[發明專利]一種雨水工情耦合的流域洪水流量集合概率智能預報方法

有效

• 申請號: 202211527321.8
• 申請日: 2022-12-01
• 公開（公告）號: CN115759459B
• 公開（公告）日: 2023-07-28
• 發明（設計）人: 馮寶飛;鄭靜;李玉榮;張俊;陳瑜彬;王樂;牛文靜;田逸飛;徐雨妮;張瀟;李潔;邱輝;楊雁飛;嚴方家;張晶
• 申請（專利權）人: 長江水利委員會水文局
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06F16/36
• 代理公司: 北京中北知識產權代理有限公司 11253
• 代理人: 吳靜

1.一種雨水工情耦合的流域洪水流量集合概率智能預報方法，其特征在于，包括以下步驟：

S1、選定水文目標斷面，收集歷史水文氣象實況和降水集合預報數據，根據流域內重點水庫和水文站分布劃分流域子區間，通過歷史數據率定建立區間洪水預報模型和河道匯流演算模型；

S2、收集流域內重點水庫調度規程、防洪保護對象及運行數據，建立水庫群調度知識圖譜，然后通過因子適配權重賦值、融合相似度計算、誤差迭代下降的算法，利用歷史數據進行參數率定，構建流域水庫智能相似調度推薦模型；

S3、將降水集合預報、水庫智能相似調度推薦模型、區間洪水預報模型和河道匯流演算模型進行耦合，構建洪水集合預報方案，計算集合成員預報結果，求解概率密度分布函數，建立降水、水庫、洪水耦合的洪水流量集合概率預報模型；

S4、獲取實時集合降雨預報和水文、工情實況數據，將數據帶入所述S3中所述降水、水庫、洪水耦合的洪水流量集合概率預報模型中，得到水文目標斷面的洪水流量集合概率預報結果；

所述S1的具體步驟為：

S11、所述歷史水文氣象實況和降水集合預報數據包括ECMWF、GRAPES、NCEP、GREMAN、JAPAN全球模式的歷史預報數據、流域內水利工程分布數據、流域各站點洪水過程實況數據；

S12、以目標水庫或水文站為水文目標斷面，依據不同流域的資料情況和水文特性，選取適用于流域暴雨洪水特性的區間洪水預報模型和河道匯流演算模型，通過歷史數據率定構建所述區間洪水預報模型，所述區間洪水預報模型包括新安江模型、API模型、NAM模型；所述河道匯流演算模型采用馬斯京根模型或水力學模型；

所述S2的具體步驟為：

S21、所述水庫群調度知識圖譜構建：以流域內水庫節點和水文目標斷面防洪對象為實體，以實體的實況水位、入庫流量、水文目標斷面上游分區逐日雨量、分區累計雨量為實體屬性，以時間作為邊，將水位和流量值與所述實體屬性相連接，依據空間拓撲關系將流域內各水庫實體節點相接，構建目標流域的水庫群調度知識圖譜；

對于t時刻，通過所述水庫群調度知識圖譜得到相應的知識集Q_t：

n∈{1,2,3,...,N}，m∈{1,2,3,...,M}

其中，表示第n個水庫節點t時刻的水位值；表示水文目標斷面t時刻的水位值；表示第n個水庫節點t時刻的入庫流量值；表示水文目標斷面t時刻的入庫流量值；表示第n個水庫節點t時刻的出庫流量值；表示第n個水庫節點對應分區從t時刻起后第m個時段的降雨量，表示水文目標斷面對應分區從t時刻起后第m個時段的降雨量；表示第n個水庫節點對應分區從t時刻起后在預見期末M時段的降雨量；表示水文目標斷面對應分區從t時刻起后在預見期末M時段的降雨量；表示第n個水庫節點對應分區從t時刻起前k天的累計降雨量，表示水文目標斷面對應分區從t時刻起前k天的累計降雨量；表示水文目標斷面下游防洪對象在t時刻的水位值；表示水文目標斷面下游防洪對象在t時刻的流量值；為方便進行矩陣計算，將矩陣中無元素的位置填充為0，實際運算時為0項對結果無影響；N表示水庫節點和水文目標斷面的總數，M表示預見期總長度；

S22、所述因子適配權重賦值：對于目標起始時刻to，有相應的知識集O_to，對于起始時刻之前的任意時刻ti，有相應的知識集O_ti，分別對每組因子配置相應的因子權重數組w，則有相應的因子適配知識集y和x：

y＝w^T·O_t0

x＝w^T·O_ti

其中，a₁為項的權重；a₂為項的權重；a₃為項的權重；為項的權重；a₅為項的權重；a₆為項的權重；a₇為的權重；將y和x進行一維轉換得到矩陣Y和X，以便后續計算：

S23、所述融合相似度計算：引進融合系數α，構建同時考慮形態和量值的融合相似度DS：

式中，x_i和y_i分別表示矩陣Y和X中的第i個元素；

S24、誤差迭代下降：

S241、目標距離函數的構建

利用Y和不同時刻的X分別求解相應的DS值，提取DS值最大對應的時刻tmax，利用tmax對應的水庫出庫流量構建目標距離函數，所述目標距離函數DQ為：

其中，為第n個水庫在tmax時刻后m個時段的出庫流量；表示第n個水庫在t0時刻后m個時段的出庫流量；

S242、初始參數賦值

根據流域特性確定t0、ti、M、N、k的常數值，通過查詢歷史實況數據相應的為確定值，則所述目標距離函數DQ表示為的方程考慮初始的權重參數為等比例影響，設定參數組f的初始值分別為

S243、參數迭代尋優

利用歷史水文氣象實況樣本訓練模型參數，設置迭代步長δ和所述目標距離函數DQ的誤差臨界值ε，采用梯度下降的方法求解局部最優參數，直到誤差滿足臨界值ε，從而得到最優的適配因子權重數組；

S25、水庫智能調度推薦：通過所述S24得到最優適配因子權重數組解后，對于每組集合降雨預報成員輸入，重復S21～S23的步驟，取融合相似度DS滿足閾值的時刻為最優解，ts時刻對應的水庫出庫為推薦；

所述S3中的具體步驟為：

S31、調度方案生成：以p組集合降雨預報作為輸入，帶入所述S2中率定好的水庫調度推薦模型中，則對于每組降雨均得到融合相似度DS值構成的一個一維矩陣，p組集合降雨預報得到p組融合相似度DS矩陣，記作DS^p，設置相似閾值dy，則有：

其中，為第j組DS矩陣中第i個元素；DK^j為第j組DS矩陣中滿足閾值條件的值構成的矩陣；

對于每個DK矩陣計算矩陣長度，依據矩陣長度判斷集合調度方案個數，計算如下：

DL^j＝length(DK^j)

c＝min(DLj)

其中，DLj為DK^j矩陣的長度；對每個DS矩陣的值進行從小到大的排序，提取每個融合相似度DS中序號在c之前的相似度所對應的出庫方案，即為最終推薦的c組調度推薦；

S32、所述洪水集合預報方案的構建：以p組降雨預報作為輸入，通過所述S2得到c組水庫調度，采用h組水文預報模型相互耦合，構建降雨、水庫調度、水文模型耦合的所述洪水集合預報方案，方案成員共有p*c*h組；

S33、集合成員生成：將p組降雨集合預報成員輸入所述洪水集合預報方案，從上游自下游進行區間洪水預報，并進行水庫調度，則對于最終的出口斷面組成p*c*h組集合成員預報；

S34、洪水流量集合概率預報模型構建：基于洪水集合預報成員和洪水歷史實況流量，采用Copula-BMA方法對各個洪水集合成員與觀測值之間建立的條件分布進行加權平均得到一個新的概率分布，構建不同預見期的流量概率預報模型，計算流量概率預報區間。

2.根據權利要求1所述的一種雨水工情耦合的流域洪水流量集合概率智能預報方法，其特征在于，所述S4的具體步驟為：獲取實時集合降雨預報，將其帶入所述S3的洪水流量集合概率預報模型中，得到目標水庫的洪水流量集合概率預報結果。