[發(fā)明專利]一種基于預(yù)測模型自適應(yīng)的徑流預(yù)報(bào)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202110584298.5
• 申請(qǐng)日: 2017-11-21
• 公開（公告）號(hào): CN113379109B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 劉佳;李傳哲;王洋;于福亮;邱慶泰
• 申請(qǐng)（專利權(quán)）人: 中國水利水電科學(xué)研究院
• 主分類號(hào): G06Q10/04
• 分類號(hào): G06Q10/04
• 代理公司: 成都余行專利代理事務(wù)所(普通合伙) 51283
• 代理人: 邢智勇

1.一種基于預(yù)測模型自適應(yīng)的徑流預(yù)報(bào)方法，包括以下步驟：

步驟1、收集預(yù)報(bào)流域的基礎(chǔ)數(shù)據(jù)；

所述步驟1中的所述基礎(chǔ)數(shù)據(jù)包括：

基礎(chǔ)數(shù)據(jù)A、流域主要控制水文站的日、旬、月、年的流量資料，其用于步驟2和步驟11中；

基礎(chǔ)數(shù)據(jù)B、各主要控制水文站的旬、月、年最大流量、最小流量特征值及發(fā)生時(shí)間，第一場徑流和最后一場徑流過程資料，其用于步驟3中；

基礎(chǔ)數(shù)據(jù)C、流域主要雨量站的日、旬、月、年的降雨，其用于步驟4中；

基礎(chǔ)數(shù)據(jù)D、收集74項(xiàng)環(huán)流指標(biāo)，以及歐洲中期天氣預(yù)報(bào)中心ECMWF或美國國家環(huán)境預(yù)測中心NCEP的數(shù)值預(yù)報(bào)成果和再分析資料的氣象影響因子，其用于步驟4中；

步驟2、基于所述基礎(chǔ)數(shù)據(jù)，運(yùn)用線性回歸法建立年流量序列x(t)與其時(shí)序t之間的線性回歸方程，進(jìn)而檢驗(yàn)時(shí)間序列的趨勢(shì)性；

步驟3、將流域劃分成若干子流域；

步驟4、預(yù)報(bào)因子的識(shí)別；

所述步驟4中針對(duì)不同的子流域分別識(shí)別預(yù)報(bào)因子，所述預(yù)報(bào)因子包括：前期降水與徑流、74項(xiàng)環(huán)流指標(biāo)、氣象因子數(shù)據(jù)、海表溫度、太陽活動(dòng)因子以及人類活動(dòng)因子；其中，太陽活動(dòng)因子選擇太陽黑子相對(duì)數(shù)以及相關(guān)聯(lián)的地磁指數(shù)、太陽10cm波射電流量作為預(yù)報(bào)因子；人類活動(dòng)因子通過城市不透水的硬化地面面積和水電站的調(diào)度規(guī)則反映；氣象因子數(shù)據(jù)來自于所述步驟1中基礎(chǔ)數(shù)據(jù)D中歐洲中期天氣預(yù)報(bào)中心ECMWF或美國國家環(huán)境預(yù)測中心NCEP的數(shù)值預(yù)報(bào)成果和再分析資料；

采用相關(guān)分析法分析不同預(yù)報(bào)因子和不同預(yù)報(bào)對(duì)象之間的相關(guān)程度，計(jì)算公式為:

式中，相關(guān)系數(shù)R_XY為X和Y之間的相關(guān)系數(shù)；n為資料樣本數(shù)；X_i為X的第i個(gè)樣本值；Y_i為Y的第i個(gè)樣本值；為X的樣本均值；為Y的樣本均值；X代表預(yù)報(bào)因子，Y代表預(yù)報(bào)對(duì)象，預(yù)報(bào)對(duì)象為某一子流域出口斷面的流量，分別計(jì)算不同的預(yù)報(bào)因子和不同預(yù)報(bào)對(duì)象之間的相關(guān)關(guān)系；

相關(guān)系數(shù)R_XY的取值范圍為[-1,1]；R_XY大于0，說明預(yù)報(bào)對(duì)象Y和預(yù)報(bào)因子X之間為正相關(guān)；R_XY小于0，說明預(yù)報(bào)對(duì)象Y和預(yù)報(bào)因子X之間為負(fù)相關(guān)；R_XY等于0，說明預(yù)報(bào)對(duì)象Y和預(yù)報(bào)因子X之間不相關(guān)；R_XY的絕對(duì)值越大，預(yù)報(bào)對(duì)象Y和預(yù)報(bào)因子X之間的相關(guān)程度就越高；對(duì)于不同的子流域，選取相關(guān)程度排名靠前的10％預(yù)報(bào)因子作為不同子流域的預(yù)報(bào)因子集；

步驟5、建立預(yù)測模型庫；

所述步驟5建立預(yù)測模型庫包括三大方法：物理成因法、水文統(tǒng)計(jì)法和人工智能法，物理成因法包括多元線性回歸模型和多元門限回歸模型，水文統(tǒng)計(jì)法包括時(shí)間序列分解模型和秩相似預(yù)報(bào)模型，人工智能模型包括人工神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型；

步驟6、通過確定性系數(shù)評(píng)判，在每一個(gè)子流域，對(duì)于物理成因法、水文統(tǒng)計(jì)法和人工智能三種方法，每種方法各選取一個(gè)確定性系數(shù)較高的模型，構(gòu)成該子流域集合預(yù)報(bào)的組成；

所述步驟6中使用的確定性系數(shù)公式為：

式中：DC為確定性系數(shù)，y₀(i)為實(shí)測值，y_c(i)為預(yù)報(bào)值，為實(shí)測序列的均值，m為資料序列的長度；

步驟7、根據(jù)步驟6計(jì)算的結(jié)果，確定物理成因法、水文統(tǒng)計(jì)法和人工智能不同方法的權(quán)重值，進(jìn)行集合預(yù)報(bào)；

步驟8、運(yùn)用最小均方根誤差算法調(diào)整步驟7中權(quán)重值，使得各個(gè)子流域的預(yù)報(bào)值和實(shí)測值之間的均方根誤差達(dá)到最小，輸出各個(gè)子流域的預(yù)報(bào)值；

步驟9、根據(jù)各子流域的預(yù)報(bào)值，進(jìn)行河道演算求得整個(gè)流域出口斷面的徑流過程，完成預(yù)報(bào)過程，河道演算可使用馬斯京根法或神經(jīng)網(wǎng)絡(luò)法；

步驟10、對(duì)整個(gè)流域預(yù)報(bào)的結(jié)果計(jì)算確定性系數(shù)；

所述步驟10中使用的確定性系數(shù)公式為：

式中：DC為確定性系數(shù)，y₀(i)為實(shí)測值，y_c(i)為預(yù)報(bào)值，為實(shí)測序列的均值，m為資料序列的長度；

步驟11、每月某一日對(duì)前一年逐日預(yù)報(bào)結(jié)果的確定性系數(shù)進(jìn)行趨勢(shì)檢驗(yàn)；所述步驟11中每月1號(hào)對(duì)前一年(12個(gè)月)逐日預(yù)報(bào)結(jié)果的確定性系數(shù)進(jìn)行趨勢(shì)檢驗(yàn)，確定性系數(shù)的檢驗(yàn)對(duì)象是步驟1中基礎(chǔ)數(shù)據(jù)A逐日預(yù)報(bào)結(jié)果和主要控制水文站的日流量資料，采用坎德爾秩次相關(guān)檢驗(yàn)法，計(jì)算公式為：

式中，U為確定性系數(shù)；N為確定性系數(shù)序列的總長度，x_i，x_j為系列中的數(shù)值，sgn為符號(hào)函數(shù)，如果數(shù)字大于0，則sgn返回1，數(shù)字等于0，則返回0，數(shù)字小于0，則返回-1，數(shù)字參數(shù)的符號(hào)決定了sgn函數(shù)的返回值；i，j為系列中數(shù)值的編號(hào)，從1到n；n為系列的長度；τ為常數(shù)；

步驟12、判斷是否需要更新預(yù)報(bào)因子集和重新選擇預(yù)報(bào)模型；

所述步驟12中，針對(duì)步驟11的計(jì)算結(jié)果，若|U|＞U_α/2且U大于0時(shí)，說明確定性系數(shù)序列的變化趨勢(shì)顯著，確定性系數(shù)序列呈上升趨勢(shì)，預(yù)測結(jié)果較好，不需要更新預(yù)報(bào)因子集和重新選擇預(yù)報(bào)模型；

當(dāng)|U|＞U_α/2且U小于0時(shí)序列呈下降趨勢(shì)，說明預(yù)報(bào)結(jié)果有下降趨勢(shì)，此時(shí)返回步驟4重新識(shí)別預(yù)報(bào)因子集，并重復(fù)步驟6-10；

其中，α為顯著性水平，通過給定的顯著性水平，通過正態(tài)分布表查得U_α/2。