CN111311026A - 一种顾及数据特征、模型和校正的径流非线性预测方法 - Google Patents
一种顾及数据特征、模型和校正的径流非线性预测方法 Download PDFInfo
- Publication number
- CN111311026A CN111311026A CN202010198248.9A CN202010198248A CN111311026A CN 111311026 A CN111311026 A CN 111311026A CN 202010198248 A CN202010198248 A CN 202010198248A CN 111311026 A CN111311026 A CN 111311026A
- Authority
- CN
- China
- Prior art keywords
- runoff
- sequence
- prediction
- model
- data
- 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
Images
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
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供一种顾及数据特征、模型和校正的径流非线性预测方法,采用前向‑后向特征选择算法,选择人工神经网络作为驱动模型,优选影响因子;采用季节与趋势分解法将非线性和非平稳的优选影响因子和历史月平均径流序列分解为平稳的季节项、高频项和随机扰动项;采用非线性人工神经网络建立预测模型;最后构建自回归预测校正模型对人工神经网络预测结果进一步修正,获得最终预测结果。本发明的有益效果:与已有的月径流预测方法相比,提出的框架更加系统、全面,特别是数据前处理和后处理技术的使用,能有效提升预测精度;对水库运行优化,水资源优化管理等有重要意义,适合推广。
Description
技术领域
本发明涉及径流预测技术领域,尤其涉及一种顾及数据特征、模型和校正的径流非线性预测方法。
背景技术
月径流的可靠预测对规划水资源分配、指导工农业生产、保障居民生活极为重要,建立高精度的月径流预测模型和方法一直是水文学领域的研究重点。相较于基于产汇流过程的小时尺度或者日尺度的径流预测,月径流预测缺乏长预见期内的可靠气象信息,因而通常采用黑箱类的数据模型进行研究。这些数据模型包括了传统的时间序列模型、多元回归模型、模糊数学模型以及近年来涌现出的机器学习、深度学习和迁移学习模型。数据模型强烈依赖于数据的一致性和代表性,而月径流序列具有极大的非平稳和非线性特性,这些复杂特性给径流预测带来困难。于是小波分解、经验模式分解等数据处理方法、改进的非线性机器学习模型等被提出来改善月径流预测精度。这些方法简单可行,但没有系统的从预测方法全流程研究径流预测各个环节,预测精度也没有得到进一步地提高。
发明内容
有鉴于此,本发明提供了一种顾及数据特征、模型和校正的径流非线性预测方法,解决现有技术中存在的月径流预测精度不高、模型构建不系统的技术问题。
本发明提供一种顾及数据特征、模型和校正的径流非线性预测方法,包括以下步骤:
S1、将水文站历史日径流数据汇总得到历史月径流数据,检验数据完整性并剔除异常值数据,然后将所述历史月径流数据整编为历史月平均径流序列;提取当前月的前N个月的月平均径流序列作为预测模型的备选特征因子S;
S2、采用前向-后向特征选择算法计算备选特征因子与当前月径流数据的相关系数,并利用人工神经网络作为回归模型,从所述备选特征因子中优选得到影响因子序列X;
S3、采用季节与趋势分解法对所述影响因子序列X以及历史月平均径流序列进行分解,得到季节项、趋势项、和随机扰动项;
S4、将步骤S3中得到的分解项作为输入,对应下一月的月平均径流预测值作为输出,建立人工神经网络模型,利用历史月平均径流序列的分解项以及对应下一月的月平均径流实测值构建训练样本数据,对所述人工神经网络模型进行训练;利用影响因子序列X的分解项以及对应下一月的月平均径流实测值构建测试样本数据,并利用训练后的人工神经网络模型进行测试,得到测试结果;利用训练后的人工神经网络模型对当前月的月平均径流数据的分解项进行预测,得到初始预测结果
进一步地,所述季节与趋势分解法的具体过程为:对于需进行分解的序列Y,设置初始趋势项Tk=0,以及迭代计数器k=0,分解过程如下:
移除序列中的趋势项Y′=Y-Tk,并对移除后的结果Y′进行Loess平滑处理,得到序列Ck+1;对所述序列Ck+1进行三次平滑处理和一次Loess处理,得到序列Lk+1,进而确定季节项Sk+1=Ck+1-Lk+1;移除序列中的季节项Y″=Y′-Sk+1,并对移除后的结果Y″进行Loess平滑处理,得到下一次迭代中的趋势项Tk+1;
判断所述趋势项Tk+1是否收敛,若收敛,则得到分解的季节项S=Sk+1,趋势项T=Tk +1,完成对序列Y的分解:
Y=S+T+R,
式中,S表示分解得到的季节项,T表示分解得到的趋势项,R表示随机扰动项;若未收敛,迭代计数器k=k+1,重复分解过程。
进一步地,所述步骤S4中,利用训练后的人工神经网络模型对影响因子序列X的分解项{(Si,Ti,Ri)|i=1,2,…n}进行预测,得到预测结果Si表示第i个影响因子Xi分解的季节项,Ti表示影响因子分解的趋势项,Ri表示随机扰动项。
进一步地,所述步骤S5中,根据预测结果和实测值{yi|i=1,2,…n},得到误差序列{ei|i=1,2,…n},进而构建误差预测模型,并利用最小二乘法对所述误差预测模型进行参数优化,得到校正误差et。
进一步地,所述误差预测模型为三阶自回归模型。
进一步地,所述人工神经网络模型为广义回归神经网络模型。
本发明提供的技术方案带来的有益效果是:本发明采用前向-后向特征选择算法,选择人工神经网络作为驱动模型,优选特征影响因子集合;采用季节与趋势分解法将非线性和非平稳的优选的影响因子和预报变量序列分解为平稳的季节项、高频项和随机扰动项;经过数据特征的深度处理,采用非线性人工神经网络建立预测模型;最后构建自回归误差预测模型对人工神经网络预测结果进一步修正,获得最终预测结果;与已有的月径流预测方法相比,提出的框架更加系统、全面,同时数据前处理以及后处理技术的使用,能够有效提升预测精度。
附图说明
图1是本发明实施例提供的顾及数据特征、模型和校正的径流非线性预测方法的流程图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明实施方式作进一步地描述。
本发明的实施例以金沙江为研究区域,金沙江位于长江上游,流域面积为47.32万平方公里,占长江流域面积的26%,总长度为3479公里,自然落差为5100米。金沙江流域水电资源丰富,现已建成和即将建成25座水电站,承担着防洪、农业水电、市政和工业供水等责任,在我国经济发展和生态环境保护中发挥着重要作用。随着这些水电站的建成,金沙江水电资源将得到有效开发利用,其中,月径流预测对水库的优化运行具有重要意义。
请参考图1,本实施例提供了一种顾及数据特征、模型和校正的径流非线性预测方法,以金沙江向家坝水文站月径流为研究对象,包括以下步骤:
S1、根据向家坝水文站1961年至2008年的日径流数据汇总得到历史月径流数据,检验数据完整性并剔除异常值数据,然后将所述历史月径流数据整编为历史月平均径流序列;提取当前月的前1-12个月的月平均径流序列作为预测模型的备选特征因子S。
S2、采用前向-后向特征选择算法计算备选特征因子与当前月径流数据的相关系数,并采用人工神经网络作为回归模型,从所述备选特征因子中优选得到影响因子序列并按照距离当前月的时间顺序由远及近整编为X={X1,X2,…,Xn},Xi表示第i个影响因子,n表示优选得到的影响因子数目。本实施例中优选得到的影响因子序列为前1、5、9、11、12月的径流数据,请参考表1,将本实施例优选的影响因子序列与采用皮尔逊相关系数法挑选的影响因子(前1、5、6、7、11、12月的径流数据)进行对比,将平均百分误差、误差小于5%、10%、20%、30%的比例、以及确定性系数(DC)作为评价指标,验证了本实施例影响因子挑选的优势。
表1影响因子统计指标对比
MAPE | ≤5% | ≤10% | ≤20% | ≤30% | DC | |
本实施例 | 13% | 24% | 52% | 76% | 91% | 0.86 |
皮尔逊相关法 | 17% | 14% | 38% | 71% | 84% | 0.82 |
S3、采用季节与趋势分解法对非线性和非平稳的影响因子序列X以及历史月平均径流序列进行分解,得到平稳的季节项、趋势项和随机扰动项。具体地,对于需进行分解的序列Y,设置初始趋势项Tk=0,以及迭代计数器k=0,分解过程如下:
移除序列中的趋势项Y′=Y-Tk,并对移除后的结果Y′进行Loess平滑处理,得到序列Ck+1;对所述序列Ck+1进行三次平滑处理和一次Loess处理,得到序列Lk+1,进而确定季节项Sk+1=Ck+1-Lk+1;移除序列中的季节项Y″=Y′-Sk+1,并对移除后的结果Y″进行Loess平滑处理,得到下一次迭代中的趋势项Tk+1;
判断所述趋势项Tk+1是否收敛,若收敛,则得到分解的季节项S=Sk+1,趋势项T=Tk +1,完成对序列Y的分解:
Y=S+T+R,
式中,S表示分解得到的季节项,T表示分解得到的趋势项,R表示随机扰动项;若未收敛,迭代计数器k=k+1,重复分解过程。
S4、将分解项代替原始月平均径流数据作为输入,下一月的预测值作为输出,建立广义回归神经网络(GRNN)模型,利用历史月平均径流序列的分解项以及对应下一月的实测值构建训练样本数据,对所述人工神经网络模型进行训练;利用影响因子序列X的分解项{(Si,Ti,Ri)|i=1,2,…n}以及对应下一月的实测值{yi|i=1,2,…n}构建测试样本数据,利用训练后的人工神经网络模型进行测试,得到测试结果Si表示第i个影响因子Xi分解的季节项,Ti表示影响因子分解的趋势项,Ri表示随机扰动项;利用训练后的人工神经网络模型对当前月的月平均径流数据的分解项进行预测,得到初始预测结果
请参考表2,将本实施例的预测结果与直接采用原始月平均径流数据作为输入的GRNN模型的预测结果进行对比,并采用均方根误差(RMSE)、确定性系数(DC)作为预测性能的评价指标,验证了季节与趋势分解法挖掘原始序列的潜在信息对径流预测的有效性。
表2预测结果性能对比
DC | RMSE | |
本实施例 | 0.82 | 1694 |
GRNN | 0.87 | 1433 |
S5、分析测试结果与实测值{yi|i=1,2,…n}的误差分布,构建误差预测模型,获取校正误差用于校正初始预测结果,得到最终的月平均径流预报结果。具体地,根据预测结果和实测值{yi|i=1,2,…n},得到误差序列{ei|i=1,2,…n},优选地,采用三阶AR模型构建误差预测模型ei=AR(ei-1,ei-2),并利用最小二乘法对所述误差预测模型进行参数优化,最终得到下一月的预测结果
在本文中,所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的,只是为了表达技术方案的清楚及方便。应当理解,所述方位词的使用不应限制本申请请求保护的范围。
在不冲突的情况下,本文中上述实施例及实施例中的特征可以相互结合。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种顾及数据特征、模型和校正的径流非线性预测方法,其特征在于,包括以下步骤:
S1、将水文站历史日径流数据汇总得到历史月径流数据,检验数据完整性并剔除异常值数据,然后将所述历史月径流数据整编为历史月平均径流序列;提取当前月的前N个月的月平均径流序列作为预测模型的备选特征因子S;
S2、采用前向-后向特征选择算法计算备选特征因子与当前月径流数据的相关系数,并利用人工神经网络作为回归模型,从所述备选特征因子中优选得到影响因子序列X;
S3、采用季节与趋势分解法对所述影响因子序列X以及历史月平均径流序列进行分解,得到季节项、趋势项、和随机扰动项;
S4、将步骤S3中得到的分解项作为输入,对应下一月的月平均径流预测值作为输出,建立人工神经网络模型,利用历史月平均径流序列的分解项以及对应下一月的月平均径流实测值构建训练样本数据,对所述人工神经网络模型进行训练;利用影响因子序列X的分解项以及对应下一月的月平均径流实测值构建测试样本数据,并利用训练后的人工神经网络模型进行测试,得到测试结果;利用训练后的人工神经网络模型对当前月的月平均径流数据的分解项进行预测,得到初始预测结果
3.根据权利要求1所述的顾及数据特征、模型和校正的径流非线性预测方法,其特征在于,所述季节与趋势分解法的具体过程为:对于需进行分解的序列Y,设置初始趋势项Tk=0,以及迭代计数器k=0,分解过程如下:
移除序列中的趋势项Y′=Y-Tk,并对移除后的结果Y′进行Loess平滑处理,得到序列Ck +1;对所述序列Ck+1进行三次平滑处理和一次Loess处理,得到序列Lk+1,进而确定季节项Sk+1=Ck+1-Lk+1;移除序列中的季节项Y″=Y′-Sk+1,并对移除后的结果Y″进行Loess平滑处理,得到下一次迭代中的趋势项Tk+1;
判断所述趋势项Tk+1是否收敛,若收敛,则得到分解的季节项S=Sk+1,趋势项T=Tk+1,完成对序列Y的分解:
Y=S+T+R,
式中,S表示分解得到的季节项,T表示分解得到的趋势项,R表示随机扰动项;若未收敛,迭代计数器k=k+1,重复分解过程。
7.根据权利要求1所述的顾及数据特征、模型和校正的径流非线性预测方法,其特征在于,所述误差预测模型为三阶自回归模型。
8.根据权利要求1所述的顾及数据特征、模型和校正的径流非线性预测方法,其特征在于,所述人工神经网络模型为广义回归神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010198248.9A CN111311026A (zh) | 2020-03-19 | 2020-03-19 | 一种顾及数据特征、模型和校正的径流非线性预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010198248.9A CN111311026A (zh) | 2020-03-19 | 2020-03-19 | 一种顾及数据特征、模型和校正的径流非线性预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111311026A true CN111311026A (zh) | 2020-06-19 |
Family
ID=71147234
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010198248.9A Pending CN111311026A (zh) | 2020-03-19 | 2020-03-19 | 一种顾及数据特征、模型和校正的径流非线性预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111311026A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112163723A (zh) * | 2020-11-02 | 2021-01-01 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
CN112330065A (zh) * | 2020-11-26 | 2021-02-05 | 浙江大学 | 一种基于基流分割和人工神经网络模型的径流预报方法 |
US20230071484A1 (en) * | 2020-04-28 | 2023-03-09 | China Three Gorges Corporation | Method for forecasting runoff under influence of upstream reservoir group by utilizing forecasting errors |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6735580B1 (en) * | 1999-08-26 | 2004-05-11 | Westport Financial Llc | Artificial neural network based universal time series |
CN107274030A (zh) * | 2017-06-23 | 2017-10-20 | 华中科技大学 | 基于水文变量年际和月变化特性的径流预报方法和系统 |
CN109359404A (zh) * | 2018-10-30 | 2019-02-19 | 淮阴工学院 | 基于经验小波消噪和神经网络融合的中长期径流预报方法 |
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 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
-
2020
- 2020-03-19 CN CN202010198248.9A patent/CN111311026A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6735580B1 (en) * | 1999-08-26 | 2004-05-11 | Westport Financial Llc | Artificial neural network based universal time series |
CN107274030A (zh) * | 2017-06-23 | 2017-10-20 | 华中科技大学 | 基于水文变量年际和月变化特性的径流预报方法和系统 |
CN109359404A (zh) * | 2018-10-30 | 2019-02-19 | 淮阴工学院 | 基于经验小波消噪和神经网络融合的中长期径流预报方法 |
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 |
CN110633859A (zh) * | 2019-09-18 | 2019-12-31 | 西安理工大学 | 一种两阶段分解集成的水文序列预测方法 |
Non-Patent Citations (1)
Title |
---|
朱双: "流域中长期水文预报与水资源承载力评价方法研究", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230071484A1 (en) * | 2020-04-28 | 2023-03-09 | China Three Gorges Corporation | Method for forecasting runoff under influence of upstream reservoir group by utilizing forecasting errors |
CN112163723A (zh) * | 2020-11-02 | 2021-01-01 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
CN112163723B (zh) * | 2020-11-02 | 2023-09-12 | 西安热工研究院有限公司 | 基于情景划分的水电站中长期径流预测方法、介质及设备 |
CN112330065A (zh) * | 2020-11-26 | 2021-02-05 | 浙江大学 | 一种基于基流分割和人工神经网络模型的径流预报方法 |
WO2022110582A1 (zh) * | 2020-11-26 | 2022-06-02 | 浙江大学 | 一种基于基流分割和人工神经网络模型的径流预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Mid-to-long term wind and photovoltaic power generation prediction based on copula function and long short term memory network | |
Zhang et al. | Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation | |
CN107818395B (zh) | 一种基于测量不确定度的电能表误差迭代计算方法 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN103235096A (zh) | 污水水质检测方法与装置 | |
CN106599562B (zh) | 基于概率加权fdc法的河流生态需水量计算方法 | |
CN112734128A (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN106682763A (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN114819374A (zh) | 区域新能源超短期功率预测方法及系统 | |
CN115147012A (zh) | 一种基于神经网络模型的碳排放量核算方法及装置 | |
Li et al. | GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN114936742A (zh) | 一种供水系统调度代理决策方法 | |
CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
CN109872252A (zh) | 一种基于matlab算法的电力供应商综合评价方法 | |
CN115809718B (zh) | 基于多目标竞争关系量化的梯级电站发电与生态协同优化方法和系统 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
Ou et al. | A novel dynamic parameter discrete grey model and its application |
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 |
Application publication date: 20200619 |
|
RJ01 | Rejection of invention patent application after publication |