本发明公开了一种基于BP神经网络的SWMM模型参数自率定方法,包括以下步骤:S1:建立研究区域的降雨径流模型;S2:确定待率定参数组和取值范围,同时抽样生成参数取值序列;S3:将参数序列导入模型并驱动运行出模拟结果;S4:提取出模拟结果作为输入变量,S2中的参数取值序列作为目标变量;S5:建立BP神经网络进行训练优化,使模型满足误差在置信区间的要求;S6:选取监测点实测水深数据输入S5中训练的网络进行仿真,得到自动率定参数,实现参数自率定。本发明克服了人工试错法参数率定主观因素的影响,并且相对于遗传算法参数率定步骤更为简单快捷,能够更精确、有效、快捷的完成参数率定过程,且NS值大于0.85。
1.一种基于BP神经网络的SWMM模型参数自率定方法,其特征在于,包括以下步骤:S1:根据SWMM模型建模的基本要求,获取研究区域建模所需的基本数据,输入数据并建立降雨径流模型;S2:确定待率定参数组和取值范围,同时抽样生成参数取值序列;S3:使用python程序编程将参数序列导入SWMM模型中,并驱动运行,得出模拟结果;S4:使用python程序提取出模拟结果,即监测点水深数据作为输入变量,S2中的参数取值序列作为目标变量,以这两种数据作为BP神经网络训练样本;S5:建立BP神经网络,使用S4中监测点水深数据和参数取值序列作为BP神经网络的输入变量和目标变量进行训练优化,在训练过程中不断调试模型的训练数据、验证数据和测试数据的比例,隐含层神经元和延迟值的个数,使模型满足误差在置信区间的要求;S6:选取监测点实测水深数据输入S5中训练的网络,利用matlab中的神经网络仿真函数进行仿真,得到自动率定参数,实现参数自率定;S2步骤中,确定待率定参数组包括:参数渗透性粗糙系数、不渗透性粗糙系数、渗透性洼地蓄水、不渗透性洼地蓄水、无洼地蓄水不渗透性、最大入渗率、最小入渗率和衰减系数8个;并根据SWMM模型手册确定其取值范围;S5步骤中,具体训练过程包括以下步骤:S5.1 模型交叉验证,在模型中选择训练数据、验证数据和测试数据的百分比,再根据模型训练结果的好坏对百分比进行调节;S5.2 调整模型结构,根据以往使用神经网络经验值对神经网络神经元个数进行设置;S5.3进行神经网络训练,获得训练结果判断是否满足要求,使模型满足误差在置信区间的要求。
本文链接:http://www.vipzhuanli.com/tech/sell/s_2311435.html,转载请声明来源钻瓜专利网。