[發(fā)明專利]基于氣象水文預報因子分類和深度學習模型耦合的日徑流預報方法

在審

• 申請?zhí)枺?/td>: 202010637852.7
• 申請日: 2020-07-02
• 公開（公告）號: CN111859787A
• 公開（公告）日: 2020-10-30
• 發(fā)明（設計）人: 初海波;魏加華;司源;吳勁
• 申請（專利權）人: 北京工業(yè)大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張立改

基于氣象水文預報因子分類和深度學習模型耦合的日徑流預報方法，屬于日徑流預報領域。核心組成包括數據分類、因子篩選、預報模型建模和預報模型評估，相對應的方法包括聚類分級方法、偏互信息方法和深度學習預報模型及改進評估方法。本發(fā)明提出的日徑流預報方法用確定系數進行評估，均可達到0.8以上，達到水情預報規(guī)范的乙等預報精度。

技術領域

本發(fā)明涉及日徑流預報領域，具體涉及一種基于氣象水文預報因子分類和深度學習模型耦合的日徑流預報方法。

背景技術

日徑流預報是洪水調度、水電站短期水庫運行方式制定和日發(fā)電電量計劃編制的重要組成部分，準確可靠的日徑流預報對于有效地減少棄水，充分利用水資源，顯著提高發(fā)電效益具有重要意義。但由于水文過程涉及的因素復雜，不同水文氣象條件和水文過程不同的階段產流匯流的特征也各不相同，因此日徑流預報仍然是一項具有挑戰(zhàn)性的任務。

對于水文過程的不同階段，徑流產生的基本機制可能有很大不同，基流的變化對于低流量值的產生有一定影響，而強烈的暴雨則可能導致高徑流值。基于歷史數據的預報模型，運用單一的預報模型籠統(tǒng)地描述水文過程不同階段的預報因子與徑流的關系，預報結果達不到精度要求。因此，應該建立多個的預測模型來識別水文過程不同時期的水文氣候因子和徑流之間的關系，以提高徑流在水文過程中整體的預測效果。

發(fā)明內容

本發(fā)明旨在解決如何從歷史數據中識別水文過程的水文氣象因子與日徑流的關系不同特征，并且分別建立數據驅動模型模擬不同特征類別水文氣象因子與日徑流之間的關系，從而提高日徑流預報的整體精度的問題。

在以往預報模型中，根據統(tǒng)一連續(xù)的水文過程歷史數據，建立單個模型模擬水文過程的水文氣象因子與日徑流的關系不同特征水文氣象因子與日徑流的關系，將水文過程中不同時期的水文氣象因子與日徑流之間的關系特征概化成一致的，不變化的。而實際上，水文過程中不同時期的水文氣象因子與日徑流之間的關系特征也會隨著時間和外部條件而發(fā)生變化，因此，籠統(tǒng)地運用單一的預報模型描述水文過程不同階段的預報因子與徑流的關系，預報結果達不到精度要求。目前，如何區(qū)分水文過程中的水文氣象因子與日徑流之間不同的關系特征，在徑流預報領域并沒有進行過相應的研究，而本發(fā)明的目的就在于解決這個問題。

日徑流預報的關鍵部分是建立具有不同關系特征的水文氣象因子與徑流的關系。線性模型進行徑流預報一般是建立在徑流序列為平穩(wěn)時間序列的假設上，因此預報效果不理想，傳統(tǒng)的人工神經模型在訓練過程中易陷入局部最小值，且隱含層節(jié)點數目尚未有統(tǒng)一的確定方法只能通過試算法確定最優(yōu)節(jié)點數目，故利用傳統(tǒng)的人工神經網絡模型直接對徑流序列進行預報也難以取得理想效果。為了進一步提高日徑流的預報精度，本發(fā)明將將深度學習方法作為一種新的方法引入日徑流量預報。深度學習模型在人工神經網絡研究的基礎上發(fā)展而來，旨在通過模擬大腦的逐層學習過程，構建深層次的模型，結合訓練數據，來學習數據中隱含的特征，從而刻畫數據豐富的內在信息，達到提高預報精度的目的。自從深度學習提出之后，在多個領域得到了廣泛的應用，但是在水文預報領域并未得到應用，而本發(fā)明則將氣象水文預報因子分類和深度學習模型耦合，以期提高日徑流預報精度。

基于氣象水文預報因子分類和深度學習模型耦合的日徑流預報具體流程如圖1所示，核心組成包括數據分類、因子篩選、預報模型建模和預報模型評估，相對應的方法包括聚類分級方法、偏互信息方法和深度學習預報模型及改進評估方法。

前期準備：了解流域特征和徑流來水過程特點，收集研究區(qū)日尺度徑流、降雨及大氣環(huán)流指數、海溫指數等相關數據。

步驟1：數據分類

根據收集的數據，確定日徑流量及其相應的候選影響因素集，形成具有多個輸入(候選影響因素)-輸出(日徑流量)的總樣本數據集，采用模糊C聚類(Fuzzy C-means，FCM)方法，根據高徑流量、中徑流量和低徑流量規(guī)則，將總樣本訓練集分為不同訓練樣本子集，并準備根據不同的子樣本數據集分別建立日徑流量預報模型；