CN112330065A - 一种基于基流分割和人工神经网络模型的径流预报方法 - Google Patents

一种基于基流分割和人工神经网络模型的径流预报方法 Download PDF

Info

Publication number
CN112330065A
CN112330065A CN202011353713.8A CN202011353713A CN112330065A CN 112330065 A CN112330065 A CN 112330065A CN 202011353713 A CN202011353713 A CN 202011353713A CN 112330065 A CN112330065 A CN 112330065A
Authority
CN
China
Prior art keywords
runoff
neural network
artificial neural
network model
model
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
Application number
CN202011353713.8A
Other languages
English (en)
Inventor
陈浩
许月萍
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202011353713.8A priority Critical patent/CN112330065A/zh
Publication of CN112330065A publication Critical patent/CN112330065A/zh
Priority to PCT/CN2021/082235 priority patent/WO2022110582A1/zh
Pending legal-status Critical Current

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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本发明公开了一种基于基流分割和人工神经网络模型的径流预报方法，在中长期径流预报中考虑基流分割问题，采用数字滤波基流分割法将径流分割成基流和地表径流两部分，并将这两部分作为人工神经网络模型的驱动因子预测中长期径流流量，采用本发明的方法可以有效提高水文过程模拟和极值预报的精度。

Description

一种基于基流分割和人工神经网络模型的径流预报方法
技术领域
本发明涉及径流预报技术领域，尤其是涉及一种基于基流分割和人工神经网络模型的径流预报方法。
背景技术
径流预报是水资源管理的重要内容，也是一项具有挑战性的研究课题，一直是水文实践中最受关注的问题之一。径流预报能够为水资源管理提供有用的信息，同时对水资源的优化管理和有效利用具有重要意义，例如水力发电、旱涝灾害评估、水资源调度和供水配置等。然而，径流预报的预报提前期较长，期间预报的降水量具有内在的不确定性，因此预报面临重大挑战。
近年来，学者们研发了各种方法来提高中长期径流预报的精度，主要包括动物理模型、统计学模型和机器学习模型三大类。其中，物理模型应用降水量和其他气候变量的驱动，进而推动水文模型模拟日、月和年的水文过程。统计学模型以描述径流系列自身的统计关系，从而产生具有量化不确定性的径流预测，如自回归模型和时间序列分析模型。机器学习模型能够处理大量的数据和描述非线性关系而成为当下中长期径流预报的主流方法，如人工神经网络、支持向量机和随机森林等。尽管统计学模型和机器学习模型缺乏水文物理过程分析，数据驱动模型已被证明是非常简单并行之有效的径流预测方法。
人工神经网络是由大量的简单基本元件-神经元相互联结而成的自适应非线性动态系统。其中，Long Short-Term Memory(LSTM)是一种特殊的递归人工神经网络，由于其复杂的网络结构，能够很好地处理长期时间序列数据，并且该模型被广泛地用在中长期水文预报领域。虽然LSTM模型的预测准确性较好，但是其预测精度存在不稳定性，导致水文过程中的极值预测达不到较高标准，进而影响后续水资源配置工作。
发明内容
本发明的目的在于针对现有模型技术的不足，提供一种基于基流分割和人工神经网络模型的径流预报方法，在中长期径流预报中考虑基流分割问题，将径流分割成基流和地表径流两部分，并将这两部分作为人工神经网络模型的驱动因子预测中长期径流流量，从而提高水文过程模拟和极值预报的精度。
为实现上述目标，本发明采用的技术方案如下：
一种基于基流分割和人工神经网络模型的径流预报方法，包含以下步骤：
(1)获取流域水文站点的实测日尺度径流序列。
(2)基于日径流数据运用数字滤波基流分割法，将其分解成基流和地表径流两部分，计算方法如下：
Figure BDA0002802000470000021
式中，Qi为径流；Qs(i)为地表径流；i为时间步长；α为衰退系数，其取值范围在0.9到0.95之间。
根据上述方程，再通过下式计算基流Qb(i)：
Qb(i)＝Qi-Qs(i)
(3)通过尺度转换，将日尺度时间序列转化为月尺度数据，并且利用三分之二数据来训练模型，剩下的三分之一测试模型的精度。根据人工神经网络模型理论，将月尺度基流和地表径流作为模型的输入因子，月径流作为模型输出值；
设置纳什效率系数(NSE)和百分比偏差(Bias％)为评价指标，通过评价指标来展现模型的拟合效果，其中NSE越接近1表示预测效果越好，Bias％越接近0表示预测效果越好。其公式如下所示：
Figure BDA0002802000470000022
Figure BDA0002802000470000023
式中，
Figure BDA0002802000470000024
为月径流观测值；
Figure BDA0002802000470000025
为模型预测值；
Figure BDA0002802000470000026
为观测值的平均值；n为数据总数。
根据国家2008年发布的《水文情报预报规范》中预报项目精度等级划分指标，对一种基于基流分割和人工神经网络模型的中长期径流预报方法进行预报精度判定，如表1所示：
表1预报项目精度等级划分表
Figure BDA0002802000470000027
Figure BDA0002802000470000031
本发明步骤(2)和(3)中采用的基流和地表径流作为人工神经网络模型的预报因子来模拟径流的思想，旨在提高中长期预报水文过程拟合度，提升年最高和最低流量的预报精度。
通过采用上述手段，本发明的有益效果为：
(1)本发明针对径流序列的自相关性，提出基于数字滤波基流分割方法和人工神经网络模型的中长期径流预测模型，从而提高径流预报的精度和可靠度。
(2)本发明基于基流分割的思想，弥补了单一预报因子人工神经网络模型对年峰谷值模拟的不足，大大提升了模拟精度。
(3)本发明提出新的中长期预报方法，通过比对国家预报项目精度划分指标，能够达到最高标准，可以为流域水资源配置方案提供科学的理论支撑。
附图说明
图1为本发明的一个流程示意图；
图2为本发明的一个具体实例的数字滤波法基流分割结果图；
图3为本发明的一个具体实例的实测—模拟流量过程线；
图4为本发明的一个具体实例的实测—模拟年最大流量散点图；
图5为本发明的一个具体实例的实测—模拟年最小流量散点图；
具体实施方式
下面通过实例，并结合附图，对本发明的技术方案做进一步详细说明。为了突出本发明的优势，运用基流和地表径流为输入的人工神经网络模型模拟某一流域水文站点的水文过程线，同时与单一预报因子(径流序列)的人工神经网络模型进行模拟效果比对。
如图1所示，本发明的一种基于基流分割和人工神经网络模型的中长期径流预报方法，包括如下步骤：
(1)数据收集和处理：收集水文站点1961-2000年的实测流量序列，通过数字滤波法对径流数据进行基流分割，其计算公式如下：
Figure BDA0002802000470000032
式中，Qi为径流；Qs(i)为地表径流；i为时间步长；α为衰退系数，其取值范围在0.9到0.95之间，本方法取值为0.925。
根据上述方程，再通过下式计算基流(Qb(i))：
Qb(i)＝Qi-Qs(i)
为了修正相位的失真，该方法普遍采用正-反-正三次滤波得到水文站点的基流和地表径流序列，这样操作可以使基流曲线更加平滑，如图2所示。
(2)数据整合和分割：将步骤(1)计算所得的日尺度水文站点径流、基流和地表径流流量整合成月尺度序列数据。将这三组水文数据分割为训练期和测试期，训练期取整体数据的70％，余下的30％为测试期。其中，取1961-1988年为训练期，1989-2000年为测试期。
(3)模型输入和输出：选取LSTM人工神经网络模型作为本发明的示例模型。根据LSTM预报模型理论，将单一预报因子(径流)和两个预报因子(基流和地表径流)分别作为模型输入，模型输出均为月径流数据。图3为水文站点的实测径流和两个方案的模拟流量过程线。从图中结果来看，基于基流分割和人工神经网络模型的中长期径流预报方法得到的流量过程线比单一预报因子的人工神经网络预报模型模拟结果拟合效果更好。
模型整体模拟效果验证：将步骤(3)所得的模拟结果，代入评价指标公式，从数值结果上体现模型的拟合效果，具体计算方程式如下：
Figure BDA0002802000470000041
Figure BDA0002802000470000042
式中，
Figure BDA0002802000470000043
为月径流观测值；
Figure BDA0002802000470000044
为模型预测值；
Figure BDA0002802000470000045
为观测值的平均值；n为数据总数。
本发明方法和单一预报输入LSTM模型预报结果分析如表2所示：
表2模型模拟效果分析
Figure BDA0002802000470000046
Figure BDA0002802000470000051
本发明方法相对单一预报因子LSTM模型的模拟结果有较大的提升，测试期中NSE数值从0.782提高到0.904，并且Bias％的结果也有较大的提高(-0.353％到0.195％)。根据我国《水文情报预报规范》规定，确定性系数大于0.90为精度甲等级，本模型验证期纳什效率为0.904，与此同时，百分比偏差符合小于15％的指标，说明本预报模型的效果很好，可用于该水文站点的中长期径流预报以及后续的水资源优化配置。
模型峰谷值拟合效果验证：图4和5分别为水文站点实测与模型模拟年最小和最大流量散点图。通过图中结果所示，基于基流分割和LSTM模型的预报方法对年最大和最小月径流值拟合效果更好，相比于单一预报因子LSTM模型预报结果有很大程度上的提高。
以上所述仅对本发明的实例实施而已，并不用于限制本发明，发明中的预报因子(基流和地表径流)可以根据不同的研究区域的径流序列采用数字滤波法进行基流分割，同时人工神经网络模型也可以根据不同的研究区域进行模型训练和核函数选择。凡是在本发明的权利要求限定范围内，所做的任何修改、等同替换、改进等，均应在本发明的保护范围之内。

Claims (3)

1.一种基于基流分割和人工神经网络模型的径流预报方法，其特征在于，包含以下步骤：
获取流域水文站点的实测径流序列，基于日径流数据运用数字滤波基流分割法，将其分解成基流和地表径流两部分，地表径流如下：
Figure FDA0002802000460000011
式中，Qi为径流；Qs(i)为地表径流；i为时间步长；α为衰退系数
根据上述方程，再计算基流Qb(i)：
Qb(i)＝Qi-Qs(i)
将月尺度下的基流和地表径流作为人工神经网络模型的输入因子，将月径流作为模型的输出值，进行训练和预测。
2.根据权利要求1所述的基于基流分割和人工神经网络模型的径流预报方法，其特征在于，其中α取值范围在0.9到0.95之间。
3.根据权利要求1所述的基于基流分割和人工神经网络模型的径流预报方法，其特征在于，采用纳什效率系数NSE和百分比偏差Bias％作为模型评价指标。
CN202011353713.8A 2020-11-26 2020-11-26 一种基于基流分割和人工神经网络模型的径流预报方法 Pending CN112330065A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202011353713.8A CN112330065A (zh) 2020-11-26 2020-11-26 一种基于基流分割和人工神经网络模型的径流预报方法
PCT/CN2021/082235 WO2022110582A1 (zh) 2020-11-26 2021-03-23 一种基于基流分割和人工神经网络模型的径流预报方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011353713.8A CN112330065A (zh) 2020-11-26 2020-11-26 一种基于基流分割和人工神经网络模型的径流预报方法

Publications (1)

Publication Number Publication Date
CN112330065A true CN112330065A (zh) 2021-02-05

Family

ID=74309040

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011353713.8A Pending CN112330065A (zh) 2020-11-26 2020-11-26 一种基于基流分割和人工神经网络模型的径流预报方法

Country Status (2)

Country Link
CN (1) CN112330065A (zh)
WO (1) WO2022110582A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113807545A (zh) * 2021-09-09 2021-12-17 浙江大学 一种基于深度学习和物理模型的河湖生态流量预报预警方法
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

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115374638B (zh) * 2022-08-24 2023-05-30 中国水利水电科学研究院 一种基于径流模拟的城市不透水面空间管控方法
CN116539006B (zh) * 2023-05-19 2023-10-03 清华大学 径流预测方法、装置、计算机设备和存储介质
CN117252312B (zh) * 2023-11-16 2024-01-23 水利部水利水电规划设计总院 考虑预报不确定性的区域水网水资源联合优化调度方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314554A (zh) * 2011-08-08 2012-01-11 大唐软件技术股份有限公司 一种基于陆气耦合的小流域洪水预报方法及系统
CN107274031A (zh) * 2017-06-29 2017-10-20 华中科技大学 一种耦合神经网络和分布式vic模型的水文预报方法及系统
CN108018823A (zh) * 2017-12-15 2018-05-11 河海大学 基于瞬时单位线的流域地下水平均响应时间估计方法
US20190227194A1 (en) * 2015-12-15 2019-07-25 Wuhan University System and method for forecasting floods
CN111260111A (zh) * 2020-01-08 2020-06-09 中国科学院上海技术物理研究所苏州研究院 基于气象大数据的径流预报改进方法
CN111311026A (zh) * 2020-03-19 2020-06-19 中国地质大学（武汉） 一种顾及数据特征、模型和校正的径流非线性预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102314554A (zh) * 2011-08-08 2012-01-11 大唐软件技术股份有限公司 一种基于陆气耦合的小流域洪水预报方法及系统
US20190227194A1 (en) * 2015-12-15 2019-07-25 Wuhan University System and method for forecasting floods
CN107274031A (zh) * 2017-06-29 2017-10-20 华中科技大学 一种耦合神经网络和分布式vic模型的水文预报方法及系统
CN108018823A (zh) * 2017-12-15 2018-05-11 河海大学 基于瞬时单位线的流域地下水平均响应时间估计方法
CN111260111A (zh) * 2020-01-08 2020-06-09 中国科学院上海技术物理研究所苏州研究院 基于气象大数据的径流预报改进方法
CN111311026A (zh) * 2020-03-19 2020-06-19 中国地质大学（武汉） 一种顾及数据特征、模型和校正的径流非线性预测方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN113807545A (zh) * 2021-09-09 2021-12-17 浙江大学 一种基于深度学习和物理模型的河湖生态流量预报预警方法

Also Published As

Publication number Publication date
WO2022110582A1 (zh) 2022-06-02

Similar Documents

Publication Publication Date Title
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
CN113379109B (zh) 一种基于预测模型自适应的径流预报方法
CN102183621B (zh) 水产养殖溶解氧浓度在线预测方法及系统
CN108876021B (zh) 一种中长期径流预报方法及系统
CN111310968A (zh) 一种基于互信息的lstm神经网络循环水文预报方法
CN110110912B (zh) 一种光伏功率多模型区间预测方法
CN111210093B (zh) 基于大数据的日用水量预测方法
CN109472403B (zh) 一种集合经验模态分解及遥相关的中长期径流预报方法
CN106600037B (zh) 一种基于主成分分析的多参量辅助负荷预测方法
CN104573876A (zh) 基于时序长记忆模型的风电场短期风速预测方法
CN111814407B (zh) 一种基于大数据和深度学习的洪水预报方法
CN111079086B (zh) 一种基于多元联合分布的水资源系统多重风险评估方法
CN115759445A (zh) 一种基于机器学习和云模型的分类洪水随机预报方法
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
CN108595814B (zh) 一种基于实测的多年降水数据模拟逐日降水量的方法
CN114692981A (zh) 基于Seq2Seq模型的中长期径流预报方法和系统
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
CN114266416A (zh) 基于相似日的光伏发电功率短期预测方法、装置及存储介质
Wang et al. A statistical hydrological model for Yangtze river watershed based on stepwise cluster analysis
CN113723871B (zh) 一种基于多源信息的现状洪水一致性处理方法及系统
CN112287299B (zh) 河流健康变化定量归因方法、装置及系统
CN110322063B (zh) 一种耗电功率仿真预测方法及存储介质
Dilini et al. Effective water management in the mahaweli reservoir system: Analyzing the inflow of the upmost reservoir
CN112765141A (zh) 基于迁移学习的连续大规模水质缺失数据填补方法
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

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210205

WD01 Invention patent application deemed withdrawn after publication