CN109840313B - 一种河口地区低盐取水判定方法 - Google Patents
一种河口地区低盐取水判定方法 Download PDFInfo
- Publication number
- CN109840313B CN109840313B CN201910057955.3A CN201910057955A CN109840313B CN 109840313 B CN109840313 B CN 109840313B CN 201910057955 A CN201910057955 A CN 201910057955A CN 109840313 B CN109840313 B CN 109840313B
- Authority
- CN
- China
- Prior art keywords
- water level
- flow
- time
- water
- steps
- 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
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种河口地区低盐取水调度方法,该方法在预测低盐河口盐度时,突破传统的日均盐度预测,进行逐时盐度研究,同时引入gamma函数生成历史权重效应,并创新性地引入logistic回归模型,把逐时盐度预测的复杂问题简单化,具有简便实用创新的突出特点,为咸潮上溯问题的研究提供一种更加便捷的参考模型。
Description
技术领域
本发明涉及一种取水方法,尤其涉及一种河口地区低盐取水判别方法。
背景技术
进入21世纪以来,气候变暖和大气环流异常导致干旱不断,加之河口无序挖沙和其他天文因素影响,咸潮有愈演愈烈之势,咸潮问题已成为全社会不能回避的社会问题。因此咸潮上溯强度以及距离的研究迫在眉睫。
河口盐度分布随时间变化,咸潮上溯受到如洪枯季变化、涨落潮变化、风暴等的影响,目前的研究大多基于数学模型的研究,数学模型的研究需要大量的模型边界数据,且计算时间长,对盐度与影响因子的关系未给出具体的关系式。此外,传统的盐度预测机大多为日均盐度,不能具体预测一天当中的某个时段,因此现有技术还有待于改进和发展。
发明内容
发明目的:鉴于咸潮上溯已经成为全社会不能回避的问题以及传统盐度预测机制的不足,本发明的目的在于提供了一种通过logistic回归模型来预测每小时能否取水,脱离了传统数学模型,同时改善了在传统方法中依赖历史盐度值的缺陷以及局限于只能预测日均盐度值的问题,咸潮上溯问题提供了更有效的参考模型。
本发明所采取的技术方案为:一种河口地区低盐取水调度方法,包括以下步骤
S01计算待测时刻t的流量Q(t):根据待测时刻t过去T1时间段的平均流量Q(t)得到Q(t);
S02计算河水流量所对应的自变量X1:通过引入gamma函数计算由t时刻过去第i小时的流量产生的历史流量权重系数ωi,根据历史流量权重系数ωi、t时刻的流量Q(t)和t时刻过去第i小时的流量Q(t-i)建立模型中的流量所对应的自变量X1;所述i=0,1,2,3…T2;i为整数。
S03将待测时刻t过去T2时间段的水位划分为s段水位:按照水位曲线划分,每一段水位均呈现单调水位上升或单调水位下降的趋势;
S04采用每段水位中峰顶峰谷差除以该段水位对应的时间段得到峰谷梯度ΔHk,并根据峰谷梯度ΔHk得到相应段的水位梯度H(k);
S05通过引入gamma函数计算t时刻前第k段水位所产生的历史水位权重系数rk;
S06根据历史水位权重系数rk、水位梯度H(k)得到水位所对应的自变量X2;
S07根据流量所对应的自变量X1和水位所对应的自变量X2并采用logistic回归模型计算t时刻可取水的概率π(X),若π(X)大于0.5,则判别为可取水,π(X)小于0.5,则判别为不可取水。
进一步的,根据平均流量得到Q(t)的具体方法为
式中a1,b1是经验系数。
进一步的,由t时刻过去第i小时的流量产生的历史流量权重系数ωi的计算方法为:
式中:为gamma分布函数;α1是gamma函数的形状参数;β1为gamma函数的尺度参数。
进一步的,所述河水流量所对应的自变量X1的计算方法为:
式中Q(t-i)是t时刻向前i个小时的流量。
进一步的,所述峰谷梯度ΔHk的计算方法为:
式中:max(hk)是第k段水位过程中的最大水位值;min(hk)是第k段水位过程中的最小水位值;Δtk是第k段水位过程中峰顶峰谷之间的时间差;k=1,2,...,s。
进一步的,根据所述峰谷梯度ΔHk得到水位梯度H(k)的计算方法为:
H(k)=a2*exp(b2*ΔHk);
式中:a2,b2是经验系数。
进一步的,t时刻前第k段水位所产生的权重系数rk的计算方法为:
式中:pk是过去T2时间内的水位对t时刻产生的历史效应;为gamma分布函数;α2是gamma函数的形状参数;β2为gamma函数的尺度参数。
进一步的,所述水位所对应的自变量X2的计算方法为:
式中H(t-k)是t时刻向前k段的水位梯度。
进一步的,取水概率π(X)的计算方法为:式中X=[1,X1,X2];β是回归系数,β=[β0,β1,β2]。
本发明所产生的有益效果包括:本发明通过提供一种河口地区低盐取水调度方法在预测低盐河口盐度时,突破传统的日均盐度预测,进行逐时盐度研究,同时引入gamma函数生成的权重的历史效应,并创新性地引入logistic回归模型,把逐时盐度预测的复杂问题简单化,具有简便实用创新的突出特点,为咸潮上溯问题的研究提供一种更加便捷的参考模型。本发明脱离了传统数值模拟的方法预测日均盐度值,转向通过logistic回归来预测每小时能否取水,同时改善了在传统方法中依赖历史盐度值的缺陷以及局限于只能预测日均盐度值的问题。
附图说明
图1为一种河口地区低盐取水调度技术方法的工作流程图
图2为实施例目标区域、流量测站、潮位测站、盐度测站示意图
图3为实施例目标区域每日取水小时数验证对比图
图4为实施例目标区域大潮期每日每小时取水验证对比图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细的解释说明,但应当理解为本发明的保护范围并不受具体实施方式的限制。
本实例涉及一种河口地区低盐取水调度判别方法,取水位置选在磨刀门水道,平岗泵水厂,该方法包括以下步骤:
步骤一:利用试验测量和查阅相关资料的方法取得该区域预测时刻t以及预测时刻前T2时间段内(T2=200h)的上游流量和外海水位;
步骤二:计算出t时刻过去T1时间段内(T1=168h)的平均流量依据流量的四级指标,分别为2500m3/s以下,2500m3/s到3500m3/s,3500m3/s到4500m3/s,4500m3/s以上,将平均流量/>分到相应的流量级数,并根据所在等级获得相应的系数;本实施例中取水区域的相应等级的系数见表1-12;
步骤三:将t时刻过去一周(168h)的平均流量进行变换处理得到Q(t),然后再通过引入gamma函数生成的历史权重效应,建立模型中的流量所对应的自变量X1;
式中:Q(t)是经过变换后的t时刻的流量;a1,b1是经验系数;/>是t时刻过去一周的平均流量。
式中:i是第t时刻向前i个小时;为gamma分布函数;α1是gamma函数的形状参数;β1为gamma函数的尺度参数。
式中:ωi是t时刻向前第i个小时的历史流量权重系数。注:∑ωi=1。
式中:X1是建立出的模型中流量所对应的自变量;T2=200,表示从t时刻之前的200小时;Q(t-i)是t时刻向前第i个小时的流量,i=0,1,2,…,T2。
步骤四:将t时刻外海水位保留“梯度”概念,从t时刻到过去T2小时(T2=200)内共有s段水位过程(不算t时刻),每段水位过程都有水位峰顶和水位峰谷,k表示第k段水位过程,(k=1,2,...,s)。如果第一段先从峰顶开始,即从max(h1)到min(h1),那么第二段即是从min(h1)=min(h2)到max(h2),以此类推一直到第s段。采用相邻水位峰顶峰谷差除以对应的时间差得到峰谷梯度ΔHk,然后ΔHk转换成H(k),进而再引入以gamma函数生成的历史权重效应,建立模型中的水位自变量X2;
式中:max(hk)是第k段水位过程中的最大水位值,即封顶值;min(hk)是第k段水位过程中的最小水位值,即峰谷值;Δtk是第k段水位过程中峰顶峰谷之间的时间差;k=1,2,...,s。
H(k)=a2*exp(b2*ΔHk) (6)
式中:H(k)是经过变换后的水位梯度;a2,b2是经验系数。
式中:k是t时刻向前k段所在的水位段数;为gamma分布函数;α2是gamma函数的形状参数;β2为gamma函数的尺度参数。
式中:rk是t时刻向前k段的历史水位权重系数,k=1,2,...,s。注:∑rk=1。
式中:X2是建立出的模型中水位所对应的自变量;s是从t时刻到之前的200小时间水位过程(从峰谷到峰顶或者从峰顶到峰谷)的段数,H(t-k)表示t时刻向前k段的水位梯度,k=1,2,...,s。
步骤五:采用logistic回归模型计算t时刻可取水的可能性π(X),若π(X)大于0.5,则判别为可取水,π(X)小于0.5,则判别为不可取水。
式中X=[1,X1,X2];β是回归系数,β=[β0,β1,β2];π(X)为t时刻能取水的概率,大于0.5表示可以取水,小于0.5表示不可以取水。
本发明通过提供一种河口地区低盐取水调度技术方法在预测低盐河口盐度时,突破传统的日均盐度预测,进行逐时盐度研究,同时引入gamma函数生成的权重的历史效应,并创新性地引入logistic回归模型,把逐时盐度预测的复杂问题简单化,具有简便实用创新的突出特点,为咸潮上溯问题的研究提供一种更加便捷的参考模型。
表1一级流量gamma函数中形状和尺度参数
α1 | β1 | α2 | β2 |
0.29 | 38 | 0.57 | 5.8 |
表2一级流量水位经验系数
a1,a2 | b1,b2 | |
流量经验参数 | 1 | -0.0004 |
水位经验参数 | 1 | 4.5 |
表3一级流量回归系数
β0 | β1 | β2 |
-34.586448503214960 | -1.267205251134160 | 24.832910649572288 |
表4二级流量gamma函数中形状和尺度参数
α1 | β1 | α2 | β2 |
0.294 | 46 | 0.55 | 5.7 |
表5二级流量流量水位经验系数
a1,a2 | b1,b2 | |
流量经验系数 | 1 | -0.0005 |
水位经验系数 | 1 | 2.3 |
表6二级流量回归系数
β0 | β1 | β2 |
-34.503472227041925 | -19.074086386062561 | 35.828430035934900 |
表7三级流量gamma函数中形状和尺度参数
α1 | β1 | α2 | β2 |
0.3 | 29 | 0.58 | 6.6 |
表8三级流量水位参数
a1,a2 | b1,b2 | |
流量经验系数 | 700 | -0.00367 |
水位经验系数 | 1 | 0.28 |
表9三级流量回归系数
β0 | β1 | β2 |
-197.4905621683512; | -381.8244239234902; | 197.5639730313056]; |
表10四级流量gamma函数中形状和尺度参数
α1 | β1 | α2 | β2 |
0.3 | 39 | 0.55 | 5.5 |
表11四级流量水位参数
表12四级流量回归系数
β0 | β1 | β2 |
-84.9022351154048 | -102.6313189202887 | 83.8645291395944 |
图2为实施例所在珠江口区域,流量测站、潮位测站、盐度测站分布示意图,通过流量测站得到流量数据,潮位测站得到水位数据,盐度测站得到盐度数据;图3为实施例目标区域2013年2月份每日可取水小时数验证对比图,横坐标为日期,纵坐标为每日可以取水的小时数,实测值是指实际每日可以取水的小时数,预测值分别指本方法预测的每日可以取水小时数,由图可以看出,2013年2月份例目标区域实际每日取水小时与预测曲线基本吻合。
图4为实施例目标区域大潮期每日每小时取水验证对比图,以y=0做为分界线,上部表示实测值,下部表示预测值,0表示不可以取水,±1表示可以取水,由图可知在小潮期(2012年冬月初七),在例目标区域通过本方法预测出取水概率与实际取水概率吻合率达85%以上。
本具体实施例仅仅是对本发明的解释,其并不是对本发明的限制,本领域技术人员在阅读完本说明书后可以根据需要对本实施例做出没有创造性贡献的修改,但只要在本发明的权利要求范围内都受到专利法的保护。
上述仅为本发明的优选实施例,本发明并不仅限于实施例的内容。对于本领域中的技术人员来说,在本发明的技术方案范围内可以有各种变化和更改,所作的任何变化和更改,均在本发明保护范围之内。
Claims (7)
1.一种河口地区低盐取水判定方法,其特征在于:包括以下步骤
S01计算待测时刻t的流量Q(t):根据预测时刻t过去T1时间段的平均流量得到Q(t);
S02计算河水流量所对应的自变量X1:通过引入gamma函数计算由t时刻过去第i小时的流量产生的历史流量权重系数ωi,根据历史流量权重系数ωi、t时刻的流量Q(t)和t时刻过去第i小时的流量Q(t-i)建立模型中的流量所对应的自变量X1;0≤i≤T2;
S03将待测时刻t过去T2时间段的水位划分为s段水位:按照水位曲线划分,每一段水位均呈现单调水位上升或单调水位下降的趋势;
S04采用每段水位中峰顶峰谷差除以该段水位对应的时间段得到峰谷梯度ΔHk,并根据峰谷梯度ΔHk得到相应段的水位梯度H(k);
S05通过引入gamma函数计算t时刻前第k段水位所产生的历史水位权重系数rk;
S06根据权重系数rk、水位梯度H(k)得到水位所对应的自变量X2;
S07根据流量所对应的自变量X1和水位所对应的自变量X2并采用logistic回归模型计算t时刻可取水的概率π(X),若π(X)大于0.5,则判别为可取水,π(X)小于0.5,则判别为不可取水;
所述河水流量所对应的自变量X1的计算方法为:
式中Q(t-i)是t时刻向前i个小时的流量;
所述水位所对应的自变量X2的计算方法为:
2.根据权利要求1所述的河口地区低盐取水判定方法,其特征在于:根据平均流量得到Q(t)的具体方法为/>
式中a1,b1是经验系数。
3.根据权利要求1所述的河口地区低盐取水判定方法,其特征在于:由t时刻过去第i小时的流量产生的历史流量权重系数ωi的计算方法为:
式中:为gamma分布函数;α1是gamma函数的形状参数;β1为gamma函数的尺度参数。
4.根据权利要求1所述的河口地区低盐取水判定方法,其特征在于:所述峰谷梯度ΔHk的计算方法为:
式中:max(hk)是第k段水位过程中的最大水位值;min(hk)是第k段水位过程中的最小水位值;Δtk是第k段水位过程中峰顶峰谷之间的时间差;k=1,2,...,s。
5.根据权利要求1所述的河口地区低盐取水判定方法,其特征在于:根据所述峰谷梯度ΔHk得到水位梯度H(k)的计算方法为:
H(k)=a2*exp(b2*ΔHk);
式中:a2,b2是经验系数。
6.根据权利要求1所述的河口地区低盐取水判定方法,其特征在于:t时刻前第k段水位所产生的权重系数rk的计算方法为:
式中:为gamma分布函数;α2是gamma函数的形状参数;β2为gamma函数的尺度参数。
7.根据权利要求1所述的河口地区低盐取水判定方法,其特征在于:取水概率π(X)的计算方法为:
式中X=[1,X1,X2];β是回归系数,β=[β0,β1,β2]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057955.3A CN109840313B (zh) | 2019-01-22 | 2019-01-22 | 一种河口地区低盐取水判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910057955.3A CN109840313B (zh) | 2019-01-22 | 2019-01-22 | 一种河口地区低盐取水判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840313A CN109840313A (zh) | 2019-06-04 |
CN109840313B true CN109840313B (zh) | 2023-08-01 |
Family
ID=66884043
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910057955.3A Active CN109840313B (zh) | 2019-01-22 | 2019-01-22 | 一种河口地区低盐取水判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840313B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114841417B (zh) * | 2022-04-18 | 2022-11-22 | 珠江水利委员会珠江水利科学研究院 | 一种高精度咸潮预报方法、系统和可读存储介质 |
CN115081740B (zh) * | 2022-07-20 | 2023-07-28 | 中山大学 | 基于元胞自动机的河口地区盐度预测方法、系统及设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0995917A (ja) * | 1995-10-03 | 1997-04-08 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
JP2008050903A (ja) * | 2006-08-28 | 2008-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 洪水予測方法および洪水予測システム |
JP4528348B1 (ja) * | 2009-06-06 | 2010-08-18 | 康夫 高島 | 山地河川流域の流量推定用回帰関数の演算方法、同関数の選定方法、および山地河川流域の年平均流量推定方法 |
CN103617306A (zh) * | 2013-10-23 | 2014-03-05 | 广东省水文局佛山水文分局 | 一种基于潮汐和径流的河口咸潮预报方法 |
CN107766985A (zh) * | 2017-10-31 | 2018-03-06 | 河海大学 | 一种河口盐度预测方法 |
CN108914875A (zh) * | 2018-07-06 | 2018-11-30 | 河海大学 | 一种用于河口咸潮防治的水下水幕方法 |
-
2019
- 2019-01-22 CN CN201910057955.3A patent/CN109840313B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0995917A (ja) * | 1995-10-03 | 1997-04-08 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
JP2008050903A (ja) * | 2006-08-28 | 2008-03-06 | Nippon Telegr & Teleph Corp <Ntt> | 洪水予測方法および洪水予測システム |
JP4528348B1 (ja) * | 2009-06-06 | 2010-08-18 | 康夫 高島 | 山地河川流域の流量推定用回帰関数の演算方法、同関数の選定方法、および山地河川流域の年平均流量推定方法 |
CN103617306A (zh) * | 2013-10-23 | 2014-03-05 | 广东省水文局佛山水文分局 | 一种基于潮汐和径流的河口咸潮预报方法 |
CN107766985A (zh) * | 2017-10-31 | 2018-03-06 | 河海大学 | 一种河口盐度预测方法 |
CN108914875A (zh) * | 2018-07-06 | 2018-11-30 | 河海大学 | 一种用于河口咸潮防治的水下水幕方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840313A (zh) | 2019-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
CN104517162B (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
Liu et al. | Parameter uncertainty analysis of reservoir operating rules based on implicit stochastic optimization | |
CN108539738B (zh) | 一种基于梯度提升决策树的短期负荷预测方法 | |
CN109840313B (zh) | 一种河口地区低盐取水判定方法 | |
CN111541237B (zh) | 基于机会约束极限学习机的风电功率非参数区间预测方法 | |
CN105139093A (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN108830423B (zh) | 一种基于预报域的年径流预测方法 | |
CN103985000B (zh) | 基于函数型非参数回归的中长期典型日负荷曲线预测方法 | |
CN108549960A (zh) | 一种24小时电力负荷预测方法 | |
CN108647425B (zh) | 基于粒子群优化的K-means径流丰枯年份预报方法 | |
CN113705877B (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
CN104992244A (zh) | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 | |
CN108596242A (zh) | 基于小波神经网络和支持向量机的电网气象负荷预测方法 | |
CN108710905A (zh) | 一种基于多模型联合的备件数量预测方法和系统 | |
Engle et al. | Model selection for forecasting | |
CN104951847A (zh) | 一种基于核主成分分析和基因表达式编程的降水预报方法 | |
CN108021773A (zh) | 基于dss数据库读写的分布式水文模型多场次洪水参数率定方法 | |
CN115809719A (zh) | 一种基于形态聚类的短期负荷预测修正方法 | |
Gensler et al. | An analog ensemble-based similarity search technique for solar power forecasting | |
CN106548285A (zh) | 计及小水电出力的趸售电量预测方法 | |
Kogekar et al. | Forecasting of water quality for the river ganga using univariate time-series models | |
CN114581141A (zh) | 基于特征选择与lssvr的短期负荷预测方法 |
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 |