CN107292098A - 基于前期气象因子与数据挖掘技术的中长期径流预报方法 - Google Patents
基于前期气象因子与数据挖掘技术的中长期径流预报方法 Download PDFInfo
- Publication number
- CN107292098A CN107292098A CN201710451205.5A CN201710451205A CN107292098A CN 107292098 A CN107292098 A CN 107292098A CN 201710451205 A CN201710451205 A CN 201710451205A CN 107292098 A CN107292098 A CN 107292098A
- Authority
- CN
- China
- Prior art keywords
- forecasting
- factor
- model
- early stage
- long
- 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.)
- Pending
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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于前期气象因子与数据挖掘技术的中长期径流预报方法,方法包括:1,确定影响中长期径流的各类前期初选预报因子,计算所有类别初选预报因子序列与历史预报对象序列的相关系数,再根据逐步回归方法,提取出相关性高、方差贡献大的因子作为最终预报因子;2,构建多种基于数据挖掘技术的预报模型,将历史最终预报因子序列与预报对象序列作为不同预报模型的输入与输出,训练各预报模型;3,依据以上多种预报模型分别进行径流预报,利用最优组合赋权理论,综合集成多模型预报结果。本发明方法可广泛应用于预见期为旬、月、季、年以及多年尺度的水资源预测。
Description
技术领域
本发明涉及水文预报技术领域,具体涉及一种与前期气象因子耦合的基于数据挖掘技术的中长期径流预报方法。
背景技术
中长期径流预报是水利水电工程设计、施工和运行管理的重要依据,是实现水资源科学调配、提高水资源利用效率的基础性关键技术,对水资源的调度管理和优化配置具有重要的支撑意义。由于长期的水文要素受到气候、下垫面、人类活动等诸多因素的综合影响和制约,其变化情况错综复杂,且具有较大的时间、空间上的不确定性、不稳定性,故对于一个具体的径流序列,往往从其周期性、趋势性、随机性、区域性、跳跃性等多方面角度出发分析,通过不断尝试、不断验证等步骤,找到适合的预报因子和预报模型。
目前,在中长期方面的预报理论与方法上的研究突破较少,且往往缺少物理成因的综合考虑。整体而言,中长期径流预报研究仍处于起步阶段,相对于短期径流预报(实时洪水预报)而言,发展较缓慢,且落后于生产实际的要求。
目前,中长期径流预报一般分为预报因子识别、预报模型构建和预报模型应用三个方面。由于其特殊性与困难性,预报方法多以统计方法为主,如时间序列模型、回归分析模型、模糊分析模型、灰色系统模型等。现有的这些方法主要存在着两大问题;(1)预报因子的识别缺乏物理背景,且甄选方法与结果的不确定性较大。(2)预报模型较为单一,预报结果的不稳定性较高。
近年来,随着新数学方法的涌现与计算机技术的不断提高,大数据挖掘技术得到了快速发展,并对生产生活产生了深远影响。水文是一个数据驱动型的行业,随着水文数据规模的指数型扩增,其潜在的应用价值不断凸显。如何从水文大数据中挖掘出重要价值,是发展中长期径流预报理论与方法、解决中长期径流预报技术瓶颈的关键与重要课题。
发明内容
本发明的目的在于克服现有技术中的不足,提供了一种基于前期气象因子与数据挖掘技术的中长期径流预报方法,有效地解决了预报因子与预报模型的不确定性及不稳定性的问题。
为解决上述技术问题,本发明提供了一种基于前期气象因子与数据挖掘技术的中长期径流预报方法,其特征是,包括以下步骤:
步骤S1,确定影响中长期径流的各类前期初选预报因子,计算所有类别初选预报因子序列与历史预报对象序列的皮尔逊相关系数,再根据逐步回归方法,提取出相关性高、方差贡献大的因子作为最终预报因子;
步骤S2,构建多种基于数据挖掘技术的预报模型,将历史最终预报因子序列与预报对象序列作为不同预报模型的输入与输出,训练各预报模型;
步骤S3,依据以上多种预报模型分别进行径流预报,利用最优组合赋权理论,综合集成多模型预报结果。
进一步的,前期初选预报因子包括74项环流指数、北太平洋海温场和500hPa高度场三类数据。
进一步的,初选预报因子序列包括不同种类、不同时间提前量、不同经纬度的因子数值。
进一步的,步骤S1中,提取最终预报因子的具体过程为:先计算所有类别初选预报因子序列与历史预报对象序列的皮尔逊相关系数,从各类气象因素的所有因子中挑选出与预报对象相关性较高的因子,再根据逐步回归方法,在挑选出的因子中计算影响预报对象序列最大的因子,作为最终预报因子。
进一步的,预报模型包括人工神经网络、支持向量机和随机森林三种。
进一步的,步骤S3中,获取最终预报结果的过程为:根据各预报模型在各月的模拟及实测系列,通过博弈论最优赋权方法确定各预报模型在集成模型中每月的权重系数;基于各个预报模型在各月的权重,对各模型的模拟值进行加权集成,获得多模型集成的预报值。
与现有技术相比,本发明所达到的有益效果是:
(1)在因子识别阶段,根据影响中长期径流情势的前期气象特征出发,根据预报因子与预报对象之间的物理联系,选择多尺度、多层次的气象要素作为初选预报因子。再根据统计原理,计算、筛选出相关性高、彼此独立性强的气象要素作为最终预报因子。
(2)在模型构建阶段,利用目前发展迅速的大数据挖掘技术中的人工神经网络、支持向量机和随机森林三种智能算法模型,通过大量计算、不断分析海量历史气象-水文数据的潜在关系,构建适合旬-月及以上时间尺度的中长期径流预报模型。
(3)在结果综合阶段,运用最优组合赋权理论,通过分析不同模型在不同模拟期内的模拟性能从而动态赋权,获得最佳综合预报结果。
(4)本发明从气象-水文耦合角度出发,提供了一种基于前期气象因子与大数据挖掘技术的中长期径流预报方法,有效解决了目前中长期径流预报中预报时效性不长、预报精度不高等问题,可广泛应用于预见期为旬、月、季、年以及多年尺度的水资源预测中,为实现水资源的科学调配与高效利用提供了科学依据,对水资源的调度管理和优化配置具有重要的支撑意义。
附图说明
图1是本发明方法的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
名词解释:
前期气象特征指所有的影响径流的因子,气象要素是初选预报因子,气象因子是最终通过某种数学方法计算得到的最终预报因子。
中长期径流预报中中长期的定义是旬月及以上的时间尺度。
如图1所示,本发明的一种基于前期气象因子与数据挖掘技术的中长期径流预报方法,包括以下步骤:
步骤S1,确定影响中长期径流的各类前期初选预报因子,计算所有类别初选预报因子序列与历史预报对象序列的皮尔逊相关系数,从各类气象因素的所有因子中挑选出与预报对象相关性较高的因子,再根据逐步回归方法,在挑选出的因子中计算影响预报对象序列最大的因子,作为最终预报因子。
根据影响中长期径流情势的前期气象特征(指所有的影响径流的因子)出发,根据我国各个流域的地理位置、水系分布等特征,一般选用74项环流指数、北太平洋海温场和500hPa高度场三类数据作为前期气象要素(也可称为前期初选预报因子)。
其中,74项环流指数下载于中国气象数据网,空间网格分辨率依照国家气候中心气候系统诊断预测室数据集格式,时间分辨率为逐小时到逐月不同时间尺度。北太平洋海温场数据下载于美国国家环境预报中心,空间网格分辨率为0.25°×0.25°到5°×5°,时间分辨率为逐小时到逐月不同时间尺度。500hPa高度场数据下载于美国国家环境预报中心,空间网格分辨率为0.25°×0.25°到5°×5°,时间分辨率为逐小时到逐月。
根据预报要求的不同步长与时效,选择相应气象要素的不同时间提前量,此不同时间提前量是指,预报对象为要预报今年7月的月平均径流量,若用6月的气象要素数据来预报则时间提前量为一个月,若用5月的气象要素数据来预报则时间提前量为两个月,依次类推。根据预报流域的不同面积与位置,选择相应空间分辨率的网格数据,此选择标准通常依据经验而定,一般来讲,100平方公里的小流域采用1°×1°的数据网格。
由于74项环流指数有不同种类、不同时间提前量、不同经纬度的初选预报因子,北太平洋海温场和500hPa高度场数据有不同时间提前量、不同经纬度的初选预报因子。因此预报中长期径流可选择不同种类、不同时间提前量、不同经纬度的因子序列,具有多尺度、多层次特征,可以提高预报的准确性。
从三类气象要素中提取最终预报因子的过程为:比如要预报2017.7月的月平均径流,在预报时,是先建立预报对象序列和预报因子序列。预报对象序列就是历史的径流数据,可从水文年鉴、水文测站、水文局获得。如预报对象序列为2000.7月月平均径流量,2001.7,2002.7直到2016.7共17年数据。预报因子序列可为2000.6月某经纬度的海温数据,2001.6,2002.6直到2016.6共17年数据,此时时间提前量为一个月。计算两个序列的皮尔逊相关系数,以相关系数的大小作为挑选出相关性大的因子的依据,从此类气象因素的所有因子中挑选出与预报对象相关性较高的因子,再根据逐步回归方法,在挑选出的因子中计算影响预报对象序列最大的N个因子,作为为最终预报因子。先进行相关系数的筛选,是因为三类气象要素中一般包括几十万个因子,所以先筛选出一部分与预报对象相关系数大的因子,否则直接代入逐步回归的运算量很大。
逐步回归根据预报因子对预报对象的方差贡献来挑选因子,其原理如下:
设在某类气象要素中挑选到有m个与预报对象相关性较高的因子,若回归方程中包含全部预报因子x1,x2,……,xm时,其残差平方和为:
式中,m为因子数,n为样本容量,y代表径流实测值,b0…bm是系数,xim是第i行第m列的因子数值。
若在方程中去掉第k个因子xk后,用(m-1)个因子建立一个新的回归方程,则残差平方和为:
残差平方和的变化即该因子的方差贡献,方差贡献的绝对值变化越大,说明该因子越重要。方差贡献最大的N个因子,即为最终预报因子,N可根据流域属性、预报时长等拟定,一般N取5-15。
预报因子序列也可为2000.5月某经纬度的500hpa高度场数据,2001.5,2002.5直到2016.5共17年数据,此时时间提前量为两个月。同上,计算两个序列的相关系数,根据逐步回归方法,计算影响预报对象序列最大的N个因子之一,作为为最终预报因子。
按照以上过程,计算所有类别、经纬度、时间尺度下初选预报因子序列与历史预报对象序列的皮尔逊相关系数,然后利用逐步回归的方式,挑选出相关性高、彼此独立性强(方差贡献大)的预报因子作为最终预报因子。
步骤S2,构建多种基于数据挖掘技术的预报模型,将历史最终预报因子序列与预报对象序列作为不同预报模型的输入与输出,训练各预报模型。
构建预报模型是将历史最终预报因子序列与预报对象序列作为不同预报模型的输入与输出,率定模型内置参数,优化模型结构。预报模型采用数据挖掘技术中的人工神经网络(ANN)、支持向量机(SVM)和随机森林(RF)三种智能算法模型。
人工神经网络是一种多层反馈神经网络模型,由一个输入层、一个输出层和若干个隐含层组成,每层又含有若干个神经元节点,不同节点之间通过权重连接。通过对大量样本的学习与训练,确定模型有关参数,从而建立预报模型,具体过程参见现有文献Feng C XJ,Gowrisankar A C,Smith AE,et al.Practical guidelines for developing BPneural network models of measurement uncertainty data[J].Journal ofManufacturing Systems,2006,25(4):239-250。
支持向量机模型是一种基于统计学习理论的新型机器学习算法,其核心思想是最优分类面不但正确将两类样本分开,而且使分类间隔最大化,平行最优分类面且距离最短的直线上的训练样本即为支持向量;在线性不可分情况下,引入松弛变量和误差惩罚参数,建立广义最优分类面;对于非线性问题,通过核函数将低维非线性分类问题变换为高维线性分类问题,其形式上类似神经网络,输出的是中间节点的线性组合,每个节点对应一个支持向量。其具体过程参见现有文献Vapnik V,Kotz S.Estimation of Dependences Basedon Empirical Data:Empirical Inference Science(Information Science andStatistics)[M].Springer New York,2006。
随机森林模型是结合Bagging集成学习理论与随机子空间方法的一种机器学习算法。它是利用boostrap技术对原始样本进行抽样,生成多个训练样本,每个训练样本子集再通过随机子空间方法随机选取特征属性构建决策树,最终通过投票或者求均值方式选取最优结果,具体过程参见现有文献Breiman L(2001)Random forests.Machine Learning 45:5–32。
步骤S3,依据以上多种预报模型分别进行径流预报,利用最优组合赋权理论,综合集成多模型预报结果。
依据步骤S2中构建的三种预报模型,进行径流预报。由于不同模型在不同时期(预报不同月份)的模拟精度(由平均相对误差来衡量)不尽相同,为寻求最优结果,利用最优组合赋权理论,根据不同模拟期内的模拟性能赋予不同预报模型相应的权重,获得最佳综合预报结果。最优组合赋权理论数学原理如下:
假设实测系列(即径流实测值)记为Y=(y1,y2,…,yn)T,n为系列长度,设有m个模型(本实施例中m为3)参与综合集成,模型的模拟值(或称为预报值)记为X=(X1,X2,…,Xm),Xi表示第i个模型的模拟系列,表示为Xi=(xi1,xi2,…,xin)T,对于模型集成来说,即要确定各模型权重,记为w=(w1,w2,…,wm)T,是多模型集成系列,可通过下式计算:
各模型的模拟偏差用ei(i=1,2,…,m)来表示,则第i个模型偏差为ei=Y-Xi;多模型集成的模拟值的模拟偏差记为e,对任一时刻j=1,2,…,n,ej可表示为:
任一时刻j下,多模型集成模拟值模拟偏差平方为则可表示为:
令J为多模型集成模拟的误差平方和,则则博弈准则为:
w*=(RTE-1R)-1E-1R
J*=(w*)TEw*=(RTE-1R)-1
式中w*为各模型的最优权值,J*表示博弈准则的最小值。
根据各预报模型在各月的模拟及实测系列,通过博弈论最优赋权方法即可确定各预报模型在集成模型中每月的权重系数;基于各个预报模型在各月的权重,对各模型的模拟值进行加权集成,便可确定多模型集成的预报值。
实施例
现有某水库1987-2016年共30年逐月径流资料,需预报2017年未来一年内逐月径流量;依据本发明基于前期气象因子与大数据挖掘技术的中长期径流预报方法,按照如下步骤进行预报:
(1)依据水库地理位置,将74项环流指数、北太平洋海温场和500hPa高度场逐月数据作为初选预报因子。计算1987-2016年1月径流序列与1986-2015年逐类、逐月、逐网格气象要素序列的皮尔逊相关系数,利用逐步回归方法,筛选相关性高、彼此独立性强的气象要素作为1月的最终预报因子,其他月份方法相同。由于中长期径流预报的复杂性与不确定性,假定3类气象要素的重要度相同,每类选择5个最终预报因子。
(2)将1986-2015年15个预报因子的逐月数据序列与1987-2016年1月径流序列作为人工神经网络、支持向量机和随机森林三种智能算法模型的输入与输出,率定模型参数,优化模型结构,构建基于大数据挖掘技术的三种中长期径流预报模型。
(3)最后将2016年15个预报因子的数据输入到(2)中构建完毕的三种预报模型中,进行对2017年未来一年内逐月径流量的预报。利用最优组合赋权理论,根据不同模拟期内的不同预报模型的模拟性能,动态赋予相应的权重,综合优选预报结果。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变型,这些改进和变型也应视为本发明的保护范围。
Claims (6)
1.基于前期气象因子与数据挖掘技术的中长期径流预报方法,其特征是,包括以下步骤:
步骤S1,确定影响中长期径流的各类前期初选预报因子,计算所有类别初选预报因子序列与历史预报对象序列的皮尔逊相关系数,再根据逐步回归方法,提取出相关性高、方差贡献大的因子作为最终预报因子;
步骤S2,构建多种基于数据挖掘技术的预报模型,将历史最终预报因子序列与预报对象序列作为不同预报模型的输入与输出,训练各预报模型;
步骤S3,依据以上多种预报模型分别进行径流预报,利用最优组合赋权理论,综合集成多模型预报结果。
2.根据权利要求1所述的基于前期气象因子与数据挖掘技术的中长期径流预报方法,其特征是,前期初选预报因子包括74项环流指数、北太平洋海温场和500hPa高度场三类数据。
3.根据权利要求1所述的基于前期气象因子与数据挖掘技术的中长期径流预报方法,其特征是,初选预报因子序列包括不同种类、不同时间提前量、不同经纬度的因子数值。
4.根据权利要求1所述的基于前期气象因子与数据挖掘技术的中长期径流预报方法,其特征是,步骤S1中,提取最终预报因子的具体过程为:先计算所有类别初选预报因子序列与历史预报对象序列的皮尔逊相关系数,从各类气象因素的所有因子中挑选出与预报对象相关性较高的因子,再根据逐步回归方法,在挑选出的因子中计算影响预报对象序列最大的因子,作为最终预报因子。
5.根据权利要求1所述的基于前期气象因子与数据挖掘技术的中长期径流预报方法,其特征是,预报模型包括人工神经网络、支持向量机和随机森林三种。
6.根据权利要求1所述的基于前期气象因子与数据挖掘技术的中长期径流预报方法,其特征是,步骤S3中,获取最终预报结果的过程为:根据各预报模型在各月的模拟及实测系列,通过博弈论最优赋权方法确定各预报模型在集成模型中每月的权重系数;基于各个预报模型在各月的权重,对各模型的模拟值进行加权集成,获得多模型集成的预报值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710451205.5A CN107292098A (zh) | 2017-06-15 | 2017-06-15 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710451205.5A CN107292098A (zh) | 2017-06-15 | 2017-06-15 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292098A true CN107292098A (zh) | 2017-10-24 |
Family
ID=60096932
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710451205.5A Pending CN107292098A (zh) | 2017-06-15 | 2017-06-15 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292098A (zh) |
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107942411A (zh) * | 2017-11-30 | 2018-04-20 | 南京理工大学 | 一种大气能见度预测方法 |
CN107992961A (zh) * | 2017-11-21 | 2018-05-04 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
CN108009398A (zh) * | 2017-12-12 | 2018-05-08 | 河海大学 | 一种考虑逐日数据波动特征的gcm校正方法 |
CN108171007A (zh) * | 2018-01-15 | 2018-06-15 | 中国水利水电科学研究院 | 一种基于数值集合预报极值修正的中长期径流预报方法 |
CN108734340A (zh) * | 2018-04-27 | 2018-11-02 | 河海大学 | 一种基于洪型概化的河道洪水预报方法 |
CN109059875A (zh) * | 2018-06-28 | 2018-12-21 | 中国水利水电科学研究院 | 一种驱动完美模型开展月尺度径流预报的方法 |
CN109472403A (zh) * | 2018-10-31 | 2019-03-15 | 中国水利水电科学研究院 | 一种集合经验模态分解及遥相关的中长期径流预报方法 |
CN109523054A (zh) * | 2018-09-29 | 2019-03-26 | 中山大学 | 一种基于随机游走的季节径流预报因子选择方法 |
CN109580003A (zh) * | 2018-12-18 | 2019-04-05 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
CN110188922A (zh) * | 2019-05-05 | 2019-08-30 | 中国长江电力股份有限公司 | 一种基于产流机制的rbf神经网络中长期径流预测方法 |
CN110414713A (zh) * | 2019-06-27 | 2019-11-05 | 电子科技大学 | 一种基于同步数据流压缩的径流实时预测方法 |
CN110543987A (zh) * | 2019-08-28 | 2019-12-06 | 向波 | 一种智能气候预测系统 |
CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
CN110909943A (zh) * | 2019-11-27 | 2020-03-24 | 淮阴工学院 | 一种多尺度多因子联合驱动的月径流概率预报方法 |
CN111091237A (zh) * | 2019-12-01 | 2020-05-01 | 庞轶舒 | 一种长江上游年径流量的预测技术 |
CN111461453A (zh) * | 2020-04-13 | 2020-07-28 | 中国水利水电科学研究院 | 一种基于多模型组合的中长期径流集合预报方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN112036604A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种考虑多时序过程因子的中期径流预报方法 |
CN113537600A (zh) * | 2021-07-20 | 2021-10-22 | 浙江省水利水电勘测设计院 | 一种全过程耦合机器学习的中长期降水预报建模方法 |
CN115099469A (zh) * | 2022-06-06 | 2022-09-23 | 中国长江电力股份有限公司 | 基于优选气候因子和精度权重系数的中长期径流预测方法 |
CN115481818A (zh) * | 2022-10-12 | 2022-12-16 | 大连理工大学 | 一种基于时序分解的中长期径流预报方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604356A (zh) * | 2009-06-24 | 2009-12-16 | 南京大学 | 一种不确定性中长期水文预报模型的建立方法 |
CN102867106A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 短期径流预报方法及系统 |
CN104091074A (zh) * | 2014-07-12 | 2014-10-08 | 西安浐灞生态区管理委员会 | 一种基于经验模态分解的中长期水文预报方法 |
CN105243502A (zh) * | 2015-10-19 | 2016-01-13 | 华中科技大学 | 一种基于径流区间预测的水电站调度风险评估方法及系统 |
-
2017
- 2017-06-15 CN CN201710451205.5A patent/CN107292098A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604356A (zh) * | 2009-06-24 | 2009-12-16 | 南京大学 | 一种不确定性中长期水文预报模型的建立方法 |
CN102867106A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 短期径流预报方法及系统 |
CN104091074A (zh) * | 2014-07-12 | 2014-10-08 | 西安浐灞生态区管理委员会 | 一种基于经验模态分解的中长期水文预报方法 |
CN105243502A (zh) * | 2015-10-19 | 2016-01-13 | 华中科技大学 | 一种基于径流区间预测的水电站调度风险评估方法及系统 |
Non-Patent Citations (3)
Title |
---|
冉笃奎等: "丹江口水库中长期径流量的多模型预报结果分析及综合研究", 《水利学报》 * |
徐炜等: "基于多模型预报信息融合的中长期径流预报研究", 《水力发电学报》 * |
祝诗学等: "丹江口水库流域月尺度降雨与径流预报研究", 《南水北调与水利科技》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992961B (zh) * | 2017-11-21 | 2021-04-27 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
CN107992961A (zh) * | 2017-11-21 | 2018-05-04 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
CN113379109A (zh) * | 2017-11-21 | 2021-09-10 | 中国水利水电科学研究院 | 一种基于预测模型自适应的径流预报方法 |
CN107942411A (zh) * | 2017-11-30 | 2018-04-20 | 南京理工大学 | 一种大气能见度预测方法 |
CN108009398A (zh) * | 2017-12-12 | 2018-05-08 | 河海大学 | 一种考虑逐日数据波动特征的gcm校正方法 |
CN108009398B (zh) * | 2017-12-12 | 2019-08-06 | 河海大学 | 一种考虑逐日数据波动特征的gcm校正方法 |
CN108171007A (zh) * | 2018-01-15 | 2018-06-15 | 中国水利水电科学研究院 | 一种基于数值集合预报极值修正的中长期径流预报方法 |
CN108171007B (zh) * | 2018-01-15 | 2019-02-05 | 中国水利水电科学研究院 | 一种基于数值集合预报极值修正的中长期径流预报方法 |
CN108734340A (zh) * | 2018-04-27 | 2018-11-02 | 河海大学 | 一种基于洪型概化的河道洪水预报方法 |
CN109059875A (zh) * | 2018-06-28 | 2018-12-21 | 中国水利水电科学研究院 | 一种驱动完美模型开展月尺度径流预报的方法 |
CN109523054A (zh) * | 2018-09-29 | 2019-03-26 | 中山大学 | 一种基于随机游走的季节径流预报因子选择方法 |
CN109472403A (zh) * | 2018-10-31 | 2019-03-15 | 中国水利水电科学研究院 | 一种集合经验模态分解及遥相关的中长期径流预报方法 |
CN109472403B (zh) * | 2018-10-31 | 2022-03-11 | 中国水利水电科学研究院 | 一种集合经验模态分解及遥相关的中长期径流预报方法 |
CN109580003B (zh) * | 2018-12-18 | 2021-01-12 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
CN109580003A (zh) * | 2018-12-18 | 2019-04-05 | 成都信息工程大学 | 一种静止气象卫星热红外数据估算近地面大气温度方法 |
CN110188922A (zh) * | 2019-05-05 | 2019-08-30 | 中国长江电力股份有限公司 | 一种基于产流机制的rbf神经网络中长期径流预测方法 |
CN110414713A (zh) * | 2019-06-27 | 2019-11-05 | 电子科技大学 | 一种基于同步数据流压缩的径流实时预测方法 |
CN110543987A (zh) * | 2019-08-28 | 2019-12-06 | 向波 | 一种智能气候预测系统 |
CN110555561A (zh) * | 2019-09-06 | 2019-12-10 | 清华大学 | 一种中长期径流集合预报方法 |
CN110555561B (zh) * | 2019-09-06 | 2022-04-01 | 清华大学 | 一种中长期径流集合预报方法 |
CN110909943A (zh) * | 2019-11-27 | 2020-03-24 | 淮阴工学院 | 一种多尺度多因子联合驱动的月径流概率预报方法 |
CN111091237B (zh) * | 2019-12-01 | 2023-08-18 | 庞轶舒 | 一种长江上游年径流量的预测技术 |
CN111091237A (zh) * | 2019-12-01 | 2020-05-01 | 庞轶舒 | 一种长江上游年径流量的预测技术 |
CN111461453A (zh) * | 2020-04-13 | 2020-07-28 | 中国水利水电科学研究院 | 一种基于多模型组合的中长期径流集合预报方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN111598724B (zh) * | 2020-05-19 | 2022-07-22 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN112036604A (zh) * | 2020-07-29 | 2020-12-04 | 大连理工大学 | 一种考虑多时序过程因子的中期径流预报方法 |
CN113537600B (zh) * | 2021-07-20 | 2024-04-02 | 浙江省水利水电勘测设计院有限责任公司 | 一种全过程耦合机器学习的中长期降水预报建模方法 |
CN113537600A (zh) * | 2021-07-20 | 2021-10-22 | 浙江省水利水电勘测设计院 | 一种全过程耦合机器学习的中长期降水预报建模方法 |
CN115099469A (zh) * | 2022-06-06 | 2022-09-23 | 中国长江电力股份有限公司 | 基于优选气候因子和精度权重系数的中长期径流预测方法 |
CN115481818A (zh) * | 2022-10-12 | 2022-12-16 | 大连理工大学 | 一种基于时序分解的中长期径流预报方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
CN110555561B (zh) | 一种中长期径流集合预报方法 | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
Lima et al. | Modeling and forecasting of Brazilian reservoir inflows via dynamic linear models | |
Körner et al. | Introducing Gradient Boosting as a universal gap filling tool for meteorological time series | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
CN107423857B (zh) | 一种区域长期来水多目标联合概率预测方法 | |
Fang et al. | Application of long short-term memory (LSTM) on the prediction of rainfall-runoff in karst area | |
CN105974495A (zh) | 利用分类拟合法预判目标区域未来平均云量的方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN117172037B (zh) | 一种分布式水文预报方法、装置、计算机设备及介质 | |
Li et al. | Development of a joint probabilistic rainfall‐runoff model for high‐to‐extreme flow projections under changing climatic conditions | |
CN110263293A (zh) | 一种基于小波变换和联合概率分布的水文预报方法 | |
Mahoney et al. | Blasts from the past: Reimagining historical storms with model simulations to modernize dam safety and flood risk assessment | |
Karimi et al. | Monthly rainfall prediction using ARIMA and gene expression programming: A case study in Urmia, Iran | |
Hong et al. | Spatial interpolation of annual runoff in ungauged basins based on the improved information diffusion model using a genetic algorithm | |
Achite et al. | Application of multiple spatial interpolation approaches to annual rainfall data in the Wadi Cheliff basin (north Algeria) | |
Deng et al. | Assessment of the impact of climate change on streamflow of Ganjiang River catchment via LSTM-based models | |
Ahmadi et al. | On the capability of preprocessing techniques for suspended sediment load prediction using artificial intelligence methods | |
Zhang et al. | Calibration and uncertainty analysis of a hydrological model based on cuckoo search and the M-GLUE method | |
Arampatzis et al. | A water demand forecasting methodology for supporting day-to-day management of water distribution systems | |
Hadipour et al. | Genetic programming for downscaling extreme rainfall events | |
Dong et al. | A hybrid prediction model for wind speed using support vector machine and genetic programming in conjunction with error compensation | |
Divac et al. | A procedure for state updating of SWAT-based distributed hydrological model for operational runoff forecasting |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |