CN111859787A - 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法 - Google Patents

Abstract

基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法，属于日径流预报领域。核心组成包括数据分类、因子筛选、预报模型建模和预报模型评估，相对应的方法包括聚类分级方法、偏互信息方法和深度学习预报模型及改进评估方法。本发明提出的日径流预报方法用确定系数进行评估，均可达到0.8以上，达到水情预报规范的乙等预报精度。

Description

基于气象水文预报因子分类和深度学习模型耦合的日径流预 报方法

技术领域

本发明涉及日径流预报领域，具体涉及一种基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法。

背景技术

日径流预报是洪水调度、水电站短期水库运行方式制定和日发电电量计划编制的重要组成部分，准确可靠的日径流预报对于有效地减少弃水，充分利用水资源，显著提高发电效益具有重要意义。但由于水文过程涉及的因素复杂，不同水文气象条件和水文过程不同的阶段产流汇流的特征也各不相同，因此日径流预报仍然是一项具有挑战性的任务。

对于水文过程的不同阶段，径流产生的基本机制可能有很大不同，基流的变化对于低流量值的产生有一定影响，而强烈的暴雨则可能导致高径流值。基于历史数据的预报模型，运用单一的预报模型笼统地描述水文过程不同阶段的预报因子与径流的关系，预报结果达不到精度要求。因此，应该建立多个的预测模型来识别水文过程不同时期的水文气候因子和径流之间的关系，以提高径流在水文过程中整体的预测效果。

发明内容

本发明旨在解决如何从历史数据中识别水文过程的水文气象因子与日径流的关系不同特征，并且分别建立数据驱动模型模拟不同特征类别水文气象因子与日径流之间的关系，从而提高日径流预报的整体精度的问题。

在以往预报模型中，根据统一连续的水文过程历史数据，建立单个模型模拟水文过程的水文气象因子与日径流的关系不同特征水文气象因子与日径流的关系，将水文过程中不同时期的水文气象因子与日径流之间的关系特征概化成一致的，不变化的。而实际上，水文过程中不同时期的水文气象因子与日径流之间的关系特征也会随着时间和外部条件而发生变化，因此，笼统地运用单一的预报模型描述水文过程不同阶段的预报因子与径流的关系，预报结果达不到精度要求。目前，如何区分水文过程中的水文气象因子与日径流之间不同的关系特征，在径流预报领域并没有进行过相应的研究，而本发明的目的就在于解决这个问题。

日径流预报的关键部分是建立具有不同关系特征的水文气象因子与径流的关系。线性模型进行径流预报一般是建立在径流序列为平稳时间序列的假设上，因此预报效果不理想，传统的人工神经模型在训练过程中易陷入局部最小值，且隐含层节点数目尚未有统一的确定方法只能通过试算法确定最优节点数目，故利用传统的人工神经网络模型直接对径流序列进行预报也难以取得理想效果。为了进一步提高日径流的预报精度，本发明将将深度学习方法作为一种新的方法引入日径流量预报。深度学习模型在人工神经网络研究的基础上发展而来，旨在通过模拟大脑的逐层学习过程，构建深层次的模型，结合训练数据，来学习数据中隐含的特征，从而刻画数据丰富的内在信息，达到提高预报精度的目的。自从深度学习提出之后，在多个领域得到了广泛的应用，但是在水文预报领域并未得到应用，而本发明则将气象水文预报因子分类和深度学习模型耦合，以期提高日径流预报精度。

基于气象水文预报因子分类和深度学习模型耦合的日径流预报具体流程如图1所示，核心组成包括数据分类、因子筛选、预报模型建模和预报模型评估，相对应的方法包括聚类分级方法、偏互信息方法和深度学习预报模型及改进评估方法。

前期准备：了解流域特征和径流来水过程特点，收集研究区日尺度径流、降雨及大气环流指数、海温指数等相关数据。

步骤1：数据分类

根据收集的数据，确定日径流量及其相应的候选影响因素集，形成具有多个输入(候选影响因素)-输出(日径流量)的总样本数据集，采用模糊C聚类(Fuzzy C-means，FCM)方法，根据高径流量、中径流量和低径流量规则，将总样本训练集分为不同训练样本子集，并准备根据不同的子样本数据集分别建立日径流量预报模型；

步骤2：因子筛选

候选影响因素包括前期降雨、当日降雨、大气环流指数、海温指数、前期径流影响等中的一类或几类，根据不同的子样本数据集分别利用偏互信息方法(Partial MutualInformation，PMI)识别研究区的关键影响因素；因子筛选可以实现预报模型结构的优化，避免冗余变量影响模型的计算速度和预测精度。

步骤3：预报模型建模；

根据利用筛选的关键影响因素分别更新子子样本数据集，利用深度学习方法分别建立日径流量预报模型，模拟径流影响因素与日径流之间的关系，分析深度学习方法的结构和参数对预报模型的预测精度的影响规律，耦合优化算法自动优化深度学习结构和参数，提高模型的预报精度。

步骤4：预报模型评估

应用改进验证方法从拟合验证、预测验证和模型结构验证三方面共同评估深度学习模型的预报精度；另外，建立多元非线性回归、径向基函数神经网络、支持向量机回归模实现日径流量预报，并与深度学习模型进行对比预报精度，选出最优预报模型；

步骤5

模型应用：利用已建立的模型实现未来1天、15天及30天等不同预见期的预报，分析径流预报的变化趋势，为研究区的水资源利用及水电站水库优化调度提供参考依据。

本发明提出的日径流预报方法用确定系数进行评估，均可达到0.8以上，达到水情预报规范的乙等预报精度。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明的实施步骤的流程图。

具体实施方式

下面结合实施例详细描述本发明的实施方式，但本发明并不限于以下实施例。

实施例1

图1是本发明的实施步骤的流程图。参考图1，并结合实施例的具体情况，本发明实施例的基于气象水文预报因子分类和深度学习模型耦合的日径流预报包括以下步骤：

数据准备：收集研究区的水文站点相应的日径流量数据及其相应的降雨数据，收据数据例如从1921年7月到2019年10月。当考虑考虑当前时段P(t)和前期降水量P(t-1),…,P(t-15)及前期径流影响Q(t-1),…,Q(t-15)作为输入，径流作为相对应的输出Q(t)，组成输入-输出总样本数据集，总样本个数为35879。

数据分类：根据收集的数据，确定日径流量及其相应的候选影响因素集，形成具有多个输入-输出的总样本数据集，采用模糊C聚类方法，根据高降雨量、中降雨量和低降雨量规则，将总样本训练集分为三个训练样本子集，个数分为25266，2743和7870。

因子筛选：分别对三个子样本集的输入进行筛选识别，筛选前：三个子样本集的候选因子有31个，包括16个降雨相关输入：当天降雨量及前1-15天的降雨量，P(t)，P(t-1)，…，P(t-15)，15个径流量相关输入：前1-15天的日径流量，Q(t-1)，…，Q(t-15)。利用偏互信息方法筛选识别不同样本集的关键影响因子，识别后第一个子样本集的日径流量影响因素为Q(t-1),Q(t-2),Q(t-3),Q(t-8),Q(t-15),Q(t-14)，第二个子样本集的日径流量影响因素为Q(t-1),Q(t-2),P(t-1),Q(t-3),P(t-2),Q(t-15)，第三个子样本集的日径流量影响因素为Q(t-1),Q(t-2),Q(t-3),P(t-1),Q(t-9),Q(t-4),Q(t-14)。

表1三个子样本集的输入输出样本集

模型建模：利用深度学习方法建立日径流预报模型，分别模拟子样本集中影响因子与日径流量的关系。深度学习的主要结构和参数包括隐含层个数和隐含层神经单元格数，改变隐含层个数从3、4、5、6，隐含层神经元个数分别为50、100、150、200、250、300、350和400。运用不同的参数组合查看其对预测精度的影响，选择预测精度最高的参数，分析不同子样本集参数变化规律。为了更加精确地估计参数，耦合遗传优化算法自动优化深度学习结构和参数，提高模型的预报精度。

模型评估：把直接运用深度学习模型模拟的预测值与实际测量的结果进行比较，应用改进验证方法从拟合验证、预测验证和模型结构验证三方面评估深度学习模型预报精度。并且与极限学习机、支持向量机、多项式回归等多种模型的预报精度比较。

模型应用：利用已知的前期降雨及径流资料，进行输入分类，判别属于三个子样本集中的哪一个类别，判别后输入到相应的预报模型进行未来的日径流预报。利用已建立的模型实现未来1天、15天及30天等不同预见期的预报，分析径流预报的变化趋势，为研究区的水资源利用及水电站水库优化调度提供参考依据。

本发明提出的日径流预报方法用确定系数进行评估，均可达到0.8以上，达到水情预报规范的乙等预报精度。

Claims (1)

1.一种基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法，其特征在于，包括以下步骤：

前期准备：了解流域特征和径流来水过程特点，收集研究区日尺度径流、降雨及大气环流指数、海温指数等相关数据；

步骤1：数据分类

根据收集的数据，确定日径流量及其相应的候选影响因素集，形成具有多个输入-输出的总样本数据集，采用模糊C聚类(Fuzzy C-means，FCM)方法，根据高径流量、中径流量和低径流量规则，将总样本训练集分为不同训练样本子集，并准备根据不同的子样本数据集分别建立日径流量预报模型；多个输入-输出的总样本数据集为多个候选影响因素的输入-日径流量输出的总样本数据集；

步骤2：因子筛选

候选影响因素包括前期降雨、当日降雨、大气环流指数、海温指数、前期径流影响等中的一类或几类，根据不同的子样本数据集分别利用偏互信息方法(Partial MutualInformation，PMI)识别研究区的关键影响因素；因子筛选实现预报模型结构的优化，避免冗余变量影响模型的计算速度和预测精度。

步骤3：预报模型建模；

根据利用筛选的关键影响因素分别更新子子样本数据集，利用深度学习方法分别建立日径流量预报模型，模拟径流影响因素与日径流之间的关系，分析深度学习方法的结构和参数对预报模型的预测精度的影响规律，耦合优化算法自动优化深度学习结构和参数，提高模型的预报精度；

步骤4：预报模型评估

应用改进验证方法从拟合验证、预测验证和模型结构验证三方面共同评估深度学习模型的预报精度；另外，建立多元非线性回归、径向基函数神经网络、支持向量机回归模实现日径流量预报，并与深度学习模型进行对比预报精度，选出最优预报模型；

步骤5

模型应用：利用已建立的模型实现未来不同预见期的预报，分析径流预报的变化趋势。

Images