一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法

1.本发明涉及水文模型参数率定技术领域，尤其涉及一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法。


背景技术：

2.当前为研究水文预报、水库调度等问题，场次洪水水文模型的参数率定是必不可少的步骤之一。现在广泛使用的场次洪水水文模型参数率定的方法是对流域上的每场洪水单独率定水文模型参数，然后对参数进行敏感性分析，手动调节各个参数，最终选择一组对流域上各场次洪水均能模拟的较好的参数，当所选的场次洪水具有相近的产汇流特性时，能够取得可用的综合水文模型参数。但是这种方法对调参者经验依赖性较强，不同的调参者取得的参数可能差异较大。
3.同时，当流域上全年各场次洪水在暴雨强度、暴雨中心、地面植被等等产汇流特性差异较大的情况下，单独率定每场洪水，再进行手动综合分析模型参数往往不能得到理想的水文模型参数。


技术实现要素：

4.本发明的目的在于提供一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，从而解决现有技术中存在的前述问题。
5.为了实现上述目的，本发明采用的技术方案如下：
6.一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，包括如下步骤，
7.s1、收集并整理研究流域的资料；
8.s2、构建适用于研究流域径流预报的日尺度的水文模型；
9.s3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
10.s4、基于次洪预报模型构建组内各场次洪水的目标函数；
11.s5、以目标函数最小为目标，利用基于超多目标大规模优化的优化算法对组内多场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型的最优参数。
12.优选的，步骤s1具体包括如下内容，
13.s11、收集研究流域水文站和雨量站的位置信息、流域出口断面的场次洪水数据以及日平均流量数据、各雨量站的降雨量摘录数据以及日降雨量数据、研究流域的数字高程数据；
14.s12、利用gis工具提取研究流域水系，并根据需要采用自然流域划分方法或泰森多边形方法划分子流域；
15.s13、通过线性插值方法将场次洪水径流过程插值成时段长度为1小时的径流过
程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程。
16.优选的，步骤s2具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，以为研究流域的次洪预报模型提供初始状态变量；所述状态变量包括土壤含水量、产流面积比、自由水蓄水量。
17.优选的，步骤s3具体包括如下内容，
18.s31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
19.s32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
20.s33、利用s2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
21.优选的，步骤s4具体为，根据对单场洪水的优化效果，为各场次洪水分别选择目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数。
22.优选的，步骤s5具体包括如下内容，
23.s51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内综合场次洪水水文模型最优参数的帕累托解；
24.s52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
25.优选的，基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为，
[0026][0027]
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；δt为时段长度。
[0028]
本发明的有益效果是：1、在对场次洪水水文模型进行参数率定时，首先将场次洪水按照洪峰量级进行分组得到综合场次洪水，然后在组内采用基于超多目标大规模优化的优化算法同时对组内的所有场次洪水目标函数进行优化，率定水文模型参数。2、在流域全年场次洪水产汇流特性差异较大的情况下，在调参者不具备丰富的调参经验的情况下，通过简单的操作，仍旧可以得到精度较高的能够反映综合场次洪水产汇流特性的水文模型参数。
附图说明
[0029]
图1是本发明实施例中参数率定方法的流程示意图；
[0030]
图2是本发明实施例中研究流域的泰森多边形及个水文站位置示意图；
[0031]
图3是本发明实施例中建立的日尺度水文模型流量预报结果示意图；
[0032]
图4是本发明实施例中帕累托前沿示意图；
[0033]
图5是本发明实施例中帕累托前沿所对应的水文模型参数值示意图；
[0034]
图6是本发明实施例中各场次洪水同时优化的结果示意图。
具体实施方式
[0035]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
[0036]
实施例一
[0037]
如图1所示，本实施例中提供了一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，包括如下步骤，
[0038]
s1、收集并整理研究流域的资料；
[0039]
s2、构建适用于研究流域径流预报的日尺度的水文模型；
[0040]
s3、构建适用于研究流域场次洪水预报的次洪预报模型，并基于日尺度的水文模型为次洪预报模型提供初始状态变量；
[0041]
s4、基于次洪预报模型构建组内各场次洪水的目标函数；
[0042]
s5、以目标函数最小为目标，利用基于超多目标大规模优化的优化算法对组内多场次洪水的目标函数同时进行优化，确定组内综合场次洪水水文模型的最优参数。
[0043]
本实施例中，参数率定方法具体包括五个部分，分别是资料的收集与整理、构建日尺度的水文模型、构建次洪预报模型、设定目标函数、对组内多场次洪水的目标函数同时进行优化。下面分别针对这五部分内容进行详细的解释说明。
[0044]
一、资料的收集与整理
[0045]
该部分对应步骤s1，具体包括如下内容，
[0046]
s11、收集研究流域水文站和雨量站的位置信息、流域出口断面的场次洪水数据以及日平均流量数据、各雨量站的降雨量摘录数据以及日降雨量数据、研究流域的数字高程数据；
[0047]
s12、利用gis工具提取研究流域水系，并根据需要采用自然流域划分方法或泰森多边形方法划分子流域；
[0048]
s13、通过线性插值方法将场次洪水径流过程插值成时段长度为1小时的径流过程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程。
[0049]
二、构建日尺度的水文模型
[0050]
该部分对应步骤s2，具体为，构建适用于研究流域径流预报的日尺度的水文模型，利用该水文模型计算研究流域各日的状态变量，包括土壤含水量、产流面积比、自由水蓄水量等。
[0051]
构建的日尺度的水文模型能够为研究流域的次洪预报模型提供初始状态变量。
[0052]
三、构建次洪预报模型
[0053]
该部分对应步骤s3，具体包括如下内容，
[0054]
s31、构建适用于研究流域产汇流特性的次洪预报模型，并设置约束条件；
[0055]
s32、以洪峰量级为分组条件对研究流域的场次洪水进行分组综合，选定具有代表性的各组场次洪水并确定各个场次洪水的起止时间；
[0056]
s33、利用s2中构建的日尺度的水文模型计算各场次洪水的初始状态变量。
[0057]
四、设定目标函数
[0058]
该部分对应步骤s4，具体为，根据对单场洪水的优化效果，为各场次洪水分别选择
目标函数；所述目标函数为残差平方和函数或峰值加权均方根误差函数或洪量误差百分比函数或综合考虑洪峰洪量影响的综合函数或其他相关函数。
[0059]
目标函数可以根据单场洪水的优化效果进行选择，组内有几场洪水就设计几个目标函数，各个场次洪水的目标函数根据实际需要可以不同或相同。
[0060]
五、对组内多场次洪水的目标函数同时进行优化
[0061]
该部分对应步骤s5，具体包括如下内容，
[0062]
s51、选择基于超多目标大规模优化的优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内场次洪水水文模型最优参数的帕累托解；
[0063]
s52、综合分析组内场次洪水水文模型最优参数的帕累托解，选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
[0064]
每场洪水有一个目标函数，组内有n场洪水就有n个目标函数，选择基于超多目标大规模优化的优化算法，比如基于竞争群优化器的高效大规模多目标优化算法，以各个目标函数最小为优化目标，同时对组内各场次洪水的目标函数进行优化，确定组内场次洪水水文模型的最优参数的帕托累解，综合分析选择使率定期预报合格率最高的参数作为组内综合场次洪水水文模型的最优参数。
[0065]
基于超多目标大规模优化的优化算法能够同时优化3场以上的洪水的目标函数，同时，对于场次洪水水文模型的参数在100个以上的情况也能够优化。
[0066]
本实施例中，基于各场次洪水的初始状态变量，次洪预报模型采用马斯京根法或滞时演算法进行河道洪水演算进而确定率定期预报合格率；其中马斯京根法的约束条件为，
[0067][0068]
其中，k为当河道为恒定流时，洪水传播时间；x为流量比重系数；δt为时段长度。
[0069]
实施例二
[0070]
本实施例中，以淮河上游大坡岭流域的场次洪水水文模型参数率定为实例，以表现本发明达到的效果。
[0071]
大坡岭站是淮河干流最上游的水文站，控制流域面积1640平方公里。大坡岭以上河流长73公里，流域内多为山区丘陵，植被良好。河流属山溪性河流，支流多，坡度大，汇流快，水流急，干旱时易断流。流域内水利工程不多，农作物以水稻为主。大坡岭以上流域有4个水文站。实施例以起止时间为1999年1月1日至2009年12月31日4个水文站的逐日降雨量资料，桐柏站的逐日蒸发量、大坡岭站的逐日流量资料、四场洪峰流量大于1500m3/s的场次洪水径流数据以及相对应的降雨摘录数据、蒸发量数据等为基础，对大坡岭以上流域的洪峰流量大于1500m3/s的综合场次洪水水文模型参数进行率定。本实施例基于超多目标大规模优化的综合场次洪水水文模型参数率定方法的步骤如下：
[0072]
一、资料的收集与整理
[0073]
收集1999年1月1日至2009年12月31日流域内4个水文站的逐日各雨量数据、桐柏站的逐日蒸发量数据、大坡岭站的逐日平均流量数据。选取洪峰流量大于1500m3/s的4场次洪水径流数据以及相对应的降雨摘录数据，通过线性插值方法将场次洪水径流过程插值成
时段长度为1小时的径流过程、将流域内各雨量站的降雨量摘录数据插值成时程长度为1小时的降雨过程；收集大坡岭水文站以上流域的dem数据，4个水文站的经纬度数据，利用gis软件提取流域水系图，获取流域面积数据，划分泰森多边形确定各水文站的面积权重，计算流域的平均面雨量系列。大坡岭以上流域的泰森多边形图及个水文站位置见附图2。通过计算，四个雨量站的泰森多边形权重如下表所示：
[0074]
表1各水文站泰森多边形权重
[0075]
桐柏吴城黄冈大坡岭0.260.290.320.13
[0076]
二、构建日尺度的水文模型
[0077]
构建适用于大坡岭流域径流预报的日尺度的水文模型，产流模块采用蓄满产流模式、蒸发模块采用三层蒸发模式、坡地汇流、壤中流汇流、地下径流汇流计算均采用线性水库法，单元出流采用滞时演算法。构建的日尺度水文模型计算结果见附图2。利用该模型计算步骤一的4场洪水的初始状态变量，包括上下深层的土壤含水量、产流面积比、初始自由水蓄水量。比如20020623号洪水的初始状态变量分别为上层土壤含水量wu＝3.49mm；下层土壤蓄水量为wl＝5.54mm；深层土壤蓄水量为wd＝0mm；产流面积比fr＝0.17；初始自由水蓄水量s＝0.18mm。
[0078]
三、构建次洪预报模型
[0079]
构建适用于大坡岭流域的次洪预报模型，计算时段长度取1小时，产流模块采用蓄满产流模式、蒸发模块采用三层蒸发模式、坡地汇流采用单位线计算法，壤中流汇流、地下径流汇流计算采用线性水库法，单元出流采用滞时演算法。次洪初始状态变量采用步骤二中的计算结果。
[0080]
四、设定目标函数
[0081]
四场洪水均采用峰值加权均方根误差函数作为目标函数。峰值加权均方根误差函数为
[0082][0083]
其中，f为均值加权均方根误差函数；nq为计算的过程线纵坐标数目；q0(i)为实测场次洪水在第i时刻的流量；qs(i)为用所选的模型参数计算的产出给i洪水在第i时刻的流量；q0(mean)为实测场次洪水流量的平均值。
[0084]
五、对组内多场次洪水的目标函数同时进行优化
[0085]
采用基于竞争群优化器的高效大规模多目标优化算法对四场洪水的目标函数同时进行优化，优化的帕累托前沿如图4所示。帕累托前沿对应的各组水文模型参数如图5所示。选择第4组参数作为最终的次洪水文模型参数，20020623号洪水的拟合效果如图6a所示，其确定性系数为0.96；20050626号洪水的拟合效果如图6b所示，其确定性系数为0.94；20050710号洪水的拟合效果如图6c所示，其确定性系数为0.94；20050829号洪水的拟合效果见图6d所示，其确定性系数为0.96。
[0086]
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
[0087]
本发明提供了一种基于超多目标大规模优化的综合场次洪水水文模型参数率定方法，该方法在对场次洪水水文模型进行参数率定时，首先将场次洪水按照洪峰量级进行分组得到综合场次洪水，然后在组内采用基于超多目标大规模优化的优化算法同时对组内的所有场次洪水目标函数进行优化，率定水文模型参数。该方法在流域全年场次洪水产汇流特性差异较大的情况下，在调参者不具备丰富的调参经验的情况下，通过简单的操作，仍旧可以得到精度较高的能够反映综合场次洪水产汇流特性的水文模型参数。
[0088]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。