CN106875060A - 一种基于全局自动优化算法的洪水实时校正方法 - Google Patents
一种基于全局自动优化算法的洪水实时校正方法 Download PDFInfo
- Publication number
- CN106875060A CN106875060A CN201710089925.1A CN201710089925A CN106875060A CN 106875060 A CN106875060 A CN 106875060A CN 201710089925 A CN201710089925 A CN 201710089925A CN 106875060 A CN106875060 A CN 106875060A
- Authority
- CN
- China
- Prior art keywords
- model
- error
- time correction
- automatic optimization
- flood
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Abstract
本发明提供一种基于全局自动优化算法的洪水实时校正方法,包括水文耦合模块与误差耦合模块,先运用水文耦合模块对模型产汇流参数和流域初始状态参数进行实时校正,计算得到初步校正预报结果,后运用误差耦合模块对初步校正预报误差进行误差校正计算,得到最终的洪水校正预报结果。本发明将水文模型和误差校正模型分别与全局自动优化算法进行耦合处理,形成相互嵌套的水文耦合模块和误差耦合模块,并依据实时降雨径流信息进行洪水实时校正预报。本发明提出一种新的思路,对水文模型参数进行实时校正计算,从“根源”上提高洪水预报精度,克服现有单对预报误差进行校正方法的缺陷,保证实时校正预报效果的可靠性和稳定性。
Description
技术领域
本发明涉及水文预报领域,具体涉及一种基于全局自动优化算法的洪水实时校正方法。
背景技术
水文预报通过对未来水文情势(如洪峰流量)做出科学预测,特别是对灾害性水文现象做出准确预报,从而实现防洪减灾以及水资源的合理开发利用。提高水文预报的精度是水文预报工作的重要内容,对防洪减灾、保护人民生命财产安全、充分发挥水利工程效益改善生态环境等起着至关重要的作用。
现有的水库洪水预报方法较多,主要分为经验方法和水文模型;对预报结果进行实时校正的方法一般都是利用预报结果与实测结果之间的残差进行校正计算,常用的方法有自回归校正模型、卡尔曼滤波、神经网络、小波分析和最小二乘法等。这些方法一般只能校正系统误差,能够在一定程度上提高预报精度,但是效果有限。因为预报精度还受到预报方法的影响,比如利用水文模型进行洪水预报,预报精度主要取决于两个因素:(1)模型参数对流域下垫面产汇流特性反映程度;(2)流域初始状态变量设置值与流域实际情况的吻合程度。一方面,从预报方法层面进行校正预报是从“根源”减小误差,提高预报精度;另一方面,从预报残差层面进行校正预报是从“结果”减小误差,提高预报精度。
现有的实时校正方法大多数是建立在模型预报流量系列和实测流量系列的基础上,利用统计学的相关方法进行校正预报。这种误差校正方法存在一定的不足,首先,没有从误差来源层面入手,物理意义不够明确,校正效果并不明显;其次,相关统计方法本身具有局限性,校正预报结果没有进过自筛选,校正效果不够稳定。
发明内容
本发明的目的在于克服现有技术存在的以上问题,提供一种基于全局自动优化算法的洪水实时校正方法,本发明提出一种新的思路,对水文模型参数进行实时校正计算,从“根源”上提高洪水预报精度,克服现有单对预报误差进行校正方法的缺陷,保证实时校正预报效果的可靠性和稳定性。
为实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种基于全局自动优化算法的洪水实时校正方法,包括水文耦合模块与误差耦合模块;所述的水文耦合模块用于依据实时的降雨径流信息对水文模型参数和流域初始状态变量进行实时校正计算,所述的水文耦合模块的实时校正区间为洪水开始时间到当前时刻;所述的误差耦合模块用于利用预报径流值与实测值之间的残差,对模型预报误差进行实时校正计算,所述的误差耦合模块的实时校正区间通过模块参数进行优选;所述的水文耦合模块与所述的误差耦合模块之间串联耦合,先运用所述的水文耦合模块进行实时校正预报,后运用所述的误差耦合模块对预报误差进行误差校正计算,得到最终的洪水预报。
进一步的,所述的水文耦合模块包括流域水文模型与全局自动优化算法;所述的水文耦合模块为所述的流域水文模型与所述的全局自动优化算法的耦合。
进一步的,所述的误差耦合模块包括误差校正模型与全局自动优化算法;所述的误差耦合模块为所述的误差校正模型与所述的全局自动优化算法的耦合。
进一步的,所述的流域水文模型包括新安江模型、前期影响雨量指数模型(API模型)、萨克拉门托模型(SAC模型)和水箱模型(TANK模型)。
进一步的,所述的误差校正模型包括自回归校正模型、卡尔曼滤波模型、神经网络模型、小波分析模型和最小二乘法模型。
进一步的,所述的全局自动优化算法包括复合形交叉进化算法、模拟退火方法、遗传算法、蚁群算法以及粒子群算法、神经网络算法。
进一步的,所述的水文耦合模块包括以下步骤:
水文模型分析,分析水文模型的结构,确定参加优化的模型参数和流域初始状态变量参数,并根据流域下垫面特性确定优化参数的可行域;
全局自动优化算法启动,根据优化参数可行域生成样本点群Xi(i=1,2,3…,N),带入水文模型计算得到目标函数系列Fi(i=1,2,3…,N),并按照由小到大的排序形成新组合(Xi,Fi)(i=1,2,3…,N);
水文样本进化,对重新排序的样本组合(Xi,Fi)进行复合进化计算,然后按照进行收敛性判断,若收敛,则可获得水文模型全局最优参数bestx1;若不收敛,则水文参数样本点群进化,进行模型计算,得到一组新的目标函数系列,再次进行水文样本进化。
进一步的,所述的误差耦合模块包括以下步骤:
误差校正模型分析,分析误差校正模型结构,确定参加优化的参数,并根据预报残差系列确定优化参数的可行域;
全局自动优化算法启动,根据优化参数可行域生成样本点群Xi(i=1,2,3…,N),带入误差校正模型计算得到目标函数系列Fi(i=1,2,3…,N),并按照由小到大的排序形成新组合(Xi,Fi)(i=1,2,3…,N);
误差样本进化,对重新排序的样本组合(Xi,Fi)进行复合进化计算,然后进行收敛性判断,若收敛,则获得误差校正模型全局最优参数bestx2;若不收敛,则误差参数样本点群进化,进行模型计算,得到一组新的目标函数系列,再次进行误差样本进化。
本发明的有益效果是:本发明提供一种基于全局自动优化算法的洪水实时校正方法,包括水文耦合模块与误差耦合模块,水文耦合模块用于依据实时的降雨径流信息对水文模型参数和流域初始状态变量进行实时校正计算,水文耦合模块的实时校正区间为洪水开始时间到当前时刻;误差耦合模块用于利用预报径流值与实测值之间的残差,对模型预报误差进行实时校正计算,误差耦合模块的实时校正区间通过模块参数进行优选;水文耦合模块与误差耦合模块之间串联耦合,先运用水文耦合模块进行实时校正预报,后运用误差耦合模块对预报误差进行误差校正计算,得到最终的洪水预报。本发明将流域水文模型和误差校正模型分别与全局自动优化算法进行耦合处理,形成相互嵌套的水文耦合模块和误差耦合模块,然后依据实时降雨径流信息进行洪水实时校正预报。本发明提出一种新的思路,对水文模型参数进行实时校正计算,从“根源”上提高洪水预报精度,克服现有单对预报误差进行校正方法的缺陷,保证实时校正预报效果的可靠性和稳定性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,并可依照说明书的内容予以实施,以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,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是本发明的一种基于全局自动优化算法的洪水实时校正方法整体实现流程图;
图2是本发明的新安江模型流程图;
图3是本发明的水文耦合模块计算流程图;
图4是本发明的误差耦合模块计算流程图;
图5是本发明的洪水实时校正预报结果图。
具体实施方式
下面将参考附图并结合实施例,来详细说明本发明。
参照图1-5所示,一种基于全局自动优化算法的洪水实时校正方法,包括水文耦合模块与误差耦合模块;所述的水文耦合模块用于依据实时的降雨径流信息对水文模型参数和流域初始状态变量进行实时校正计算,所述的水文耦合模块的实时校正区间为洪水开始时间到当前时刻;所述的误差耦合模块用于利用预报径流值与实测值之间的残差,对模型预报误差进行实时校正计算,所述的误差耦合模块的实时校正区间通过模块参数进行优选;所述的水文耦合模块与所述的误差耦合模块之间串联耦合,先运用所述的水文耦合模块进行实时校正预报,后运用所述的误差耦合模块对预报误差进行误差校正计算,得到最终的洪水预报。所述的水文耦合模块包括流域水文模型与全局自动优化算法;所述的水文耦合模块为所述的流域水文模型与所述的全局自动优化算法的耦合。所述的误差耦合模块包括误差校正模型与全局自动优化算法;所述的误差耦合模块为所述的误差校正模型与所述的全局自动优化算法的耦合。所述的流域水文模型包括新安江模型、前期影响雨量指数模型(API模型)、萨克拉门托模型(SAC模型)和水箱模型(TANK模型)。所述的误差校正模型包括自回归校正模型、卡尔曼滤波模型、神经网络模型、小波分析模型和最小二乘法模型。所述的全局自动优化算法包括复合形交叉进化算法、模拟退火方法、遗传算法、蚁群算法以及粒子群算法、神经网络算法。
为更好的解释本发明,下面分别选取新安江模型作为流域水文模型、回归校正模型作为误差校正模型、复合形交叉进化算法作为全局自动优化算法来详细描述。
如图2所示,新安江模型是由河海大学赵人俊教授在编制新安江洪水预报方案时所研制的流域水文模型,并在借鉴山坡水文学的相关概念和国内外的产汇流理论的基础上形成了现今的新安江模型。为了考虑降雨和流域下垫面的分布不均匀的影响,模型结构采用了分层设计,分为四个计算模块:蒸散发计算、产流计算、分水源计算和汇流计算。蒸散发计算采用三层蒸散发模型,产流计算采用蓄满产流模型,分水源计算采用自由水蓄水库结构将总径流分为地表径流、壤中流和地下径流;流域汇流计算采用线性水库模型,河道汇流采用马斯京根分段演算或滞后演算。
自回归模型(Auto Regression Model,简称AR模型)用于对模型预报误差进行校正计算,自回归模型用自身做回归变量的过程,即利用前期若干时刻的随机变量的线性组合来描述以后某时刻随机变量的线性回归模型。在实时洪水校正模型中,主要是利用模型径流预报误差系列{e1,e2,e3,…,et}对未来时刻的预报误差进行校正,其具体的计算公式如式(1-1)和式(1-2)
et+1=c1et+c2et-1+…+cpet-p+ξt+1 (1-1)
式中,et为t时刻模型计算误差;{c1,c2,c3,…,cP}为自回归参数系列;p为自回归阶数,值小于误差系列长度;ξt+1为t+1时刻校正计算后的模型预报残差;为t+1时刻估计误差;QJ(t+1)为t+1时刻校正预报值;QC(t+1)为t+1时刻初步预报值。
AR自回归模型进行误差校正的关键是如何求解自回归参数系列{c1,c2,c3,…,cP},根据式(1-1)构建误差自回归方程组(1-2),结合最小二乘法思想利用矩阵法求解自回归参数{c1,c2,c3,…,cP},具体方法如下:
根据方程组(1-3)进行矩阵变换,得到矩阵式(1-4)、(1-5)、(1-6),并进行矩阵求解得式(1-7)。
C=[c1,c2,c3,…,cP]T (1-4)
Y=[eP+1,eP+2,eP+3…,et]T (1-5)
式中,C为自回归参数矩阵,X,Y为模型误差相关矩阵,为参数系列估计值矩阵。
复合形交叉进化(SCE-UA)算法是一种全局自动优化算法,它是在Nelder和Mead提出的单纯形算法基础上,融合了自然界生物竞争进化理论和基因算法基本原理等概念综合而成的一种全局优化算法。SCE-UA算法可在多个吸引域内获得全局收敛点,避免陷入局部最小点,且能有效地表达不同参数的敏感性与参数间的相关性,处理具有不连续响应表面的目标函数,解决高维参数优化问题。
SCE-UA全局优化算法步骤如下:
表1-1为SCE-UA全局优化算法参数表。SCE-UA全局优化算法基本步骤包括:
算法启动,假设待定优化参数个数为K和参与进化的复合形个数N,则每个复合形所包含的顶点数目为2K+1,计算样本点数目为N*(2K+1);
随机样本点群生成,在待定优化参数的上下限之间生成N*(2K+1)个随机点群Xi(i=1,2,3…,N*(2K+1)),并计算每一个对应的目标函数值Fi(i=1,2,3…,N*(2K+1));
样本点群排序,把每一个目标函数值Fi按照由小到大排序,仍然记为Fi,并与对应的Xi记为(Xi,Fi);
样本复合进化,将(Xi,Fi)进行复合形划分,并按照复合型进化算法进行进化,将进化的每一个定点进行重新组合,按照由小到大的排序;
收敛性判断,按照收敛条件进行判断,满足则完成进化,否则返回d。
表1-1 SCE-UA全局优化算法参数表
结合复合形交叉进化算法,如图3所示,水文耦合模块计算流程步骤如下:
水文模型分析,分析水文模型的结构,确定参加优化的模型参数和流域初始状态变量参数,并根据流域下垫面特性确定优化参数的可行域;
全局自动优化算法启动,根据优化参数可行域生成样本点群Xi(i=1,2,3…,N),带入水文模型计算得到目标函数系列Fi(i=1,2,3…,N),并按照由小到大的排序形成新组合(Xi,Fi)(i=1,2,3…,N);
水文样本进化,对重新排序的样本组合(Xi,Fi)进行复合进化计算,然后按照进行收敛性判断,若收敛,则可获得水文模型全局最优参数bestx1;若不收敛,则水文参数样本点群进化,进行模型计算,得到一组新的目标函数系列,再次进行水文样本进化。
结合复合形交叉进化算法,如图4所示,误差耦合模块计算流程步骤如下:
误差校正模型分析,分析误差校正模型结构,确定参加优化的参数,并根据预报残差系列确定优化参数的可行域;
全局自动优化算法启动,根据优化参数可行域生成样本点群Xi(i=1,2,3…,N),带入误差校正模型计算得到目标函数系列Fi(i=1,2,3…,N),并按照由小到大的排序形成新组合(Xi,Fi)(i=1,2,3…,N);
误差样本进化,对重新排序的样本组合(Xi,Fi)进行复合进化计算,然后进行收敛性判断,若收敛,则获得误差校正模型全局最优参数bestx2;若不收敛,则误差参数样本点群进化,进行模型计算,得到一组新的目标函数系列,再次进行误差样本进化。
下面根据具体计算实例来描述本发明整体实现流程,如图1、图5所示。
(1)根据T时刻之前的实测降雨和径流信息,利用水文耦合模块进行全局自动优化计算,得到水文模型参数的一组全局最优解{x1,x2,x3…,xn},根据实测降雨信息计算得到本时刻之前的洪水模拟过程{q1,q2,q3…,qT},同时根据气象部门的未来降雨过程计算得到未来一段时期内的洪水预报过程{qT+1,qT+2,qT+3…};
(2)根据T时刻之前的模拟径流系列{q1,q2,q3…,qT}和实测径流系列{Q1,Q2,Q3…,QT}计算得到一组径流误差系列{e1,e2,e3…,eT}。根据误差系列{e1,e2,e3…,eT}信息,利用误差耦合模块计算得到一组误差模型参数的全局最优解,带入误差校正模型进行计算,得到未来一段时期内的预报误差系列{eT+1,eT+2,eT+3…}
(3)根据{qT+1,qT+2,qT+3…}和{eT+1,eT+2,eT+3…},得到T时刻实时校正预报的径流结果{qT+1-eT+1,qT+2-eT+2,qT+3-eT+3…}
下表1-2为四个水库流域预报结果统计表,“初步预报”表示不进行实时校正的预报结果,“校正预报”表示进行实时校正的预报结果;表中R表示径流深,Q表示洪峰,R%表示径流深相对误差,Q%表示洪峰相对误差;相对误差越小,模拟精度越高;DC表示整个过程模拟效果,越接近1,与实际过程越吻合,模拟效果越好,模拟精度越高。
本发明将流域水文模型和误差校正模型分别与全局自动优化算法进行耦合处理,形成相互嵌套的水文耦合模块和误差耦合模块,然后依据实时降雨径流信息进行洪水实时校正预报。本发明提出一种新的思路,对水文模型参数进行实时校正计算,从“根源”上提高洪水预报精度,克服现有的单对预报误差进行校正方法的缺陷,保证实时校正预报效果的可靠性和稳定性。
以上所述,仅为本发明的较佳实施例而已,并非对本发明作任何形式上的限制;凡本行业的普通技术人员均可按说明书附图所示和以上所述而顺畅地实施本发明;但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内,利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化,均为本发明的等效实施例;同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等,均仍属于本发明的技术方案的保护范围之内。
Claims (8)
1.一种基于全局自动优化算法的洪水实时校正方法,包括水文耦合模块与误差耦合模块,其特征在于:所述的水文耦合模块用于依据实时的降雨径流信息对水文模型参数和流域初始状态变量进行实时校正计算,所述的水文耦合模块的实时校正区间为洪水开始时间到当前时刻;所述的误差耦合模块用于利用预报径流值与实测值之间的残差,对模型预报误差进行实时校正计算,所述的误差耦合模块的实时校正区间通过模块参数进行优选;所述的水文耦合模块与所述的误差耦合模块之间串联耦合,先运用所述的水文耦合模块进行实时校正预报,后运用所述的误差耦合模块对预报误差进行误差校正计算,得到最终的洪水预报结果。
2.根据权利要求1所述的一种基于全局自动优化算法的洪水实时校正方法,其特征在于:所述的水文耦合模块包括流域水文模型与全局自动优化算法;所述的水文耦合模块为所述的流域水文模型与所述的全局自动优化算法的耦合。
3.根据权利要求1所述的一种基于全局自动优化算法的洪水实时校正方法,其特征在于:所述的误差耦合模块包括误差校正模型与全局自动优化算法;所述的误差耦合模块为所述的误差校正模型与所述的全局自动优化算法的耦合。
4.根据权利要求2所述的一种基于全局自动优化算法的洪水实时校正方法,其特征在于:所述的流域水文模型包括新安江模型、前期影响雨量指数模型(API模型)、萨克拉门托模型(SAC模型)和水箱模型(TANK模型)。
5.根据权利要求3所述的一种基于全局自动优化算法的洪水实时校正方法,其特征在于:所述的误差校正模型包括自回归校正模型、卡尔曼滤波模型、神经网络模型、小波分析模型和最小二乘法模型。
6.根据权利要求4或5其中之一所述的一种基于全局自动优化算法的洪水实时校正方法,其特征在于:所述的全局自动优化算法包括复合形交叉进化算法、模拟退火方法、遗传算法、蚁群算法以及粒子群算法、神经网络算法。
7.根据权利要求6所述的一种基于全局自动优化算法的洪水实时校正方法,其特征在于,所述的水文耦合模块包括以下步骤:水文模型分析,分析水文模型的结构,确定参加优化的模型参数和流域初始状态变量参数,并根据流域下垫面特性确定优化参数的可行域;
全局自动优化算法启动,根据优化参数可行域生成样本点群Xi(i=1,2,3...,N),带入水文模型计算得到目标函数系列Fi(i=1,2,3...,N),并按照由小到大的排序形成新组合(Xi,Fi)(i=1,2,3...,N);
水文样本进化,对重新排序的样本组合(Xi,Fi)进行复合进化计算,然后按照进行收敛性判断,若收敛,则可获得水文模型全局最优参数bestx1;若不收敛,则水文参数样本点群进化,进行模型计算,得到一组新的目标函数系列,再次进行水文样本进化。
8.根据权利要求6所述的一种基于全局自动优化算法的洪水实时校正方法,其特征在于,所述的误差耦合模块包括以下步骤:
误差校正模型分析,分析误差校正模型结构,确定参加优化的参数,并根据预报残差系列确定优化参数的可行域;
全局自动优化算法启动,根据优化参数可行域生成样本点群Xi(i=1,2,3...,N),带入误差校正模型计算得到目标函数系列Fi(i=1,2,3...,N),并按照由小到大的排序形成新组合(Xi,Fi)(i=1,2,3...,N);
误差样本进化,对重新排序的样本组合(Xi,Fi)进行复合进化计算,然后进行收敛性判断,若收敛,则获得误差校正模型全局最优参数bestx2;若不收敛,则误差参数样本点群进化,进行模型计算,得到一组新的目标函数系列,再次进行误差样本进化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710089925.1A CN106875060B (zh) | 2017-02-20 | 2017-02-20 | 一种基于全局自动优化算法的洪水实时校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710089925.1A CN106875060B (zh) | 2017-02-20 | 2017-02-20 | 一种基于全局自动优化算法的洪水实时校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106875060A true CN106875060A (zh) | 2017-06-20 |
CN106875060B CN106875060B (zh) | 2021-04-23 |
Family
ID=59167198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710089925.1A Active CN106875060B (zh) | 2017-02-20 | 2017-02-20 | 一种基于全局自动优化算法的洪水实时校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106875060B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274031A (zh) * | 2017-06-29 | 2017-10-20 | 华中科技大学 | 一种耦合神经网络和分布式vic模型的水文预报方法及系统 |
CN108415966A (zh) * | 2018-02-07 | 2018-08-17 | 中国地质大学(武汉) | 一种基于水箱模型的岩溶流域水文过程模拟方法 |
CN109325206A (zh) * | 2018-09-10 | 2019-02-12 | 柳创新 | 一种降雨径流模型参数优化方法 |
CN111795681A (zh) * | 2020-06-30 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、服务器及存储介质 |
CN111898660A (zh) * | 2020-07-17 | 2020-11-06 | 武汉大学 | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 |
CN112950062A (zh) * | 2021-03-24 | 2021-06-11 | 郑州大学 | 基于动态系统响应曲线和lstm的山洪预报实时校正方法 |
CN113158394A (zh) * | 2020-01-22 | 2021-07-23 | 河海大学 | 基于蒸发误差补偿的流域水文模型误差修正方法和装置 |
CN113592186A (zh) * | 2021-08-06 | 2021-11-02 | 浙江大学 | 一种基于实测径流数据的水文预报状态变量实时修正方法 |
CN113657659A (zh) * | 2021-08-12 | 2021-11-16 | 水利部信息中心 | 一种模块化洪水预报模型的参数全局寻优方法 |
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 (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101319477B1 (ko) * | 2011-10-11 | 2013-10-17 | 한국수자원공사 | 격자 기반의 대유역 장기 강우유출 모형 |
CN104281893A (zh) * | 2014-10-20 | 2015-01-14 | 宁波弘泰水利信息科技有限公司 | 一种水库洪水预报调度及动态跟踪系统 |
CN104392111A (zh) * | 2014-11-10 | 2015-03-04 | 连承锴 | 基于水位样本的洪水预报方法 |
CN105260607A (zh) * | 2015-10-20 | 2016-01-20 | 华中科技大学 | 一种串并联耦合的多模型水文预报方法 |
CN105512767A (zh) * | 2015-12-15 | 2016-04-20 | 武汉大学 | 一种多预见期的洪水预报方法 |
CN106384002A (zh) * | 2016-09-18 | 2017-02-08 | 武汉大学 | 基于back‑fitting算法的洪水预报实时校正方法 |
-
2017
- 2017-02-20 CN CN201710089925.1A patent/CN106875060B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101319477B1 (ko) * | 2011-10-11 | 2013-10-17 | 한국수자원공사 | 격자 기반의 대유역 장기 강우유출 모형 |
CN104281893A (zh) * | 2014-10-20 | 2015-01-14 | 宁波弘泰水利信息科技有限公司 | 一种水库洪水预报调度及动态跟踪系统 |
CN104392111A (zh) * | 2014-11-10 | 2015-03-04 | 连承锴 | 基于水位样本的洪水预报方法 |
CN105260607A (zh) * | 2015-10-20 | 2016-01-20 | 华中科技大学 | 一种串并联耦合的多模型水文预报方法 |
CN105512767A (zh) * | 2015-12-15 | 2016-04-20 | 武汉大学 | 一种多预见期的洪水预报方法 |
CN106384002A (zh) * | 2016-09-18 | 2017-02-08 | 武汉大学 | 基于back‑fitting算法的洪水预报实时校正方法 |
Non-Patent Citations (2)
Title |
---|
刘强: "三峡水库洪水预报研究及其系统开发与应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
周洋洋 等: "基于SCE-UA算法的API模型应用研究", 《水力发电》 * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107274031A (zh) * | 2017-06-29 | 2017-10-20 | 华中科技大学 | 一种耦合神经网络和分布式vic模型的水文预报方法及系统 |
CN108415966A (zh) * | 2018-02-07 | 2018-08-17 | 中国地质大学(武汉) | 一种基于水箱模型的岩溶流域水文过程模拟方法 |
CN108415966B (zh) * | 2018-02-07 | 2021-09-24 | 中国地质大学(武汉) | 一种基于水箱模型的岩溶流域水文过程模拟方法 |
CN109325206A (zh) * | 2018-09-10 | 2019-02-12 | 柳创新 | 一种降雨径流模型参数优化方法 |
CN109325206B (zh) * | 2018-09-10 | 2023-03-24 | 柳创新 | 一种降雨径流模型参数优化方法 |
CN113158394B (zh) * | 2020-01-22 | 2022-08-19 | 河海大学 | 基于蒸发误差补偿的流域水文模型误差修正方法和装置 |
CN113158394A (zh) * | 2020-01-22 | 2021-07-23 | 河海大学 | 基于蒸发误差补偿的流域水文模型误差修正方法和装置 |
CN111795681A (zh) * | 2020-06-30 | 2020-10-20 | 杭州鲁尔物联科技有限公司 | 一种山洪灾害预警方法、装置、服务器及存储介质 |
CN111898660A (zh) * | 2020-07-17 | 2020-11-06 | 武汉大学 | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 |
CN111898660B (zh) * | 2020-07-17 | 2022-10-04 | 武汉大学 | 一种基于贝叶斯模式平均融合多源数据的水文模拟方法 |
CN112950062B (zh) * | 2021-03-24 | 2023-02-03 | 郑州大学 | 基于动态系统响应曲线和lstm的山洪预报实时校正方法 |
CN112950062A (zh) * | 2021-03-24 | 2021-06-11 | 郑州大学 | 基于动态系统响应曲线和lstm的山洪预报实时校正方法 |
CN113592186A (zh) * | 2021-08-06 | 2021-11-02 | 浙江大学 | 一种基于实测径流数据的水文预报状态变量实时修正方法 |
CN113592186B (zh) * | 2021-08-06 | 2023-02-14 | 浙江大学 | 一种基于实测径流数据的水文预报状态变量实时修正方法 |
CN113657659A (zh) * | 2021-08-12 | 2021-11-16 | 水利部信息中心 | 一种模块化洪水预报模型的参数全局寻优方法 |
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 |
---|---|
CN106875060B (zh) | 2021-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106875060A (zh) | 一种基于全局自动优化算法的洪水实时校正方法 | |
Kisi et al. | Precipitation forecasting using wavelet-genetic programming and wavelet-neuro-fuzzy conjunction models | |
CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
CN108764675A (zh) | 一种水系连通性评价方法 | |
Xu et al. | Comparison of three global optimization algorithms for calibration of the Xinanjiang model parameters | |
Lafdani et al. | Research article daily rainfall-runoff prediction and simulation using ANN, ANFIS and conceptual hydrological MIKE11/NAM models | |
CN114970377B (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 | |
Kişi | Evolutionary fuzzy models for river suspended sediment concentration estimation | |
CN105631228A (zh) | 一种超级多模集成应用的水文预警预报系统和方法 | |
Liu et al. | A risk assessment method based on RBF artificial neural network-cloud model for urban water hazard | |
CN104933474B (zh) | 危险化学品运输的模糊双层优化方法 | |
Valizadeh et al. | Accuracy enhancement for forecasting water levels of reservoirs and river streams using a multiple-input-pattern fuzzification approach | |
Chidthong et al. | Developing a hybrid multi‐model for peak flood forecasting | |
Tork et al. | A new framework of a multi-criteria decision making for agriculture water distribution system | |
Wu et al. | Local and global Bayesian network based model for flood prediction | |
CN106354940A (zh) | 基于水质模型不确定性输入的景观水水质模拟与预警方法 | |
CN114492233B (zh) | 一种基于webGIS平台及考虑综合利用要求的流域水模拟方法 | |
Ranjbar et al. | Framework for a digital twin of the Canal of Calais | |
CN106991274B (zh) | 流域库群及区域洪水联合调度方法、系统 | |
CN113379156A (zh) | 速度预测方法、装置、设备及存储介质 | |
CN106446359B (zh) | 基于流式大数据处理方式的降雨径流预测计算方法 | |
CN116882741A (zh) | 一种超标准洪水灾害动态定量评估方法 | |
Łangowski et al. | Optimised robust placement of hard quality sensors for robust monitoring of quality in drinking water distribution systems | |
CN115841071A (zh) | 基于水循环动态知识图谱的数字孪生流域场景建模方法 | |
Nourani et al. | Capability of artificial neural network for detecting hysteresis phenomenon involved in hydrological processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 315000 3rd floor, building 2, No. 150, Changpu Road, jishigang Town, Haishu District, Ningbo City, Zhejiang Province Applicant after: Ningbo water conservancy and hydropower planning and Design Institute Co., Ltd Address before: 315000 No. 64 fish Road, Haishu District, Zhejiang, Ningbo Applicant before: Ningbo water conservancy and hydropower planning and Design Institute |
|
GR01 | Patent grant | ||
GR01 | Patent grant |