智慧型抽水站排水系統水位預報及操作策略整合模式

智慧型抽水站排水系統水位預報
及操作策略整合模式
Fi-John Chang, Ying-Ray Lu
Department of Bioenvironmental System Engineering, National Taiwan University, Taipei, Taiwan, ROC
11國立臺灣大學生物環境系統工程學系 Department of Bioenvironmental Systems Engineering, National Taiwan University
呂英睿
國立臺灣大學生物環境系統工程學研究所碩士班
指導教授：張斐章博士

(六) 結論建議(五) 操作模式(四) 水位預報(三) 理論概述(二) 文獻回顧(一) 緒論
論文大綱
2
Department of Bioenvironmental Systems Engineering, National Taiwan University
緒
論
文
獻
回
顧
理
論
概
述
水
位
預
報
操
作
模
式
結
論
建
議

研究動機
3
達第一次警戒
達第一次警戒
達第一次警戒
達第一次警戒
達第一次警戒
達第一次警戒
達第一次警戒
達第一次警戒
都市發展
氣候變遷造成極端氣候致各地常發生洪水氾濫。
使不透水面積增加，降雨集流時間縮短。
→ 為防範水患，水資源管理及防洪抽水站控管非常重要！

研究目的
4
水位雨量操作
紀錄資料
蒐集與整合
人工智慧
網路系統
應用
抽水站水位操
作策略模式
建置
智慧型抽水站排水系統
水位預報及操作策略整合模式
玉成抽水站
抽水站前池
內水位之
還原工作

中港
抽水站
玉成
抽水站
中港
抽水站
文獻回顧
5
李翁碩(2007)
• 研究第一部分應用
BPNN架構中港三多時
刻的水位預報模式，分
別探討不同輸入項所得
到結果討論。第二部分
則現有及修正後抽水機
組操作規線以歷史資料
計算之入流量模擬操作，
結果顯示中港抽水站內
抽水機組操作規線有改
善空間。
張凱堯(2009)
• 以BPNN建立雨水下水
道水位預測模式，經測
試不同時距輸入資料格
式之多階段水位預測模
式，建立預測準確性極
高之雨水下水道水位預
測模式。
• 其次則以 CFNN ANFIS
建立防洪抽水站即時操
作指引模式，研究結果
顯示，以ANFIS更能精
確掌握未來時刻抽水機
組操作需求。
黃建霖(2012)
• 運用兩種操作模式，一
種以歷史操作記錄建構
抽水機組即時操作預測
模式ANFIS-HR，另一種
以禁忌演算法搜尋最佳
即時操作方式ANFIS-
OPT，由最高內水位、
最終水位至標的水位差、
總開關次數比較，應用
禁忌演算法於優選抽水
機組最佳操作結果較於
歷史操作紀錄優異。

研究架構
6
Rainfall data
(6站+1徐昇氏平均)
Water level data
(內、外水位)
Operation record
(抽水機組、重力閘門)
Gamma Test
(GT)
Static ANN
(BPNN)
AutoRegressive Model
(AR3 Model)
水位雨量稽延關係
Dynamic ANNs
(Elman NN, NARX)
篩選重要雨量因子
FSP Water Level Forecasting Models
(內水位預報模式)
River Water Level Forecasting Models
(外水位預報模式)
Performance Indicators
(RMSE, CC, CE, EWLp, ETp)
Forecasted Water Levels
(預報內、外水位)
選擇最佳模式
Correlation Analysis
(相關性分析)
Hydrograph Analysis
(歷程分析)
Correlation Analysis
(相關性分析)
篩選重要因子
(預報水位, 抽水機組, 重力閘門)
Real-time Water Level Forecasting
Models & MSA Operating Strategy
即時水位預報 & 多時刻抽水機組操作策略
整合模式
ANFIS
MSA Operating Strategy Models
(多時刻抽水機組操作策略模式)
Performance Indicators
(RMSE, MAE, CC, CE, Accuracy)

1
n
1
1
2
3
4
1
1
n
1
1
2
3
4
n
靜態與動態類神經網路(BP,ELM,NARX)
7
加強模擬水文時變性
 Elman Neural Network (Elman NN)
 Back-Propagation Neural Network (BPNN)
1
1
n
1
1
2
3
4
n
←
 The nonlinear autoregressive network with
exogenous inputs (NARX)
輸入層隱藏層輸出層回饋項
靜
態
動
態
輸入向量包含本身之稽
延項，以及由網路隱藏
權重回饋之稽延項。
輸入向量包含本身之稽
延項，以及由網路輸出
回饋之稽延項。
輸入向量僅為本身之稽
延項。

If-then規則對於人類知識與推論過程進
行定性描述與分析，但卻缺乏準確之
定量分析與數值校正。
調適性網路模糊推論系統(ANFIS)
8
A1
A2
B1
B2
C1
C2
N
N
N
N
…
∑
輸入層規則層正規化層結論推論層輸出層
…
x1
x2
x3
y
x1 x2 x3
x1 x2 x3
∏
∏
∏
∏
∏
∏
∏
∏
操作機組數
預報內水位
預報外水位
0 2 4 6 8 10 12
0
0.2
0.4
0.6
0.8
1
X:0.9778
Y:0.9999 Pump(t)
Numbersofrunningpumps
X:4.033
Y:0.9999
1 2 3 4 5 6 7 8
0
0.2
0.4
0.6
0.8
1
X:2.769
Y:0.9999 WLout(t+1)
Waterlevel(m)
DegreeofMembership
X:4.296
Y:1
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
0
0.2
0.4
0.6
0.8
1
X:2.1
Y:1 WLin(t+1)
Waterlevel(m)
X:2.361
Y:1
推估未來
操作機組數
模糊推論系統為網路模式基礎類神經網路自我組織之特性
無法處理定性之知識與邏輯推論過程，卻具
有極佳之自我學習與組織能力，其調整能力
正可用來調整模糊系統之結構與參數。
結合兩種演算法以充分發揮模式對於系統不確定性與不精確性之處理能力，
透過ANFIS學習與自我調適之功能進而求得參數最佳解。

研究區域
9
舊站
水位昇高至EL2.2m 啟動第一台機組
水位昇高至EL2.3m 啟動第二台機組
水位昇高至EL2.4m 啟動第三台機組
水位昇高至EL2.5m 啟動第四、五台機組
水位昇高至EL2.6m 啟動第六、七台機組
擴建站
水位昇高至EL2.6m 啟動第一台機組
水位昇高至EL2.7m 啟動第二台機組
水位昇高至EL2.8m 啟動第三台機組
水位昇高至EL2.9m 啟動第四台機組
水位EL<2.4m 自然重力流
水位昇高至EL2.4m 關閉閘門1
 玉成抽水站位於臺北市東側
 集水總面積計1627.4公頃
 警戒水位1.8m，起抽水位2.2m
 舊站裝置總計7部26.3cms抽水機組，
抽水量共計184.1cms
 增設4部12.5cms抽水機組，抽水量總
計50cms
臺北市玉成抽水站
操作
規則

蒐集資料
10
編號年份颱風豪雨名稱警報期間近臺強度
1 2013 511豪雨 05/11～05/12 -
2 2012 蘇拉 07/30～08/03 中度
3 2012 612豪雨 06/11～06/13 -
4 2010 梅姬 10/21～10/23 中度
5 2009 芭瑪 10/03～10/06 中度
6 2008 薔蜜 09/26～09/30 強烈
7 2008 辛樂克 09/11～09/16 強烈
8 2006 910豪雨 09/10～09/13 -
9 2005 泰利 08/30～09/01 強烈
10 2005 海棠 07/16～07/20 強烈
11 2004 南瑪都 12/03～12/04 中度
12 2004 納坦 10/23～10/26 中度
13 2004 海馬 09/11～09/13 輕度
*玉成抽水站集水區雨量站徐昇式控制權重一覽表
經辦單位站名面積(km2) 權重(%)
中央氣象局信義 4.33 26.62
中央氣象局南港 0.48 2.94
臺北市政府三興國小 2.45 15.07
臺北市政府市政中心 2.53 15.55
臺北市政府玉成 2.02 12.42
臺北市政府瑠公國中 4.46 27.40
總計 16.27 100.00
瑠
• 抽水站：內外水位、操作紀錄
• 雨量站：6站雨量站之雨量、徐昇氏平均雨量*。
2004至2013年13場颱風暴雨事件

還原內水位
11
額定抽水量推估法
以抽水機組之啟動台數乘以額定抽水量推算
抽水量，配合前池之面積計算反推其上升量，
將抽水站內水位歷線還原，再進一步分析歷
線還原後之相關性結果。
雨水下水道抽水面積
(m2)
抽水站前池面積
(m2)
內水位影響面積
(m2)
163,008 1,650 164,658
台數額定抽水量(cms/台) 影響水位(m/10min/台)
舊站 7 26.3 0.096
擴建站 4 12.5 0.046
機組性能曲線推估法
推估抽水站實際前池面積
計算啟動抽水機抽水之影響水位
統計各時刻之對應抽水機啟動總數

還原內水位方法比較
12
500 1000 1500 2000 2500
0
1
2
3
4
5
6
Waterlevel(m)
Time Step (10min)
還原內水位 (性能曲線抽水量 )
還原內水位 (額定抽水量 )
0 1 2 3 4 5 6 7
0
1
2
3
4
5
6
7
還原內水位－額定抽水量(m)
還原內水位－性能曲線抽水量 (m)
• 兩者推估於內水位3m以下較相同，3m以上隨
水位遞增，散布情況向45度線下偏，其高估
值最高約0.4m。
• 玉成抽水站操作規則適用於內水位2.2m至
2.9m，內水位3m以上影響操作甚少。
兩種方法在於整段歷線表現趨近重合，
而「機組性能曲線推估法」於尖峰水位
處有稍微高估之情況。

0 50 100 150 200 250 300 350
0
2
4
6
8
10
12
Time Step (10min)
2004.09.11 海馬颱風
實際台數
理論台數 (未還原 )
理論台數 (還原 )
實際及理論機組操作比較之歷程圖
13
0 20 40 60 80 100 120 140
0
2
4
6
8
10
12
Time Step (10min)
2004.10.23 納坦颱風
實際台數
理論台數 (未還原 )
理論台數 (還原 )
理論台數(未還原) 理論台數(還原)
實際台數 0.54 0.80
紅色線(還原)較於綠色線(未還原)更貼近於藍色線(實際)，且相關性高。
理論台數(還原與未還原)vs實際台數相關性

雨量vs水位之相關性分析
14
0 10 20 30 40 50 60 70
0.2
0.25
0.3
0.35
0.4
Time Step Difference (min)
CorrelationCoefficient
平均雨量
三興國小
市政中心
玉成
信義
公國中
南港
稽延
時刻
外水位
t 1.00
t-1 0.99
t-2 0.99
t-3 0.99
t-4 0.99
t-5 0.98
t-6 0.97
t-7 0.96
t-8 0.95
t-9 0.94
t-10 0.92
單時刻雨量與玉成外水位之相關性分析玉成外水位之自相關性分析

15
稽延
時刻
平均
雨量
三興
國小
市政
中心
玉成信義
瑠公
國中
南港
t 0.44 0.40 0.40 0.30 0.40 0.37 0.50
t-1 0.51 0.47 0.47 0.35 0.47 0.44 0.55
t-2 0.58 0.54 0.54 0.38 0.53 0.51 0.60
t-3 0.63 0.58 0.58 0.40 0.58 0.56 0.64
t-4 0.64 0.59 0.59 0.42 0.60 0.57 0.66
t-5 0.63 0.57 0.57 0.42 0.60 0.56 0.66
t-6 0.62 0.56 0.56 0.41 0.59 0.55 0.66
t-7 0.61 0.55 0.55 0.41 0.58 0.55 0.64
累積
時距
平均
雨量
三興
國小
市政
中心
玉成信義
瑠公
國中
南港
10分鐘 0.44 0.40 0.40 0.30 0.40 0.37 0.50
20分鐘 0.48 0.45 0.45 0.35 0.44 0.42 0.54
30分鐘 0.53 0.49 0.50 0.40 0.49 0.47 0.59
40分鐘 0.57 0.54 0.54 0.44 0.53 0.52 0.63
50分鐘 0.61 0.58 0.58 0.47 0.57 0.55 0.67
60分鐘 0.64 0.60 0.61 0.49 0.60 0.58 0.70
70分鐘 0.66 0.62 0.63 0.51 0.62 0.61 0.73
單時刻雨量與玉成還原內水位之相關性分析
累積雨量與玉成還原內水位之相關性分析

雨量vs水位之歷程分析
16
0.00
0.50
1.00
1.50
2.00
2.50
3.00
3.50
4.00
4.50
5.00
0
10
20
30
40
50
60
70
80
90
100
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43
Waterlevel(m)
Rainfall(mm)
Time (10min)
612 豪雨
• 篩選適當之雨量資訊作輸入因子─累積雨量選擇
單時刻雨量 vs 累積雨量與水位關係(水文歷線) 累積雨量可直接描述出
水位歷線變動的趨勢，
符合與相關性分析表現
較佳之結果
探討水位達尖峰之時刻
，因累積雨量為將前時
刻之雨量作累計，尖峰
時刻雨量也因累積之時
數將累積雨量之尖峰時
刻向後延，造成隨累積
時刻增加導致降雨和水
位尖峰時刻間的延遲現
象

0 10 20 30 40 50 60 70
0.3
0.35
0.4
0.45
0.5
0.55
0.6
0.65
Time Step Difference (min)
CorrelationCoefficient
平均雨量
三興國小
市政中心
玉成
信義
公國中
南港
17
瑠
• 篩選適當之雨量資訊作輸入因子─稽延時間選擇
稽延時間
4 0 分鐘有
最佳相關性，
則後續將以
前40分鐘之
單時刻雨量
R(t-4)作為
輸入因子。

Gamma Test(GT)
• 此方法在一定輸入因子個數下，評估所有可能輸入組合產生之雜訊估計值，進而有效率
地選擇產生雜訊最小的最佳輸入因子組合作為後續模式之輸入項。
18
100%
67%
57%
44%
25%
0%
-80%
-1.00
-0.75
-0.50
-0.25
0.00
0.25
0.50
0.75
1.00
0
2
4
6
8
10
12
南港信義瑠公國中三興國小市政中心玉成平均雨量
優選分數
出現次數
選擇南港、信義、瑠公國中(3站雨量站)作為模式輸入雨量。
前10%(前13名)Gamma出現次數 90%後(倒數13名)Gamma出現次數優選分數= 1-(90%後/前10%)
選擇6站雨量站、徐昇氏平均雨量，排列總數為27-1=127

年份事件階段
資料
筆數
徐昇氏
平均雨量
還原
內水位
外水位揚程
最大值最大值平均值標準差最大值平均值標準差最大值平均值標準差
2004 海馬
訓練 1490
15.3 5.7 2.6 0.9 7.5 4.2 1.8 5.3 1.8 1.5
2004 南瑪都 8.4 3.1 2.3 0.3 4.7 3.3 0.8 2.8 1.3 0.8
2008 辛樂克 8.0 3.0 2.3 0.2 5.3 3.7 1.0 3.5 1.7 1.0
2009 芭瑪 3.4 2.4 2.1 0.1 3.5 2.6 0.5 1.5 0.6 0.5
2010 梅姬 4.2 2.4 2.1 0.1 5.7 3.3 1.0 3.7 1.3 1.0
2013 511 6.6 2.6 2.1 0.3 2.8 2.3 0.4 0.9 0.4 0.4
2004 納坦
驗證 600
11.0 3.7 2.3 0.5 7.2 4.0 1.8 5.2 1.9 1.8
2008 薔蜜 10.1 3.0 2.2 0.2 5.2 3.2 1.0 3.2 1.2 1.0
2012 蘇拉 5.9 2.9 2.1 0.2 6.3 3.5 1.3 4.4 1.6 1.3
2005 海棠
測試 685
5.5 2.8 2.1 0.2 3.9 2.6 0.7 2.1 0.6 0.7
2005 泰利 7.0 2.7 2.2 0.2 4.6 3.2 0.9 2.6 1.1 1.0
2006 910 4.9 2.6 2.1 0.2 5.1 3.1 1.1 3.2 1.1 1.1
2012 612 12.3 4.6 2.4 0.6 5.5 3.5 1.1 3.3 1.4 1.0
預報模式─事件之篩選
19

預報模式建置-內水位
20
Pumps
WL(t)
Pumping
Station
River
Rainfall
前池
WL(t+N) 玉成內水位
玉成內水位 WL(t)
南港雨量 R1(t+N-4)
信義雨量 R2(t+N-4)
瑠公國中雨量 R3(t+N-4)
類神經網路
ANN Models
Modeling
稽延時間
40分鐘
推估未來第 N 時刻
類神經網路(BPNN, Elman NN, NARX)

預報模式建置-外水位
21
AR3模型方程式
自迴歸模型 (AutoRegressive Model)
自回歸模型
AR3 Model
Time
Step 截距
t+1 1.642 -0.385 -0.258 0.006
t+2 2.229 -0.716 -0.517 0.014
t+3 2.759 -0.981 -0.786 0.026
t+4 3.265 -1.247 -1.030 0.041
t+5 3.733 -1.487 -1.263 0.056
t+6 4.177 -1.729 -1.471 0.074
   
)(tWLout )1( tWLout )2( tWLout
  )2()1()()(
^
tWLtWLtWLNtWL outoutoutout
)(tWLout
)1( tWLout
)2( tWLout
)(
^
NtWLout 

預報模式序列圖-內水位
22
100 200 300 400 500
1
2
3
4
5
Obeserved
Predicted
100 200 300 400 500
1
2
3
4
5
Waterlevel(m)
Elman NN
3
4
5
NARX
海棠颱風
泰利颱風
2006/9/10豪雨
2012/6/12豪雨
100 200 300 400 500
1
2
3
4
5
Waterlevel(m)
100 200 300 400 500
1
2
3
4
5
Time (10min)
NARX
玉成抽水站內水位預報展示
目標值推估值
• 預報模式序列圖 (測試階段)

23
目標值推估值
100 200 300 400 500
1
2
3
4
5
BPNN
Obeserved
Predicted
100 200 300 400 500
1
2
3
4
5
Waterlevel(m)
Elman NN
100 200 300 400 500
1
2
3
4
5
Time (10min)
NARX
100 200 300 400 500
1
2
3
4
5
BPNN
Obeserved
Predicted
100 200 300 400 500
1
2
3
4
5
Waterlevel(m)
Elman NN
100 200 300 400 500
1
2
3
4
5
Time (10min)
NARX
WL(t+1) WL(t+3)

24
100 200 300 400 500
1
2
3
4
5
BPNN
Obeserved
Predicted
100 200 300 400 500
1
2
3
4
5
Waterlevel(m)
Elman NN
100 200 300 400 500
1
2
3
4
5
Time (10min)
NARX
WL(t+6)
預測未來10至30分鐘皆有良好成果，而
隨著預測時間的增加，預測歷線於高水
位處有些高估的狀況，並產生無法重合
原始歷線之延遲的狀況發生。
動態類神經網路Elman NN與NARX相較
於靜態網路BPNN更能降低水位變動較
大處誤差之狀況，且預報歷線震盪情形
較不明顯，其中以NARX的表現最為優
異。
目標值推估值

0.50
0.60
0.70
0.80
0.90
1.00
t+1
t+2
t+3
t+4
t+5
t+6
評估指標-內水位模式
25
0.50
0.60
0.70
0.80
0.90
1.00
t+1
t+2
t+3
t+4
t+5
t+6
BPNN Elman NARX
RMSE
CC
0.08
0.10
0.12
0.14
0.16
0.18
0.20
0.22
0.24
t+1 t+2 t+3 t+4 t+5 t+6
RMSE(m)
Forecasting step
NARX於長時距(40-60分鐘)能保持低誤差
CE

Time
step
Model
Stage
BPNN Elman NN NARX
EWLp (%) ETp (min) EWLp (%) ETp (min) EWLp (%) ETp (min)
t+1 Testing 1.82 10 2.65 10 5.79 10
t+2 Testing 2.96 10 5.50 20 3.90 10
t+3 Testing 0.45 10 0.26 20 1.00 10
t+4 Testing 4.28 10 0.48 20 11.56 10
t+5 Testing 1.27 30 1.47 20 4.67 10
t+6 Testing 2.78 30 8.83 40 4.06 10
各模式皆能維持12%(約50cm)內
NARX皆能維持與10分鐘延遲內
評估指標-內水位模式(洪峰)
26
測試階段(612豪雨)
洪峰水位誤差
洪峰水位到達時間差

預報模式序列圖-外水位
27
玉成抽水站外水位預報展示
顯示AR3預測時距拉長至1小時皆能完整描述整段外水水位歷線之情況，而尖峰
時段於50至60分鐘才會有20cm內些微之誤差出現。
目標值推估值
2
2.5
3
3.5
4
4.5
5
5.5
6
Waterlevel(m)
t+1 t+2 t+3
Obeserved
Predicted
100 200 300 400 500 600
2
2.5
3
3.5
4
4.5
5
5.5
6
t+4
100 200 300 400 500 600
Time Step (10min)
t+5
100 200 300 400 500 600
t+6

評估指標-外水位模式
28
RMSE皆低於
0.14m
CC皆高於0.99
CE皆高於0.97
外水位預報
模式於未來
10-60分鐘之
預測能力
相當精確。
Time
Step
Model
Stage
AR3 Model
RMSE (m) CC CE
t+1
Training 0.02 0.99 0.99
Validation 0.02 0.99 0.99
Testing 0.02 0.99 0.99
t+2
Training 0.04 0.99 0.99
Testing 0.04 0.99 0.99
t+3
Training 0.06 0.99 0.99
Testing 0.06 0.99 0.99
t+4
Training 0.09 0.99 0.99
Testing 0.09 0.99 0.99
t+5
Training 0.11 0.99 0.99
Testing 0.11 0.99 0.98
t+6
Training 0.13 0.99 0.99
Testing 0.14 0.99 0.98

整合水位預報-篩選重要因子
29
機組操作
紀錄
重力閘門
紀錄
模式預報
內外水位
機組操作
紀錄
篩選影響機組操作
重要因子
自相關性
分析
相關性
分析
閘門開啟
閘門關閉
抽水機組
前池水位
模式預報
歷程紀錄
分析

操作紀錄與水位-歷程分析
30
20 40 60 80 100 120 140
0
5
10
Waterlevel(m)
Time Step (10min)
2012.06.12 豪雨
20 40 60 80 100 120 140
0
2
4
Numbersofrunningpumps/openinggates
外水位
內水位
機組台數
重力閘門數
約在內水位2.0至2.2公尺處且低於外水位，
關上重力閘門並開啟抽水機組。
抽水機組與重力閘門同時開啟的情況甚少
(內水高於外水且內水高於2.2公尺)
• 重力閘門, 抽水機台 vs 內外水位 (水位歷線)
50 100 150 200 250
0
5
Waterlevel(m)
Time Step (10min)
2008.09.26 薔蜜颱風
50 100 150 200 250
0
2
4
Numbersofrunningpumps/openinggates
外水位
內水位
機組台數
重力閘門數
表重力閘門紀錄因子對於啟動機組個數無直接關係，故由後續模
式建置影響因子排除。

操作紀錄與水位-相關性分析
31
抽水機組操作 vs 預報內水位
時刻 1 2 3 4
相關性 0.81 0.81 0.81 0.77
抽水機組操作 vs 預報外水位
時刻 1 2 3 4
相關性 0.78 0.77 0.77 0.77
抽水機組操作 vs 預報外─內水位差
時刻 1 2 3 4
相關性 0.51 0.52 0.53 0.53
抽水機組操作 vs 預報內水位差
時刻 1 2 3 4
相關性 -0.15 -0.04 0.05 -0.24
抽水機組操作自相關性
時刻 1 2 3 4
相關性 0.99 0.97 0.95 0.94
相關性降低
相關性降低
預報外水位雖非
與操作機組台數
有直接關聯，但
因能些微反應出
抽水站排水量及
上游雨量資訊，
相關性僅次於預
報還原內水位。
高相關性
預報內水位因預
測未來內水位且
考慮雨量資訊影
響因素，則具有
高度相關。

操作模式─事件之篩選
年份事件階段
資料
筆數
NARX預報
還原內水位
(m)
AR3預報
外水位
(m)
機組
開啟台數
最大值平均值標準差最大值平均值標準差最大值平均值標準差
2004 海馬
訓練 1490
5.6 2.6 0.9 7.5 4.2 1.8 11 3.5 3.6
2004 南瑪都 3.1 2.3 0.3 4.7 3.4 0.8 6 2.4 1.7
2008 辛樂克 3.1 2.3 0.2 5.3 3.7 1.0 7 3.1 1.8
2009 芭瑪 2.5 2.1 0.1 3.5 2.6 0.5 2 0.7 0.7
2010 梅姬 2.5 2.1 0.1 5.7 3.3 1.0 3 1.2 0.7
2013 511 2.6 2.1 0.2 2.8 2.4 0.4 4 2.2 1.7
2004 納坦
驗證 600
3.8 2.3 0.4 7.2 4.1 1.8 10 3.0 3.2
2008 薔蜜 3.1 2.2 0.2 5.2 3.3 1.0 6 1.7 1.6
2012 蘇拉 3.0 2.2 0.2 6.3 3.6 1.3 7 2.7 1.6
2005 海棠
測試 685
2.9 2.1 0.2 3.9 2.6 0.6 4 1.3 1.5
2005 泰利 2.8 2.3 0.2 4.6 3.3 0.8 4 1.4 1.4
2006 910 2.7 2.1 0.1 5.1 3.2 1.0 4 1.2 1.1
2012 612 4.8 2.5 0.6 5.6 3.6 1.1 10 3.8 3.0
32

操作模式建置-整合水位預報
33
∏
Pump (t)
WLout (t+N)
A1
A2
B1
B2
C1
C2
N
∑ Pump (t+N)
Layer 1 Layer 2 Layer 3 Layer 4 Layer 5
ANFIS
NARX
Model
AR3
Model
WLout (t)
WLout (t-1)
WLout (t-2)
R1 (t+N-4)
R2 (t+N-4)
R3 (t+N-4)
WLin (t)
WLin (t+N)
^
^
^
N
∏
Pump(t)
WLin(t+N)
WLout(t+N)^
^
Pump(t)
WLin(t+N)
WLout(t+N)^
^
輸入
因子
水位
預報
預報
因子
操作
模式
操作
推估

Pump (t+1)
操作模式建置-隸屬函數
34
0 2 4 6 8 10 12
0
0.2
0.4
0.6
0.8
1
X:0.9778
Y:0.9999 Pump(t)
X:4.033
Y:0.9999
1 2 3 4 5 6 7 8
0
0.2
0.4
0.6
0.8
1
X:2.769
Y:0.9999 WLout(t+1)
Waterlevel(m)
X:4.296
Y:1
0.8
1
X:2.1
Y:1 WLin(t+1)
X:2.361
Y:1
0 2 4 6 8 10 12
0
0.2
0.4
0.6
0.8
1
X:0.9778
Y:0.9999 Pump(t)
Numbers ofrunningpumps
X:4.033
Y:0.9999
1 2 3 4 5 6 7 8
0
0.2
0.4
0.6
0.8
1
X:2.769
Y:0.9999 WLout(t+1)
Waterlevel(m)
DegreeofMembership
X:4.296
Y:1
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
0
0.2
0.4
0.6
0.8
1
X:2.1
Y:1 WLin(t+1)
Waterlevel(m)
X:2.361
Y:1
0 2 4 6 8 10 12
0
0.2
0.4
1 2 3 4 5 6 7 8
0
0.2
0.4
0.6
0.8
1
X:2.769
Y:0.9999 WLout(t+1)
Waterlevel(m)
DegreeofMembership
X:4.296
Y:1
1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
0
0.2
0.4
0.6
0.8
1
X:2.1
Y:1 WLin(t+1)
Waterlevel(m)
X:2.361
Y:1操作機組數預報外水位預報內水位
Pump (t) WLout (t+N) WLin (t+N)
^ ^
1
台
4
台
2.8
m
4.3
m
2.1
m
2.4
m
藍色線及紅色線函數除了分
別代表低值與高值分布。如
藍色隸屬函數因值域偏低，
將映射至未來之開啟台數也
會隨之偏低。
涵蓋範圍較內水位廣，因此
也印驗出預報外水位之水位
變動情形較於預報還原內水
位劇烈。
隸屬函數最高隸屬度於2.1m、
2.4m，對應抽水站操作規則
開啟0台、3台機組，也印證
其映射至未來之開啟少台、
多台機組。

操作模式序列圖
35
0
2
4
6
8
10
t+1
Real Operation
Model Operation
2
2.5
3
3.5
4
4.5
Waterlevel(m)
Obeserved Water Level
100 200 300 400 500 600
-2
-1
0
1
2
Time Step (10min)
Operational Difference
推估未來1時刻之操作展示
操作誤差皆存在水位起伏較明顯處，當水位升
起造成預估機組少開延遲之現象，水位降低則
多開延遲。
掌握整體機組啟閉之趨勢
整體表現介於少開2台及多開2台
之誤差，並未出現機組過抽或停
擺之狀況。

Time
Step
Cluster
Radius
Rules
Model
Stage
ANFIS
RMSE MAE CC CE
t+1 0.5 2
Training 0.33 0.09 0.99 0.98
Validation 0.46 0.15 0.98 0.95
Testing 0.32 0.09 0.99 0.98
t+2 0.5 2
Training 0.46 0.16 0.98 0.96
Validation 0.66 0.26 0.95 0.90
Testing 0.48 0.16 0.97 0.95
t+3 0.5 2
Training 0.54 0.22 0.97 0.95
Validation 0.78 0.34 0.93 0.86
Testing 0.57 0.25 0.96 0.93
t+4 0.5 2
Training 0.62 0.30 0.96 0.93
Validation 0.92 0.44 0.90 0.81
Testing 0.66 0.32 0.95 0.90
評估指標-操作模式
36
ANFIS於推估未來4時刻RMSE MAE能維持
在0.92 0.44台。
誤差分析
CC維持0.90高相關，CE最低0.81(驗證)。
相關、效率分析

評估指標-操作模式
37
0 1 2 3 4 5 6 7 8 9 10 11
0
10
20
30
40
50
60
70
80
90
100
Numbers of running pumps
Accuracy(%)
t+1
t+2
t+3
t+4
ANFIS多時刻操作策略之精確度統計圖
展示ANFIS於訓練、驗證、測試全階段推估
未來多時刻之不同操作台數之精確度
(Accuracy)。
歷史開啟9和10處為模式較無法精
準掌握之模糊操作區域，可推測此
處因歷史紀錄較少且誤差集中在1
台機組，致使精確度大幅降低。
由1至4時刻之整體精確度遞減
-6 0 6
0
200
400
600
800
Real Operation 0
-6 0 6
0
200
400
600
800
Real Operation 1
-6 0 6
0
200
400
600
800
Real Operation 2
-6 0 6
0
200
400
600
800
Real Operation 3
-6 0 6
0
200
400
600
800
Real Operation 4
-6 0 6
0
200
400
600
800
Real Operation 5
-6 0 6
0
200
400
600
800
Real Operation 6
-6 0 6
0
200
400
600
800
Real Operation 7
-6 0 6
0
200
400
600
800
Real Operation 8
-6 0 6
0
200
400
600
800
Real Operation 9
-6 0 6
0
200
400
600
800
Real Operation 10
-6 0 6
0
200
400
600
800
Real Operation 11

抽水站水位總結
38
還原內水位推算出每台機組之影響水位，模擬尚未經由抽水影響之內水位，呈現
降雨─逕流影響之水位變動性，並於相關性分析中各項指標皆有提升。
歷程及相關性分析找出內水位與雨量稽延4時刻之關係，並運用Gamma Test篩選
集水區內合適之雨量站，選取對應推估時刻回推稽延4時刻之雨量資訊作為輸入向
量因子。外水位因對雨量相關性甚低、自相關性高，外水位預報採自迴歸模型建
置。
靜態及動態類神經網路訓練推估顯示兩者於1至3個時刻推估情形皆表現良好，而4
個時刻後之動態網路較能掌握尖峰水位處之推估，其中NARX在於長時距之評估
指標分析得最低誤差且最低尖峰延遲之成果，保持穩定及精確度。
水位歷線圖除了尖峰時刻稍微延遲和高估，皆能清楚描述整段過程，評估指標於6
個時刻之推估也皆能維持0.99之高相關係數、0.98之高效率係數、均方根誤差控制
在16cm內。
還原內水位
因子篩選
內水預報
外水預報

抽水站操作總結
39
歷程分析包含觀察內外水位、閘門啟閉、機組操作歷史紀錄，
可觀察整體之水位起伏與機組操作狀況，其中當外水位高於內
水位時，玉成抽水站關閉其4扇重力閘門僅於事件開始與結束端
有開啟閘門之紀錄，啟動機組同時開啟閘門及之情況甚少，表
重力閘門紀錄因子對於啟動機組個數無直接關係。
綜合相關性及歷程探討，操作決策主要考量前池內水位及機組
啟動情況，而預報內水位因預測未來內水位且考慮雨量資訊影
響因素，機組操作決策與前幾時刻啟動機組數有一定關聯，預
報外水位雖非與操作機組台數有直接關聯，但因能些微反應出
抽水站排水量及上游雨量資訊，則於後續建模採用之。
建置方面採取ANFIS，輸入項包含現時刻機組操作，與增加同
時刻水位預報成果。評估指標顯示其於2個時刻之相關係數與效
率係數皆能保持0.95、0.90台高值，均方根誤差與平均絕對誤差
則保持誤差低於0.66、0.26台，顯示本研究之操作整合模型於評
估指標表現良好。
操作模式
因子篩選
操作機制

研究建議
40
還原內水位的精準度
人為操作策略vs最佳化操作策略
颱風及豪雨降雨─逕流型態的差異
本研究因著重考量實務需求，以質量守恆簡單推估找出水位基本起伏之趨勢，並未針對此法嚴謹
探討其準確性；建議後續若著重於精準掌握內水位變動作探討，除需探討降雨─逕流及前池蓄水
等機制外，另需蒐集抽水機組性能曲線掌握其葉角、轉速等抽水量變因作為模擬對象，應可有效
提升後續內水位預報模式預估之精確度。
操作策略整合模式係以抽水站方人為操作之歷史紀錄作為目標值訓練，而此紀錄常以安全考量作
為首要條件，並不一定為最佳化之操作策略。建議此部分於後續建模前先進一步釐清抽水機組所
對應之操作目標函數與限制式，以便各類智慧型演算法進行優選搜尋出最佳化之操作策略，最後
再加以類神經網路建置操作模式，期望於颱風豪雨期間因應抽水站方不同需求狀況下能以模式推
估出適當之操作策略。
抽水站因於颱風期間長期維持戒備，降雨期間隨時調控抽水機組以降低內水位之變動，則於尖峰
降雨時期得以完全控制內水位短時距大幅度漲高之情況；相對於豪雨事件因常有突發之尖峰降雨
導致內水位在短時距內高幅度升高之狀況，機組操作歷程亦相對颱風事件些有差異，導致訓練模
式學習資訊不一致，建議後續可分別探討兩種不同性質之事件所造成不同之水位變動，適應調整
出良好之操作策略。

41
報告完畢，謝謝聆聽
謝謝老師及口試委員們

智慧型抽水站排水系統水位預報及操作策略整合模式

Recommended

Recommended

More Related Content

What's hot

What's hot (18)

智慧型抽水站排水系統水位預報及操作策略整合模式