CN105224801B - 一种多因子水库入库流量短期预报评价方法 - Google Patents
一种多因子水库入库流量短期预报评价方法 Download PDFInfo
- Publication number
- CN105224801B CN105224801B CN201510646535.0A CN201510646535A CN105224801B CN 105224801 B CN105224801 B CN 105224801B CN 201510646535 A CN201510646535 A CN 201510646535A CN 105224801 B CN105224801 B CN 105224801B
- Authority
- CN
- China
- Prior art keywords
- data
- forecast
- reservoir
- model
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种多因子水库入库流量短期预报评价方法,包括流量预报步骤,确定工作流程中与人员、数据、模型、环境有关的因素;对各种因素进行分类;根据短期预报误差数据表与生成的数据表进行连接查询;对形成的数据表,进行主成份分析,找出影响预报的因素;利用贝叶斯先验概率,制订评价基线。本发明一种多因子水库入库流量短期预报评价方法,可以有效提高了水库调度精细化、标准化运行的水平,实现动态可观评价预报工作水平。
Description
技术领域
本发明一种多因子水库入库流量短期预报评价方法,涉及水库入库流量监测领域。
背景技术
水库入库流量短期预报是指提前一定的时间对未来时间内发生的水库入库流量作出预测,一般预测未来12-72小时入库流量。目前水利水电行业采用绝对误差,相对误差这两个指标对业务洪水预报精度进行评价。该传统方法可对于水库入库流量短期预报的最终产品—基于时间序列的预测流量,进行客观评价。
由于水库入库流量短期预报水平,受到水文学等学科研究进展,地表空间数据获取成本以及水库调度目标等众多因素的影响。目前,其预测精度无法得到显著提高。其中李树平等在《水库洪水预报误差分析》中描述了影响水库入库流量预报的几个客观因素。王玉华等在《三峡水库入库流量短期洪水预报》中对三峡水库短期洪水预报进行了误差分析和评价,简单描述了对入库流量短期预报提高的若干途径。以上方法均是以精度为核心去评价水库入库流量短期预报结果,由于水库入库流量短期预报结果的优劣,受制于众多因素,单一的误差评定方法,无法反映预报水平的高低,因此需要一种新的方法,客观评价预报水平。
随着信息技术的发展,数值预报系统的广泛应用,水库入库流量短期预报作业模式已基本成为人机交互模式,逐步摆脱了原来取决于预报员自身经验的模式。在现有的模式下,其工作流程可以通过一些客观指标和主观描述,并进行标记。通过评价每个工作流程中的指标,从管理学上对水库入库流量短期预报过程进行主成份分析,从而发现影响水库入库流量短期预报的因子,最后对这些影响因子进行分类,形成一种基于预报工作流的可追溯的评价方法。在此基础上,根据历史情况,计算出新的分类模型,利用贝叶斯相关理论,得出基于历史情况的主要客观条件下,流量预报的准确度。为评价每次预报过程提供客观和可操作的依据,从而提高水库入库流量短期预报水平。
发明内容
本发明提供一种多因子水库入库流量短期预报评价方法,在水文气象耦合的前提下的标准水库入库流量预报流程,明确预报流程中涉及到的人员,数据,模型,以及环境等因素,对每天12至72小时预见期的预报流程中各个因素进行标记,并予以记录。将该记录与预报结果误差进行联合分析,发现影响预报精度的原因,为管理者提供优化流程的依据,并确立在相同影响因子下的预报误差范围,找到不同客观条件下的预报评价基线,为评价每次预报过程提供客观和可操作的依据,从而促进水库入库流量短期预报水平的提高。
本发明所采用的技术方案是:
一种多因子水库入库流量短期预报评价方法,包括以下步骤:
步骤1:确定标准工作流程
水库入库流量预报流程简要描述:气象预报人员根据第三方雨量数值预报结果,结合自身经验,制作出分区域的12-72小时预见期的流域降水预报;
流量预报人员通过运行多个数学模型,数学模型的输入为:2个以上的实况雨量信息,2个以上的水位信息,2个及2个以上的预报面雨量信息;并参考自身经验,完成流量预报。在特殊时期,流量预报的制作需要经过多人会商,并经负责人同意后,确定。具体流程见图1。
步骤2:确定工作流程中与人员、数据、模型、环境有关的因素
1)、人员因素包括:气象预报员,流量预报员和会商决策者以及他们的年龄,性别,学历,职位,工龄、以及在预报过程中的角色。如:流量预报员、气象预报员、会商决策者等)。
2)、数据因素包括:2种或2种以上的实况降水数据,2种及2种以上的预报降水数据,1种实况流量数据。以及数据的发布单位,数据是否经过人工校正,数据是否参考,预报员在预报时对数据的主观评价0-5分,5分为最高分。
3)、模型因素包括:2种或2种以上的流量预报模型。模型软件的名称,模型参数的研制单位,模型的分类,模型的计算时间,模型在本次过程中是否为主要参考,预报员预报时对模型结果的主观评价0-5分,5分为最高分。
4)、环境因素包括:时间,依据时间,流量级,是否会商,次日是否有降雨,是否在库区有预报降雨。
步骤3:对步骤2中各种数据进行分类:
1)、静态数据:如人员年龄、工龄、模型名称等数据;
2)、人工输入动态数据:如数据是否参考,模型是否参考,预报员对数据和模型的主观评价,是否会商等数据;
3)、自动记录动态数据:时间,模型计算时长,流量级等数据。
确定以上数据通过自动和人工交互的方式,在每次预报过程后,都予以完全记录。
步骤4:根据短期预报误差数据表与步骤3生成的数据表进行连接查询。
步骤5:对步骤4形成的数据表,进行主成份分析,找出影响预报的因素。
步骤6:进行分析,利用贝叶斯先验概率,制订评价基线。
本发明一种多因子水库入库流量短期预报评价方法,具有以下优点:
1)、充分发掘影响水库入库流量短期预报的因子,通过每次预报结果评价,对多因子条件下的预报条件进行分析,找到不同预报条件下,制约预报水平的因素,从中找到提升预报水平的办法。
2)、改变单一评价水库入库流量短期预报的现状。形成动态、客观评价预报的体系,有利于精细化管理,客观评价每一次预报,客观评价预报员的水平,调动预报员的积极性。
3)、对可控,可操作的因子通过技术手段进行改良,从而提高水库入库流量短期预报水平。促进水库调度管理和技术层面的全面提升。
4)、本发明方法的应用,可以有效提高了水库调度精细化、标准化运行的水平,实现动态可观评价预报工作水平。
附图说明
图1为本发明方法的流程图。
图2为本发明的水库入库流量短期预报流程图。
图3为本发明的人员因素E-R图。
图4为本发明的数据因素E-R图。
图5为本发明的模型因素E-R图。
图6为本发明的环境因素E-R图。
图7为本发明的预报因素E-R图。
图8为本发明的关系E-R图。
具体实施方式
下面通过实施例,结合图表,对本发明的技术方案做进一步具体说明。
步骤1:确定标准工作流程:
水库入库流量预报流程简要描述:气象预报人员,根据第三方雨量数值预报结果,结合自身经验,制作出分区域的12-72小时预见期的流域降水预报。流量预报人员,通过运行多个数学模型。数学模型的输入为:2个以上的实况雨量信息,2个以上水位信息,2个以上的预报面雨量信息,2个以上气象降雨预报信息,并参考自身经验,完成流量预报。在特殊时期,流量预报的制作需要经过多人会商,并经负责人同意后确定。具体流程见图1。
步骤2:确定工作流程中与人员、数据、模型、环境有关的因素。
1)、人员因素包括:气象预报员,流量预报员和会商决策者以及他们的年龄,性别,学历,职位,工龄、以及在预报过程中的角色。如:流量预报员、气象预报员、会商决策者等。
2)、数据因素包括:2种或2种以上的实况降水数据,2种及2种以上的预报降水数据,1种实况流量数据。以及数据的发布单位,数据是否经过人工校正,数据是否参考,预报员在预报时对数据是否参考的主观评价0-5分,5分为最高分。
3)、模型因素包括:2种或2种以上的流量预报模型。模型软件的名称,模型参数的研制单位,模型的分类,模型的计算时间,模型在本次过程中是否为主要参考,预报员预报时对模型结果是否参考的主观评价0-5分,5分为最高分。
4)、环境因素包括:时间,依据时间,流量级,是否会商,次日是否有降雨,是否在库区有预报降雨。
步骤3:对步骤2中各种数据进行分类:
静态数据:如人员年龄、工龄、模型名称等数据;
人工输入动态数据:如数据是否参考,模型是否参考,预报员对数据和模型的主观评价,是否会商等数据;
自动记录动态数据:时间,模型计算时长,流量级等数据。
确定以上数据通过自动和人工交互的方式,在每次预报过程后,都予以完全记录。
步骤4:确定样本的时间范围根据短期预报误差数据表(见表1)与步骤3生成的客观条件数据表进行连接查询。
步骤5:对步骤4形成的数据表,进行主成份分析,找出影响预报的因素。主要因素结果见表2,
1)、对原始数据进行标准化,归一化
其中:
xi为经过标准化计算后的标准数值;
Xi为同一序列的数值;
为同一序列数据的均值;
Si为同一序列数据的标准方差;
n为序列的长度。
2)、计算相关系数矩阵。
其中:
R为相关系数矩阵;
rij为变量xi与xj的相关系数,rij=rji;
p为序列长度;
3)、计算特征值与特征向量。
解特征方程|λE-R|=0,并计算对应特征值λi的特征值向量ei。
其中:
E为单位矩阵;
R为关系矩阵;
λ为关系数矩阵R的特征值矩阵;
λi为关系数矩阵R的特征值;
计算主成分贡献率及累计贡献率:
其中:
CON为贡献率;
λi为矩阵R的特征值;
p为序列长度;
其中:
ACON为累计贡献率;
λi为矩阵R的特征值;
p为序列长度;
取累计贡献率ACON≧0.95的特征值λi所对应的第i个,第i-1个…,第1个主成分作为主要影响因子
步骤6:在SPSS中的操作简要步骤如下:
先在spss中准备好要处理的数据,然后在菜单栏上执行:analyse--dimensionreduction--factor analyse。打开因素分析对话框。
将要分析的变量都放入variables窗口中。
点击descriptives按钮,进入次级对话框,这个对话框可以输出我们想要看到的描述统计量。
因为做主成分分析需要我们看一下各个变量之间的相关,对变量间的关系有一个了解,所以需要输出相关,勾选coefficience,点击continue,返回主对话框。
回到主对话框,点击ok,开始输出数据处理结果。
这第一个表格就是相关矩阵,现实的是各个变量之间的相关系数,通过相关系数,你可以看到各个变量之间的相关,进而了解各个变量之间的关系。
第二个表格显示的主成分分析的过程,我们看到eigenvalues下面的total栏,他的意思就是特征根,他的意义是主成分影响力度的指标,一般以1为标准,如果特征根小于1,说明这个主因素的影响力度还不如一个基本的变量。所以只提取特征根大于1的主成分。
步骤7,根据步骤5,6产生的主成分,确定主要影响因子,一般不超过3个。
步骤8,对步骤7的影响因子,结合预报误差情况,进行分类样本库的建立,分为优秀(A),合格(B),不合格(C)。并根据贝叶斯判别法,建立费希尔分类判别方程。
Y=a1X1+a2X2+…+anXn(n=1,2…n)其中
Y是费希尔分类函数;通过Y值在向量中的大小来确定分类;
an是希尔分类函数系数,通过SPSS计算得出;
Xn是标准归一化数据;
步骤9:将标准化后的原始数据代入费希尔分类函数,分类函数值最大值,即确定分为该类。SPSS中的步骤:
1)、单击Analyze→Classify→Discriminant,打开Discriminant Analysis判别分析对话框。
2)、从对话框左侧的变量列表中选中进行判别分析的有关变量x1~x9进入Independents框,作为判别分析的基础数据变量。
3)、从对话框左侧的变量列表中选分组变量Group进入Grouping Variable框,并点击Define Range...钮,在打开的Discriminant Analysis:Define Range对话框中,定义判别原始数据的类别数,由于原始数据分为3类,则在Minimum(最小值)处输入1,在Maximum(最大值)处输入3。选择后点击Continue按钮返回Discriminant Analysis主对话框。
4)、选择分析方法:Enter independent together所有变量全部参与判别分析(系统默认)。
5)、Method栏,选择变量的统计量方法,Wilks’lambda(默认)按统计量Wilksλ最小值选择变量。
6)、单击Statistics按钮,打开Statistics对话框如图4所示,从中指定输出的统计量。Descriptives描述统计量栏->Means-各类中各自变量的均值,标准差stdDev和各自变量总样本的均值和标准差。
7)、Function coefficients选择输出判别函数系数。Fisherh’s给出贝叶斯判别函数系数。
8)、Matrices栏选择给出的自变量系数矩阵,全选。
9)、单击Classify按钮,打开Classify对话框,系统默认。得到贝叶斯判别函数的系数。
10)、以该含有该系数的方程即为基线方程。
表1:为传统12h-72h预报误差统计表,以12h为例。
说明:
绝对误差=预报流量-实况流量;许可误差=实况流量*5%,当绝对误差超过许可误差时,为不合格。
相对误差=(预报流量-实况流量)/实况流量。
表2:主成分分析结果表
成分 | 特征根 | 成分比例(%) | 累计比例(%) |
1 | 3.56 | 51.34 | 51.34 |
2 | 2.45 | 21.23 | 72.57 |
3 | 1.5 | 14.50 | 87.07 |
4 | 0.42 | 8.20 | 95.27 |
5 | 0.3 | 3.10 | 98.37 |
6 | 0.2 | 0.90 | 99.27 |
7 | 0.06 | 0.70 | 99.97 |
8 | 0.015 | 0.03 | 100.00 |
表3贝叶斯判别函数的系数
上表为贝叶斯判别函数的系数矩阵,可以用数学表达式表示为:
y1=-320.267+0.0978x1+9.3545x2-3.3032x3
y2=-228.550+0.157x1+7.816x2-2.726x3
y3=-295.678-0.026x1+9.743x2-4.051x3
其中:
x1为流量级的标准数值;
x2为库区是否有降雨的标准数值;
x1为预报是否有降雨的标准数值;
y1为贝叶斯判别函数分类为优秀的方程;
y2为贝叶斯判别函数分类为合格的方程;
y3为贝叶斯判别函数分类为不合格的方程;
以上3个方程即形成多因子评价基线方程。
表4实际评价结果表
Claims (1)
1.一种多因子水库入库流量短期预报评价方法,其特征在于包括以下步骤:
步骤1:气象预报人员根据第三方雨量数值预报结果,制作出分区域的12-72小时预见期的流域降水预报;水库入库流量预报人员通过运行多个数学模型完成流量预报,数学模型的输入为:2个以上的实况雨量信息,2个以上的上游水位信息,2个以上的预报面雨量信息;
步骤2:确定工作流程中与人员、数据、模型、环境有关的因素:
1)、人员因素包括:气象预报员,流量预报员和会商决策者,以及他们的年龄、性别、学历、职位、工龄、以及在预报过程中的角色;
2)、数据因素包括:2种以上的实况降水数据,2种以上的预报降水数据,1种实况流量数据,以及数据的发布单位,数据是否经过人工校正,数据是否参考,预报员在预报时对数据的主观评价0-5分,5分为最高分;
3)、模型因素包括:2种以上的流量预报模型,模型软件的名称,模型参数的研制单位,模型的分类,模型的计算时间,模型在本次过程中是否为主要参考,预报员预报时对模型结果的主观评价0-5分,5分为最高分;
4)、环境因素包括:时间,依据时间,流量级,是否会商,次日是否有降雨,是否在库区有预报降雨;
步骤3:对步骤2中各种因素进行分类:
1)、静态数据:人员年龄、工龄、模型名称数据;
2)、人工输入动态数据:数据是否参考,模型是否参考,预报员对数据和模型的主观评价,是否会商数据;
3)、自动记录动态数据:时间,模型计算时长,流量级数据;
确定以上数据通过自动和人工交互的方式,在每次预报过程后,都予以完全记录;
步骤4:根据短期预报误差数据表与步骤3生成的数据表进行连接查询;
步骤5:对步骤4形成的数据表,进行主成分分析,找出影响预报的因素;
步骤6:进行分析,利用贝叶斯先验概率,制订评价基线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510646535.0A CN105224801B (zh) | 2015-10-08 | 2015-10-08 | 一种多因子水库入库流量短期预报评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510646535.0A CN105224801B (zh) | 2015-10-08 | 2015-10-08 | 一种多因子水库入库流量短期预报评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105224801A CN105224801A (zh) | 2016-01-06 |
CN105224801B true CN105224801B (zh) | 2017-09-26 |
Family
ID=54993767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510646535.0A Active CN105224801B (zh) | 2015-10-08 | 2015-10-08 | 一种多因子水库入库流量短期预报评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105224801B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106383373B (zh) * | 2016-12-10 | 2018-10-30 | 四创科技有限公司 | 基于实测与预报降雨量的等值线、等值面绘制、预警方法 |
CN106595788B (zh) * | 2016-12-20 | 2018-12-11 | 河海大学 | 基于多参数耦合修正的大型泵站流量监测方法 |
CN109840587B (zh) * | 2019-01-04 | 2022-07-05 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
CN115249403A (zh) * | 2022-07-27 | 2022-10-28 | 湖北清江水电开发有限责任公司 | 流域梯级电厂水雨情预警系统及预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102155938A (zh) * | 2011-04-07 | 2011-08-17 | 武汉大学 | 一种反推水库入库流量过程的测算方法 |
CN103164628A (zh) * | 2013-03-29 | 2013-06-19 | 中国长江三峡集团公司 | 预报水库来流流量的方法 |
CN103882827A (zh) * | 2014-04-14 | 2014-06-25 | 武汉大学 | 基于径流集合预报的水库防洪风险率预测方法 |
KR20140120985A (ko) * | 2013-04-03 | 2014-10-15 | 주식회사 대영 | 홍수조절지 및 우수저류지의 수문 자동 운전시스템 |
-
2015
- 2015-10-08 CN CN201510646535.0A patent/CN105224801B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102155938A (zh) * | 2011-04-07 | 2011-08-17 | 武汉大学 | 一种反推水库入库流量过程的测算方法 |
CN103164628A (zh) * | 2013-03-29 | 2013-06-19 | 中国长江三峡集团公司 | 预报水库来流流量的方法 |
KR20140120985A (ko) * | 2013-04-03 | 2014-10-15 | 주식회사 대영 | 홍수조절지 및 우수저류지의 수문 자동 운전시스템 |
CN103882827A (zh) * | 2014-04-14 | 2014-06-25 | 武汉大学 | 基于径流集合预报的水库防洪风险率预测方法 |
Non-Patent Citations (1)
Title |
---|
三峡水库入库流量短期洪水预报;王玉华 等;《水利水电技术》;20110228;第42卷(第2期);第62-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105224801A (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
Tsamboulas et al. | Use of multicriteria methods for assessment of transport projects | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN105224801B (zh) | 一种多因子水库入库流量短期预报评价方法 | |
CN107424070A (zh) | 一种基于机器学习的贷款用户信用评级方法及系统 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN110929918A (zh) | 一种基于CNN和LightGBM的10kV馈线故障预测方法 | |
CN110119948B (zh) | 基于时变权重动态组合的电力用户信用评价方法及系统 | |
CN110348601A (zh) | 一种基于双向长短期记忆网络的地铁短期客流量预测方法 | |
CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和系统 | |
Huang et al. | Research on urban modern architectural art based on artificial intelligence and GIS image recognition system | |
CN109492825A (zh) | 基于互信息和主成分分析筛选因子的中长期预报方法 | |
CN109767074A (zh) | 一种高可靠性供电区配网规划效果综合评估方法 | |
CN110009224A (zh) | 嫌疑人违规概率预测方法、装置、计算机设备及存储介质 | |
CN104751254A (zh) | 基于非等距加权灰色模型和模糊聚类排序线损率预测方法 | |
CN112633556A (zh) | 一种基于混合模型的短期电力负荷预测方法 | |
CN109344248B (zh) | 一种基于科技文献摘要聚类的学术主题生命周期分析方法 | |
CN111339167A (zh) | 基于K-means和主成分线性回归的台区线损率影响因素分析方法 | |
CN107798137B (zh) | 一种基于可加模型的多源异构数据融合架构系统 | |
CN112990531B (zh) | 一种基于特征增强ConvLSTM的雾霾预测方法 | |
CN104143117B (zh) | 一种电网特殊负荷与日负荷之间的相关系数提取方法 | |
CN105005623A (zh) | 基于关键词检索指数相关性分析的用电需求预测方法 | |
CN109658148B (zh) | 一种基于自然语言处理技术的营销活动投诉风险预测方法 | |
CN116883184A (zh) | 一种基于大数据的财税智能化分析方法 | |
CN110705638A (zh) | 一种利用深度网络学习模糊信息特征技术的信用评级预测分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |