基于不同算法的SWMM模型参数率定与应用.pdf

DOI:1016616/jcnki10-1326/TV20230813基于不同算法的 SWMM 模型参数率定与应用朱鹏斌(邢台襄禹水利勘测设计有限公司,河北 邢台 054000)【摘 要】由于 SWMM 模型精度在一定程度上取决于参数率定的过程,为降低人工率定方法的不确定性,本文基于 BP 神经网络模型,采用 T 分布优化的麻雀搜索算法改进 BP 模型,构建出 TSSA-BP 模型用于 SWMM 模型参数率定中,将率定后的 SWMM 模型与其余率定方法进行了对比,并应用于城市雨洪模拟中。结果表明:经 TSSA-BP 模型率定的 SWMM 模型在所有率定方法中精度最高,模拟的径流与污染物浓度变化趋势与实测值的一致性最高,可将该模型与 SWMM 模型共同使用。【关键词】SWMM 模型;T 分布;麻雀搜索算法;BP 神经网络模型;城市雨洪中图分类号:TV122 文献标志码:B 文章编号:2096-0131(2023)08-072-04Calibration and Application of SWMM Model Parameters Based onDifferent AlgorithmsZHU Pengbin(Xingtai Xiangyu Water Conservancy Survey and Design Co,Ltd,Xingtai 054000,China)收稿日期:2023-01-05网络首发地址:http:/ to the accuracy of the SWMM model being influenced by the calibration process of its parameters,this paperaims to reduce the uncertainty associated with manual calibration methods.In this paper,the BP(Backpropagation)neuralnetwork model is improved by incorporating the T-distribution optimized sparrow search algorithm(TSSA)to create theTSSA-BP model for parameter calibration in the SWMM model.The calibrated SWMM model using the TSSA-BP model iscompared with other calibration methods and applied to urban stormwater simulation.The results demonstrate that theSWMM model calibrated using the TSSA-BP model exhibits the highest accuracy among all calibration methods.Thesimulated runoff and pollutant concentration variations show the highest consistency with the measured values.Therefore,the TSSA-BP model can be used in conjunction with the SWMM model for improved performance in urban stormwatermodeling.Key words:SWMM model;T-distribution;sparrow search algorithm;BP neural network model;urban storm 近年来,随着国内经济的发展,我国城镇化率越来越高,截至 2019 年,我国城镇化率已超过了 61%。城镇化的建设形成了排水管道和不透水地面的常态化,使区域径流增量得到了增加,在一定程度上增加了城27市发生内涝的风险1-2。城市内涝的频繁发生,极大影响了居民生命和财产安全。为降低城市内涝发生的频率,国外学者于 2015 年首次提出了低影响开发 LID 理念3,强调了在城市建设过程中需重点关注对区域径流的分散和吸收。该理念的提出对增加城市蓄洪防涝能力有着十分重要的意义。暴雨径流管理模型(SWMM)4是一种应用于城市雨水管理和 LID 措施实施的重要模型,目前在城市内涝研究中已取得了一定的进展。陈曦等5基于 SWMM模型对区域市政道路的径流量和水质情况进行了分析,研究得出了不同水质指标随着降雨历时的变化规律,指出了区域水质指标的削减情况不明显;吕金燕等6基于 SWMM 模型对城市的排水能力和内涝风险进行了评估,研究表明内涝中、高风险区主要集中在城乡接合部的中下游地区;王建富等7、王昊等8均证明了 SWMM 模型的科学性。由于 SWMM 模型涉及的参数较多,参数取值的准确性将直接影响 SWMM 模型的运行效率。常用的参数率定方法主要包括人工试错法和模型率定法,人工试错法耗时长、精度低,无法快速实现模型参数的确定。目前,遗传算法9、GLUE 法10等已用于 SWMM模型参数率定中,但这些算法由于 SWMM 模型特有的线性结构,导致无法发挥算法功效,影响率定效率。BP 神经网络模型是一种具备反馈功能的机器学习算法,该模型可有效提高参数率定的速率,但传统的 BP模型易产生局部极值,限制了模型的适用性11-12。为找到 SWMM 模型参数快速率定的方法,本文基于优化的 BP 神经网络模型,采用 Matlab 软件进行数据处理,并将率定后的模型应用于实际区域雨洪模拟中。1 研究方法1 1 研究区域概况研究区域选择河北中欧绿色产业园,产业园地属温带大陆季风气候区,借助产业园平面图,结合研究区域下垫面基本情况,将区域划分为 27 个汇水区,基本情况见图 1。图 1 研究区域汇水区概况1 2 SWMM 模型相关参数SWMM 模型是由美国开发的暴雨洪水管理模型,该模型主要包括了降雨模型、产流模型和汇流模型三大部分。为实现 SWMM 模型与机器学习模型的混合调用,将 SWMM 与 Matlab 程序相结合,实现对 SWMM模型参数的自动率定。SWMM 模型需率定的参数及含义见表 113。表 1 SWMM 模型参数及取值范围序号参 数含 义取值范围1Imax/(mm/h)最大入渗率20 1202Imin/(mm/h)最小入渗率0 103N-P透水区曼宁系数0 05 0 44N-Imp不透水区曼宁系数0 01 0 055S-P/mm透水区蓄水深度5 156S-Imp/mm不透水区蓄水深度1 57Z-Imp/%区域不渗透性10 358D/h-1衰减系数2 71 3 优化 BP 神经网络模型构建麻雀搜索算法(SSA)14基于麻雀觅食为原理,将训练种群分为发现者、加入者和警戒者三大类。但传37朱鹏斌/基于不同算法的 SWMM 模型参数率定与应用 统的 SSA 算法易陷入局部最优解中,因此需增加种群的多样性。在传统 SSA 算法中引入 T 分布,在算法迭代寻优过程中,利用自适应 T 分布追寻发现者、加入者和警戒者的位置,增加种群多样性,改进 SSA 算法优化BP 模型(TSSA-BP)的具体步骤如下:a 对发现者、加入者和警戒者的位置进行初始化处理,计算个体适应度值并排序。b 对发现者、加入者和警戒者进行更新。c 当种群个数小于输出值个数时,引入 T 分布进行种群变异处理。d 重新计算个体适应度值,并更新位置。e 如果达到最大迭代次数,则输出结果;反之,则重新计算。本文采用霍顿下渗模型对降雨径流进行模拟,选择区域实测降雨径流数据作为模型输入值。实测降雨数据采用产业园雨量筒测定,径流数据在区域排水出口处测得。将 TSSA-BP 模型应用于 SWMM 模型参数率定中,为证明率定后的 SWMM 模型的精度,将本模型计算结果与 SSA-BP 模型、粒子群优化 BP 模型(PSO-BP)、遗传算法优化 BP 模型(GA-BP)、BP 模型和人工率定等 5 种方法率定后的 SWMM 模型精度进行对比,得出 SWMM 模型参数率定的最优方法。2 结果与分析2 1 参数率定结果利用区域实测降雨径流数据,经不同模型的映射关系得出的最终 SWMM 模型的参数结果见表 2。在表2 中可以看出,不同机器学习模型的参数率定结果有所差异,但较人工率定方法而言,差距较小,人工率定方法无法获得较精确的参数数值。表 2 不同模型率定的 SWMM 模型参数结果序号参 数TSSA-BPSSA-BPPSO-BPGA-BPBP人工率定1Imax/(mm/h)71 238773 487572 362474 268774 8958762Imin/(mm/h)11 996312 134813 145713 214513 4587153N-P0 23740 31240 28470 32640 33470 44N-Imp0 02750 02970 03160 04870 05240 055S-P/mm10 132510 244510 084910 265710 9856156S-Imp/mm4 06484 12684 24344 32754 405657Z-Imp/%18 399619 337221 345122 264621 9856308D/h-14 53874 68364 62384 72654 763462 2 模型验证将参数率定后的 SWMM 模型应用于城市雨洪模拟中,模拟出的径流变化趋势见图2。在图2 中可以看出,不同参数率定方法率定后的 SWMM 模型模拟的径流结果变化趋势总体一致,不同模拟结果的径流峰值均发生在降雨峰值之后的 15min 左右,其中 TSSA-BP模型率定下的模拟结果与实测径流的变化趋势最为接近,其次为 SSA-BP 模型。传统的 BP 模型和人工率定方法虽可模拟出径流,但变化趋势与实测值差距较大,无法满足精度要求。图 2 不同重现期不同率定方法降雨径流变化趋势47 为进一步验证不同率定方法的精度,以相对均方根误差 RRMSE、相对误差 RE、决定系数 R2和纳什系数 NS 共同组成精度指标评价体系,评价不同模型模拟结果的精度。不同模型模拟径流的精度对比见图 3。在图 3 中可以看出,在不同重现期下,TSSA-BP 模型率定后的 SWMM 模型均表现出了较高的精度,该模型在两种重现期下的 RRMSE 分别为 2 87%和 3 14%、2 72%和 3 15%,RE 分别为 3 46%和 3 60%、3 36%和 2 88%,R2分别为 0 974 和 0 972、0 984 和 0 982,NS 分别为 0 974 和 0 974、0 942 和 0 962。优化后的BP 模型率定效果明显优于 BP 模型和人工率定方法。12RRMSE/%0510152025TSSA-BP SSA-BP PSO-BP GA-BP BP 12RE/%024681012141618TSSA-BP SSA-BP PSO-BP GA-BP BP 12R200.20.40.60.81.01.2TSSA-BP SSA-BP PSO-BP GA-BP BP 12NS00.20.40.60.81.01.2TSSA-BP SSA-BP PSO-BP GA-BP BP 图 3 不同重现期不同率定方法 SWMM 模型模拟径流精度指标对比3 结 语本文基于 T 分布优化的 SSA 算法改进 BP 模型,构建出 TSSA-BP 模型用于 SWMM 模型参数率定中,将率定后的模型应用于城市雨洪径流模拟中,取得了较高的模拟结果,率定后的 SWMM 模型模拟的径流随时间的变化趋势与实测值最为接近,同时与实测值的RRMSE 和 RE 均在 3 6%以下,R2和 NS 均在 0 9 以上,表明经 TSSA-BP 模型率定后的 SWMM 模型可行性和稳定性较高,可为今后 SWMM 模型的进一步应用提供依据。参考文献1 田子阳,褚俊英,周祖昊,等.基于 GIS 和 SWMM 模型的城市内涝水文规律分析J.人民黄河,2022,44(10):18-24,30.2张建,和鹏飞,李琼芳,等.基于 SWMM-CA 耦合模型的镇江市内涝数值模拟J.水利规划与设计,2022(9):46-49,147.(下转第 80 页)57朱鹏斌/基于不同算法的 SWMM 模型参数率定与应用 表10 大浪淀水库各种分析水位重现期统计序号分析水位/m重现期/年19 593 429 324 539 563 449 008 959 473 4 从理论频率曲线图上分析得出的各重现期对应水位见表11。表11 理论频率曲线重现期对应水位统计重现期/年3 334510水位/m9 949 809 649 235 结 语上述5 个分析水位均在理论允许范围之内,但是9 56m 与理论值最为接近,重现期约为 5 6 年,符合实际情况,故旱限水位初步确定为9 56m。旱限水位的确定对于区域抗旱工作及引调水工作意义明显。随着大浪淀水库运行年限的增加,以及引水水源的变化等,旱限水位可能会随着各因素的变化而发生变化,因此需动态调整旱限水位。参考文献1 彭少明,王煜,张永永,等.多年调节水库旱限水位优化控制研究J.水利学报,2016,47(4):552-559.2 齐润利,韩明海,崔跃强.陆浑水库旱限水位技术方案的分析与计算J.人民珠江,2014,35(5):123-127.3 胡丽丽.大浪淀水库水质现状评价及污染分析J.中国水能及电气化,2018(7):59-60.4 胡丽丽,王玉智.大浪淀水库水质营养状态评价及影响因素分析J.河北工程技术高等专科学校学报,2014(4):12-15.5 李晓亮.PDS2000 和 ARCGIS 在大浪淀水库测量数据处理中的应用J.河北水利,2017(3):44.6 哈建强.大浪淀水库沙量平衡分析初探J.水利科技与经济,2013,19(11):62-63.7 武中强,魏建明,王立君,等.大浪淀水库多参数水质在线监测系统分析研究J.地下水,2013,35(5):107-109.8 刘兰芳,李红霞,李韧,等.大浪淀水库周边浅层地下水动态分析及调控措施J.海河水利,2012(3):39-40.(上接第75 页)3 BAEK S S,CHOI D H,JUNG J W,et al.Optimizing low impactdevelopment(LID)for stormwater runoff treatment in UrbanArea,Korea:experimental and modeling approachJ.Waterresearch,2015,86:122-131.4 TUOMELA C,SILLANPAA N,KOIVUSALO H,et al.Assessment of stormwater pollutant loads and source areacontributions with storm water management model(SWMM)J.Journal of environmental management,2019,233:719-727.5 陈曦,熊鸿斌,杜浩强,等.基于 SWMM 的某市政道路降雨径流和水质分析J.合肥工业大学学报(自然科学版),2022,45(7):967-973.6 吕金燕,沈旭,赵梦阳.基于 SWMM 模型的城市排水能力与内涝风险评估J.市政技术,2022,40(7):237-241.7 王建富,郭豪,秦祎,等.基于 SWMM 模型的排水分区参数率定 以迁安市为例J.净水技术,2022,41(5):122-130.8 王昊,王蒙蒙,雷天,等.大型会展建筑雨水管网 SWMM 模型设计应用研究J.建筑科学,2022,38(5):187-195.9 马彦斌,盛旺,李江云,等.基于遗传算法的 SWMM 模型参数率定研究J.中国农村水利水电,2020(7):46-49,53.10 张质明,王晓燕,于洋,等.基于 GLUE 法的多指标水质模型参数率定方法J.环境科学学报,2014,34(7):1853-1861.11 袁绍春,李迪,陈垚,等.基于 BP 神经网络算法的 SWMM 参数自动率定方法J.中国给水排水,2021,37(21):125-130.12 杨佳琦,郭建斌,汤明华,等.基于遗传算法优化 BP 神经网络的石漠化区土壤水分动态预测模型J.中国水土保持科学(中英文),2022,20(3):109-118.13 陈垚,何智伟,张琦,等.基于水文控制目标的中小尺度海绵城市改造方案评价J.水资源保护,2019,35(6):1-8,144.14XUE J,SHEN B.A novel swarm intelligence optimizationapproach:sparrow search algorithm J.Systems science&control engineering,2020,8(1):22-34.08