文档介绍：※※※1 ※※※2 ※※※1 ※※※;[摘要]分析了影响水库调洪演算的因素,建立了基于人工神经网络下的水库调洪演算BP网络模型,进行了洪水过程模拟和预测;对影响网络收敛速度的因素做了探索研究,阐述了BP网络参数选择原则和选取范围.[关键词]水库调洪演算;人工神经网络模型;参数选取[中图分类号]水库调洪演算在水库设计中有着举足轻重的地位。通常借助于水库调洪演算辅助曲线图解计算,该方法操作复杂,曲线更新繁琐,计算精度也受人为因素的影响。本文以时段水库水量平衡原理和动力平衡原理为依据,使用人工神经网络的理论和技术,建立了基于BP网络的水库调洪演算人工神经网络模型,,阐述了BP网络参数选择原则和选取范围。。如果网络的输入层神经元个数为n,输出层节点数为m,则该网络实现的是Rn到Rm的映射,即有:Rn→Rm[1]。BP算法主要包括两个过程:一是由学习样本、网络权值W和阈值θ,按照输入层→隐层→输出层的顺序,逐层计算节点的输出;二是由期望输出与计算输出构造出误差函数E(Wk),采用梯度下降法调整网络权值,即通过不断学习,当误差函数E(Wk+1)小于任意小的值ε时,网络收敛。(即圣维南方程组的连续方程和动力方程)的支配下进行的[2]。水库水量平衡方程可用下式描述:式中,Q1和Q2为时段△t始、末的入库流量(m3/s),q1和q2为时段△t始、末的出库流量(m3/s),V1和V2为时段△t始、未的水库蓄水量(m3),△t为计算时段(s)。动力平衡用水库的蓄泄关系描述:式中,q是下泄流量(m3/s);H为堰上水头(m)。在水库调蓄洪水期间,视水库为静水面,则有H=f(V),其中V为水库库容(m3)。结合(2)式,则有:由(1)和(3)可得:q2=f(q1,Q)或q2=f(q1,Q1,Q2)水库调洪演算的实质就是确定时段末的下泄流量q2。q2是时段初的下泄流量q1和时段平均入库流量Q的函数,或是时段初的下泄流量q1和时段始、末入库流量Q1、Q2的函数。它们分别对应于网络的输出和输入,输入与输出之间存在着非线性映射关系。 BP网络模型的建立经比较,输入层神经元分别为Q1、Q2和q13个,隐层节点数为7,输出层节点数为1,构成BP网络(简称3-7-1模型)。表1为某水库12h洪水演算数据[2],将其中的前9个洪水过程数据作为学习样本,后3个(内插数据)作为预报样本。,。经网络不断学习和对学习效果比较,得出网络最优权值和阈值,如矩阵W1、W2、W3、W4所示。W1为输入层对隐层的权值、W2为隐层对输出层的权值、W3为隐层阈值、W4为输出层阈值,BP模型拟合和预测结果如表2。(m3/s)Q2(m3/s)q1(m3/s)实验值Realresults(m3/s