CN106202935A - 一种流域径流预报的校正方法及其系统 - Google Patents
一种流域径流预报的校正方法及其系统 Download PDFInfo
- Publication number
- CN106202935A CN106202935A CN201610549841.7A CN201610549841A CN106202935A CN 106202935 A CN106202935 A CN 106202935A CN 201610549841 A CN201610549841 A CN 201610549841A CN 106202935 A CN106202935 A CN 106202935A
- Authority
- CN
- China
- Prior art keywords
- runoff
- data
- forecast
- process data
- correlation coefficient
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Abstract
本发明公开了一种流域径流预报的校正方法及其系统,该方法包括步骤:获取实时流域径流预报数据、对应的降水数据和径流实测数据并提取历史数据,计算每组历史径流过程数据与其他组历史径流过程数据的相关系数向量Vr,将历史径流过程数据按向量大小分为两类,对每类径流过程数据建立非线性预测模型,将实时流域径流预报数据和对应的降水数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型,以实时流域径流预报数据和对应的降水数据为所选择校正模型的输入,输出经该所选择校正模型计算出的校正的流域径流预报数据。本发明提高了径流预报校正精度,为水库优化调度提供重要的决策信息指导。
Description
技术领域
本发明涉及水文预报技术领域,尤其涉及一种流域径流预报校正方法及其系统。
背景技术
准确的水库流域径流预报结果是水库开展防洪、发电优化调度的数据基础,对于水库充分发挥防洪和发电效益具有重要指导作用。
现有的流域径流预报模型由于对流域的水文径流过程描述存在部分的简化,使得径流预报结果往往存在误差,尤其是对于极端暴雨条件下的径流预报存在较大的偏差,极大影响了水库制定最优的调度计划。常用的基于误差回归的校正方法对于常规流量过程校正精度较高,但对于极端条件下的预报误差难以达到较好的校正精度。
针对上述情况,提供一种流域径流预报校正方法及其系统,有效提高径流预报校正精度,为水库优化调度提供重要的决策信息指导。
发明内容
本发明目的在于提供一种流域径流预报校正方法及其系统,以解决现有流域径流预报模型在极端情况下存在误差的技术问题。
为实现上述目的,本发明提供了一种流域径流预报校正方法,包括以下步骤:
S1:获取实时流域径流预报数据、对应的降水数据和径流实测数据并提取历史数据;
S2:计算每组历史径流过程数据与其他组历史径流过程数据的相关系数向量Vr,
Vr=[Rp,Rf,Rm]
其中Rp为降水数据相关系数,Rf为径流预报数据相关系数,Rm为径流实测数据相关系数;
S3:将历史径流过程数据按向量大小分为两类,对每类径流过程数据建立非线性预测模型;
S4:将实时流域径流预报数据、对应的降水数据和径流实测数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型;
S5:以实时流域径流预报数据和对应的降水数据为所选择校正模型的输入,输出经该所选择校正模型计算出的校正的流域径流预报数据。
进一步地,在计算步骤S2系数向量时,当两组径流过程数据序列长度不一致时,将序列长度短的径流过程数据的序列长度补齐至序列长度长的径流过程数据的序列长度,使得两组径流过程数据序列长度相同。
进一步地,步骤S3包括:
S301:设定相关系数阀值向量VT,
VT=[Tp,Tf,Tm]
其中Tp为降水过程数据相关系数,Tf为径流预报数据相关系数,Tm为径流实测数据相关系数;
S302:比较Vr和VT,Vr≥VT的归为一类,Vr<VT归为一类,直至历史径流过程数据全部完成分类;
S303:以降水数据和径流预报数据为输入,以径流实测数据为输出对每类径流过程数据分别建立非线性预测模型。
一种流域径流预报的校正系统,包括:
第一模块:用于获取实时流域径流预报数据、与之对应的降水数据和径流实测数据并提取其中的历史数据;
第二模块:用于计算每组历史径流过程数据与其他组历史径流过程数据的相关系数向量Vr;
第三模块:用于将历史径流过程数据按向量大小分为两类,对每类径流过程数据建立非线性预测模型;
第四模块:用于将实时流域径流预报数据和对应的降水数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型;
第五模块:用于将实时流域径流预报数据和对应的降水数据为校正模型的输入,以输出结果为校正结果。
本发明具有以下有益效果:
本发明原理清晰易操作,具有很高的实用价值。本发明的校正模型可有效的提高洪水预报校正精度,尤其在极端情况下具有很好的校正精度,本发明可提高洪水的预报准度,为水库开展优化调度提供数据支撑,提升水库的防洪、发电综合效益。
下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为本发明的方法流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1,一种流域径流预报校正方法,包括以下步骤:
S1:获取实时流域径流预报数据、对应的降水数据和径流实测数据并提取其中的历史数据。
S2:计算每组历史径流过程数据与其他组历史径流过程数据的相关系数向量Vr:
Vr=[Rp,Rf,Rm]
其中Rp为降水数据相关系数,Rf为径流预报数据相关系数,Rm为径流实测数据相关系数。
S3:将历史径流过程数据按向量大小分为两类,对每类径流过程数据建立非线性预测模型。
S4:将实时流域径流预报数据、对应的降水数据和径流实测数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型。
S5:以实时流域径流预报数据和对应的降水数据为所选择校正模型的输入,输出经该所选择校正模型计算出的校正的流域径流预报数据。
获取水库流域径流预报数据、对应的降水数据和径流实测数据并提取该水库流域的历史洪水过程数据,包括历史洪水过程时段的径流预报数据、降水数据和径流实测数据,计算每组历史径流过程数据与其他组历史径流过程数据相关系数向量Vr=[Rp,Rf,Rm],其中Rp为降水数据相关系数,Rf径流预报数据相关系数,Rm径流实测数据相关系数,将历史径流过程数据按向量大小分为两类,根据不同类别历史洪水的特征,对每类径流过程数据建立非线性预测模型,模型的输入为降水量和预测流量数据,模型输出为实测流量数据,以实时流域径流预报数据和对应的降水数据以及径流实测数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型,以实时流域径流预报数据和对应的降水数据为校正模型的输入,以输出结果为校正结果。通过上述过程,对各种情况下的洪水预报选择对应的校正模型,具有较好的校正精度,且为水库开展优化调度提供数据支撑,提升水库的防洪、发电综合效益。
在计算步骤S2相关系数向量时,当两组径流过程数据序列长度不一致时,将序列长度短的径流过程数据的序列长度补齐至序列长度长的径流过程数据的序列长度,使得两组径流过程数据序列长度相同。为了计算相关系数向量,两组径流过程数据序列长度需要一致,若一方序列长度短则增加径流过程数据,使得两组径流过程数据序列长度相同。如一组径流过程天数为10天,另一组径流过程天数为5天,则需将短的径流过程天数增加5天的径流过程数据使得两组径流过程数据序列长度一致再进行计算,其中增加的径流过程数据为根据前5天的径流过程数据的预估值。
作为本发明的一种流域径流预报校正方法的进一步改进:步骤S3包括:
S301:设定相关系数阀值向量VT,
VT=[Tp,Tf,Tm]
其中Tp为降水过程数据相关系数,Tf径流预报数据相关系数,Tm径流实测数据相关系数。
S302:比较Vr和VT,Vr≥VT的归为一类,Vr<VT归为一类,直至历史径流过程数据全部完成分类。
S303:以降水数据和径流预报数据为输入,以径流实测数据为输出对每类径流过程数据分别建立非线性预测模型。
设定相关系数阀值向量VT=[Tp,Tf,Tm],通过比较相关系数阀值向量和径流过程数据的相关系数向量Vr,将历史径流过程数据分为两类,即Vr≥VT的归为一类,Vr<VT的归为一类,以降水数据和径流预报数据为输入,以径流实测数据为输出对每类径流过程数据分别建立非线性预测模型。通过上述过程,将历史径流过程数据分为两类,为建立校正模型提供必要数据支持。
一种流域径流预报的校正系统,包括:
第一模块:用于获取实时流域径流预报数据、与之对应的降水数据和径流实测数据并提取其中的历史数据。
第二模块:用于计算每组历史径流过程数据与其他组历史径流过程数据的相关系数向量Vr。
第三模块:用于将历史径流过程数据按向量大小分为两类,对每类径流过程数据建立非线性预测模型。
第四模块:用于将实时流域径流预报数据和对应的降水数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型。
第五模块:用于将实时流域径流预报数据和对应的降水数据为校正模型的输入,以输出结果为校正结果。
第一模块用于获取数据,第二模块用于计算相关系数向量,第三模块用于建立非线性预测模型,第四模块用于建立校正模型,第五模块用于输出校正结果。该系统能实现流域径流预报校正,提高了校正进度,提升了预报准确度。
综上所述,本发明提出的一种流域径流预报校正方法及其系统,对历史数据分析,建立非线性预测模型,通过相关性分析,选择预报校正模型,代入预报数据获得校正结果。提高了径流预报校正精度,为水库优化调度提供重要的决策信息指导。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种流域径流预报的校正方法,其特征在于,包括以下步骤:
S1:获取实时流域径流预报数据、对应的降水数据和径流实测数据并提取历史数据;
S2:计算每组历史径流过程数据与其他组历史径流过程数据的相关系数向量Vr,
Vr=[Rp,Rf,Rm]
其中Rp为降水数据相关系数,Rf为径流预报数据相关系数,Rm为径流实测数据相关系数;
S3:将历史径流过程数据按向量大小分为两类,对每类径流过程数据建立非线性预测模型;
S4:将实时流域径流预报数据、对应的降水数据和径流实测数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型;
S5:以实时流域径流预报数据和对应的降水数据为所选择校正模型的输入,输出经该所选择校正模型计算出的校正的流域径流预报数据。
2.根据权利要求1所述一种流域径流预报的校正方法,其特征在于,所述步骤S2在计算系数时,当两组径流过程数据序列长度不一致时,将序列长度短的径流过程数据的序列长度补齐至序列长度长的径流过程数据的序列长度,使得两组径流过程数据序列长度相同。
3.根据权利要求1所述一种流域径流预报的校正方法,其特征在于,所述步骤S3包括:
S301:设定相关系数阀值向量VT,
VT=[Tp,Tf,Tm]
其中Tp为降水过程数据相关系数,Tf为径流预报数据相关系数,Tm为径流实测数据相关系数;
S302:比较Vr和VT,Vr≥VT的归为一类,Vr<VT的归为一类,直至历史径流过程数据全部完成分类;
S303:以降水数据和径流预报数据为输入,以径流实测数据为输出对每类径流过程数据分别建立非线性预测模型。
4.一种流域径流预报的校正系统,其特征在于,所述系统包括:
第一模块:用于获取实时流域径流预报数据、与之对应的降水数据和径流实测数据并提取历史数据;
第二模块:用于计算每组历史径流过程数据与其他组历史径流过程数据的相关系数向量Vr;
第三模块:用于将历史径流过程数据按向量大小分为两类,对每类径流过程数据建立非线性预测模型;
第四模块:用于将实时流域径流预报数据和对应的降水数据与历史径流过程数据进行相关性分析,选择相关系数最大的预测模型作为校正模型;
第五模块:用于将以实时流域径流预报数据和对应的降水数据为所选择校正模型的输入,输出经该所选择校正模型计算出的校正的流域径流预报数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610549841.7A CN106202935B (zh) | 2016-07-13 | 2016-07-13 | 一种流域径流预报的校正方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610549841.7A CN106202935B (zh) | 2016-07-13 | 2016-07-13 | 一种流域径流预报的校正方法及其系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106202935A true CN106202935A (zh) | 2016-12-07 |
CN106202935B CN106202935B (zh) | 2018-07-24 |
Family
ID=57478092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610549841.7A Active CN106202935B (zh) | 2016-07-13 | 2016-07-13 | 一种流域径流预报的校正方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106202935B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875047A (zh) * | 2017-01-23 | 2017-06-20 | 国网湖南省电力公司 | 水库流域径流预报方法及系统 |
CN106971237A (zh) * | 2017-02-27 | 2017-07-21 | 中国水利水电科学研究院 | 一种基于细菌觅食优化算法的中长期径流预报方法 |
CN107341346A (zh) * | 2017-06-26 | 2017-11-10 | 华中科技大学 | 一种水文预报方法 |
CN108734415A (zh) * | 2018-06-06 | 2018-11-02 | 广西桂冠电力股份有限公司 | 一种梯级水库的入库流量自动校正系统 |
CN110135652A (zh) * | 2019-05-23 | 2019-08-16 | 吉林大学 | 一种长期汛期径流预测方法 |
CN113257363A (zh) * | 2021-05-31 | 2021-08-13 | 福建傲农生物科技集团股份有限公司 | 一种系谱的校正方法及装置 |
CN116609860A (zh) * | 2023-07-18 | 2023-08-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于集成学习算法的水文模型实时校正方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101864750A (zh) * | 2010-06-29 | 2010-10-20 | 西安理工大学 | 多模型综合集成洪水预报系统及其预报方法 |
CN203982389U (zh) * | 2014-08-21 | 2014-12-03 | 大连理工大学 | 一种基于气象信息的中期径流预报系统 |
CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
-
2016
- 2016-07-13 CN CN201610549841.7A patent/CN106202935B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101864750A (zh) * | 2010-06-29 | 2010-10-20 | 西安理工大学 | 多模型综合集成洪水预报系统及其预报方法 |
CN203982389U (zh) * | 2014-08-21 | 2014-12-03 | 大连理工大学 | 一种基于气象信息的中期径流预报系统 |
CN105740969A (zh) * | 2016-01-21 | 2016-07-06 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种基于数据驱动的小流域洪水实时预报方法 |
Non-Patent Citations (2)
Title |
---|
周惠成等: "基于小波分解的月径流预测校正模型研究", 《系统仿真学报》 * |
武夏宁等: "年径流预报的非线性混合回归模型研究", 《中国农村水利水电》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106875047A (zh) * | 2017-01-23 | 2017-06-20 | 国网湖南省电力公司 | 水库流域径流预报方法及系统 |
CN106875047B (zh) * | 2017-01-23 | 2021-03-16 | 国网湖南省电力公司 | 水库流域径流预报方法及系统 |
CN106971237B (zh) * | 2017-02-27 | 2018-04-24 | 中国水利水电科学研究院 | 一种基于细菌觅食优化算法的中长期径流预报方法 |
CN106971237A (zh) * | 2017-02-27 | 2017-07-21 | 中国水利水电科学研究院 | 一种基于细菌觅食优化算法的中长期径流预报方法 |
CN107341346A (zh) * | 2017-06-26 | 2017-11-10 | 华中科技大学 | 一种水文预报方法 |
CN108734415A (zh) * | 2018-06-06 | 2018-11-02 | 广西桂冠电力股份有限公司 | 一种梯级水库的入库流量自动校正系统 |
CN108734415B (zh) * | 2018-06-06 | 2021-07-09 | 广西桂冠电力股份有限公司 | 一种梯级水库的入库流量自动校正系统 |
CN110135652A (zh) * | 2019-05-23 | 2019-08-16 | 吉林大学 | 一种长期汛期径流预测方法 |
CN110135652B (zh) * | 2019-05-23 | 2023-04-07 | 吉林大学 | 一种长期汛期径流预测方法 |
CN113257363A (zh) * | 2021-05-31 | 2021-08-13 | 福建傲农生物科技集团股份有限公司 | 一种系谱的校正方法及装置 |
CN113257363B (zh) * | 2021-05-31 | 2023-12-08 | 福建傲农生物科技集团股份有限公司 | 一种系谱的校正方法及装置 |
CN116609860A (zh) * | 2023-07-18 | 2023-08-18 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于集成学习算法的水文模型实时校正方法和系统 |
CN116609860B (zh) * | 2023-07-18 | 2023-09-19 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于集成学习算法的水文模型实时校正方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN106202935B (zh) | 2018-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106202935A (zh) | 一种流域径流预报的校正方法及其系统 | |
CN105512767B (zh) | 一种多预见期的洪水预报方法 | |
Hickey | Slope angle and slope length solutions for GIS | |
Jajarmizadeh et al. | Application of SVM and SWAT models for monthly streamflow prediction, a case study in South of Iran | |
Liu et al. | Parameter uncertainty analysis of reservoir operating rules based on implicit stochastic optimization | |
CN104318325A (zh) | 多流域实时智能水质预测方法及系统 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
Mediero et al. | Probabilistic calibration of a distributed hydrological model for flood forecasting | |
CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
CN109840873A (zh) | 一种基于机器学习的无资料地区水文模型参数区域化方法 | |
CN101480143A (zh) | 一种预测灌区作物单产量的方法 | |
CN104090974B (zh) | 展延水库后续来水的动态数据挖掘方法及系统 | |
CN111898303A (zh) | 基于气象预报及水动力模拟的流域水位及内涝预报方法 | |
CN110619432A (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN106372749A (zh) | 基于云变分析的超短期光伏功率预测方法 | |
Efstratiadis et al. | HYDROGEIOS: a semi-distributed GIS-based hydrological model for modified river basins | |
CN114970377A (zh) | 基于新安江与深度学习耦合模型的场次洪水预报方法和系统 | |
Yasarer et al. | Characterizing ponds in a watershed simulation and evaluating their influence on streamflow in a Mississippi watershed | |
CN113807545A (zh) | 一种基于深度学习和物理模型的河湖生态流量预报预警方法 | |
CN113050430A (zh) | 一种基于鲁棒强化学习的排水系统控制方法 | |
CN115759445A (zh) | 一种基于机器学习和云模型的分类洪水随机预报方法 | |
Zhao et al. | Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China | |
CN109190810A (zh) | 基于tdnn的中国北方草原地区ndvi的预测方法 | |
Qiu et al. | A rainwater control optimization design approach for airports based on a self-organizing feature map neural network model |
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 |