[發明專利]基于水文變量年際和月變化特性的徑流預報方法和系統

有效

• 申請號: 201710498418.3
• 申請日: 2017-06-23
• 公開（公告）號: CN107274030B
• 公開（公告）日: 2019-03-05
• 發明（設計）人: 周建中;朱雙;李薇;許顏賀;張海榮;吳江
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06Q10/04;G06N3/08
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 李智;曹葆青

本發明公開了一種基于水文變量年際和月變化特性的徑流預報方法和系統，其中方法的實現包括：獲取預報斷面的歷史徑流數據，從歷史徑流數據中提取預報月年際徑流和預報月前的月際降雨及預報月前的月際徑流；將預報月年際徑流輸入加權移動平均模型，得到加權移動預報月徑流將預報月前的月際降雨及預報月前的月際徑流輸入GRNN神經網絡模型，得到神經網絡預報月徑流對加權移動預報月徑流和神經網絡預報月徑流采用最小二乘法進行加權耦合，得到最終的組合預報月徑流。本發明得到的最終的組合預報月徑流考慮了降雨和徑流數據資料的利用率，同時提高了徑流預報精度。

技術領域

本發明屬于水文學中的水文預報領域，更具體地，涉及一種基于水文變量年際和月變化特性的徑流預報方法和系統。

背景技術

中長期徑流預報常用方法是利用數理統計或者人工神經網絡等模型從過去已發生的氣象水文信息中挖掘規律，預測徑流未來的變化。在實際應用中，采用相關系數法從預報月前幾個月的徑流、降雨、氣溫等相關因子中挑選預報因子，采用多元回歸、人工神經網絡、模糊推理等方法作為驅動模型挖掘徑流與預報因子的線性和非線性關系。對于以上數據驅動類模型，挖掘的有用信息越多，模型輸入到輸出的映射越接近實際，預報精度越高。然而，在現有預報技術中，一類方法從歷史數據資料中提取預報月前期降雨徑流等數據進行預報，而另一類方法從歷史數據資料中提取預報月同期徑流數據進行預報。這些方法均只考慮了單一的樣本序列，使得預報精度大多不高。

由此可見，現有技術存在有效信息利用度不高且預報精度低的技術問題。

發明內容

針對現有技術的以上缺陷或改進需求，本發明提供了一種基于水文變量年際和月變化特性的徑流預報方法和系統，由此解決現有技術存在有效信息利用度不高且預報精度低的技術問題。

為實現上述目的，按照本發明的一個方面，提供了一種基于水文變量年際和月變化特性的徑流預報方法，包括：

(1)獲取預報斷面的歷史徑流數據，從歷史徑流數據中提取預報月年際徑流和預報月前的月際降雨及預報月前的月際徑流；

(2)將預報月年際徑流輸入加權移動平均模型，得到加權移動預報月徑流將預報月前的月際降雨及預報月前的月際徑流輸入GRNN神經網絡模型，得到神經網絡預報月徑流

(3)對加權移動預報月徑流和神經網絡預報月徑流采用最小二乘法進行加權耦合，得到最終的組合預報月徑流。

進一步的，步驟(2)的具體實現方式為：

將預報月年際徑流輸入加權移動平均模型，得到加權移動預報月徑流將預報月前的月際降雨及預報月前的月際徑流和預報月徑流實測值作為訓練樣本，利用訓練樣本訓練GRNN神經網絡模型，直至GRNN神經網絡模型的光滑因子尋找到最優解，得到訓練好的GRNN神經網絡模型，將預報月前的月際降雨及預報月前的月際徑流輸入GRNN神經網絡模型，得到神經網絡預報月徑流

進一步的，步驟(3)的具體實現方式為：

對加權移動預報月徑流和神經網絡預報月徑流采用進行加權耦合，得到最終的組合預報月徑流F_t，ω_a為加權移動平均模型的權重，ω_g為GRNN神經網絡模型的權重，反應的是預報誤差方差期望值，Q_t為i＝t時刻的徑流實測值，F_i為第i時刻的組合預報月徑流，Q_i為第i時刻的徑流實測值，n表示總時刻，預報誤差方差期望值最小時，應用最小二乘法，得到ω_g，ω_a的值。

按照本發明的另一方面，提供了一種基于水文變量年際和月變化特性的徑流預報系統，包括：

第一模塊，用于獲取預報斷面的歷史徑流數據，從歷史徑流數據中提取預報月年際徑流和預報月前的月際降雨及預報月前的月際徑流；