CN112036604B - 一种考虑多时序过程因子的中期径流预报方法 - Google Patents
一种考虑多时序过程因子的中期径流预报方法 Download PDFInfo
- Publication number
- CN112036604B CN112036604B CN202010742166.6A CN202010742166A CN112036604B CN 112036604 B CN112036604 B CN 112036604B CN 202010742166 A CN202010742166 A CN 202010742166A CN 112036604 B CN112036604 B CN 112036604B
- Authority
- CN
- China
- Prior art keywords
- forecasting
- factors
- factor
- forecast
- runoff
- 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
- 238000000034 method Methods 0.000 title claims abstract description 82
- 230000008569 process Effects 0.000 title claims abstract description 68
- 238000013277 forecasting method Methods 0.000 title claims abstract description 12
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000000694 effects Effects 0.000 claims abstract description 15
- 238000011160 research Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 6
- 238000013213 extrapolation Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 3
- 238000010187 selection method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 239000013256 coordination polymer Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 235000007297 Gaultheria procumbens Nutrition 0.000 description 1
- 240000000233 Melia azedarach Species 0.000 description 1
- 241000333569 Pyrola minor Species 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种考虑多时序过程因子的中期径流预报方法，属于水文预报技术领域。首先，根据研究流域的资料可获取情况及预报经验，确定预报备选因子的类型，从每类预报备选因子中挑选出相关系数最大的预报备选因子作为预报因子，作为输入建立BP神经网络径流预报模型，计算预报结果的均方根误差。其次，依次增加逐时段因子个数，并分别建立BP神经网络径流预报模型进行预报，计算预报结果的均方根误差，并与上一步的预报结果进行对比。再次，将预报因子进行多重组合。最后，根据均方根误差最小原则确定适合研究流域的预报因子最优组合，建立径流预报模型。本发明过程简单，预报方法易于操作，可有效提高径流预报精度，达到改善预报效果的目的。
Description
技术领域
本发明属于水文预报技术领域，涉及一种考虑多时序过程因子的中期径流预报方法。
背景技术
中期径流预报可帮助管理决策者事先掌握径流丰枯情况，是水库调度、发电计划制定、区域水资源合理配置等的重要依据。近年来，随着气象水文预报的迅速发展，中期径流预报的发展也十分迅速。然而，由于水文现象不确定性、预报因子难以确定等，中期径流预报仍存在预报精度较低的问题。如何找到合适的方法提高中期径流预报精度仍然备受关注。
应用BP神经网络等数据驱动模型进行预测的方法是中期径流预报中一种相对有效的方法(卢迪.耦合中长期径流预报信息的水库调度方式研究[D].大连理工大学,2015.；农振学，王超，雷晓辉.基于主成分分析和BP神经网络的赣江流域中长期径流预报[J].水电能源科学.2018(1):16-19.)，其关键在于确定合适的模型输入，即如何从诸多影响径流的物理成因中选择合适的径流预报因子。以往预报因子的挑选方法主要有相关系数优选法(周育琳，穆振侠，高瑞，尹梓渊，汤瑞.基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报[J].水电能源科学.2017(7):10-12.；闪丽洁，张利平，刘恋，贾车伟.基于多方法优选因子和人工神经网络耦合模型的枯水期径流预报[J].武汉大学学报(工学版).2015,48(06):758-763.)、互信息优选法(赵铜铁钢，杨大文.神经网络径流预报模型中基于互信息的预报因子选择方法[J].水力发电学报.2011,30(01):24-30.)、偏互信息优选法等(王春青，陈冬伶.黄河水量调度径流预报方法研究[J].人民黄河.2019,41(09):20-25.；May RJ,Maier HR,Dandy GC,Fernan do TMKG.Non-linear variable selection forartificial neural networks using pa rtial mutual information[J].EnvironmentalModelling&Software.2008,23(10-11):1312-1326,doi:10.1016/j.envsoft.2008.03.007.)。这些优选方法侧重于根据相关系数、互信息量等指标数值的大小进行预报因子的直接筛选或间接筛选，挑选出的预报因子多为前几日累计降雨量、未来几日累计降雨量等非过程因子。然而，径流是降雨等预报因子不同过程叠加作用的最终体现，过程的不同极有可能对预报径流产生影响，仅用反映累计量的非过程因子无法反映过程的差异，可能难以达到径流预报精度要求。
本发明提出了一种新的考虑多时序过程因子的中期径流预报方法，用于提高流域径流中长期径流预报精度，并以尼尔基水库为例，应用本发明的方法进行实例计算，验证了本发明的优势性。
发明内容
针对现有技术的不足，本发明提供了一种考虑多时序过程因子的中期径流预报方法。
本发明的技术方案如下：
一种考虑多时序过程因子的中期径流预报方法，包括以下步骤：
步骤一，预报备选因子大类挑选及处理。
根据研究流域的资料可获取情况及预报经验，确定预报备选因子的类型，包括前期降雨、预报降雨、前期径流等，将每类预报备选因子按逐时段值和累计值处理成多个逐时段因子(即过程因子)和非过程因子两种形式，并计算每个逐时段因子和非过程因子与径流的相关系数；
步骤二，从每类预报备选因子的所有逐时段因子和非过程因子中挑选出相关系数最大的预报备选因子作为预报因子，以所选的预报因子为输入建立基于相应类别预报因子的BP神经网络径流预报模型，并采用该BP神经网络径流预报模型进行径流预报，计算预报结果的均方根误差；
步骤三，确定每类预报备选因子是以逐时段因子的形式还是以非过程因子的形式参与预报，以及确定多个逐时段因子考虑的时段长。针对每类预报备选因子的逐时段因子，依次增加逐时段因子个数，并分别建立BP神经网络径流预报模型进行预报(如：以过去1天，2天…K天累计降雨为预报因子,分别建立径流预报模型)，计算预报结果的均方根误差，并将预报结果和第二步中基于相关系数最大的因子进行预报的预报结果进行对比。对于每类预报备选因子如果考虑多时序过程因子的预报效果优于以相关系数最大的预报因子进行预报的效果，则确定该类因子适合以多时序过程因子的形式参与预报中，且以预报效果最好的时段长作为多时序过程因子参与预报的时段长。否则，该类因子适合以非过程因子的形式参与预报。
步骤四，预报因子多重组合。
将从各类因子中挑选出的多时序过程因子或非过程因子进行多重组合，分别建立BP神经网络径流预报模型进行预报，计算各种因子组合下预报结果的均方根误差；
步骤五，预报因子最优组合最终确定及预报模型构建。
根据均方根误差最小原则从步骤四的多重因子组合中确定出适合研究流域的预报因子最优组合，以该因子组合建立的BP神经网络径流预报模型为研究流域的径流预报模型。
与现有技术相比，本发明具有以下优点和效果：
本发明将反映过程差异的多时序过程因子系列纳入到中期径流预报中，更为精细化地考虑了预报因子过程差异对预报径流的影响，挑选多时序过程因子系列的过程简单，预报方法易于操作，可有效提高径流预报精度，达到改善预报效果的目的。
附图说明
图1是考虑多时序过程因子系列的径流预报过程图。
图2是每类因子组合方案均方根误差图；图2(a)为前期降雨因子组合方案均方根误差图，图2(b)为预报降雨因子组合方案均方根误差图，图2(c)为前期径流因子组合方案均方根误差图。
图3是未来一旬径流预报因子示意图。
图4是相关系数对比图。
图5是平均绝对误差对比图。
图6是未来一旬预报径流过程对比图。
具体实施方式
本发明所提出的考虑多时序过程因子的中期径流预报方法，主要分为五个部分：预报备选因子大类挑选及处理、基于相关系数最大因子进行预报、确定预报备选因子参与预报的形式、预报因子多重组合、预报因子最优组合最终确定及预报模型建立。以下以尼尔基水库未来一旬入库径流量的预报为例，结合技术方案和附图详细叙述本发明的具体实施方式。
第一步，预报备选因子大类挑选及处理，并计算每个逐时段因子和非过程因子与径流的相关系数；
本发明根据尼尔基水库的资料可获取情况及预报经验，确定了预报备选因子的三种类型，包括前期降雨、预报降雨、前期径流。将这三类预报备选因子按逐时段值和累计值处理成为多个逐时段降雨量、逐时段径流量及累计降雨量、累计径流量的形式，并计算每个逐时段因子和非过程因子(累计值)与未来一旬径流的相关系数，因子及相应的相关系数见表1。因为该流域前期降雨量对径流产生的影响时程较长，故以两日为时段步长，这样既能纳入足够的反映降雨过程的因子又不会过多增加因子数量而影响预报效果，其他两类因子以逐日为时段步长。此外，表1中的因子是按离未来一旬由近及远的顺序排列，如P1代表未来一旬之前第1日和第2日的两日降雨量，而P2代表未来一旬之前第3日和第4日的两日降雨量；
表1预报因子及相关系数
第二步，基于相关系数最大因子进行预报。
由表1可知，前期降雨因子、预报降雨因子、前期径流因子的所有逐时段因子和非过程因子中相关系数最大的预报备选因子分别为：前期18日累计降雨量因子CP9、未来5日累计预报降雨量因子CF5、前期1日累计径流量CI1(或者前期第1日径流量I1)，分别以上述预报因子为输入建立基于相应类别预报因子的BP神经网络旬径流预报模型，并采用该模型进行旬径流预报，计算预报值和实测值间的均方根误差RMSE。
第三步，确定每类因子参与预报的形式，以及确定多时序过程因子考虑的时段长。
针对每类预报备选因子的全部逐时段因子，依次增加时段因子个数分别建立BP神经网络旬径流预报模型进行预报，计算预报结果的均方根误差，并将预报结果和第二步中基于相关系数最大的因子进行预报的预报结果进行对比。各类因子按相关系数最大因子和按依次增加时段因子个数的逐时段因子分别建立BP神经网络旬径流预报模型进行预报的结果对比见附图2。附图2中每个子图代表仅用一类预报因子预报时的均方根误差RMSE，其中实线相连的点代表每一类预报因子由该类因子中第1个逐时段(逐日或逐两日)预报因子依次添加后一个因子时相应的RMSE；而子图中未与其他点相连的点代表仅采用该类因子中相关系数最大的因子进行预报时预报值与实测值间的RMSE。
由附图2可知：(1)对于前期降雨因子，依次增加时段因子个数，RMSE逐渐变小，表示逐步全面考虑影响径流的前期降雨因子的系列过程，径流预报精度提高；且纳入前期第8个两日降雨量因子P8后(附图2(a)方案8)，其RMSE小于仅用相关系数最大的前期18日累计降雨量因子CP9预报时的RMSE，所以确定前期降雨因子适合以多时序过程因子的形式参与预报，且考虑到继续增加时段因子个数误差仍在进一步缩小，所以将该类多时序过程因子考虑的时段长取为前期15个逐两日；(2)对于预报降雨因子，其变化规律与前期降雨因子类似，即逐步增加未来第j日预报降雨量因子系列中的时段因子个数，RMSE逐步变小，且纳入未来第4日预报降雨量因子F4之后，误差均小于仅用相关系数最大的未来5日累计预报降雨量因子CF5时的误差，所以确定预报降雨因子是以多时序过程因子的形式参与预报。且考虑到自未来第5日预报降雨量因子纳入之后，预报效果改善较小，所以该类多时序过程因子考虑的时段长取为未来5日；(3)对于前期径流因子，自纳入前期第2日径流量因子后，再增加时段因子个数，RMSE不但没有变小，反有略微增长的趋势，所以确定前期径流因子适合以非过程因子的形式参与预报。因为前期1日累计径流量(虽然前期第1日径流量与前期1日累计径流量和和未来一旬径流相关系数大小一样，但是因为此处考虑多时序过程因子的预报结果不佳，所以选择累积量作为预报因子)与未来一旬径流的相关系数最大，所以该类因子取前期1日累计径流量因子作为非过程因子参与预报。
第四步，预报因子多重组合。
将从各类因子中挑选出的多时序过程因子或非过程因子进行多重组合，分别建立BP神经网络旬径流预报模型进行预报，计算各种因子组合下预报结果的均方根误差。其中不同因子组合设计方案如表2，各设计方案下用于模拟预测的整个系列在拟合期、检验期、外推期下未来第一旬径流预报值与实测值之间的均方根误差RMSE见表3。
表2不同因子组合设计方案
表3不同设计方案的均方根误差(RMSE)
第五步，预报因子最优组合确定及预报。
根据均方根误差最小原则可知细化考虑反映过程差异的多时序过程因子系列的方案7预报效果最好，所以确定方案7(前期15个逐两日降雨、前期第1日径流量、未来5日累计预报降雨量)为适合研究流域的预报因子最优组合，基于该因子组合建立BP神经网络旬径流预报模型对尼尔基水库的未来一旬径流进行预报。
为了进一步突出本发明的效果，本发明针对多时序过程因子系列组合方案7和相关系数最大因子组合方案5，提取整个系列中可用于水库调度的6-9月上、中、下旬的预报数据，围绕拟合期、检验期、外推期径流预报值的合格率、相关系数、平均绝对误差三个方面及外推期各年6-9月的旬径流预报过程与实际径流过程的拟合情况，进行了更加详细的对比，结果如下：
(1)合格率Pt对比结果
表4合格率对比
可见，方案7在拟合期、检验期、外推期合格率比方案5分别提高了2％、4％、1％。且方案7合格率均在95％以上，达到甲级预报标准。
(2)相关系数R对比见附图4
可见，方案7在拟合期、检验期、外推期R较方案5高出了7％、4％、2％，意味着采用本发明提出的考虑多时序因子系列组合预报方案得到的预报值的整体趋势与实测值更为吻合。
(3)平均绝对误差MAE对比见附图5
可见，方案7在拟合期、检验期和外推期比方案5的MAE值减小量分别为57m3/s、60m3/s及18m3/s，分别占实测径流系列均值683m3/s的8.3％、8.8％、2.6％，说明考虑多时序过程因子系列进行未来一旬径流预报可减小预报误差。
(4)径流拟合过程见附图6
可见对于系列中存在时段较多的低于1000m3/s的流量部分，应用本发明提出的考虑多时序过程因子系列进行未来一旬径流预报更为准确。
综合上述比较可知，采用本发明提出的考虑多时序过程因子系列的中期径流预报方法可有效提高径流预报精度、改善预报效果。
以上所述实施案例仅表达本发明的实施方式，但并不能因此而理解为对本发明专利的范围的限制，应当指出，对于本领域的技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些均属于本发明的保护范围。
Claims (2)
1.一种考虑多时序过程因子的中期径流预报方法，其特征在于，包括以下步骤：
步骤一，预报备选因子大类挑选及处理；
根据研究流域的资料可获取情况及预报经验，确定预报备选因子的类型，将每类预报备选因子按逐时段值和累计值处理成多个逐时段因子和非过程因子两种形式，并计算每个逐时段因子和非过程因子与径流的相关系数；
步骤二，从每类预报备选因子的所有逐时段因子和非过程因子中挑选出相关系数最大的预报备选因子作为预报因子，以所选的预报因子为输入建立基于相应类别预报因子的BP神经网络径流预报模型，并采用该BP神经网络径流预报模型进行径流预报，计算预报结果的均方根误差；
步骤三，确定每类预报备选因子是以逐时段因子的形式还是以非过程因子的形式参与预报，以及确定多个逐时段因子考虑的时段长；针对每类预报备选因子的逐时段因子，依次增加逐时段因子个数，并分别建立BP神经网络径流预报模型进行预报，计算预报结果的均方根误差，并将预报结果和第二步中基于相关系数最大的因子进行预报的预报结果进行对比；对于每类预报备选因子如果考虑多时序过程因子的预报效果优于以相关系数最大的预报因子进行预报的效果，则确定该类因子适合以多时序过程因子的形式参与到预报中，且以预报效果较好的时段长作为多时序过程因子参与预报的时段长；否则，该类因子适合以非过程因子的形式参与预报；
步骤四，预报因子多重组合；
将从各类因子中挑选出的多时序过程因子或非过程因子进行多重组合，分别建立BP神经网络径流预报模型进行预报，计算各种因子组合下预报结果的均方根误差；
步骤五，预报因子最优组合最终确定及预报模型构建；
根据均方根误差最小原则从步骤四的多重因子组合中确定出适合研究流域的预报因子最优组合，以该因子组合建立的BP神经网络径流预报模型为研究流域的径流预报模型。
2.根据权利要求1所述的一种考虑多时序过程因子的中期径流预报方法，其特征在于，所述的步骤三中预报备选因子参与预报的形式包括逐时段因子和非过程因子两种形式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010742166.6A CN112036604B (zh) | 2020-07-29 | 2020-07-29 | 一种考虑多时序过程因子的中期径流预报方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010742166.6A CN112036604B (zh) | 2020-07-29 | 2020-07-29 | 一种考虑多时序过程因子的中期径流预报方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112036604A CN112036604A (zh) | 2020-12-04 |
| CN112036604B true CN112036604B (zh) | 2022-10-18 |
Family
ID=73583439
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010742166.6A Active CN112036604B (zh) | 2020-07-29 | 2020-07-29 | 一种考虑多时序过程因子的中期径流预报方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112036604B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117114523B (zh) * | 2023-10-23 | 2024-02-02 | 长江三峡集团实业发展(北京)有限公司 | 基于条件互信息的径流预报模型构建和径流预报方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
| CN107992961B (zh) * | 2017-11-21 | 2021-04-27 | 中国水利水电科学研究院 | 一种自适应的流域中长期径流预报模型架构方法 |
| CN109492825A (zh) * | 2018-11-26 | 2019-03-19 | 中国水利水电科学研究院 | 基于互信息和主成分分析筛选因子的中长期预报方法 |
| CN110188922A (zh) * | 2019-05-05 | 2019-08-30 | 中国长江电力股份有限公司 | 一种基于产流机制的rbf神经网络中长期径流预测方法 |
-
2020
- 2020-07-29 CN CN202010742166.6A patent/CN112036604B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112036604A (zh) | 2020-12-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107992961B (zh) | 一种自适应的流域中长期径流预报模型架构方法 | |
| CN103729550B (zh) | 基于传播时间聚类分析的多模型集成洪水预报方法 | |
| CN110619432A (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
| CN102495937A (zh) | 一种基于时间序列的预测方法 | |
| WO2022110582A1 (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 | |
| Zhai et al. | Water demand forecasting of Beijing using the time series forecasting method | |
| CN108614915B (zh) | 基于情景驱动的水文模型自由组建策略方法 | |
| CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
| CN109754122A (zh) | 一种基于随机森林特征提取的bp神经网络的数值预测方法 | |
| CN106600055A (zh) | 一种基于自激励门限自回归模型的风速预测方法 | |
| CN112036604B (zh) | 一种考虑多时序过程因子的中期径流预报方法 | |
| CN116562583A (zh) | 一种多维度水资源供需预测方法及系统 | |
| Gao et al. | A multifactorial framework for short-term load forecasting system as well as the jinan’s case study | |
| CN110751312A (zh) | 一种基于多因子的系统动力学生活需水预测方法和系统 | |
| CN109426901A (zh) | 一种中长期用电预测方法及装置 | |
| CN117648878A (zh) | 一种基于1d-cnn算法的洪水快速演进及淹没模拟方法 | |
| CN105354416A (zh) | 一种基于代表电站的流域降雨径流电量宏观预测方法 | |
| 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 | |
| CN113836807B (zh) | 一种基于熵值法和长短期记忆神经网络的河湖生态流量预报预警方法 | |
| CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
| CN108846746A (zh) | 一种结合离散统计和极限学习机的碳交易行为建模方法 | |
| CN109086245B (zh) | 一种基于替代模型的vic参数多目标方法 | |
| CN112507635A (zh) | 一种流域湿地洪水调蓄功能量化评估方法 | |
| CN113705091B (zh) | 考虑变化环境和调度影响的非一致性设计洪水计算方法 |
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 |