CN102867106A - 短期径流预报方法及系统 - Google Patents

Abstract

本发明公开了一种短期径流预报方法及系统，所述方法包括以下步骤：S1，对流域径流规律进行分析，并初始化数据，其中，流域径流规律分析包括流域相关性及特征分析、流域径流序列周期及趋势分析、水文年划分及水库调度分期和流域梯级典型年的选择；S2，建立并调用短期径流预报模型；S3，求解短期径流预报模型，检验模型精度是否最优，并输出短期径流预报结果。本发明能够提高短期径流预报精度。

Description

短期径流预报方法及系统

技术领域

本发明涉及一种短期径流预报方法及系统，属于梯级水电站群径流预报技术领域。

背景技术

径流预测对于水库水电站的运行管理有着重要的意义，是正确制定水库优化调度运行方式和水电站发电计划的重要依据，直接影响着水库的运行方式和效益的发挥。对于短期径流预报来说，由于气候、流域下垫面条件以及人类活动等综合因素的影响，日径流表现出更强的非线性、变异性、多尺度等特性，使得日径流的预报难度加大。

目前，国内外径流预报采用的方法主要有成因分析法、统计分析法、灰色系统法、模糊算法、人工神经网络、小波分析以及这些方法的组合等。由于流域条件等各方面因素，各种模型都有其优缺点及适用条件。成因分析方法是运用水文学原理，深人剖析水文现象的物理成因，充分了解和掌握其内在的客观规律，然后通过合理的技术途径和科学的方法预测未来的水文情势变化，这是日径流预测研究的一个重要发展方向，但由于气候变化和人类活动双重因素的影响，日径流表现出更加复杂、非线性的动力特性，而相应的研究方法滞后，故这类研究进展不大。灰色系统法、模糊算法是最常用的不确定性系统研究方法，对于建模数据没有特殊的要求和限制。灰色系统理论适合于序列具有指数增长趋势的问题，对于其他变化趋势，当数据的离散程度越大，则有时拟合灰度较大，导致精度难以提高；模糊算法由于信息模糊化、隶属度的确定带有明显的主观性,使模糊算法的实际应用受到了一定的限制。人工神经网络是基于连接学说构造的智能仿生模型，是由大量神经元组成的非线性动力学系统，具有并行分布处理、自组织、自适应、自学习和容错性等特点；人工神经网络法无法覆盖水文预测中的不确定性信息，且影响人工神经网络拓扑结构的因素众多，参数优选理论发展的不完善也制约了人工神经网络模型优势的发挥。小波分析方法是一种由粗到细的分析方法，通过观测序列的细微变化展示出其大的变化规律，获得不同频带的简单序列，但小波变换的冗余度很大。统计分析法对于分析和揭示水文现象变化的统计规律是一种有效的手段，主要包括时间序列分析法、多元统计法和相似预测法；时间序列分析方法和多元回归分析方法大多结构简单、思路清晰，应用较多。但是，这些模型大多都是建立在一定的假设基础上的，预测精度往往较差。

发明内容

本发明的目的在于，提供一种短期径流预报方法及系统，能够提高短期径流预报精度。

为解决上述技术问题，本发明采用如下的技术方案：一种短期径流预报方法，包括以下步骤：

S1，对流域径流规律进行分析，并初始化数据；此步骤是为了掌握流域梯级各站的径流变化规律，辨识径流变化状况，同时为制定短期及中长期发电计划提供材料；

S2，建立并调用短期径流预报模型；

S3，求解短期径流预报模型，检验模型精度是否最优，并输出短期径流预报结果。

所述步骤S1中，流域径流规律分析包括：

(1)流域相关性及特征分析；

(2)流域径流序列周期分析：主要运用功率谱分析法和极大熵谱分析法进行流域径流周期的分析。

(3)流域径流序列趋势分析：采用Kendall秩次相关检验和Spearman秩次相关检验对流域各水文站的年径流序列的演变趋势性进行分析。

(4)水文年划分及水库调度分期；

(5)流域梯级典型年的选择。

前述的短期径流预报方法中，所述步骤S1中的流域梯级典型年的选择是基于均方根误差最小原则的，其计算步骤包括：

S11，依据排频计算不同频率的设计径流量；

S12，计算各水文站各频率下的设计年径流量与天然年径流量差值，计算某一频率下每年各水文站天然年径流量与设计径流量差值的平方和，求出平方和均方根最小值所对应的年份即为流域最具代表性的典型年；

S13，将计算出的设计径流量与确定的典型年各水文站的实际径流量进行比较，计算相对误差，

判断其是否合理。

前述的短期径流预报方法中，短期径流预报模型包括逐步回归模型、非平稳自回归模型和最近邻预测模型。

其中，最近邻预测模型即最近邻抽样回归模型(nearest neighbor bootstrapping regressivemodel，简称NNBR)属于相似预测法，按照相似原因产生相似结果的原则，从时间序列样本中找出与现在最相似的一个或是几个样本作为预测结果。该模型避免了对研究对象的相依形式和概率分布形式做某种假定，是一类基于数据驱动的，不需识别参数的非参数模型；其基本思想：客观世界的发生发展存在一定联系，未来的运动轨迹与历史具有相似性，即未来发展模式可以从已知众多模式中去寻找。依据研究对象的不同，可将NNBR模型分为单因子NNBR模型和多因子NNBR模型。

前述的短期径流预报方法中，实时计算预报结果的精度，判断所使用的径流预报模型是否最优。评定指标主要有：

(1)相对误差。预报误差除以实际值为相对误差，以百分数表示。

(2)平均相对误差水平。多个相对误差绝对值的平均值表示多次预报的平均相对误差水平。

(3)确定性系数。依据水文情报规范中确定性系数为预报过程与实测过程之间的吻合程度，按下式计算：

$\mathrm{DC}=1-\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[y_c\left(i\right)-y_0\left(i\right)]}^2}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[y_0\left(i\right)-{\stackrel{\‾}{y}}_0]}^2}$

式中：DC为确定性系数；y₀(i)为实测值；y_c(i)为预报值；

为实测值的均值；n为资料序列长度。

(4)过程合格率。一次预报的误差小于许可误差时，为合格预报。合格预报次数与预报总次数之比的百分数为合格率，表示多次预报总体的精度水平。按下式计算：

$\mathrm{QR}=\frac{n}{m}\×100\%$

式中：QR为合格率；n为合格预报次数；m为预报总次数。

前述的短期径流预报方法中，最近邻预测模型包括不考虑预测降水的降雨-径流二元最近邻模型、考虑前期降水的降雨-径流二元最近邻模型和考虑预测降水的降雨-径流二元最近邻模型。

前述的短期径流预报方法中，短期径流预报模型的优选是考虑预测降水的降雨-径流二元最近邻模型。

实现前述方法的一种短期径流预报系统，包括：

数据初始化模块(1)，用于对流域径流规律进行分析，并初始化数据；

模型库(2)，用于建立并调用短期径流预报模型，短期径流预报模型包括逐步回归模型、非平稳自回归模型和最近邻预测模型；

模型求解模块(3)，用于求解短期径流预报模型，得出径流预报结果；

预报结果输出模块(4)，用于输出短期径流预报结果；

其中，数据初始化模块(1)、模型库(2)、模型求解模块(3)和预报结果输出模块(4)顺次连接。

前述的短期径流预报系统中，所述系统还包括精度检测模块(5)，与模型求解模块(3)连接，用于实时计算预报结果的精度，计算指标包括相对误差、平均相对误差水平、确定性系数和过程合格率，判断所调用的短期径流预报模型是否最优。

与现有技术相比，本发明采用逐步回归模型、非平稳自回归模型和最近邻预测模型对流域短期径流进行预报。(1)通过对三种模型的计算可知，非平稳自回归、逐步回归模型参数较多，对于数据序列长度依赖性较强，汛期模拟波动较大，总的趋势是一种偏小的估计；最近邻模型概念清楚，结构简单，不需对数据做预处理，它是一类基于数据驱动的非参数统计模型，避免了模型的选择和参数不确定性问题，相对于其他模型具有潜在的优势，故推荐最近邻抽样回归模型作为短期径流预报模型。(2)随着影响因子考虑的全面性，模型精度也得到相应的提高，而随着预见期的增加，精度逐步下降，合乎一般数学模型的基本原理。对于考虑降雨因素的两个模型，考虑预测降雨的模型容易受到降雨预测准确性的影响，另由于目前所提供的日径流资料序列不是具有丰、平、枯典型性的序列，对于模拟产生一定的影响，使得与实测过程现存在一定的滞后。从不考虑降雨、考虑前期降雨、考虑预测期降雨三种情况的最近邻模型进行了日径流的预报，得出三种模型拟合的过程线符合实际日径流变化的趋势，考虑预测降水的降雨-径流二元最近邻模型的精度相对较高，而非平稳自回归、逐步回归模型由于受到资料年限影响较大，故预测精度不佳。

附图说明

图1是本发明实施例的软件流程图；

图2是本发明实施例的工作流程图；

图3是本发明实施例的应用考虑预测降水的降雨-径流二元最近邻模型求解得到的日径流预测值与实测值对比图(预见期1d)；

图4是本发明实施例的系统结构示意图。

附图标记：1-数据初始化模块，2-模型库，3-模型求解模块，4-预报结果输出模块，5-精度检测模块。

下面结合附图和具体实施方式对本发明作进一步的说明。

具体实施方式

本发明的实施例：一种短期径流预报方法(针对乌江流域)，如图1、图2所示，包括以下步骤：

S1，对流域径流规律进行分析，并初始化数据，其中，流域径流规律分析包括流域相关性及特征分析、流域径流序列周期及趋势分析、水文年划分及水库调度分期和流域梯级典型年的选择；

S2，建立并调用短期径流预报模型；

S3，求解短期径流预报模型，检验模型精度是否最优，并输出短期径流预报结果。

下面对步骤S1的流域径流规律分析进行详细叙述。

1、流域相关性及特征分析

1.1径流的年内分配

1.1.1基于统计分析的径流年内分配

基于统计分析的径流年内分配通常采用各月(季)平均径流量占全年径流量总量的百分数表示，或采用季节以及洪、枯水期的相对数表示。

1.1.2基于特征定量分析的径流年内分配

为了进一步定量分析乌江流域年径流的变化特征，以下采用年内不均匀系数、集中度(期)以及变化幅度等不同指标，从不同的角度分析乌江流域各站径流年内分配特征的变化规律。

集中度：指各月流量按月以向量的方式累加，其各分量之和的合成量占年径流量的百分数，其意义是反映径流量在年内的集中程度。

集中期：指径流向量合成后的方位，反映全年径流量集中的重心所出现的月份，以12个月分量和的比值正切角度表示。

不均匀性：由于气候的季节性波动、气候要素如降雨和气温有明显的季节性变化，从而在很大程度上决定了径流年内分配的不均性。

采用径流年内分配不均匀系数C_u和径流年内分配完全调节系数C_r分析径流的年内变化，径流年内分配不均匀系数C_u计算公式如下：

$C_u=\mathrm{\σ}/\stackrel{\‾}{R}$

式中：Ri为各月径流量，

为月平均径流量。可以看出，Cu值越大，表明年内各月径流量相差悬殊，径流年内分配越不均匀。

径流年内分配完全调节系数Cr：

$C_r=\underset{i=1}{\overset{12}{\mathrm{\Σ}}}{\mathrm{\φ}}_i(R_i-\stackrel{\‾}{R})/\underset{i=1}{\overset{12}{\mathrm{\Σ}}}{R}_i$

${\mathrm{\&phi;}}_i=\left[\begin{array}{c}0,R_i<\stackrel{\&OverBar;}{R}\\ 1,R_i\&GreaterEqual;\stackrel{\&OverBar;}{R}\end{array}\right.,$ 式中：显示年内分配完全调节系数Cr与不均与系数一样，越大表示年内分配越集中。

集中程度：可用集中度Cu和集中期D表达，即径流量年内分配集中地程度和集中地重心所出现的月份。12个月的分量和构成合成量水平，垂直分量为 $R_x=\underset{i-1}{\overset{12}{\mathrm{\&Sigma;}}}{R}_i\cos {\mathrm{\&theta;}}_i,$ $R_y=\underset{i-1}{\overset{12}{\mathrm{\&Sigma;}}}{R}_i\sin {\mathrm{\&theta;}}_i,$ 合成量为 $R=\sqrt{R_x^2+R_y^2},$ 集中度 $C_u=R/\underset{i=1}{\overset{12}{\mathrm{\&Sigma;}}}{R}_i,$ 集中期D＝arctan(R_y/R_x)。集中期的确定以12个月为准，不考虑2月份是28或29天或者大月、小月、均视为同一个时段长，各月代表的角度1月为15°，2月45°，3月为75°，以后各月均按30°累加所得，考虑Rx为正，Ry负号去决定D的大小及所在象限或其角度值。

1.2径流的年际变化

径流年际变化的总体特征常用变差系数Cv或年极值比(最大、最小年流量的比值)来表示。Cv反映一个流域径流过程的相对变化程度，Cv值大则表示径流的年际丰枯变化剧烈。由提供的天然资料分析计算得到各站的Cv值和年极值比。

1.3径流的丰枯变化

1.3.1丰枯变化

水文情报预报规范对径流丰枯情况的划分标准规定为，按距平百分率P表示：P＞20%为丰水；10%＜P≤20%为偏丰；-10%＜P≤10%为平水；-20%＜P≤-10%为偏枯；P＜-20%为枯水。实际工作中，在以上范围内，可以计算出相应的模比系数Kp值，只要根据已知年径流量计算出Kp值，就可以在表1中给出的区间内查找出当年来水量的丰、平、枯程度。

表1模比系数Kp判别表

1.3.2连丰、连枯概率分析

在流域系统运行管理中，预估来水年份连丰、连枯概率，对于丰水年多发电、枯水年减免损失，以及及早采取必要的措施具有重要的作用。按丰枯划分标准分析丰、平、枯并统计连枯、连丰出现的频次和概率。

连丰、连枯：指的是径流序列中某种状态(丰、平、枯)连续出现的年数，如丰水年连续2年，通常使用丰(枯)水年连续出现的年数发生的频次来分析其中规律。

条件概率分析的基本原理：条件概率分析方法是描述一件事情发生条件下，另一件事情发生的概率。年、月径流序列可视为一个离散序列，连丰年称为正游程，连枯年称为负游程。计算公式如下：P＝ρ^(k-1)(1-ρ)0＜ρ＜1，式中：P为连续k年枯水(丰水)概率；ρ为模型参数，其值在0~1之间，指在前一年枯水(丰水)条件下连续出现同类事件的概率；k为连枯(连丰)年年数。模型参数ρ按下式计算：ρ＝(s₁-s₂)/s，式中：s1为统计时期中连枯年(连丰年)总年数；s2为统计时期中各种统计长度的连枯(连丰)年发生的累计频次；s为统计时期中枯水年(丰水年)的累计频次。

1.3.3丰枯遭遇分析

由于乌江流域各站所处的地理位置、气候、下垫面等因素的影响，各站径流呈现出丰枯变化的差异性和不确定性。分析各站之间的丰、平、枯各种状态遭遇的概率，对于发电规划有着重要的意义。

丰枯遭遇分析：流域各站之间径流序列丰、平、枯各种状态互相遭遇的概率，主要表现为丰枯同步、丰枯异步概率。目前，分析不同水文区径流丰枯遭遇常用统计法、联合概率法和copula函数等分析。统计法是基于频率分析的方法，根据确定的丰枯指标并依据丰枯指标分析各水文区的丰枯情况，再统计各站丰枯组合下的遭遇次数。

1.3.4丰枯状态转移概率特性分析

为了进一步揭示流域各站丰枯变化规律，根据以上年径流的划分标准，把流域各站划分为五种状态，通过马尔科夫过程来进行状态转移概率矩阵分析，可揭示年径流丰枯各态转移和互转移概率的特性。

马尔科夫链：研究分析时间序列的变化规律，从而预报其未来变化趋势。如果时间序列变量的状态可数，假如有N个，那么从状态i经一步转移到状态j，都有不同状态发生的可能。

1.4流域各站、各区间年平均流量相关性分析

2流域径流周期分析

一个水文要素随时间变化的过程多种多样，但总可以把它看成是有限个周期波互相迭加而成。由于影响水文要素变化的复杂，其周期不可能象天体运动、潮汐现象所具有规律性，而只是概率意义上的周期，也就是只能理解为某一水文现象出现之后，经过一定的时间间隔，这种现象再次重复出现的可能性较大而已。

水文时间序列中的周期项属于确定性成分，是由于受地球绕太阳公转和地球自转的影响而形成的。例如月降水量、径流量等水文特征量序列受这种影响，明显存在以12个月为基本周期的周期成分；逐时气温及蒸发量等序列中，受日夜不同大气的影响，又存在24小时为周期的周期成分。

时间序列的周期分析方法有很多，在水文变量中的分析提取方法主要的有简单分波法、傅立叶分析法、功率谱分析法、极大熵谱分析法和小波分析法等。本实施例主要运用功率谱分析法和极大熵谱分析法进行乌江流域径流周期的分析。

3流域各站年径流序列趋势持续性分析

在水文时间序列中，判断其趋势成分是否显著，需进行统计分析和检验。检验的途径一般有两种：一种是观察法，即对时间序列的变化过程线进行观察，得出结论；另一种是统计检验法，常用的有Kendall秩次相关检验、Spearman秩次相关检验和线性趋势回归检验等。本实施例采用Kendall秩次相关检验和Spearman秩次相关检验对乌江流域各水文站的年径流序列的演变趋势性进行分析。

4水文年划分及水库调度分期

水文年指以每个日历年的洪水期开始作为起始时刻，并以跨日历年的形式表示，这种丰枯水交替循环的年份，成为水文年。根据乌江流域气候、时空尺度等综合因素，划分水文年为某一日历年的5月到其下一年的4月为1水文年。水库调度分期：汛初：5月1日~6月20日；主汛期：6月21日~9月10日；汛末：9月11日~10月31日；供水初期至供水期末：10月31日~5月1日。

5典型年的选择

在水利水电工程规划设计中，根据长系列水文资料进行计算，可获得较精确的结果，但工作量大。在实际的工程中可采用简化方法，即从水文资料中选择若干典型年份或典型多年径流系列作为设计代表其进行计算，其成果一般能满足规划设计的要求。在水利水电规划设计中，常选择有代表性的枯水年、平水年、和丰水年作为设计典型年，分别称为设计枯水年、设计中水年和设计丰水年。而以设计枯水年的效益计算结果代表恰好满足设计保证率要求的工程兴利情况；设计中水年代表中水年等来水条件下的平均兴利情况；设计丰水年则代表多水条件下的兴利情况。在水库调度运行中，年径流过程是制定中长期计划的基础。由于受现阶段预报水平的制约，很难做出准确的中长期预报。但对于定性的预报效果尚可，故选择不同典型年过程对实际调度具有很好的借鉴价值。

对于大的流域，由于流域内气候、降雨、地形的变化等较大，各测站的水文情况具有不完全同步的现象，很难直接找出各站设计径流量都接近的水文年份。为了能找出对流域最具代表性的典型年，本实施例运用最小平方逼近法来选取乌江流域的典型年，以便为研究梯级水库调度提供依据。

5.1均方根误差最小原则基本原理

其基本思想为：最具有代表性的典型年和典型系列的径流量与各测站设计径流量的差值平方和的均方根最小。

5.2计算方法及步骤

(1)依据排频计算不同频率的设计径流量(5%,10%,25%,30%,40%,50%,60%,70%,75%,90%,95%)。

(2)实际典型年的选择

计算各站各频率下的设计年径流量与天然年径流量差值；计算某一频率下，每年各站天然年径流量与设计径流量差值的平方和；求出平方和均方根最小值所对应的年份即为流域最具代表性的典型年。

(3)成果合理性分析

以计算出的设计径流量(5%,10%，25%，30%，40%，50%，60%，70%，75%，90%，95%)和选出的典型年各测站的实际径流量进行比较，求相对误差：

5.3流域典型年的选择

(1)根据P-III型分布规律计算不同频率P下的设计径流量。

(2)实际典型年的选择

实际上实际典型年的选择除了考虑偏差最小之外，还应该综合考虑流域内时空分布、气象因子的影响，综合这几方面考虑，最终选择结果如下：

表2流域各站不同频率典型年选择结果

表3典型年与设计年径流相对误差(%)

由表3可见，乌江流域1951.5~2007.4年选出的典型年为：丰水年1976.5~1977.4；偏丰年1982.5~1983.4；平水年1998.5~1999.4；枯水年1989.5~1990.4；偏枯年1972.5~1973.4；另外，从56年系列中选出的各种频率下典型年平均相对误差均小于±5%，可作为乌江流域水库调度的典型年。

短期径流预报模型包括逐步回归模型、非平稳自回归模型和最近邻预测模型。最近邻预测模型包括不考虑预测降水的降雨-径流二元最近邻模型、考虑前期降水的降雨-径流二元最近邻模型和考虑预测降水的降雨-径流二元最近邻模型。

实时计算预报结果的精度，判断所使用的径流预报模型是否最优。评定指标主要有：

(1)相对误差。预报误差除以实际值为相对误差，以百分数表示。

(2)平均相对误差水平。多个相对误差绝对值的平均值表示多次预报的平均相对误差水平。

(3)确定性系数。依据水文情报规范中确定性系数为预报过程与实测过程之间的吻合程度，按下式计算：

$\mathrm{DC}=1-\frac{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[y_c\left(i\right)-y_0\left(i\right)]}^2}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[y_0\left(i\right)-{\stackrel{\&OverBar;}{y}}_0]}^2}$

式中：DC为确定性系数；y₀(i)为实测值；y_c(i)为预报值；

为实测值的均值；n为资料序列长度。

(4)过程合格率。一次预报的误差小于许可误差时，为合格预报。合格预报次数与预报总次数之比的百分数为合格率，表示多次预报总体的精度水平。按下式计算：

$\mathrm{QR}=\frac{n}{m}\&times;100\%$

式中：QR为合格率；n为合格预报次数；m为预报总次数。

依据以上评定指标对三种模型分别进行精度评定。

1、逐步回归模型精度评定

1.1无降雨因子的逐步回归模型

由于流域实际原因，可提供的日径流资料年限有限，现采用洪家渡站2005~2008年4年日径流资料来进行模型的研究，其中2005~2007年用于率定模型，对2008年日径流资料进行预报，其他模型资料一样。无降雨因子的逐步回归模型成果见表4。

表4逐步回归模型的预测误差表

注：MAE为平均相对误差，其他各列数据为相对误差合格率。

1.2基于降雨因子的逐步回归模型

由于乌江流域特征在空间上变化巨大，可选的因子变量较多，如何选出对日径流预报具有影响力的因子较为困难。由于流域降雨-径流是最复杂的水文现象，降雨中包含了诸多因子信息，流域流量资料系列一般较短，而降雨资料一般来说年限较长。随着气象预报对于降雨预报精度的提高以及预见期的提高，对于一定预见期的预报径流具有较为重要的作用。

基于降雨因子的逐步回归模型选取流域各站及其区间前1-15天的日径流量序列及站前流域面积、区间流域15天面雨量总共30个因子筛选。预测成果见表5。

表5基于降雨因子的逐步回归模型的预测误差表

逐步回归模型计算中，不考虑降水因子的情况下，该模型能给出日径流过程的变化趋势，枯期拟合较好，对于汛期日径流极大值、极小值趋势未能拟合到位，预见期1d相对误差小于20%合格率45.5%，；考虑降雨因子的情况下，模型的精度有了进一步的提高，预见期1d相对误差小于20%合格率47.4%，拟合不够理想。

2、非平稳自回归模型精度评定

依据以上模型原理及洪家渡代表站2005~2008年4年资料，对模型参数进行率定，最终得出分平稳自回归模型预测成果，见表6。

表6非平稳自回归模型的预测误差表

非平稳自回归模型对于日径流的模拟较好，但由于资料序列较短，日径流突变性过强，模型的参数率定受到很大的限制，虽能给出初步的过程变化趋势，但对于汛期日径流的模拟则不够到位，预见期1d相对误差小于20%合格率55.3%，随着预见期的延长，精度明显下降。

3、最近邻预测模型

3.1不考虑预测降水的降雨-径流二元最近邻预测法

因为日径流前三阶的相关关系较好，进行模型参数的初选，再经过试错，取特征矢量维数P=3，构造单因子NNBR模型，预测接下来5日内可能出现的每日径流量，最近邻数K取为 $K=\mathrm{int}\left(\sqrt{m}\right).$

采取实测洪家渡站2005~2007年共3年资料，n为资料总个数，p为与X_t相关的前相邻历史值个数，按以上提出的方法确定，取特征矢量维数P=3，则特征矢量D_t的个数为1092个，相应的后续值也为1092个。

在建模的过程中，使用逐步向后滑动的预报策略。如预测2008年1月1日流量，用2007年12月29日到2007年12月31日的流量构造特征矢量D_i，用2007年12月31日及其以前1095d的资料构造特征矢量来预测；预测2008年1月2日流量用2007年12月30日到2008年1月1日的流量构造特征矢量D_i，用2008年1月1日及其以前1096d的资料构造特征矢量来预报；依次类推。

通过以上建模，将2008年作为检验年份，进行日径流的预测，以20%的相对误差作为检验标准，预测成果见下表：

表7单因子NNBR模型的预测误差表

不考虑预测降水的降雨-径流二元最近邻模型能给出日径流过程变化趋势，确定性系数0.69，相对误差小于20%合格率63.6%，总的趋势是一种偏大的估计。

3.2考虑前期降水的降雨-径流二元最近邻预测法

因日降水与日径流2阶关系较好，故增加前一日降水作为影响因子构造NNBR模型，具体用2005~2007年共3年1095d日径流、降水资料构造特征矢量D_t＝(Q_t,P_t)，后续值Q_t+1，预测后5日径流量，特征矢量维数P=3，m=n，模型预测结果见表8。

表8考虑前期降水的降雨-径流二元最近邻法的预测误差

考虑已知降水资料作为影响因子考虑进去，由于日降水与日径流的2阶、3阶互相关系数较好，对模型的精度有较好的提高，确定性系数为0.84，相对误差小于20%合格率76.1%，模型预报过程与实测过程之间的吻合程度较好。

3.3考虑预测降水的降雨-径流二元最近邻预测法

具体用2005~2007年共3年1095d日径流、降水资料构造特征矢量D_t＝(Q_t,P_t)，后续值Q_t+1，预测后5日径流量，后5日降雨量采取预测降水，特征矢量维数P=3，m=n，预测结果见表9和图3。

表9考虑预测降水的降雨-径流二元最近邻法的预测误差

考虑预测降水资料作为影响因子的最近邻模型，预见期1d的情况下，确定性系数为0.84，相对误差小于20%，合格率75.9%，基本与考虑已知降水资料作为影响因子的模型接近，但随着预见期的增加(2d，3d，4d，5d)，考虑预测降雨的精度明显提高，平均相对误差MAE相对变小，说明考虑预测降雨的情况下，能更好地进行预报。

实现前述方法的一种短期径流预报系统，如图4所示，包括：

数据初始化模块1，用于对流域径流规律进行分析，并初始化数据；

模型库2，用于建立并调用短期径流预报模型，短期径流预报模型包括逐步回归模型、非平稳自回归模型和最近邻预测模型；

模型求解模块3，用于求解短期径流预报模型，得出径流预报结果；

预报结果输出模块4，用于输出短期径流预报结果；

其中，数据初始化模块1、模型库2、模型求解模块3和预报结果输出模块4顺次连接。

所述系统还包括精度检测模块5，与模型求解模块3连接，用于实时计算预报结果的精度，计算指标包括相对误差、平均相对误差水平、确定性系数和过程合格率，判断所调用的短期径流预报模型是否最优。

Claims (8)

1.一种短期径流预报方法，其特征在于，包括以下步骤：

S1，对流域径流规律进行分析，并初始化数据，其中，流域径流规律分析包括流域相关性及特征分析、流域径流序列周期及趋势分析、水文年划分及水库调度分期和流域梯级典型年的选择；

S2，建立并调用短期径流预报模型；

S3，求解短期径流预报模型，检验模型精度是否最优，并输出短期径流预报结果。

2.根据权利要求1所述的短期径流预报方法，其特征在于：所述步骤S1中的流域梯级典型年的选择是基于均方根误差最小原则的，其计算步骤包括：

S11，依据排频计算不同频率的设计径流量；

S12，计算各水文站各频率下的设计年径流量与天然年径流量差值，计算某一频率下每年各水文站天然年径流量与设计径流量差值的平方和，求出平方和均方根最小值所对应的年份即为流域最具代表性的典型年；

S13，将计算出的设计径流量与确定的典型年各水文站的实际径流量进行比较，计算相对误差，

判断其是否合理。

3.根据权利要求2所述的短期径流预报方法，其特征在于：短期径流预报模型包括逐步回归模型、非平稳自回归模型和最近邻预测模型。

4.根据权利要求1或3所述的短期径流预报方法，其特征在于：实时计算预报结果的精度，其计算指标包括相对误差、平均相对误差水平、确定性系数和过程合格率，来判断所使用的径流预报模型是否最优；其中

(1)

(2)平均相对误差水平为多个相对误差绝对值的平均值；

(3)依据水文情报规范中确定性系数为预报过程与实测过程之间的吻合程度，按下式计算：

式中：DC为确定性系数，y₀(i)为实测值，y_c(i)为预报值，为实测值的均值，n为资料序列长度；

(4)一次预报的误差小于许可误差时，为合格预报，合格预报次数与预报总次数之比的百分数为过程合格率，表示多次预报总体的精度水平，按下式计算：

式中：QR为合格率，n为合格预报次数，m为预报总次数。

5.根据权利要求3所述的短期径流预报方法，其特征在于：最近邻预测模型包括不考虑预测降水的降雨-径流二元最近邻模型、考虑前期降水的降雨-径流二元最近邻模型和考虑预测降水的降雨-径流二元最近邻模型。

6.根据权利要求5所述的短期径流预报方法，其特征在于：短期径流预报模型的优选是考虑预测降水的降雨-径流二元最近邻模型。

7.实现权利要求1～6所述方法的一种短期径流预报系统，其特征在于，包括：

数据初始化模块(1)，用于对流域径流规律进行分析，并初始化数据；

模型库(2)，用于建立并调用短期径流预报模型，短期径流预报模型包括逐步回归模型、非平稳自回归模型和最近邻预测模型；

模型求解模块(3)，用于求解短期径流预报模型，得出径流预报结果；

预报结果输出模块(4)，用于输出短期径流预报结果；

其中，数据初始化模块(1)、模型库(2)、模型求解模块(3)和预报结果输出模块(4)顺次连接。

8.根据权利要求7所述的短期径流预报系统，其特征在于：还包括精度检测模块(5)，与模型求解模块(3)连接，用于实时计算预报结果的精度，计算指标包括相对误差、平均相对误差水平、确定性系数和过程合格率，判断所调用的短期径流预报模型是否最优。

Images