[發(fā)明專利]一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法

有效

• 申請?zhí)枺?/td>: 201310552930.3
• 申請日: 2013-11-08
• 公開（公告）號: CN103577895A
• 公開（公告）日: 2014-02-12
• 發(fā)明（設(shè)計(jì)）人: 尹筍;唐德善;陳偉偉;陸姍姍;丁億凡
• 申請（專利權(quán)）人: 河海大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/02
• 代理公司: 南京蘇高專利商標(biāo)事務(wù)所(普通合伙) 32204
• 代理人: 張學(xué)彪

技術(shù)領(lǐng)域

本發(fā)明屬于水文預(yù)測的多次耦合設(shè)計(jì)方法領(lǐng)域，具體涉及一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法。

背景技術(shù)

水文預(yù)報(bào)是水文學(xué)的一個(gè)重要組成部分，它是基于對實(shí)際水文現(xiàn)象的客觀描述，利用水文、氣象的實(shí)測資料，預(yù)測水文因素未來變化規(guī)律的一門水文學(xué)科。對流域來水進(jìn)行預(yù)測是流域水庫內(nèi)水資源進(jìn)行合理配置前必須進(jìn)行的工作，可靠的月徑流預(yù)測工作對水庫進(jìn)行多功能調(diào)度來說顯得尤其重要。

在水文徑流預(yù)報(bào)模型中，按建模方式不同可分為概念式模型、分布式模型和黑箱式模型。其中前兩種模型又可稱為物理水文模型。概念式或分布式物理水文模型與流域的物理水文過程有密切的聯(lián)系，短期模擬效果較好。但這些模型很多使用經(jīng)驗(yàn)公式，且參數(shù)多，過程相對復(fù)雜，所以在模擬預(yù)測中的誤差難以避免，且模型使用的預(yù)報(bào)期相對較短，通常在預(yù)報(bào)期較長的情況下不能滿足預(yù)報(bào)的精度要求。神經(jīng)網(wǎng)絡(luò)模型屬于黑箱式水文模型，具有高度的非線性映射能力，能夠很好地反映徑流時(shí)間序列的非線性關(guān)系。FFBP模型作為較常用的一種神經(jīng)網(wǎng)絡(luò)模型，具有結(jié)構(gòu)簡單參數(shù)相對較少和執(zhí)行快速的特點(diǎn)。但是FFBP對初始值選取很敏感，不同的初始值對計(jì)算效率影響極大，且容易發(fā)生“過度擬合”情況。廣義回歸神經(jīng)網(wǎng)絡(luò)（GRNN,Generalized?Regression?Neural?Network）模型能夠有效的解決上述情況，且只有一個(gè)參數(shù)需要確定就能達(dá)到相對滿意的結(jié)果。但是黑箱式水文模型較少對流域的物理基礎(chǔ)進(jìn)行研究，模型缺少對流域內(nèi)在機(jī)制的描述，從而限制了預(yù)報(bào)結(jié)果的精度。

使用模型耦合技術(shù)可以有效的解決上述問題，神經(jīng)網(wǎng)絡(luò)模型通過與其他物理模型進(jìn)行模型耦合，對其提供的流域內(nèi)在機(jī)制信息的學(xué)習(xí)，耦合模型的預(yù)測效果優(yōu)于任一單一模型。GRNN模型簡單的結(jié)構(gòu)和一步式的學(xué)習(xí)過程，GRNN模型與物理式水文模型的耦合組合擁有簡單高效的特點(diǎn)，預(yù)測結(jié)果明顯優(yōu)于同類型耦合模型。但是，由于我國很多流域水文站建設(shè)時(shí)間較短，相關(guān)水文資料數(shù)據(jù)不足，即水文觀測數(shù)據(jù)少于20年，這樣給徑流的預(yù)測和計(jì)算帶來很大困難。同時(shí)，流域中大量建設(shè)水工建筑物，使水面上升或下降，地域氣候和下墊面狀態(tài)變化，原有資料一定程度上不再適用于現(xiàn)有條件下的水文預(yù)測的情況。這些都導(dǎo)致了相關(guān)歷史水文資料的短缺和代表性被破壞，僅使用單次模型耦合技術(shù)，預(yù)測精度難以保證。

時(shí)間序列模型ARMA模型作為時(shí)間序列延長和預(yù)測工具被廣泛的引用于經(jīng)濟(jì)、氣象、農(nóng)業(yè)和工業(yè)等領(lǐng)域。運(yùn)用ARMA模型對原有月徑流數(shù)據(jù)序列進(jìn)行延長，并以延長后的數(shù)據(jù)確定耦合模型結(jié)構(gòu)，即ARMA模型以數(shù)據(jù)耦合方式與原耦合模型進(jìn)行二次耦合。但傳統(tǒng)的ARMA模型對非線性平穩(wěn)序列的預(yù)測精度不足，且預(yù)測的長度一般不易超過原序列長度的50%，故無法對資料短缺情況下的流域水文數(shù)據(jù)進(jìn)行有效的延長。

因此，需要一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法以解決上述問題。

發(fā)明內(nèi)容

發(fā)明目的：本發(fā)明針對現(xiàn)有技術(shù)中資料短缺情形下的無法對流域水文數(shù)據(jù)有效預(yù)測的缺陷，提供一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法。

技術(shù)方案：為實(shí)現(xiàn)上述發(fā)明目的，本發(fā)明的資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法可采用如下技術(shù)方案：

一種資料短缺情形下的二次耦合月徑流預(yù)報(bào)方法，包括以下步驟：

1）、采用GRNN模型和物理水文模型，選取至少一個(gè)物理水文模型，對所述物理水文模型和GRNN模型所需的基礎(chǔ)地形數(shù)據(jù)、氣象數(shù)據(jù)和水文數(shù)據(jù)進(jìn)行預(yù)處理，得到模擬歷時(shí)所述GRNN模型和物理水文模型的月徑流觀測值，所述模擬歷時(shí)分為訓(xùn)練期和測試期兩個(gè)時(shí)段；

2）、對所述物理水文模型進(jìn)行配置，根據(jù)各所述物理水文模型參數(shù)的規(guī)范與要求對參數(shù)進(jìn)行設(shè)定，得到模擬歷時(shí)各物理水文模型的月徑流預(yù)測值；

3）、利用時(shí)間序列延長模型對訓(xùn)練期各物理水文模型的月徑流預(yù)測值和月徑流觀測值進(jìn)行補(bǔ)充和延長，同時(shí)利用時(shí)間序列延長模型對訓(xùn)練期所述GRNN模型的月徑流觀測值進(jìn)行補(bǔ)充和延長，得到延長后的訓(xùn)練期的月徑流數(shù)據(jù)；

4）、利用模型耦合技術(shù)將GRNN模型和各所述物理水文模型分別進(jìn)行模型耦合，得到一次耦合GRNN模型，然后將步驟3）得到的延長后的訓(xùn)練期的月徑流數(shù)據(jù)與所述一次耦合GRNN模型進(jìn)行數(shù)據(jù)耦合，確定數(shù)據(jù)耦合后模型的的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)，得到二次耦合GRNN模型；其中，數(shù)據(jù)耦合即為將步驟3）得到的延長后的訓(xùn)練期的月徑流數(shù)據(jù)代入所述一次耦合GRNN模型，這樣就可以確定數(shù)據(jù)耦合后模型的網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)。