CN108984487B - 一种水位流量关系实时滑动拟合方法 - Google Patents

一种水位流量关系实时滑动拟合方法 Download PDF

Info

Publication number
CN108984487B
CN108984487B CN201810800391.3A CN201810800391A CN108984487B CN 108984487 B CN108984487 B CN 108984487B CN 201810800391 A CN201810800391 A CN 201810800391A CN 108984487 B CN108984487 B CN 108984487B
Authority
CN
China
Prior art keywords
water level
flow
point
measured flow
forgetting
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
Application number
CN201810800391.3A
Other languages
English (en)
Other versions
CN108984487A (zh
Inventor
熊明
邹冰玉
高珺
冯宝飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bureau of Hydrology Changjiang Water Resources Commission
Original Assignee
Bureau of Hydrology Changjiang Water Resources Commission
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bureau of Hydrology Changjiang Water Resources Commission filed Critical Bureau of Hydrology Changjiang Water Resources Commission
Priority to CN201810800391.3A priority Critical patent/CN108984487B/zh
Publication of CN108984487A publication Critical patent/CN108984487A/zh
Application granted granted Critical
Publication of CN108984487B publication Critical patent/CN108984487B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Algebra (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Measuring Volume Flow (AREA)

Abstract

本发明公开了一种水位流量关系实时滑动拟合方法，包括以下步骤；步骤A、实测流量遗忘点判别：步骤B、实测流量遗忘因子计算：步骤C、水位流量关系滑动拟合：步骤D、水位流量关系实时滑动拟合。本发明的有益效果是：本发明通过实测流量遗忘点的确定和遗忘因子的加入，能使水位流量关系最大限度地与最近实测流量点据配合，使水位流量转换时更贴近实际；通过不断利用新增加的实测流量点据，能实现水位流量关系的动态控制，可大大提高水位流量转换的精度。

Description

一种水位流量关系实时滑动拟合方法
技术领域
本发明涉及一种水位流量拟合方法，具体为一种水位流量关系实时滑动拟合方法，属于水文预报应用技术领域。
背景技术
水文预报一般指对河流水位、流量的预报，各类现有的水文预报方法大都对水位或流量要素之一开展预报，水位流量之间可通过水位流量关系进行相互转换，水位流量关系的精度直接影响到水文预报的精度。目前，水位已基本实现了自动采集，而流量则难以实现在线监测，即使实现流量在线监测也面临着大量代表线率定等精度控制的难题，因此，拟定用于实时水文预报的水位流量关系只能依靠有限的实测流量资料。通过实测流量点据拟定水位流量关系，用于水文预报中水位和流量的相互转换要求在预报面临时刻能保证精度要求。
目前，一般采用由历史实测数据率定水位流量关系，遵循照顾大多数实测流量点据的原则，反映的是平均规律，未着重考虑预报时刻的水位、流量点据，现实性不足，难以满足高精度水文实时预报要求，因此，针对上述问题提出一种水位流量关系实时滑动拟合方法。
发明内容
本发明的目的就在于为了解决上述问题而提供一种水位流量关系实时滑动拟合方法，从而确保预报时刻采用的水位流量关系的精度，解决水文预报中水位流量关系现时性不足的技术问题。
本发明通过以下技术方案来实现上述目的，一种水位流量关系实时滑动拟合方法，包括以下步骤；
步骤A、实测流量遗忘点判别：将流量或水位的转折点作为遗忘点，若t时刻的实测流量Qt较前一时刻t-1的实测流量Qt-1和后一时刻t+1的实测流量Qt+1均大或均小时，则t时刻作为实测流量的遗忘点；
若实测流量的点据偏稀可由水位判别，即若t时刻的水位Ht较前一时刻t-1的水位Ht-1和后一时刻t+1的水位Ht+1均高或均低时，则t时刻近似作为实测流量的遗忘点；
步骤B、实测流量遗忘因子计算：按实测流量施测时间的由近至远次序，一直到实测流量遗忘点结束，采用线性或非线性插补方法由大至小计算所选实测流量点的遗忘因子；
其中，最靠近预报时刻的实测流量点权重最大，最远离预报时刻的实测流量遗点的权重最小，其余实测流量点的权重在最靠近预报时刻的实测流量点和最远离预报时刻的实测流量点之间内插；实测流量遗忘点既是上一段水位流量关系拟合的最后一点，同时也是下一段水位流量关系拟合的起点；
步骤C、水位流量关系滑动拟合：利用步骤A确定的实测流量遗忘点及其以后的所有实测流量数据，以步骤B每个实测流量的遗忘因子作为权重，采用最优化方法确定水位流量关系曲线，用于最近实测流量点附近水位流量之间的转换；
步骤D、水位流量关系实时滑动拟合：通过不断增加的实测流量点据拟合水位流量关系，即每增加一个实测流量点据，其水位流量关系拟合点群均发生变化，相应的遗忘因子亦发生变化，从而对水位流量关系不断率定和修正，用于下一实测点之前水位流量之间的转换。
优选的，所述水位流量关系采用线型、非线性函数、幂函数、样条函数、正交函数各类线型。
优选的，所述水位流量之间的转换采用水位流量单一线模型、临时绳套模型、变动综合线模型、落差指数模型、差分方程模型各类模型。
优选的，所述步骤D中的水位流量关系实时滑动拟合中的所述实测流量点据拟合采用带遗忘因子的最小二乘法、极大似然法中的各种方法，通过赋予各个实测流量的不同权重，采用最优化方法确定水位流量关系，以便确定的水位流量关系能快速适应最新实测流量点群的变化。
优选的，所述最小二乘法、极大似然法中的各种方法，采用神经网络、粒子群、遗传算法各类最优化算法求解。
本发明的有益效果是：
1)通过实测流量遗忘点的确定和遗忘因子的加入，能使水位流量关系最大限度地与最近实测流量点据配合，使水位流量转换时更贴近实际；
2)通过不断利用新增加的实测流量点据，能实现水位流量关系的动态控制，可大为提高水位流量转换的精度。
附图说明
图1为水位流量关系实时滑动拟合原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
一种水位流量关系实时滑动拟合方法，包括如下方法：
步骤A、实测流量遗忘点判别：将流量或水位的转折点作为遗忘点，若t时刻的实测流量Qt较前一时刻t-1的实测流量Qt-1和后一时刻t+1的实测流量Qt+1均大或均小时，则t时刻作为实测流量的遗忘点。
如图1为水位流量关系实时滑动拟合原理图。假定一段时间内共实测1、2、3、…8个流量测点，其中第5点实测流量较第4点和第6点的实测流量均大，故可判定第5个测点为实测流量遗忘点。第5测点以后的水位流量关系仅采用5、6、7、8、…的实测流量点进行拟合，直至出现新的实测流量遗忘点。实测流量遗忘点既是上一段水位流量关系拟合的最后一点，同时也是下一段水位流量关系拟合的起点。
由于实测流量不可能施测的太密，而水位观测大都实现了在线监测，若实测流量的点据偏稀或未能布设在转折点时，可由水位判别遗忘点。即若t时刻的水位Ht较前一时刻t-1的水位Ht-1和后一时刻t+1的水位Ht+1均高或均低时，则t时刻近似为实测流量的遗忘点。
步骤B、实测流量遗忘因子计算：按实测流量施测时间的由近至远次序，一直到实测流量遗忘点结束，采用线性或非线性插补方法由大至小计算所选实测流量点的遗忘因子，作为每个实测流量点据的拟合权重。
如图1所示，采用自实测流量遗忘点5以后施测的流量，共计5、6、7、8共4个实测流量点。因水文预报成果应尽可能与实测成果接近，故最靠近预报时刻的实测流量点8的权重应最大，最远离预报时刻的实测流量遗忘点5的权重应最小，其余实测流量点6、7的权重在8点的权重与5点的权重之间内插。所获得的各实测流量点的遗忘因子作为权重用于水位流量关系的拟合优化。
步骤C、水位流量关系滑动拟合：利用实测流量遗忘点及其以后的所有实测流量数据，以每个实测流量的遗忘因子作为权重，采用最优化方法确定水位流量关系曲线。
如图1所示，利用5、6、7、8实测流量点以及步骤B推求的各实测点遗忘因子，构建水位流量关系拟合的目标函数，通过合适的最优化算法求出最优参数确定水位流量关系，用于最近实测流量点附近水位流量之间的转换。
步骤D、水位流量关系实时滑动拟合，即通过不断增加的实测流量点据拟合水位流量关系，即每增加一个实测流量点据，其水位流量关系拟合点群均发生变化，相应的遗忘因子亦发生变化，从而对水位流量关系不断率定和修正，用于下一实测点之前水位流量之间的转换。如图1所示，第5测点以后的水位流量关系拟合点据会不断增加，直至出现新的实测流量遗忘点。
其中，所述水位流量关系可采用线性、非线性曲线、幂函数、样条函数、正交函数等各类线型。
所述水位流量之间的转换可采用水位流量单一线模型、临时绳套模型、变动综合线模型、落差指数模型、差分方程模型等各类模型。
所述实测流量点据拟合，可采用带遗忘因子的最小二乘法、极大似然法等各种方法，通过赋予各个实测流量的不同权重，根据最优化算法确定水位流量关系曲线，以便确定的水位流量关系能快速适应最新实测流量点群的变化。
所述实测流量点据拟合最优化算法，可采用神经网络、粒子群、遗传算法等各类最优化算法。
实施例
1)水位、流量监测资料的收集整理
收集水位观测资料及实测流量资料，并对水位、流量测验资料进行审查和合理性分析，整理摘录与实测流量同步的水位观测资料。
2)实测流量遗忘点判别
利用实测流量数据，点绘实测流量过程线图(Qt～t)或水位流量关系连时序图(如图1)，找出(Qt＞Qt+1、Qt＞Qt-1)或(Qt＜Qt+1、Qt＜Qt-1)的实测流量点据，确认实测流量遗忘点作为后续水位流量关系拟合的起点。
若实测流量的点据偏稀或未能布设在转换点时，可由水位判别遗忘点。即找出(Ht＞Ht+1、Ht＞Ht-1)或(Ht＜Ht+1、Ht＜Ht-1)的时刻，将此时刻点近似为实测流量的遗忘点。
3)实测流量遗忘因子计算
假定自实测流量遗忘点后有n个实测流量点Qi(i＝1,2…n)，通过计算遗忘因子使最近实测流量的权重加大并逐渐遗忘较远的实测流量点据，实测流量点遗忘因子可采用线性内插或非线性内插方法。
线性内插可采用：
Figure GDA0003435099140000061
或
Figure GDA0003435099140000062
非线性内插一般采用指数形式，亦可采用其它形式：
Figure GDA0003435099140000063
或Wi＝αn-i
式中：Wi为第i个实测流量点的遗忘因子或权重系数；α为小于1的数。
4)水位流量关系拟合
利用实测流量遗忘点以后的所有实测流量数据Qi(i＝1,2…n)，考虑每个实测流量数据的遗忘因子Wi(i＝1,2…n)，确定水位流量关系拟合的目标函数。以最小二乘法为例，目标函数可采用：
Figure GDA0003435099140000064
其中Q′i为由水位流量关系转换得到的流量，待拟合的水位流量关系可采用线性函数、非线性函数、幂函数、样条函数、正交函数等各类线型；对目标函数的最优化求解，可采用神经网络、粒子群、遗传算法等各类最优化算法。
5)水位流量之间转换
随着新的实测流量点据的不断增加，每增加一个实测流量点据，就会对遗忘因子和拟合参数进行重新求解，使水位流量关系更能反应现实情况，并用于水位流量之间的转换。转换模型可采用水位流量关系的单一线模型、临时绳套模型、变动综合线模型、落差指数模型、差分方程模型等各类模型。
采用单一线或临时绳套模型时，在分析水位、实测流量数据的基础上，结合单一线趋势或多年平均绳套轴线以及有代表性的历史绳套选定拟合线型，通过最优化方法获取水位流量转换模型所需要的计算数据和计算参数，计算出当前时刻测站的流量或水位。
采用变动综合线或落差指数模型时，根据测站历史水位、流量实测数据，获取测站已率定的多年综合平均水位流量关系线或经落差指数改正的单值化水位流量关系，采用临近期实测的水位流量点据的分布走向，应用轴线平移或偏转的方式，率定得到移动后的水位流量综合线或单值化线，并计算出当前时刻测站的流量或水位。
采用差分方程模型时，根据水位、流量以及参证因子数据外推和率定差分方程系数，由当前水位、流量以及确定的差分方程，计算出当前时刻测站的流量或水位。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (4)

1.一种水位流量关系实时滑动拟合方法，其特征在于：包括以下步骤；
步骤A、实测流量遗忘点判别：将流量或水位的转折点作为遗忘点，若t时刻的实测流量Qt较前一时刻t-1的实测流量Qt-1和后一时刻t+1的实测流量Qt+1均大或均小时，则t时刻作为实测流量的遗忘点；
若实测流量的点据偏稀由水位判别，即若t时刻的水位Ht较前一时刻t-1的水位Ht-1和后一时刻t+1的水位Ht+1均高或均低时，则t时刻近似作为实测流量的遗忘点；
步骤B、实测流量遗忘因子计算：按实测流量施测时间的由近至远次序，一直到实测流量遗忘点结束，采用线性或非线性插补方法由大至小计算所选实测流量点的遗忘因子；
其中，最靠近预报时刻的实测流量点权重最大，最远离预报时刻的实测流量点的权重最小，其余实测流量点的权重在最靠近预报时刻的实测流量点和最远离预报时刻的实测流量点之间内插；实测流量遗忘点既是上一段水位流量关系拟合的最后一点，同时也是下一段水位流量关系拟合的起点；
步骤C、水位流量关系滑动拟合：利用步骤A确定的实测流量遗忘点及其以后的所有实测流量数据，以步骤B每个实测流量的遗忘因子作为权重，采用最优化方法确定水位流量关系曲线，用于最近实测流量点附近水位流量之间的转换；
步骤D、水位流量关系实时滑动拟合：通过不断增加的实测流量点据拟合水位流量关系，即每增加一个实测流量点据，其水位流量关系拟合点群均发生变化，相应的遗忘因子亦发生变化，从而对水位流量关系不断率定和修正，用于下一实测点之前水位流量之间的转换。
2.根据权利要求1所述的一种水位流量关系实时滑动拟合方法，其特征在于：所述水位流量关系采用线性函数或非线性函数。
3.根据权利要求1所述的一种水位流量关系实时滑动拟合方法，其特征在于，所述水位流量之间的转换采用水位流量单一线模型、临时绳套模型、变动综合线模型、落差指数模型或差分方程模型。
4.根据权利要求1所述的一种水位流量关系实时滑动拟合方法，其特征在于，所述步骤D中的水位流量关系实时滑动拟合中的所述实测流量点据拟合采用带遗忘因子的最小二乘法或极大似然法，通过赋予各个实测流量的不同权重，采用最优化方法确定水位流量关系，以便确定的水位流量关系能快速适应最新实测流量点群的变化。
CN201810800391.3A 2018-07-20 2018-07-20 一种水位流量关系实时滑动拟合方法 Active CN108984487B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810800391.3A CN108984487B (zh) 2018-07-20 2018-07-20 一种水位流量关系实时滑动拟合方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810800391.3A CN108984487B (zh) 2018-07-20 2018-07-20 一种水位流量关系实时滑动拟合方法

Publications (2)

Publication Number Publication Date
CN108984487A CN108984487A (zh) 2018-12-11
CN108984487B true CN108984487B (zh) 2022-04-22

Family

ID=64549007

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810800391.3A Active CN108984487B (zh) 2018-07-20 2018-07-20 一种水位流量关系实时滑动拟合方法

Country Status (1)

Country Link
CN (1) CN108984487B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633532B (zh) * 2019-09-19 2021-07-27 中国水利水电科学研究院 一种swmm模型参数的高精度率定方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693215A (zh) * 2012-04-24 2012-09-26 江苏建筑职业技术学院 幂函数型水位流量关系的一种拟合方法
CN103116877B (zh) * 2013-02-25 2016-08-03 中国水利水电科学研究院 一种水库水位过程平滑处理方法

Also Published As

Publication number Publication date
CN108984487A (zh) 2018-12-11

Similar Documents

Publication Publication Date Title
CN108846517B (zh) 一种分位数概率性短期电力负荷预测集成方法
CN109376925B (zh) 供水管网节点流量动态自适应优化方法
CN111222698A (zh) 面向物联网的基于长短时记忆网络的积水水位预测方法
CN108388962B (zh) 一种风电功率预测系统及方法
CN106202935B (zh) 一种流域径流预报的校正方法及其系统
CN103425743A (zh) 基于贝叶斯神经网络算法的蒸汽管网预测系统
CN110033134A (zh) 一种考虑气象因素的逐日分段短期负荷预测算法
CN110428270A (zh) 基于逻辑回归算法的渠道潜在偏好客户识别方法
CN110969306A (zh) 基于深度学习的配电低压台区负荷预测方法及装置
CN109948863A (zh) 基于长短期记忆模型lstm的排水管网窨井液位预测方法
CN109217305A (zh) 一种配电网台区电压快速估算方法
CN111931354A (zh) 基于灰色-自回归差分移动平均模型的变压器顶层油温预测方法
CN107481523A (zh) 一种交通流速度预测方法及系统
CN110969342B (zh) 一种平衡小库容水力发电安全与防洪风险管控的方法
CN108984487B (zh) 一种水位流量关系实时滑动拟合方法
JP2024077563A (ja) 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体
CN116362138A (zh) 基于大数据的人工智能园区碳监测方法
CN109523077B (zh) 一种风电功率预测方法
CN108256693A (zh) 一种光伏发电功率预测方法、装置及系统
CN203350635U (zh) 一种动态模糊控制系统
CN114626769A (zh) 一种电容式电压互感器运维方法及系统
CN114357670A (zh) 一种基于bls和自编码器的配电网用电数据异常预警方法
CN109767353A (zh) 一种基于概率分布函数的光伏发电功率预测方法
CN107688862A (zh) 基于ba‑grnn的绝缘子等值盐密积累速率预测方法
CN111622274A (zh) 山区巨粒土高填方地基基础沉降预测方法及系统

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
GR01 Patent grant
GR01 Patent grant