[發(fā)明專利]一種基于多源不確定性的洪水概率預(yù)報(bào)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910291810.X
• 申請(qǐng)日: 2019-04-12
• 公開（公告）號(hào): CN109993372B
• 公開（公告）日: 2022-11-22
• 發(fā)明（設(shè)計(jì)）人: 劉開磊;汪躍軍;錢名開;胡友兵;王式成;陳竹青;夏冬;樊孔明;趙瑾;戴麗納;王天友;肖珍珍;邵嘉玥
• 申請(qǐng)（專利權(quán)）人: 淮河水利委員會(huì)水文局（信息中心）
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04;G06F30/20
• 代理公司: 南京同澤專利事務(wù)所(特殊普通合伙) 32245
• 代理人: 蔡晶晶

1.一種基于多源不確定性的洪水概率預(yù)報(bào)方法，包括如下步驟：

步驟1、基于不完備雨量監(jiān)測(cè)群計(jì)算面雨量誤差概率分布

設(shè)定流域全部的雨量站點(diǎn)為完備雨量監(jiān)測(cè)群M，完備雨量監(jiān)測(cè)群M的站點(diǎn)數(shù)目為m；以站點(diǎn)分布均勻?yàn)闃?biāo)準(zhǔn)，從完備雨量監(jiān)測(cè)群中篩選出n個(gè)雨量站點(diǎn)構(gòu)成的不完備雨量監(jiān)測(cè)群N，根據(jù)完備雨量監(jiān)測(cè)群M和不完備雨量監(jiān)測(cè)群N分別計(jì)算得到對(duì)應(yīng)的面雨量值；通過計(jì)算不完備雨量監(jiān)測(cè)群N面雨量值與完備雨量監(jiān)測(cè)群M的面雨量值差異，統(tǒng)計(jì)不完備雨量監(jiān)測(cè)群的面雨量計(jì)算誤差規(guī)律，進(jìn)而獲取面雨量誤差概率分布：

式中，ε_t為不完備雨量站點(diǎn)的面雨量估計(jì)誤差，p_t為t時(shí)刻面雨量真值，為t時(shí)刻根據(jù)不完備雨量監(jiān)測(cè)群計(jì)算的面雨量值，t為降雨時(shí)間序號(hào)；N(0,δ²)為均值為0、方差為δ²的正態(tài)分布；

步驟2：構(gòu)建各模型參數(shù)的次優(yōu)解集，獲取參數(shù)概率分布

利用s場(chǎng)洪水資料，分別以每一場(chǎng)洪水資料率定水文模型i的參數(shù)x_i，得到參數(shù)x_i的次優(yōu)解集，解集的元素?cái)?shù)目為s；根據(jù)該次優(yōu)解集估計(jì)x_i所服從的概率分布；

水文模型參數(shù)的隨機(jī)分布特征采用Beta分布函數(shù)描述，函數(shù)形式如下

式中，α_i、β_i為水文模型i的參數(shù)x_i所服從概率分布的系數(shù)值，其中I為水文模型的數(shù)量；每一個(gè)水文模型的參數(shù)服從一種概率分布，共可以得到I套概率分布的系數(shù)值；

步驟3：隨機(jī)生成面雨量、水文模型參數(shù)，據(jù)此驅(qū)動(dòng)各水文模型產(chǎn)生L₁組初始預(yù)報(bào)流量過程

3.1、對(duì)于一場(chǎng)洪水的每一個(gè)時(shí)刻，利用式(3)生成該時(shí)刻的面雨量估計(jì)值，組成一組面雨量序列(p₁′,p₂′,…,p_t′,…)，將其作為一場(chǎng)洪水降雨過程的1次估計(jì)值；

式中，p_t′為t時(shí)刻面雨量估計(jì)值，為t時(shí)刻根據(jù)不完備雨量監(jiān)測(cè)群計(jì)算的面雨量值，ε_t為不完備雨量站點(diǎn)的面雨量估計(jì)誤差；t為降雨時(shí)間序號(hào)；

3.2、根據(jù)式(2)隨機(jī)生成I個(gè)水文模型的參數(shù)x₁,x₂,…,x_I；

3.3、將上述估計(jì)的面雨量序列(p₁′,p₂′,…,p_t′,…)及隨機(jī)生成的各水文模型參數(shù)x₁,x₂,…,x_I分別代入對(duì)應(yīng)的水文模型中，計(jì)算得到1組初始預(yù)報(bào)流量結(jié)果：

該組初始預(yù)報(bào)流量結(jié)果包含全部的I個(gè)水文模型各自的初始預(yù)報(bào)流量過程；

3.4、重復(fù)步驟3.1-3.3L₁次，得到L₁組預(yù)報(bào)流量結(jié)果；

步驟4：確定各模型參數(shù)最優(yōu)解以及各模型為相對(duì)最優(yōu)的先驗(yàn)概率

將所有場(chǎng)次洪水資料劃分為率定期和驗(yàn)證期，以分別用于各水文模型的率定與驗(yàn)證，得到各水文模型參數(shù)在應(yīng)用于所有場(chǎng)次的洪水預(yù)報(bào)時(shí)綜合最優(yōu)參數(shù)；將已率定完畢的綜合最優(yōu)參數(shù)分別代入各水文模型，并利用BMA(Bayesian Model Averaging)算法求解各模型為相對(duì)最優(yōu)的概率ω₁,ω₂,…,ω_I；

步驟5：隨機(jī)采樣抽取最優(yōu)模型及相應(yīng)預(yù)報(bào)流量的大量隨機(jī)組合，估計(jì)預(yù)報(bào)流量的后驗(yàn)概率分布實(shí)現(xiàn)概率預(yù)報(bào)

5.1、隨機(jī)抽取模型j為最優(yōu)模型；

5.2、隨機(jī)從模型j的L₁組初始預(yù)報(bào)流量過程中抽取一組，作為初始預(yù)報(bào)流量序列；

5.3、獲取正態(tài)空間中預(yù)報(bào)流量結(jié)果

將步驟5.2中得到的初始預(yù)報(bào)流量序列中的每個(gè)流量值，代入模型j所對(duì)應(yīng)的預(yù)報(bào)流量概率分布函數(shù)，獲取每個(gè)流量值的累積概率值；從標(biāo)準(zhǔn)正態(tài)分布表中查詢?cè)摾鄯e概率值所對(duì)應(yīng)的數(shù)值，從而將初始預(yù)報(bào)流量序列轉(zhuǎn)換至正態(tài)空間，獲得正態(tài)空間下預(yù)報(bào)流量序列D_j；根據(jù)BMA算法，將正態(tài)空間下的預(yù)報(bào)流量經(jīng)過線性轉(zhuǎn)換求解得到相應(yīng)實(shí)際流量值，從而獲得正態(tài)空間下實(shí)際流量過程的一次預(yù)報(bào)結(jié)果D_j′；

5.4、獲取原始空間下預(yù)報(bào)流量系列

在標(biāo)準(zhǔn)正態(tài)空間下，獲取D′_j對(duì)應(yīng)的累積概率值；根據(jù)模型j所對(duì)應(yīng)的預(yù)報(bào)流量概率分布函數(shù)，求解相應(yīng)累積概率下流量值，得到原始空間下的一次預(yù)報(bào)流量結(jié)果Q₁；

5.5、大量采樣獲得流量過程的后驗(yàn)概率分布

重復(fù)步驟5.1-5.4r次，得到r個(gè)預(yù)報(bào)流量結(jié)果Q₁,Q₂,…,Q_r，所得到r個(gè)結(jié)果的均值作為預(yù)報(bào)流量過程的確定性預(yù)報(bào)結(jié)果；預(yù)報(bào)流量結(jié)果的覆蓋范圍5％～95％的區(qū)間作為90％置信度的概率預(yù)報(bào)結(jié)果。