(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110253999.0 (22)申请日 2021.03.04 (65)同一申请的已公布的文献号 申请公布号 CN 113139329 A (43)申请公布日 2021.07.20 (73)专利权人 河海大学 地址 211100 江苏省南京市江宁区佛城西 路8号 (72)发明人 胡鹤轩　隋华超　胡强　朱跃龙　 胡震云　张晔　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 楼然 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06K 9/62(2022.01) G01C 13/00(2006.01) G06F 113/08(2020.01) (56)对比文件 CN 108874936 A,2018.1 1.23 CN 111597758 A,2020.08.28 CN 109272146 A,2019.01.25 CN 111915058 A,2020.1 1.10 霍文博等.新 安江模型和支持向量机模型实 时洪水预报应用比较. 《河海大 学学报 （自然科 学 版） 》 .2018,第46卷(第4期), 审查员 赵玉航 (54)发明名称 一种基于水文相似性和人工神经网络的新 安江模型参数率定方法 (57)摘要 本发明公开了一种基于水文相似性和人工 神经网络的新安江模型参数率定方法， 包括： 分 析水文相似性， 得到流域的各个特征向量并构建 监督学习数据库； 建立参数映射： 使用监督学习 数据库对混合神经网络 ‑新安江模 型即初始人工 神经网络进行训练， 并最小化损失函数更新新安 江模型参数； 洪水预报与新安江模型参数率定： 将流域的特征向量输入到训练完成的混合神经 网络‑新安江模型即训练后的人工神经网络中， 利用训练后的人工神经网络输出新安江模型参 数； 接受实时更新的雨量信息作为练后的人工神 经网络输入， 再次训练练后的人工神经网络减少 预报误差， 最终获得新安江模型参数率定结果。 本发明方法精度高、 物理可解释性和参数可迁移 性强。 权利要求书2页 说明书8页 附图4页 CN 113139329 B 2022.10.18 CN 113139329 B 1.一种基于水文相似性和人工神经网络的新安江模型参数率定方法， 其特征在于， 包 括： 步骤一、 水文相似性分析： 得到流 域的各个特 征向量并构建监 督学习数据库； 步骤二、 建立参数映射： 使用监督学习数据库对混合神经网络 ‑新安江模型即初始人工 神经网络进行训练， 并最小化损失函数 更新新安江模型参数； 步骤三、 洪水预报与新安江模型参数率定： 将流域的特征向量输入到训练完成的混合 神经网络 ‑新安江模型即训练后的人工神经网络中， 利用训练后的人工神经网络输出新安 江模型参数； 接受实时更新的雨量信息作为练后的人工神经网络输入， 再次训练后的人工 神经网络以减少预报误差， 最终实现高精度的洪水预报效果， 获得新安江模型参数率定结 果； 所述的步骤一的过程包括： 步骤1.1搭建能识别静态流域特征的长短期记忆网络模型， 将流域的气象数据、 流量数 据和静态流域属 性数据作为输入， 未来第k时刻流域出 口断面流量为长短期记忆网络模型 的输出， 即长短期记 忆网络预报的未来第k小时流 量， 训练该模型直至符合预报精度； 步骤1.2提取长短期记忆网络模型中输入门的权重向量αi作为流域特征向量， 流域特征 向量代表输入门的激活程度， 进 行反映流域的水文 特性； 并使用K均值聚类算法对该流域特 征向量进行聚类分析， 从而得到水文相似性较高的流 域集合； 步骤1.3将流域特征向量作为监督学习数据库的特征， 以t时间段内的流域流量数据作 为改动长短期记 忆网络模型的输入门， 使其能识别静态流 域特征， 即 i＝σ(Wixs+bi) 式中， i是输入门， 但其状态不随时间改变， xs是静态输入即静态流域特征， 包括： 平均海 拔、 植被覆盖率、 流 域面积。 2.根据权利要求1所述的一种基于水文相似性和人工神经网络的新安江模型参数率定 方法， 其特 征在于， 所述的步骤1中监 督学习数据库的格式为： 其中， αi代表第i个流域的特征向量， βi代表第i个流域的t时间段内的流量数据， 即βi＝ {Q1， Q2，……， Qt}。 3.根据权利要求1所述的一种基于水文相似性和人工神经网络的新安江模型参数率定 方法， 其特 征在于： 步骤2中所述的初始人工神经网络包括一层输入层、 两层隐藏层、 一层输出层、 激活函 数为可适应新 安江模型参数 范围的sigmo id函数； 其中， 输入层的数据是长短期记忆网络输入门的权重向量αi， 且αi∈R256； 输出层的数据 是包含新安江模 型五个高敏感参数的向量γ＝{x1， x2，……， x5}， 此五个参数分别为蒸散发 折算系数K、 表层土自由蓄水库容量SM、 地面径流消退系数CS、 壤中流消退系数CI和自由水 蓄水库地下 水日出流系数 KI。 4.根据权利要求1或3所述的一种基于水文相似性和人工神经网络的新安江模型参数 率定方法， 其特征在于， 所述的初始人工神经网络的激活函数由新安江模型参数 的取值范 围决定， 其公式为：权　利　要　求　书 1/2 页 2 CN 113139329 B 2其中， xi代表输出的第i个新安江模型参数， Maxxi和Minxi分别对应第i个参数的最大值 和最小值， 该激活函数可以将初始人工神经网络的输出值控制在新安江模 型参数的取值范 围内。 5.根据权利要求1所述的一种基于水文相似性和人工神经网络的新安江模型参数率定 方法， 步骤2中所述的损失函数是由洪峰峰值误差、 洪水流量曲线拟合程度和均方根误差的 加权组合， 包 含多项可评价水文预报精度的相关指标， 其公式为： L(γ， β )＝ λ1·RE+λ2·DC+λ3·RMSE 其中， λ1、 λ2和 λ3为三个超参数， 是控制损失函数中每个项的权重， 并且可以在训练过程 中进行调整； 三个超参数可以设置为同一数值， 或者根据决策者的预报侧重点手动调整其 权重值大小； RE是洪峰相对误差， 洪峰预报的准确性是衡量一个模型的重要指标， 该数值越接近于 0， 洪峰预报精度越高； DC为确定性系数， 经 过改动后使其越接 近0， 预报准确率越高， 其公式为： 其中， 具体公式为Qsimi＝f(γ， β )代表 输入相关数据后第i时刻的新安江模型的模拟值， Qobsi代表实际观测值， 代表实际观测值的平均值； RMSE为均方根误差， 即预测值与真实值之间的偏差的程度， 该值越接近0越表明结果与 真实值相差越小。 6.根据权利要求1或3所述的一种基于水文相似性和人工神经网络的新安江模型参数 率定方法， 其特 征在于， 所述 步骤三的具体过程包括： 步骤3.1首 先通过聚类判断两个目标流 域是否具有较强的水文相似性； 步骤3.2将要进行参数率定的流域的特征向量输入到训练后的人工神经网络中， 捕捉 该流域的特征与新安江模型参数之间的关系； 步骤3.3经过先验知识调参后的新安江模型仍然有一定的预报误差， 需要引入该流域 的实时气象和流量数据再次对该训练后的人工神经网络进 行训练， 最终得到适合该流域的 新安江模型参数。权　利　要　求　书 2/2 页 3 CN 113139329 B 3