（水文学及水资源专业论文）水电系统中预报与调度的混合智能方法研究及应用.pdf

大连理工大学博士学位论文 摘要 随着水电建设的快速发展和工程规模的不断拓宽，水电系统中的问题规模和复杂度 也越来越大，表现出高维、非线性、非凸等复杂特性，利用传统方法和单一智能方法对 问题进行求解时结果往往不够理想，鉴于这种现状，算法混合的思想就成为提高算法性 能的一个重要而有效的途径。因此根据研究问题的特点，如何有机结合各种算法的优点， 构造更高效的算法，对提高水文预报的精度及水电系统经济、高效运行具有重要意义。 本文首先系统介绍了概念性水文模型参数优选及不确定性分析、中长期水文预报、水电 站( 群) 优化调度的研究现状，结合湖南双牌水库、云南澜沧江流域和贵卅f 乌江流域的 水电站( 群) 等工程，综合利用遗传算法、混沌系统、人工神经网络、自适应模糊推理、 遗传程序设计、支持向量机等多种人工智能技术，深入研究了这些方法及其混合在概念 性水文模型参数优选、概念性水文模型参数不确定性分析、中长期水文预报、水电站( 群) 优化调度的建模方法及应用，取得了一些有价值的研究成果。主要内容如下： f 1 ) 以湖南省双牌水库2 0 0 0 2 0 0 6 年水情自动测报系统积累的4 8 场1 小时洪水过程 资料为基础，预报模型采用三水源新安江模型，提出三水源新安江模型参数率定的模糊 多目标优化混合启发式遗传算法。该算法应用混沌变量生成初始种群，应用退化混沌变 异操作代替标准的变异操作，应用s a 技术提供局部邻域搜索，从实际应用出发，采用 洪峰流量、峰现时间和洪水总量的台格率作为场次洪水模拟的评价目标，对三水源新安 江模型参数进行模糊多目标优选，模拟和检验的比较结果表明，提出的方法能较好地获 得短期洪水预报模型参数。 但) 应用概念性水文模型进行水文模拟时，由于模型本身的不足及参数多、信息量 少等原因，会出现率定的最优参数组不唯一，不稳定等问题。考虑到以往的参数优选， 都只得出一个参数组，无法评定优化所得参数组的不确定性的影响，存在一定的片面性 和局限性，使模型的实际应用受到限制。针对这一问题。提出应用基于马尔可夫链蒙特 卡罗( m c m c ) 理论的s c e m u a 算法，通过双牌流域不同历时的典型洪水数据对新安江 模型参数进行随机优选和不确定性评估。结果表明，该算法能很好地推出新安江模型参 数的后验概率分布；率定和检验结果比较分析也表明，应用s c e m - u a 算法对新安江模 型进行优选和不确定评估是有效和可行的。 ( 3 ) 对比研究了人工神经阚络( a n n ) 、自适应模糊推理系统( a n f i s ) 、遗传程序设计 ( g v ) 和支持向量机( s v m ) 在径流中长期中的预报建模。为了评价它们在月径流时间序列 的预报效果，采用了几个标准的执行评价措施，如相关系数限) 、确定性系数( e ) 、均方 误差( r m s 日和平均绝对百分误差( m a p e l 。应用了时间序列分析建模技术a r m a 作为 水电系统中预报与调度的混合智能方法研究及应用 参考的标准。通过漫湾水电站5 2 年月径流系列及洪家渡水电站5 4 年的月径流系列预测 结果比较分析表明人工智能技术是个强有力的工具，能获得比传统时间序列分析方法更 好的预报精度。分析结果也表明根据不同的统计评价指标，a n f i s 、g p 和s d 分别能 获得最好的预报结果。这说明a n t i s 、g p 和s v m 相对于a k m a 和a n n 能提高月径 流时间序列预报的精度。 ( 4 ) 利用混沌运动的遍历性、随机性和规律性等特点，提出了一种求解水电站水库 优化调度问题的基于浮点数编码的混沌遗传( c g a ) 算法。该算法的思想是采用混沌优化 进行改善初始种群质量和利用混沌退化变异算子代替常规算法中的变异算子，避免搜索 过程陷入局部极值。利用两个著名的测试函数对提出的算法进行验证，分析结果表明提 出的混沌遗传算法不但具有传统遗传算法的全局多点搜索，占用内存少等优点，而且还 较好地克服了传统遗传算法的易“早熟”、易陷入局部最优和停滞的问题。通过对典型 径流水电站优化调度，长系列历史径流资料的优化计算和梯级水电群的优化调度，并与 传统方法相比，结果说明了该算法能提高计算结果，并具有计算速度快，搜索效率高， 收敛性能好等优点。这说明提出的方法对求解复杂的水库优化调度问题是有效的和可行 的。 最后对全文做了总结，并对有待于进一步研究的问题进行了展望。 关键词：水文模型；参数优选：不确定性评估；径流中长期预报；混台智能方法；水电 站( 群) 优化调度 大连理工大学博士学位论文 h y b r i di n t e l l i g e n c em e t h o d sf o rf o r e c a s t i n ga n do p e r a t i o ni nh y d r o p o w e r s y s t e m a b s t r a c t w i l l lr a p i dd e v e l o p m e n to fh y d r o p o w e rc o n s t r u c t i o na n dp r o j e c ts c a l ew i d e n e d c o n s t a n t l y , t h es c a l ea n dc o m p l e x i t yo f p r o b l e mi sb e c o m i n gb i g g e ra n db i g g e ri nh y d r o p o w e r s y s t e ma n dp o s s e sp r o p e r t i e so fm u l t i d i m e n s i o n , n o n - l i n e a r n o n c o n v e xa n de t c t 1 1 i si sa r e a s o nt h a tr e s u l t sa r en o ti d e a lt h r o u g ht h et r a d i t i o n a lm e t h o da n ds i n g l ei n t e l l i g e n c em e t h o d t os o l v e ，a n dt h ei d e ao fh y b r i da l g o r i t h m si sv e r yi m p o r t a n tw a yf o ri m p r o v i n ge f f e c t i v ea n d e 街c i e n ta l g o r i t h m s t h e r e f o r e , h o wt oe m c i e n f l yu t i l i z et h ea d v a n t a g e so f v a r i 0 1 1 sa l g o r i t h m s t od e v e l o pm o r ee f f i c i e n ta l g o r i t h mi sv e r ys i g n i f i c a n tt oi m p r o v eh y d r o l o g i c a lf o r e c a s t i n g a c c u r a c y , e c o n o m i c a la n de f f e c t i v eo p e r a t i o no f h y d r o p o w e rs y s t e m i nt h i sd i s s e r t a t i o n , f w s t , t h ec o n c e p t u a lr a i n f a l l r u n o f f ( c r r ) m o d e lp a r a m e t e r sc a l i b r a t i o na n du n c e r t a i n t ya n a l y s i s ， t h el o n g - t e r mf o r e c a s t i n ga n do p e r a t i o no fh y d r o p o w e rs y s t e ma r er e v i e w e di nd e t a i l t h e n ， b a s e do nt h ep r o j c o tb a c k g r o u n do fh y d r o p o w e rs t a t i o n ( s ) i nh u n a ns h u a n g p a ir e s e r v o i r , y u n a nl a n c a n 百i a n gr i v e rb a s i na n dg u i z h o uw u j i a n gr i v e rb a s i n , t h eh y b r i di n t e l l i g e n c e m e t h o d sa r es m d i e df o rc r rr o o d e lp a r a m e t e r sc a l i b r a t i o na n du n c e r t a i n t ya n a l y s i sc o m b i n e d w i t hc a s eo fp r o j e c ta p p l i c a t i o n 1 1 1 ed i s s e r t a t i o ns t u d i e sl o n g t e r m f o r e c a s t i n g a n d o p t i m i z a t i o no p e r a t i o no fh y d r o p o w e rs y s t e mu s i n ga r t i f i c i a li n t e l l i g e n c et e c h n i q u e ss u c ha s g e n e t i ca l g o r i t h m s ( g a ) ，c h a o ss y s t e m , a r t i f i c i a ln e u r a ln e t w o r k s ( a n n s ) a p p r o a c h e s ， a d a p t i v en e u r a l - b a s e df u z z yi n f e r e n c es y s t e m ( a n f i s ) t e c h n i q u e s ，g e n e t i cp r o g r a m m i n g ( g p ) m o d e l s ，s u p p o r tv e c t o rm a c h i n e ( s v m ) m e t h o da n dh y b r i di n t e l l i g e n c eo p f i m i z a t i o nm e t h o d s n l em a j o rr e s e a r c hw o r ki so u t l i n e sa sf o l l o w s ： ( 1 ) 1 1 1 eh y b r i dm e t a h e r u i s t i cg e n e t i ca l g o r i t h mw i t hf u z z ym u l t i o b j e c t i v eo p t i m i z a t i o ni s p r e s e n t e df o rs o l v i n gt h ex i n a n j i a n gm o d e lp a r a m e t e r sb a s e do n4 8h i s t o f i c a lf l o o d sf r o m h y d r o l o g i c a lt e l e m e t r ys y s t e mw i t ho n eh o u rr o u t i n gp e r i o df o r7y e a r s ( 2 0 0 0 2 0 0 6 ) i n s h u a n g p a ir e s e r v o i r t h ep r o p o s e dm e t h o dt a k e sa d v a n t a g e so ft h ee r g o d i ca n ds t o c h a s t i c p r o p e r t i e so fc h a o t i cv a r i a b l e s ，a na n n e a l i n gc h a o t i cm u t a t i o no p e r a t i o nw h i c hi se m p l o y e d t o r e p l a c es t a n d a r dm u t a t i o n e r a t o ri n 血ee v o l u t i o n a r yp r o c e s so fg aa n dt h el o c a lo p t i m a l s e a r c hc a p a b i l i t yo f s am e t h o d t h et h r e es m f i s f i c a lr a t i o so f a c c e p t a b l ec r i t e r i ar e l a t i v et ot h e p e a kd i s c h a r g e ，p e a kt i m ea n dt o t a lr u n o f fv o l u m ea m o n gt h ec a l i b r a t e da n dv a l i d a t e d h i s m r i c a lf l o o de v e n t s ，a r eu s e dt oe v a l u a t et h ep a r a m e t e rc a l i b r a t i o np e r f o r m a n c ef o r r a i n f a l l _ m o f fm o d e lb yf u z z ym u l t i o b j e c t i v eo p t i m i z a t i o nf r o ma c t u a la p p l i c a t i o n t h e ，i 水电系统中预报与调度的混合智能方法研究及应用 r e s u l t so f c a l m r a t i o na n dv a l i d a t i o ni n d i c a t et h a tt h ep r o p o s e dm e t h o dc a l lo b t a i nb e t t e r m o d e l p a r a m e t e r sf o rs h o r t - t e r mf l o o df o r e c a s t i n g ( 2 ) w h i l ea p p l i c a t i o nx i n a n j i a n gm o d e lt os i m u l a t eh y d r o g r a p h , t h e b e s t ”p a r a m e t e rs e t c a l i b r a t e dm a yb en o tu n i q u ea n db n c e r t a i nb e c a u s eo f m o d e ll i m i t a t i o n , m o t ep a r a m e t e r sa n d l i m i t e di n f o r m a t i o n c o n s i d e r i n gp r e v i o u s l yp a r a m e t e ro p t i m i z a t i o no fx i n a n j i a n gm o d e l ， t h e r ei so n l yau n i q u e b e s t p a r a m e t e rs e tt ob ef o u n da n di td o e s n td e s c r i b eu n c e r t a i n t yo f p a r a m e t e r t h e r ei sac e r t a i no n e - s i d e d n e s sa n dl i m i t a t i o nf o rx i n a n j i a n gm o d e lu s e d a i m i n g a tt h i sp r o b l e m ，t h i sp a p e rp r e s e n t su s i n gs c e m - u aa l g o r i t h mb a s e dm a r k o vc h a i nm o n t e c a r l o ( m e m c 、m e t h o d sf o ro p t i m i z a t i o na n du n c e r t a i n t ya s s e s s m e n to fx i n a n j i a n gm o d e l p a r a m e t e r sw i md i f f e r e n tr o u t i n gp e r i o d sf o rs h u a n g p a ib a s i o n t h er e s u l t sd e m o n s t r a t et h a t s c e m - u aa l g o r i t h mi sw e l ls u i t e dt oi n f e rt h ep o s t e r i o rd i s t r i b u t i o no fk i n a n j i a n gm o d e l p a r a m e t e r s t h er e s u l t so fc a l i b r a t i o na n dv a l i d a t i o ni n d i c a t et h a ti ti saf e a s i b l ea n de f f e c t i v e f o ro p t i m i z a t i o na n du n c e r t a i n t ya s s e s s m e n to f x i n a n j i a n gm o d e lp a r a m e t e r s ( 3 ) d e v e l o p i n gah y d r o l o g i c a l 岛r e c a s t i n gm o d e lt oa p p l ya r t i f i c i a li n t e l l i g e n c e ( a i ) t e c h n o i o g y w h i c hi n c l u d ea r t i f i c i a ln e u r a l n e t w o r k s ( a n n s ) a p p r o a c h e s ，a d a p t i v e n e u t - a l b a s e df u z z yi n f e r e n c es y s t e m ( a n f i s ) t e c h n i q u e s ，g e n e t i cp r o g r a m m i n g ( g p ) m o d e l s a n ds u p p o r tv e c t o rm a c h i n e ( s v m ) m e t h o d t h em a i np u r p o s ei st o i n v e s t i g a t et h e p e r f o r m a n c eo fs e v e r a la 1m e t h o d sf o rf o r e c a s t i n gm o n t h l yd i s c h a r g et i m es e r i e s t h ef o u r q u a n t i t a t i v e s t a n d a r ds t a t i s t i c a l p e r f o r m a n c ee v a l u a t i o nm e a s u r e $ ，t h ec o e f f i c i e n t o f c o r r e l a t i o n ( r ) ，n a s h - s u t c l i f f ee f f i c i e n c yc o e f f i c i e n t ( e ) ，r o o tm e a ns q u a r e de r r o r ( r m s e ) ， m e a na b s o l u t ep e r c e n t a g ee r r o r ( m a p e ) ，a r ce m p l o y e dt oe v a l u a t et h ep e r f o r m a n c e so f v a r i o u sm o d e l sd e v e l o p e d t h ea u t o r e g r e s s i v em o v i n g a v e r a g e ( a r m a ) m o d e li sa l s o e m p l o y e da sr e f e r e n c eb e n c h m a r k t h er e s u l t so b t a i n e di n t h i ss t u d yi n d i c a t et h a tt h ea i m e t h o d sa r ep o w e r f u lt o o l st om o d e lt h ed i s c h a r g et i m es e r i e sa n dc a ng i v eg o o dp r e d i c t i o n p e r f o r m a n c et h a nt r a d i t i o n a lt i m es e r i e sa p p r o a c h e st h r o u g h5 2y e a r sd i s c h a r g e ss e r i e si n m a n w a nh y d r o p o w e ra n d5 4y e a r sd i s c h a r g e ss e r i e si nh o n g j i a d uh y d r o p o w e r t h er e s u l t s i n d i c a t et h a tt h eb e s tp e r f o r m a n c ec a r lb eo b t a i n e db ya n f i s ，g pa n ds v mi nt e r m so f d i f f e r e n te v a l u a t i o nc r i t e r i a t h er e s u l t so ft h es t u d ya r eh i g h l ye n c o u r a g i n ga n ds u g g e s tt h a t a n f i s ，g pa n ds v ma p p r o a c h e sa r ep r o m i s i n gi nm o d e l i n gm o n t h l yd i s c h a r g et i m es e r i e s c o m p a r a t i o n 、析mt h ea n n a n da r m a ( 4 ) b y l l s eo ft h ep r o p e r t i e so fe r g o d i c i t y , r a n d o m i c i t y , a n dr e g u l a r i t yo fc h a o s ，ao 矗l s d g g e n e t i ca l g o r i t h m ( c g a ) b a s e df l o a te n c o d i n gi sp r o p o s e dt os o l v eo p t i m a lo p e r a t i o no f h y d r o p o w e rr e s e r v o i r c g aa d o p t sc h a o so p t i m i z a t i o no f t h ei n i t i a l i z a t i o nt oi m p r o v es p e c i e s q u a l i t ya n du t i l i z e sa n n e a l i n gc h a o t i cm u t a t i o no p e r a t i o nt or e p l a c es t a n d a r dm u t a t i o n o p e r a t o ri no r d e rt oa v o i dt h es e a r c hb e i n gt r a p p e di nl o c a lo p t i m u m c o m p a r i s o no fr e s u l t s a m o n gt h ed y n a m i cp r o g r a m m i n g , t h es t a n d a r dg aa n dc g as h o w e dt h a tc g a c a l l ， 查垄翌三查堂堡主塑笙奎 s i g n i f i c a n t l yr e d u c et h eo v e r a l lo p t i m i z a t i o nt i m ea n di m p r o v et h ec o n v e r g e n c eq t m l i t y t h r o u g hc o m p l e xf u n c t i o no p t i m i z a t i o n , h y d r o p o w e rs t a t i o no 埘m i z a t i o no p c r a t i o nw i t h t y p i c a la n n u a lr u n o f f ，h y d r o p o w e rr e s e r v o i ro p t i m i z a t i o no p e r a t i o nw i t has e r i e so f m o n t h l y i n f l o wa n dc a s c a d e dh y d r o p o w e ro p t i m i z a t i o no p e r a t i o n t h ea n a l y s i sr e s u l t ss h o wt h a tc g a h a so b v i o u sa d v a n t a g e si n c o n v e r g e n c es p e e da n ds o l u t i o nq u a l i t y t h u s t h ep r o p o s e d a p p r o a c hi sf e a s i b l ea n de f f e c t i v ei no p t i m a lo p e r a t i o n so f c o m p l e xr e s e r v o i rs y s t e m s f i n a l l y , as u m m a r yi sg i v e na n ds o m ep r o b l e m st ob ef w t h e rs t u d i e da l ed i s c u s s e d k e y w o r d s ：h y d r o l o g i c a l m o d e ；p a r a m e t e r sc a l i b r a t i o n ；u n e , a t a m t y a s s e s s m e n t ；l o n g - t e r m d i s c h a r g ep r e d i c t i o mh y b r i di n t e l l i g e n tm e t h o d ；h y d r o p o w e rs t a t i o no p t i m a lo p e r a t i o n v - 独创性说明 作者郑重声明：本博士学位论文是我个人在导师指导下进行的研究工 作及取得研究成果。尽我所知，除了文中特别加以标注和致谢的地方外， 论文中不包含其他人已经发表或撰写的研究成果，也不包含为获得大连理 工大学或者其他单位的学位或证书所使用过的材料。与我一同工作的同志 对本研究所做的贡献均已在论文中做了明确的说明并表示了谢意。 作者签名： 强4 嗍幽够 大连理工大学博士学位论文 大连理工大学学位论文版权使用授权书 本学位论文作者及指导教师完全了解“大连理工大学硕士、博士学位 论文版权使用规定”，同意大连理工大学保留并向国家有关部门或机构送 交学位论文的复印件和电子版，允许论文被查阅和借阅。本人授权大连理 工大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，也 可采用影印、缩印或扫描等复制手段保存和汇编学位论文。 作者签名： 导师签名： 柱 沮年么月幺日 大连理工大学博士学位论文 1 绪论 1 1 选题的背景和研究的意义 我国河流众多，径流丰沛，落差巨大，蕴藏着丰富的水能资源，技术可开发利用的 水能资源为5 4 2 亿k w ，是世界上水能资源总量最多的国家 1 1 。虽然早在1 9 1 2 年就有了 第l 座水电站( 云南石龙坝水电站，装机4 8 0 k w ) ，但由于工业化进程的滞后，水电开 发利用真正起步于2 0 世纪后半期。经过5 0 多年的建设，特别是2 0 0 0 年( 水电装机7 7 0 8 5 万k w ，占技术可开发容量的1 4 2 2 ) 以后，随着西电东送国家战略目标的实施和我国 经济的快速发展，开始了大规模的水电建设，迎来了我国水电建设的高潮，截至2 0 0 7 年底，水电装机已达到1 4 5 2 6 万k w ，占技术可开发容量的2 6 8 ，还远低于世界上水 能资源相对丰富的国家。美国在1 9 8 6 年时已开发4 3 3 ，加拿大在1 9 9 7 年时已开发 4 2 9 ，日本在1 9 8 6 年时已开发9 5 0 ，意大利在1 9 8 6 年时已开发9 3 0 t 1 1 。我国水电 事业发展极其迅速，到“十一五”末( 2 0 1 0 年) ，中国水电装机总容量达到1 9 4 0 0 万 k 、翻，占技术可开发容量的3 5 7 9 。到“十二五”末( 2 0 2 0 年) ，中国水电装机总容 量将达到3 2 8 0 0 万k w t 2 l ，将占技术可开发容量的6 0 5 2 。水电的快速发展和新机组的 不断投产，必然会给水电站运行管理和水库调度带来新的挑战。 水电系统运行与管理涉及到径流预报、洪水预报、洪水调度、发电优化等一系列问 题，随着水电系统规模越来越大，这些问题的高维、非线性、非凸等特征越加突出，仅 仅利用传统的方法对问题进行求解时往往不能取得理想结果，需要探索更有效的方法。 近年来，随着人们对自然科学的认识和计算机技术、交叉学科的发展，相继提出一 些现代智能方法，如入工神经网络、遗传算法、支持向量机、混沌理论和进化策略等。 但每种方法都有各自的适用条件和局限性。如人工神经网络能够有效地模拟本质为非线 性的实际水文系统，但存在如何确定网络结构、过学习与欠学习、局部极小点等问题； 遗传算法局部搜索能力差、存在未成熟收敛等现象；支持向量机存在参数选取困难等； 因此尽管这些人工智能技术受到各领域广泛的关注和应用，并已成为求解复杂问题的有 力工具。但与实际应用尚存在差距，当问题的规模和复杂度增加时，单一方法的求解能 力大为削减，同时新方法的理论研究的落后，也导致了单一方法性能改进程度的局限性， 而基于自然机理提出新的方法也并非易事。鉴于这种现状，算法混合的思想已成为提高 算法性能的一个重要而有效的途径，其出发点是使单一算法互相取长补短，产生更好的 性能和效率 3 】，因此根据研究问题的特点，有机结合各算法的优点，构造更高效的算法， 必将对研究和解决水电系统相关问题提供全新的思路。本文研究重点主要集中在混合智 水电系统中预报与调度豹混合智能方法研究及应用 能方法在概念性水文模型参数优选、概念性水文模型参数不确定性分析、径流中长期预 报、水电站( 群) 优化调度研究和应用探索上，力争取得有实际价值的研究与应用成果。 1 2 水文模型参数优选及不确定性研究现状 1 2 1 水文模型参数优选研究现状 流域水文模型将流域概化为一个系统，采用数学的形式简化描述流域水文过程，将 流域上的输入因素( 降雨、蒸发、前期含水量等) 转换为出口断面的响应( 如流量等) ， 使其能够在一定的目标下代替实际水文过程，对流域的行为进行预测，其预测效果的好 坏很大程度上又依赖于模型参数的选取。因此，水文模型参数优选一直是水文预报研究 的一个重要内容。传统的参数优选通常有人工优选( 如试错法) ，在人工优选过程中， 模型模拟结果的好坏主要通过比较模拟与实测水文过程的吻合情况。经验丰富的水文工 作者，通过人工优选可以得到一组较好的参数。但由于受人为因素影响，没有统一的评 价标准，因此很难评价模型优选结果的优劣；并且人工优选还是一项非常耗时的工作， 尤其是对缺乏经验的水文工作者。随着计算机技术的迅速发展，参数自动优选方法得到 了普遍应用，大大加快了参数优选的速度，弥补了工作人员缺乏经验的不足，增加了模 拟结果的客观性和可信度【4 】。 早在1 9 7 0 年，n a s h 等【5 】就提出了用模型的确定性系数来评价模型模拟结果的精度。 j o h n s t o n 等【6 】对流域水文模型参数优选进行了探讨。p i c k u p t7 】对降雨径流模型自动率定 的算法及搜索策略进行了有效性进行了测试。g u p t a 掣8 利用基于导数的优化方法对水 文模型的参数进行了自动率定。h e n c l r i c k s o n 等1 9 1 ：1 ；较了降雨。径流模型参数自动率定的 n e w t o n 法和直接法。这些早期的传统优化方法都是基于单点迭代的局部优化方法，难 以解决复杂水文模型参数优选问题，而且局部寻优法对参数初值要求较高，给定不同参 数初值，往往会得到不同优选结果，因此采用局部寻优法很难确定优选结果是否为全局 最优【1 们。 随着2 0 世纪8 0 年代启发式全局优化算法兴起，水文工作者对其在水文中应用进行 了研究。w a n d l 0 最早将遗传算法应用于概念降雨径流模型的产流参数优选。毛学文【1 1 】 利用二进制编码的遗传算法，进行了新安江模型参数优选。为了提高二进制编码的遗传 算法的求解效率，杨晓华等 坨魄出实编码加速遗传算法，在大坳流域模型的参数优选中 得到成功的应用。谭炳卿【1 3 1 以新安江模型为例，应用1 4 个流域的资料，对罗森布瑞克 法、改进的单纯形法和遗传算法优选模型参数的效果，优化方法和收敛速度及参数初值 对优选效果的影响进行了比较分析，指出以遗传算法的优选结果作为参数初值，再用其 他两种方法迸一步优化，是模型参数识别的一个有效途径。f r a n c h i n i e h 懈遗传算法和局 大连理工大学博士学位论文 部搜索算法相结合对降雨径流模型进行参数自动优选，取得了较好的效果。f r a n c h i n i 等【i5 1 以1 1 个参数的c r r m 模型一a d m 模型为例对不同遗传算法的结构、鲁棒性及效 率进行了比较研究，最后得出p a t t e r ns e a r c ho s ) 具有更好的性能。m a r c a 1 6 3 在进行概念 降雨径流模型参数的自动率定时，比较了几种遗传模式的应用效果。武新字等【17 使用 并行算法技术和遗传算法结合，在微机集群环境下利用j a v a 编程，快速稳定地获得了新 安江模型参数，使算法的优选时间缩短。陈炯烽口b 】等应用遗传算法研究了新安江模型日 模拟参数的优选。李娜等【1 9 】提出基于小生境技术的混合加速遗传算法，在广西合浦水库 流域的洪水预报中得到成功应用。江燕等【2 0 , 2 1 将粒子群及改进的粒子群算法应用于新安 江模型参数优选。 为了解决复杂水文模型参数的优选问题，d u a n 等【2 2 】结合了单纯形法、随机搜索和 生物竞争进化等方法的优点，于1 9 9 2 年提出的s c e - u a ( s h u f f l e dc o m p l e xe v o l u t i o n ) 算 法，可以一致、有效、快速地搜索到水文模型参数全局最优解，s c e - u a 算法被认为是 连续型流域水文模型参数优选最有效的方法之一，在流域水文模型参数优选中应用十分 广泛口3 。6 1 。s o r o o s l f i a n 等口卅以d r m s 和h m l e 两个不同的目标函数，采用s c e u a 算 法和m s x ( m u l f i s t a r ts i m p l e x ) 算法分别对n w s r f s 的s a c s m a 模型进行1 0 次独立的参 数优选试验，结果发现s c e u a 算法更有效，收敛速度更快。y a p o 【27 j 等采用s c e u a 算法对概念性降雨径流模型参数率定中率定数据的敏感性进行了分析。k u c z e r a 【驯在水 文模型参数子空间概率优化中，比较了s c e u a 算法、遗传算法、m s x 算法( 分别采用 单纯形和拟牛顿法1 的搜索性能，结果表明，s c e - u a 算法鲁棒性更强，收敛效果更佳， 遗传算法虽然在初始进化阶段具有较快的收敛速度，但是在接近最优解的区域却无法有 效的搜索到该最优解。l u e e 等【2 8 】将s c e u a 算法应用于有道路森林地区产流模型渗透 参数估计。最近，c o o p e r 等【2 9 懈s c e u a 算法结合基于约束的水文过程用于水箱模型 参数率定。g o s w a m i 等【30 】应用s c e - u a 算法率定s m a r ( s o i lm o i s t u r ea c c o u n t i n ga n d r o u t i n g ) 模型参数。 文献3 2 1 研究认为在进行水文模型参数优选时，通过采用单一的目标函数来评价模 型参数的好坏，往往不能恰当地描述由观测资料所反映出来的各种水文特征。y a p o 等【3 ” 在单目标s c e u a 算法的基础上提出了旨在解决多目标全局优化问题的m o c o m ，u a 算法，为水文模型参数优选方法研究开辟了新的途径，吸引了越来越多的水文专家和学 者的研究。y u 等【3 3 】为提高传统的目标函数性能，提出了模糊多目标函数方法，使得该 方法能够适合于产流分布很不均匀的流域。c h e n g 等 3 4 j 采用模糊优选模型构造多目标评 价函数，再利用遗传算法对三水源新安江模型的参数分产流和汇流两部分分别进行了参 数优选。由于在汇流计算前需要对参数进行预处理，调整每个时间间隔的净雨值以减少 水电系统中预报与调度的混合智能方法研究及应用 观测值和模拟值的误差，因此率定过程不能完整的模拟模型的实际情况。c h u g 等在文 献【”】中将产流和汇流过程合并一起，全面考虑参数率定过程中的洪水主要特征指标：洪 峰流量、峰现时间及场次洪水总量，采用理想点法构造多目标问题的g a s 评价函数， 减少了模型模拟结果的误差，有效的提高了场次洪水参数优选的效果。k h u 等 3 6 j 指出参 数优选算法中随着所包含的目标函数的增多，p a r e t o 解及近似p a r e t o 解的数量也随之增 多，参数优选问题变成决策问题，自动优选程序必须从大量的p a r e t o 解中找出一组合适 的模型参数，提出了多目标遗传算法和p a r e t o 偏爱排序相结合的方法。并对d a n i s h 流 域的m i k e l i n a m 模型进行率定，结果表明，该方法可以有效的对大量的p a r e t o 解进 行过滤，从中选择少数偏爱方案。在给出模型参数最优估计的情况下，该方法是十分有 效的。李向阳等”提出了水文模型模糊多目标s c e u a 参数优选方法。 1 2 2 水文模型不确定性研究现状 水文过程具有随机性，这是不争的事实。而且在当前的客观条件下，人们既不能很 准确地取得水文资料，也不可能获得流域内水循环诸要素( 降水、蒸发、截留、下渗、 土壤水、地表及地下径流等) 可靠的时空变化值。因此，对复杂的随机水文过程进行概 化的水文模型必然有很大的不确定性。由于水文模型不确定性的存在，在采用优化率定 算法进行流域水文模型参数优选时，我们总是可以搜索到几组或者很多组不同的参数 值，使得模型的目标函数达到几乎一样的水平，即所谓的异参同效( e q u i f i n a l i 动现象【3 8 4 0 。 这使得我们在最终选择一组最优参数值时具有很大的不确定性，同时也给水文预报产生 的模型输出带来很大的不确定性。近些年来，水文模型参数及水文预报的不确定性问题 在国际上得到了广泛和深入的研究。 g u p