本发明属于水质预测，尤其涉及一种基于svr耦合机理模型的调水工程水质预测方法。
背景技术：
1、水资源短缺和时空分布不均衡是我国水资源开发利用、管理中面临的难题。兴建调水工程，从丰水地区向缺水地区供水是解决这个难题的有效措施。我国大型跨流域调水工程逐渐增多，它们通过改变沿线河湖原有的水文情势，进一步对生态环境和经济社会发展产生影响。水质预测作为调水工程合理制定调水方案的依据以及水质安全保障的重要研究内容，对其进行研究是很有必要的。
2、目前应用于水质预测的研究方法主要是机理模型，但调水工程的调度方案制定需要根据水质预测结果来进行多目标优化，期间会进行多次批量迭代计算，耗时长，效率低，因此机理模型在优化过程中的应用受限较多。而水质机器学习模型的预测速度达到了优化调度计算的要求，被优先采纳，但拟建的调水工程，往往缺乏足够数量的历史水质等监测数据，样本数据库质量较低，导致水质机器学习模型模拟性能不足。因此，对于调水工程，单独的机理模型和机器学习模型都难以进行高效水质预测。
技术实现思路
1、本发明的目的在于提供一种基于svr耦合机理模型的调水工程水质预测方法，以解决上述技术问题。
2、为实现上述目的，本发明提供如下技术方案：
3、本发明公开一种基于svr耦合机理模型的调水工程水质预测方法，所述方法包括以下步骤：
4、步骤1、收集调水工程沿线基础数据：收集整理调水工程沿线基础数据，包括地形数据，沿线水文数据，沿线水质数据，沿线入河排污口、支流、取水口出流数据，闸门构筑物参数；所述沿线水文数据包括沿线水文站的逐日水位、流量数据或水位站的逐日水位数据，所述沿线水质数据包括各水质指标的逐日浓度；
5、步骤2、构建机理水质预测模型：基于所收集的调水工程沿线基础数据，构建调水工程沿线河道机理水质预测模型，包括水动力模块与水质模块，其中，上游水动力边界为水文站处的逐日流量数据，下游水动力边界为水文站或水位站处的逐日水位数据，上游水质边界为各水质指标的逐日浓度，闸门采用流量控制，并考虑模型水量平衡，将入河排污口、支流、取水口出流均作为源汇项；对机理水质预测模型进行率定验证，确定河道糙率和各水质指标的降解系数；
6、步骤3、构建样本数据库：确定调水工程上游流量、取水量、过闸流量、上游水质，进行插值，得到调水可能情景；利用构建的机理水质预测模型进行模拟，提取某断面逐日水质数据并确定水质最终输出结果，与所对应的上游流量、取水量、过闸流量、上游水质一同形成样本数据库；
7、步骤4、构建svr耦合机理模型：svr耦合机理模型的构建包括选择核函数、调用样本数据库、选取优化算法进行参数寻优的步骤，其中选择径向基核函数作为该模型的核函数；调用样本数据库的数据作为训练数据集与验证数据集，将上游流量、取水量、过闸流量、上游水质作为输入特征，将预测的断面水质数据作为输出结果；利用鲸鱼优化算法进行参数寻优，svr耦合机理模型需要输入的超参数包括惩罚系数c、不敏感损失系数ε和核函数参数σ，通过鲸鱼优化算法的迭代更新对所述超参数进行寻优，直至输出最优超参数，并将其代入svr耦合机理模型进行训练建模；
8、步骤5、模型验证：调用样本数据库中验证数据集的输入特征数据，利用训练好的模型进行水质预测，与验证数据集中的输出结果作对比，采用均方误差、确定系数、平均相对误差评估模型性能，验证模型的可靠性，直至模型验证通过；
9、步骤6、调水工程水质预测：将调水工程设计情景的输入特征数据输入验证通过的模型进行水质预测，得到水质预测结果。
10、进一步的是，步骤1中所述地形数据参考《水文年鉴》与《初步设计报告》；所述沿线水文数据参考《水文年鉴》；所述水质指标包括cod、nh3-n，水质监测断面可为国控考核断面；其余数据参考相关治污规划与可行性研究报告。
11、进一步的是，步骤2中所述河道糙率的确定过程为先参照《水力计算手册》中天然河道的糙率表进行初步取值，经过模型的率定和验证，最终得到河道糙率的率定结果；所述各水质指标的降解系数的确定过程为先参照文献中河道的各水质指标的降解系数进行初步取值，经过模型的率定和验证，最终得到沿线河道各水质指标的降解系数的取值。
12、进一步的是，步骤3中所述形成样本数据库的具体过程为：
13、步骤31、根据调水工程设计情景及片区的用水需求，设定机理水质预测模型计算的上游流量范围，调水可能情景中上游流量在此范围内进行线性插值，并覆盖调水方案实施的常规情景，由于调水工程设计情景中调水量为逐旬流量，所以插值后的每种流量值也连续模拟10天，得到逐日流量，取水量取固定值，过闸流量为上游流量与源汇项流量之和，入河排污口和支流不受人为调控，假设在调水工程运行前后不变；
14、步骤32、根据实际历史水质数据中水质的最小浓度及调水水质要求，设定机理水质预测模型计算的上游水质浓度范围，调水可能情景中上游水质浓度在此范围内进行线性插值，覆盖上游水质控制断面的水质浓度；
15、步骤33、根据调水可能情景，机理水质预测模型在相同的水动力条件下，将插值后的水质浓度数据作为上游水质进行模拟；
16、步骤34、当机理水质预测模型计算完成后，输出调水工程沿线某断面的逐日水质数据，选取每种上游调水量到达该断面时对应的水质模拟结果作为水质最终输出结果，与对应的输入特征即上游流量、取水量、过闸流量和上游水质一同作为样本，形成样本数据库。
17、进一步的是，步骤4中所述利用woa进行参数寻优并训练建模的具体过程为：
18、步骤41、调用样本数据库：任选样本数据库中80％组数据为训练数据集，20％组数据为验证数据集，并将数据进行归一化处理；
19、步骤42、初始化woa参数：设定woa中种群数量、最大迭代次数、维度、待寻优参数的上边界和下边界；
20、步骤43、初始化鲸鱼位置及寻找当前全局最优位置：初始化种群中每头鲸鱼的位置，计算每个鲸鱼个体的适应度值，并比较大小，选取最小的适应度值对应的鲸鱼位置作为当前种群中的最优位置，并保存其对应的位置向量，即参数组合(c,ε,σ)；
21、步骤44、迭代及寻找当前全局最优位置：进行下次迭代，利用woa的螺旋更新、收缩包围与随机搜索机制更新鲸鱼位置，并判断其位置是否位于边界范围内，若超出则随机生成新的位置；将更新后的鲸鱼位置带入进行适应度计算，将计算结果与其它迭代的最优位置的适应度值进行比较，选择最小适应度值对应的鲸鱼位置作为当前全局最优位置；
22、步骤45、判断是否达到最大迭代次数：若达到最大迭代次数，则停止迭代，输出此时的鲸鱼位置和对应的参数组合(c,ε,σ)，即为全局最优位置和参数组合；否则，迭代次数加1并跳转执行步骤44更新最优位置直到满足条件为止；
23、步骤46、训练建模：将woa输出的最优超参数带入模型进行训练建模。
24、进一步的是，所述适应度值的计算过程为：在参数寻优过程中计算预测结果与训练数据集中输出结果对比的确定系数，将1减去确定系数的值作为鲸鱼优化算法中的适应度值。
25、进一步的是，步骤5中所述模型验证过程中，若验证未通过，则返回步骤42，增大种群数量、最大迭代次数，若验证依然未通过，则返回步骤3，加大上游流量与水质浓度的插值密度，重新插值，直至模型验证通过。
26、本发明的有益效果是：本发明所述方法在已有相关水文、水质等信息的基础上，构建机理水质预测模型，并利用其模拟调水可能情景下的河道水质响应过程，以此构建样本数据库，进而构建svr耦合机理模型预测水质，本发明所述方法同时考虑了水质和流量影响，能够快速且准确的实现调水工程沿线河道的水质预测，耗时短、效率高，有效解决了由于样本数据不足导致预测性能较差的问题，实用性强，为合理制定调水方案提供科学依据。
27、下面结合附图及具体实施方式对本发明作进一步详细说明。
1.一种基于svr耦合机理模型的调水工程水质预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于svr耦合机理模型的调水工程水质预测方法，其特征在于，步骤1中所述地形数据参考《水文年鉴》与《初步设计报告》；所述沿线水文数据参考《水文年鉴》；所述水质指标包括cod、nh3-n，水质监测断面可为国控考核断面；其余数据参考相关治污规划与可行性研究报告。
3.根据权利要求1所述的一种基于svr耦合机理模型的调水工程水质预测方法，其特征在于，步骤2中所述河道糙率的确定过程为先参照《水力计算手册》中天然河道的糙率表进行初步取值，经过模型的率定和验证，最终得到河道糙率的率定结果；所述各水质指标的降解系数的确定过程为先参照文献中河道的各水质指标的降解系数进行初步取值，经过模型的率定和验证，最终得到沿线河道各水质指标的降解系数的取值。
4.根据权利要求1所述的一种基于svr耦合机理模型的调水工程水质预测方法，其特征在于，步骤3中所述形成样本数据库的具体过程为：
5.根据权利要求1所述的一种基于svr耦合机理模型的调水工程水质预测方法，其特征在于，步骤4中所述利用woa进行参数寻优并训练建模的具体过程为：
6.根据权利要求5所述的一种基于svr耦合机理模型的调水工程水质预测方法，其特征在于，所述适应度值的计算过程为：在参数寻优过程中计算预测结果与训练数据集中输出结果对比的确定系数，将1减去确定系数的值作为鲸鱼优化算法中的适应度值。
7.根据权利要求1所述的一种基于svr耦合机理模型的调水工程水质预测方法，其特征在于，步骤5中所述模型验证过程中，若验证未通过，则返回步骤42，增大种群数量、最大迭代次数，若验证依然未通过，则返回步骤3，加大上游流量与水质浓度的插值密度，重新插值，直至模型验证通过。
