Institute of Water Problem, Hohai University, Nanjing 210098, China

Received:2008-10-20 Revised:2009-04-13 Online:2009-05-28 Published:2009-05-28

摘要/Abstract

摘要：

水库汛限水位动态控制是目前协调防洪与兴利矛盾实现洪水资源安全利用的关键问题. 现行汛限水位是通过对不同频率设计入库洪水进行调洪演算确定的. 由于汛期不同分期对应不同的设计入库洪水，于是在保证水库大坝工程安全的前提下，从水库实际调度方案和下游防洪标准角度出发，应用BP神经网络对各分期不同频率设计入库洪水进行逆时序调洪演算，充分挖掘水库汛期兴利效益，最大限度抬高汛限水位，由此提出确定水库分期汛限水位的神经网络调洪演算方法. 应用结果表明：该方法直观、计算量小，精度可满足实际工程需要，在水库汛限水位计算中具有推广应用价值.

关键词: 洪水资源安全利用 , 水库调洪演算 , 防洪调度 , 汛期分期 , 汛限水位 , 神经网络

Abstract:

The dynamic control of reservoir limited water level is the key point to resolve conflict between flood control and benefits promotion, and realize safe utilization of flood resources. At present, the limited water level is determined by using flood routing to design flood of different frequencies. Different periods in a flood season have different designed flood. Based on safety of the dam and in view of practical operations and flood control standards,BP neural networks are used in the reservoir flood routing process to fully realize the benefits promotion and raise the limited water level as far as possible in a flood season. A neural network method for determining various limited water levels of reservoir flood routing is proposed. Applications show that the method is easy for visualization and simple for implementation. The precision satisfies practical needs, and it can be used in the computation of limited water level.

Key words: safe utilization of flood resources , reservoir flood routing , flood control operation , division of flood season , limited water level , neural network

中图分类号:

TV697

吴成国1，金菊良1，周玉良2，程亮1. 确定水库分期汛限水位的神经网络调洪演算方法[J]. 应用科学学报, 2009, 27(3): 288-293.

WU Cheng-guo1, JIN Ju-liang1, ZHOU Yu-liang2, CHENG Liang1. Application of Neural Networks to Determine Limited Water Level of Reservoir Flood Routing[J]. Journal of Applied Sciences, 2009, 27(3): 288-293.

[1]	王孟轩, 张胜, 王月, 雷霆, 杜渂. 改进的CRNN模型在警情文本分类中的研究与应用[J]. 应用科学学报, 2020, 38(3): 388-400.
[2]	马鑫, 吴云, 鹿泽光. 基于混合神经网络的协同过滤推荐模型[J]. 应用科学学报, 2020, 38(3): 478-487.
[3]	刘伟, 章琬苓, 项世军. 基于LBP-MDCT和CNN的人脸活体检测算法[J]. 应用科学学报, 2019, 37(5): 609-617.
[4]	王灿军, 廖鑫, 陈嘉欣, 秦拯, 刘绪崇. 基于卷积神经网络的面部图像修饰检测[J]. 应用科学学报, 2019, 37(5): 618-630.
[5]	吴韵清, 吴鹏, 陈北京, 鞠兴旺, 高野. 基于残差全卷积网络的图像拼接定位算法[J]. 应用科学学报, 2019, 37(5): 651-662.
[6]	魏巍, 全海燕. 基于单形进化的径向基网络训练算法[J]. 应用科学学报, 2019, 37(4): 459-468.
[7]	靳华中, 刘潇龙, 胡梓珂. 一种结合全局和局部特征的图像描述生成模型[J]. 应用科学学报, 2019, 37(4): 501-509.
[8]	赵云山, 段友祥. 基于Attention机制的卷积神经网络文本分类模型[J]. 应用科学学报, 2019, 37(4): 541-550.
[9]	袁红林, 陆小丹, 徐晨. 基于B-Spline神经网络的宽带通信发射机指纹估计[J]. 应用科学学报, 2019, 37(1): 12-23.
[10]	曾润华, 张树群. 改进卷积神经网络的语音情感识别方法[J]. 应用科学学报, 2018, 36(5): 837-844.
[11]	姜雪莹, 苏成利, 施惠元, 李平, 刘思雨. 采用多变量RBF神经网络的非线性内部迭代预测控制[J]. 应用科学学报, 2018, 36(4): 698-710.
[12]	段友祥, 徐冬胜, 孙歧峰, 李钰. DBN在测井解释中的研究与应用[J]. 应用科学学报, 2018, 36(4): 689-697.
[13]	杨滨, 张涛, 陈先意. 基于深度学习的图像局部模糊识别[J]. 应用科学学报, 2018, 36(2): 321-330.
[14]	史晓裕, 李斌, 谭舜泉. 深度学习空域隐写分析的预处理层[J]. 应用科学学报, 2018, 36(2): 309-320.
[15]	董伟, 王建军. 改进的卷积神经网络用于对比度增强取证[J]. 应用科学学报, 2017, 35(6): 745-753.