CN107992961B - 一种自适应的流域中长期径流预报模型架构方法 - Google Patents

Abstract

本发明涉及一种自适应的流域中长期径流预报模型架构方法，该构架方法的目的在于根据预报流域特征将预报流域划分成不同的子流域进行分区预报；建立不同子流域的预报因子集；对各个子流域采取集合预报的方法；并通过自适应方法调整预报方法中不同模型的参数；对子流域的预报结果采用河道演算方法得到最终的流域预报值；周期性检验预报结果的确定性系数以判定是否需要更新预报因子和预报方法的构成，使用该方法得到的径流预报结果可为城市防洪或大型水库入流预测提供可靠的依据。

Description

一种自适应的流域中长期径流预报模型架构方法

技术领域

本发明涉及一种径流预报架构方法，具体说是涉及一种自适应的中长期径流预报模型架构方法。

背景技术

径流预报属于水文预报范畴,是应用水文学的一个重要组成部分,它是建立在掌握客观水文规律的基础上,预见未来径流变化的一门应用科学技术,是水资源调度、水利防汛和抗旱科学实施的前提。径流预报按预见期可分为短期径流预报和中长期径流预报,一般以流域汇流时间为界,凡预报的预见期小于或等于流域汇流时间的称为短期预报,预报的预见期大于流域汇流时间的称为中长期预报。其中,预见期在一天的为中期预报，预见期在一天以上,一年以内的为长期预报，超过一年的则为超长期预报。

中长期径流预报就是据己知信息对未来一定时期内的径流状态做出定性或定量的预测。首先,对影响预报对象的降雨、海表温度、大气环流系统和天气系统进行分析,遴选和确定物理机制强、相关关系显著的预报因子,以及应用统计计算方法计算彼此的相关关系是否显著。在此基础上建立相应的预报模型,评价并优选出最优的预报模型。最后,通过模型的模拟和试报,分析模型的精度,同时对确定性预报结果进行不确定性分析,给出预报结果,从而应用于生产实践。

准确的中长期径流预报是提高水资源利用率、实现流域水电站优化调度运行和提高水电站经济效益的重要保障。特别在电力市场改革的背景下，提高中长期预报精度和预见期，编制科学合理的流域梯级联合优化发电计划，对高效开展流域梯级水库联合调度工作尤为重要。

近年来随着我们国家大型水利工程的不断建设,对缓解水资源短缺,改善生态环境发挥了巨大的作用,径流预报对这些重大的工程进行科学、合理、高效的水资源调度起到了至关重要的作用,充分发挥了这些水利工程的经济效益、社会效益和生态环境效益,确保了工程建设目标实现。如何更准确的进行径流预报是各项工程水资源运行调度管理中面临的首要课题,也是决定各项工程成败的关键问题之一。但由于人类活动，气候变化等因素的影响，目前的预报系统在覆盖范围、预报因子等方面急需完善。特别是下垫面变化条件下，流域各个部分之间的产流机理也发生了相应的变化，忽略局部差异的方法模拟效果有所下降，此外，目前的组合预报方法缺乏权重的自我调整，也无法根据预报结果调整更新预报模型。

发明内容

本发明设计了一种自适应的流域中长期径流预报模型架构方法，其解决的技术问题是目前的预报系统在覆盖范围、预报因子等方面急需完善，在预报过程中没有针对中期预报和长期预报的差异构建不同的方法，没有根据流域的不同子流域特点建立不同的预报模型，同时，预报模型本身缺乏自我评价和修改能力，无法及时更新模型组块。

为了解决上述存在的技术问题，本发明采用了以下方案：

1、一种自适应的流域中长期径流预报模型架构方法，包括以下步骤：

步骤1、收集预报流域的基础数据；

步骤2、基于所述基础数据，运用线性回归法建立年流量序列x(t)与其时序t之间的线性回归方程，进而检验时间序列的趋势性；

步骤3、将流域划分成若干子流域；

步骤4、预报因子的识别；

步骤5、建立预测模型库；

步骤6、通过确定性系数评判，在每一个子流域，对于物理成因法、水文统计法和人工智能三种方法，每种方法各选取一个确定性系数较高的模型，构成该子流域集合预报的组成；

步骤7、根据步骤6计算的结果，确定物理成因法、水文统计法和人工智能不同方法的权重值，进行集合预报；

步骤8、运用最小均方根误差算法调整步骤7中权重值，使得各个子流域的预报值和实测值之间的均方根误差达到最小，输出各个子流域的预报值；

步骤9、根据各子流域的预报值，进行河道演算求得整个流域出口断面的径流过程，完成预报过程；

步骤10、对整个流域预报的结果计算确定性系数；

步骤11、每月某一日对前一年逐日预报结果的确定性系数进行趋势检验；

步骤12、判断是否需要更新预报因子集和重新选择预报模型。

进一步，所述步骤1中的所述基础数据包括：

基础数据A、流域主要控制水文站的日、旬、月、年的流量资料，其用于所述步骤2和所述步骤11中；

基础数据B、各主要控制水文站的旬、月、年最大流量、最小流量特征值及发生时间，第一场径流和最后一场径流过程资料，其用于所述步骤3中；

基础数据C、流域主要雨量站的日、旬、月、年的降雨，其用于所述步骤4中；

基础数据D、收集74项环流指标，以及欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料的气象影响因子，其用于所述步骤4中。

进一步，所述步骤2中，根据步骤1提供的流域主要控制水文站基础数据A构建线性回归方程，该线性回归方程给出时间序列是否具有递增或递减的趋势，并且为：

x(t)＝a×t+b；

式中：x(t)为时间序列，t为相应时序，a为线性方程斜率，表征时间序列的平均趋势变化率，b为截距；a和b的值可由最小二乘法进行估计。

进一步，所述步骤3中将流域划分成若干子流域的标准为：步骤2所判断控制站的流量变化趋势、各控制站上游子流域的下垫面条件及产流方式都相同的子流域合并为一个子流域，不同的子流域彼此区分，所述步骤1中所述基础数据B中各主要控制水文站的旬、月、年最大流量、最小流量特征值及发生时间作为判断下垫面条件及产流方式的条件。

进一步，所述步骤4中针对不同的子流域分别识别预报因子，所述预报因子包括：前期降水与径流、74项环流指标、气象因子数据、海表温度、太阳活动因子以及人类活动因子；其中，太阳活动因子选择太阳黑子相对数以及相关联的地磁指数、太阳10cm波射电流量作为预报因子；人类活动通过城市不透水的硬化地面面积和水电站的调度规则反应；气象因子数据来自于所述步骤1中基础数据D中欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料；

采用相关分析法分析不同预报因子和不同子流域流量之间的相关程度，计算公式为:

Y_i为Y的第i个样本值；

为X的样本均值；

为Y的样本均值；X代表某一子流域出口断面的流量，Y代表某一种预报因子，分别计算不同的预报因子和子流域出口断面流量之间的相关关系；

相关系数R_XY的取值范围为[-1,1]；R_XY大于0，说明预报对象Y和预报因子X之间为正相关；R_XY小于0，说明预报对象Y和预报因子X之间为负相关；R_XY等于0，说明预报对象Y和预报因子X之间不相关；R_XY的绝对值越大，预报对象Y和预报因子X之间的相关程度就越高；对于不同的子流域，选取相关程度排名靠前的10％预报因子作为不同子流域的预报因子集。

进一步，所述步骤5建立预测模型库包括三大方法：物理成因法、水文统计法和人工智能法，物理成因法包括多元线性回归模型和多元门限回归模型，水文统计法包括时间序列分解模型和秩相似预报模型，人工智能模型包括人工神经网络模型和支持向量机模型。

进一步，所述步骤6中使用的确定性系数公式为：

式中：DC为确定性系数，y₀(i)为实测值，y_c(i)为预报值，

为实测序列的均值，m为资料序列的长度。

进一步，所述步骤7中的计算公式如下：

步骤6中物理成因法、水文统计法和人工智能的确定性系数分别为A,B,C，则物理成因法模拟结果的权重为

水文统计法的权重为

人工智能法模拟的权重为

则集成预报值为：

R＝w₁y₁+w₂y₂+w₃y₃

式中，w₁，w₂，w₃为权重值，y₁，y₂，y₃为各方法的预报值，R_i为各子流域集合预报值。

进一步，所述步骤11中每月1号对前一年(12个月)逐日预报结果的确定性系数进行趋势检验，确定性系数的检验对象是步骤1中基础数据A逐日预报结果和主要控制水文站的日流量资料，采用坎德尔秩次相关检验法，计算公式为：

式中，U为确定性系数；

N为确定性系数序列的总长度，x_i，x_j为系列中的数值，sgn为符号函数，返回值如果数字大于0，则sgn返回1，数字等于0，则返回0，数字小于0，则返回-1，数字参数的符号决定了sgn函数的返回值；i，j为系列中数值的编号，从1到n；n为系列的长度；τ为常数。

进一步，所述步骤12中，针对步骤11的计算结果，若|U|＞U_α/2且U大于0时，说明确定性系数序列的变化趋势显著，确定性系数序列呈上升趋势，预测结果较好，不需要更新预报因子集和重新选择预报模型；

当|U|＞U_α/2且U小于0时序列呈下降趋势，说明预报结果有下降趋势，此时返回步骤4重新识别预报因子集，并重复步骤6-10；

其中，α为显著性水平，通过给定的显著性水平，通过正态分布表查得U_α/2。

该自适应的流域中长期径流预报模型架构方法具有以下有益效果：

本发明根据预报流域特征将预报流域划分成不同的子流域分区进行预报；建立不同子流域的预报因子集；对各个子流域采取集合预报的方法；并通过自适应方法调整预报方法中不同模型的参数；对子流域的预报结果采用河道演算方法得到最终的流域预报值；周期性检验预报结果的确定性系数以判定是否需要更新预报因子和预报方法的构成，使用该方法得到的径流预报结果可为城市防洪或大型水库入流预测提供可靠的依据。

附图说明：

图1：本发明自适应的流域中长期径流预报模型架构方法的流程图。

具体实施方式

下面结合实施例，对本发明做进一步说明：

步骤1、收集预报流域的基础数据，主要包括：(1)流域主要控制水文站的日、旬、月、年的流量资料；(2)各控制水文站的旬、月、年最大流量、最小流量特征值及发生时间，第一场径流和最后一场径流过程资料；(3)流域主要雨量站的日、旬、月、年的降雨；(4)收集74项环流指标、以及欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果(再分析资料)等气象影响因子。

步骤2、对主要控制水文站，运用线性回归法建立年流量序列x(t)与其时序t之间的线性回归方程，进而检验时间序列的趋势性，该方法可以给出时间序列是否具有递增或递减的趋势，线性回归方程为：

x(t)＝a×t+b

式中：x(t)为时间序列，t为相应时序，a为线性方程斜率，表征时间序列的平均趋势变化率，b为截距。a和b的值可由最小二乘法进行估计。

步骤3、将流域划分成若干子流域，划分依据主要包括，步骤2所判断控制站的流量变化趋势、各控制站上游子流域的下垫面条件及产流方式，都相同的子流域合并为一个子流域，不同条件的子流域彼此区分；

步骤4、预报因子的识别，针对不同的子流域分别识别预报因子，预报因子主要包括：前期降水与径流、74项环流指标、海表温度、太阳活动因子、人类活动因子等，采用相关分析法分析不同预报因子和不同子流域流量之间的相关程度，计算公式为:

式中，R_XY为X和Y之间的相关系数；n为资料样本数；X_i为X的第i个样本值；Y_i为Y的第i个样本值；

为X的样本均值；

为Y的样本均值。

相关系数R_XY的取值范围为[-1,1]。R_XY大于0，说明预报对象Y和预报因子X之间为正相关；R_XY小于0，说明预报对象Y和预报因子X之间为负相关；R_XY等于0，说明预报对象Y和预报因子X之间不相关。R_XY的绝对值越大，预报对象Y和预报因子X之间的相关程度就越高。对于不同的子流域，选取相关程度排名靠前的10％预报因子作为不同子流域的预报因子集；

步骤5、建立预测模型库，预测模型库主要包括三大方法：物理成因法、水文统计法和人工智能法，物理成因法包括多元线性回归模型和多元门限回归模型，水文统计法包括时间序列分解模型和秩相似预报模型，人工智能模型包括人工神经网络模型和支持向量机模型；

步骤6、通过确定性系数评判，在每一个子流域，对于物理成因法、水文统计法和人工智能三种方法，每种方法各选取一个确定性系数较高的模型，构成该子流域集合预报的组成，确定性系数公式为：

式中：DC为确定性系数，y₀(i)为实测值，y_c(i)为预报值，

为实测序列的均值，m为资料序列的长度。

步骤7、根据步骤6计算的结果，确定物理成因法、水文统计法和人工智能不同方法的权重，进行集合预报，假设步骤6中物理成因法、水文统计法和人工智能的确定性系数分别为A,B,C，则物理成因法模拟结果的权重为

水文统计法的权重为人

式中，w₁，w₂，w₃为权重值，y₁，y₂，y₃为各方法的预报值，R_i为各子流域集合预报值。

步骤8、运用最小均方根误差算法调整步骤7中w₁，w₂，w₃的值，使得各个子流域的预报值和实测值之间的均方根误差达到最小，输出预报值。最小均方根误差算法可用mat lab程序实现。

步骤9、根据各子流域的预报结果，进行河道演算求得流域出口断面的径流过程，完成预报过程，河道演算可使用马斯金根法或神经网络法；

步骤10、对流域预报的结果计算确定性系数，公式如步骤6；

步骤11、每月1号对前一年(12个月)逐日预报结果的确定性系数进行趋势检验，采用坎德尔秩次相关检验法，计算公式为：

式中，U为确定性系数；

N为确定性系数序列的总长度，x_i，x_j为系列中的数值，sgn为符号函数，返回值如果数字大于0，则sgn返回1，数字等于0，则返回0，数字小于0，则返回-1，数字参数的符号决定了sgn函数的返回值。

步骤12、针对步骤11，判断是否需要更新预报因子集和重新选择预报模型，若|U|＞U_α/2且U大于0时，说明确定性系数序列的变化趋势显著，确定性系数序列呈上升趋势，预测结果较好，不需要更新预报因子集和重新选择预报模型。当|U|＞U_α/2且U小于0时序列呈下降趋势，说明预报结果有下降趋势，此时返回步骤4重新识别预报因子集，并重复步骤6-10。

Claims (5)

1.一种自适应的流域中长期径流预报模型架构方法，包括以下步骤：

步骤1、收集预报流域的基础数据；

所述步骤1中的所述基础数据包括：

基础数据A、流域主要控制水文站的日、旬、月、年的流量资料，其用于步骤2和步骤11中；

基础数据B、各主要控制水文站的旬、月、年最大流量、最小流量特征值及发生时间，第一场径流和最后一场径流过程资料，其用于步骤3中；

基础数据C、流域主要雨量站的日、旬、月、年的降雨，其用于步骤4中；

基础数据D、收集74项环流指标，以及欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料的气象影响因子，其用于步骤4中；

步骤2、基于所述基础数据，运用线性回归法建立年流量序列x(t)与其时序t之间的线性回归方程，进而检验时间序列的趋势性；

步骤3、将流域划分成若干子流域；

步骤4、预报因子的识别；

所述步骤4中针对不同的子流域分别识别预报因子，所述预报因子包括：前期降水与径流、74项环流指标、气象因子数据、海表温度、太阳活动因子以及人类活动因子；其中，太阳活动因子选择太阳黑子相对数以及相关联的地磁指数、太阳10cm波射电流量作为预报因子；人类活动通过城市不透水的硬化地面面积和水电站的调度规则反映；气象因子数据来自于所述步骤1中基础数据D中欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料；

采用相关分析法分析不同预报因子和不同子流域流量之间的相关程度，计算公式为:

式中，相关系数R_XY为X和Y之间的相关系数；n为资料样本数；X_i为X的第i个样本值；Y_i为Y的第i个样本值；

为X的样本均值；

为Y的样本均值；X代表某一子流域出口断面的流量，Y代表某一种预报因子，分别计算不同的预报因子和子流域出口断面流量之间的相关关系；

相关系数R_XY的取值范围为[-1,1]；R_XY大于0，说明预报对象Y和预报因子X之间为正相关；R_XY小于0，说明预报对象Y和预报因子X之间为负相关；R_XY等于0，说明预报对象Y和预报因子X之间不相关；R_XY的绝对值越大，预报对象Y和预报因子X之间的相关程度就越高；对于不同的子流域，选取相关程度排名靠前的10％预报因子作为不同子流域的预报因子集；

步骤5、建立预测模型库；

步骤6、通过确定性系数评判，在每一个子流域，对于物理成因法、水文统计法和人工智能三种方法，每种方法各选取一个确定性系数较高的模型，构成该子流域集合预报的组成；

所述步骤6中使用的确定性系数公式为：

式中：DC为确定性系数，y₀(i)为实测值，y_c(i)为预报值，

为实测序列的均值，m为资料序列的长度；

步骤7、根据步骤6计算的结果，确定物理成因法、水文统计法和人工智能不同方法的权重值，进行集合预报；

步骤8、运用最小均方根误差算法调整步骤7中权重值，使得各个子流域的预报值和实测值之间的均方根误差达到最小，输出各个子流域的预报值；

步骤9、根据各子流域的预报值，进行河道演算求得整个流域出口断面的径流过程，完成预报过程；

步骤10、对整个流域预报的结果计算确定性系数；

所述步骤10中使用的确定性系数公式为：

式中：DC为确定性系数，y₀(i)为实测值，y_c(i)为预报值，

为实测序列的均值，m为资料序列的长度；

步骤11、每月某一日对前一年逐日预报结果的确定性系数进行趋势检验；所述步骤11中每月1号对前一年(12个月)逐日预报结果的确定性系数进行趋势检验，确定性系数的检验对象是步骤1中基础数据A逐日预报结果和主要控制水文站的日流量资料，采用坎德尔秩次相关检验法，计算公式为：

式中，U为确定性系数；

N为确定性系数序列的总长度，x_i，x_j为系列中的数值，sgn为符号函数，返回值如果数字大于0，则sgn返回1，数字等于0，则返回0，数字小于0，则返回-1，数字参数的符号决定了sgn函数的返回值；i，j为系列中数值的编号，从1到n；n为系列的长度；τ为常数；

步骤12、判断是否需要更新预报因子集和重新选择预报模型；

所述步骤12中，针对步骤11的计算结果，若|U|＞U_α/2且U大于0时，说明确定性系数序列的变化趋势显著，确定性系数序列呈上升趋势，预测结果较好，不需要更新预报因子集和重新选择预报模型；

当|U|＞U_α/2且U小于0时序列呈下降趋势，说明预报结果有下降趋势，此时返回步骤4重新识别预报因子集，并重复步骤6-10；

其中，α为显著性水平，通过给定的显著性水平，通过正态分布表查得U_α/2。

2.根据权利要求1所述自适应的流域中长期径流预报模型架构方法，其特征在于：所述步骤2中，根据步骤1提供的流域主要控制水文站基础数据A构建线性回归方程，该线性回归方程给出时间序列是否具有递增或递减的趋势，并且为：

x(t)＝a×t+b；

式中：x(t)为时间序列，t为相应时序，a为线性方程斜率，表征时间序列的平均趋势变化率，b为截距；a和b的值可由最小二乘法进行估计。

3.根据权利要求2所述自适应的流域中长期径流预报模型架构方法，其特征在于：所述步骤3中将流域划分成若干子流域的标准为：步骤2所判断控制站的流量变化趋势、各控制站上游子流域的下垫面条件及产流方式都相同的子流域合并为一个子流域，不同的子流域彼此区分，所述步骤1中所述基础数据B中各主要控制水文站的旬、月、年最大流量、最小流量特征值及发生时间作为判断下垫面条件及产流方式的条件。

4.根据权利要求2所述自适应的流域中长期径流预报模型架构方法，其特征在于：所述步骤5建立预测模型库包括三大方法：物理成因法、水文统计法和人工智能法，物理成因法包括多元线性回归模型和多元门限回归模型，水文统计法包括时间序列分解模型和秩相似预报模型，人工智能模型包括人工神经网络模型和支持向量机模型。

5.根据权利要求2所述自适应的流域中长期径流预报模型架构方法，其特征在于：所述步骤7中的计算公式如下：

步骤6中物理成因法、水文统计法和人工智能的确定性系数分别为A,B,C，则物理成因法模拟结果的权重为

水文统计法的权重为

人工智能法模拟的权重为

则集成预报值为：

R＝w₁y₁+w₂y₂+w₃y₃

式中，w₁，w₂，w₃为权重值，y₁，y₂，y₃为各方法的预报值，R_i为各子流域集合预报值。

Images