CN113139684A - 一种流域梯级水库系统月径流预测方法 - Google Patents
一种流域梯级水库系统月径流预测方法 Download PDFInfo
- Publication number
- CN113139684A CN113139684A CN202110434296.8A CN202110434296A CN113139684A CN 113139684 A CN113139684 A CN 113139684A CN 202110434296 A CN202110434296 A CN 202110434296A CN 113139684 A CN113139684 A CN 113139684A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- reservoir
- monthly
- forecast
- prediction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000005259 measurement Methods 0.000 claims description 32
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 2
- 238000012417 linear regression Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 10
- 238000013459 approach Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 5
- 238000010168 coupling process Methods 0.000 description 5
- 238000005859 coupling reaction Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012805 post-processing Methods 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012797 qualification Methods 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
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及流域中长期径流预测领域。技术方案是:一种流域梯级水库系统月径流预测方法,包括以下步骤:S1:获取数据,并根据获取的数据计算CFS格点月降水及流域实测日、月面平均降雨量;S2:拟合不同预见期的流域内CFS格点月降雨量与流域实测月面降雨量的回归关系,将该关系用于CFS预测的校正,得到流域未来9个月的月面降雨量;S3:分析对流域预测月面降雨量进行时空降尺度;S4,构建适用于梯级水库系统的分布式水文模型SWAT;S5:将S3得到的子流域日尺度降雨量预测驱动构建的SWAT模型,对梯级水库系统各个水库的月入库量作出预测。该方法可预测各水库断面的中长期月径流,解决流域梯级水库中长期径流预测的难题。
Description
技术领域
本发明涉及流域中长期径流预测领域,具体涉及一种基于后处理的数值预报产品CFS与SWAT模型耦合的流域梯级水库系统月径流预测方法。
背景技术
复杂梯级水库系统的长期月入库流量预测较难,而它对防汛抗旱、水库调度方案的制定非常重要,因此亟需一种较为准确的预测方法。目前中长期月径流预测主要分为数理统计途径和陆气耦合途径。与基于相关的数理统计途径相比,陆气耦合途径基于降雨量—径流关系,将长期降雨量预测引入水文模型,对长期径流作出预测,其物理机制更为明确,因而更易于从成因的角度提高预测精度。为此,基于陆气耦合途径的月径流预测需要解决两个技术难点:准确预测降雨量和精确模拟径流。
目前较为认可的降雨量预测主要来源于数值天气预报产品,但是大多存在随着预见期增长而精度降低以及降雨量时空分布与水文模型输入不匹配的问题,因此应用长期数值预报产品时,需提高较长预见期降雨量预测的精度以及时空降尺度,即后处理。针对中长期降雨量序列的校正方法众多,主要有均值校正法、分位数回归校正法等,但是这些方法都基于一个尚未验证的“同分布”假设(实测的降雨量序列与模拟预测的降雨量序列服从的概率分布相同)而且校正预测时较少考虑预见期的问题;针对降雨量时空降尺度的方法也较多,但是值得注意的是这些方法尚未充分利用历史观测降雨量的时空分布信息。
目前应用水文模型预测长期径流的研究较多,但是由于梯级水库系统受人为干预调蓄的影响较强且历史观测资料有限,历史长系列的水库天然入库流量很难得到,这给梯级水库系统水文模型的率定验证带来了很大难度,因此目前应用符合梯级水库系统特征的水文模型预测中长期月径流的研究较少。
发明内容
本发明的目的是克服上述背景技术的不足,提供一种流域梯级水库系统月径流预测方法,采用该方法可预测各水库断面的中长期月径流,从而解决流域梯级水库中长期径流预测的难题,提高预测的准确度。
本发明所采取的技术方案为:一种流域梯级水库系统月径流预测方法,包括以下步骤:
S1:数据获取及处理,包括流域内各格点CFSv2的9个月降雨量实时预测及历史预测产品、站点历史实测逐日降雨量资料、各水库断面的历史实测出入库流量;根据获取的数据计算CFS格点月降水及流域实测日、月面平均降雨量;
S2:基于机器学习算法拟合不同预见期的流域内CFS格点月降雨量与流域实测月面降雨量的回归关系,将该关系用于CFS预测的校正,计算得到流域未来9个月的月面降雨量;
S3:借助典型年降雨量相似性分析对流域预测月面降雨量进行时空降尺度,即由流域月面尺度降雨量降为子流域日尺度降雨量;
S4:基于水量平衡原理还原得到各梯级水库的天然入库流量,构建适用于梯级水库系统的分布式水文模型SWAT;
S5:将S3得到的子流域日尺度降雨量预测驱动构建的SWAT模型,对梯级水库系统各个水库的月入库量作出预测。
进一步的,步骤S1的降雨量处理方法为:根据流域内各格点CFSv2的9个月降水实时预测及历史预测产品累加计算各格点的月降雨量,根据站点历史实测逐日降雨量资料采用面平均雨量计算方法确定流域历史实测面月降雨量;
进一步的,步骤S2中,所述机器学习算法为随机森林和人工神经网络两种;采用机器学习算法拟合不同预见期的CFS历史预测月降雨量与实测月降雨量的非线性回归关系的步骤是:分别构建CFS预测的预见期为1个月、2个月、……、9个月的降雨量与实测降雨量的相关关系,将该关系用于校正未来CFS预测的不同预见期的降雨量,从而得到基于两种不同算法的流域降雨量预测结果,取两个模型预测的均值作为最终的流域月面降雨量预测结果。
进一步的,步骤S3具体分为两步:
S301,引入欧式距离度量函数的相似性分析法确定与流域月平均降雨量相似的历史实测典型,即:
无论降雨量预测的预见期为几个月,假设预见期内所有月降雨量组成预报向量,构建预报向量与历史实测各年同月份降雨量向量之间的欧氏距离度量函数,即:
根据最小距离原则min||Di||,选择与预报向量最相似的实测月;
S302,基于水量平衡的典型月同倍比放缩法,对流域面降雨量预测进行子流域日尺度展布,得到子流域日降雨量预测。即,计算预见期内的逐月降雨量预测与典型月降雨量比值,按照该比值,根据水量平衡原理,对典型月各子流域逐日降雨量进行缩放,从而获得SWAT模型所需的各子流域逐日降雨量预测数据:
其中:A为流域面积,Pavg,obs为典型实测月面降雨量,Ai为第i个子流域面积(1≤i≤m),m为子流域总数,Pi,j,obs为第i个子流域第j天降雨量(1≤j≤n),n为典型月总天数,αi,j为第i个子流域第j天降雨量占总降雨量的比重,Pavg,CFS为预报月CFS面降雨量预测,Pi,j,SWAT为第i个子流域第j天降雨量。
进一步的,步骤S4具体分为两步:
S401,基于水量平衡原理还原计算梯级水库系统各水库断面的天然入库流量,所述天然入库流量,是指未经水库调蓄的入库流量,计算公式如下:
设流域梯级水库系统沿干流自上而下有m座水库,即水库数量为m,其中,第1水库位于最上游,其断面的实测流量即为天然入库流量;第2水库位于第1水库下游,其实测入库流量是第1水库的出库流量加上第1至第2水库的区间流量产生的;依次直至,第m水库位于第m-1水库下游,其实测入库流量是第m-1水库的出库流量加上第m-1至第m水库的区间流量产生的;由此,第n水库的天然入库流量的计算公式为:
式中:Q1,还原入库=Q1,实测入库
Q1,还原入库、Q1,实测入库分别为第1水库的天然入库流量、实测入库流量;Qi,实测入库为第i水库的实测入库流量;Qi-1,实测出库为第i-1水库的实测出库流量;Qn,还原入库为第n水库的天然入库流量,n=2,3,…,m;
S402,基于各个水库断面的天然入库流量分别对第1水库断面以上区域、第1水库至第2水库区间、第2水库至第3水库区间、…、第m-1水库至第m水库区间的SWAT模型参数进行率定验证,构建针对梯级水库系统径流模拟的SWAT模型。
与现有技术相比,本发明的有益效果是:通过利用机器学习算法回归拟合不同预见期的CFS降雨量与实测值的关系,基于此关系对CFS进行校正预测得到流域月降雨量,进而借助典型相似性分析对降雨量进行时空降尺度,最终驱动构建的符合梯级水库系统特征的分布式水文模型SWAT,预测得到各水库断面的中长期月径流,可解决流域梯级水库中长期径流预测的难题,本发明的方法不仅避开一些方法校正降雨量预测产品的“同分布”假设,而且针对不同预见期的降雨量预测进行校正,同时充分利用历史降雨量信息以及构建符合梯级水库系统特征的分布式水文模型,可提高预测的准确度。
附图说明
图1是本发明的方法流程图。
图2是本发明实施例的梯级水库系统示意图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
下面结合具体实施例对本发明作进一步的说明。
现有某一流域梯级水库系统(如图2所示),该流域自上而下的三个水库(A、B、C)组成梯级水库系统,流域内现有63个实测雨量站点,而落在流域内或流域附近的全球降雨量预测产品CFS的预测格点共17个,运用SWAT进行流域分布式水文模拟时,流域被划分为58个子流域(图2)。为验证本发明方法的准确度,以起报时间为2016年12月15日的径流预测为例,对A、B、C三个水库断面2017年1月至9月的天然入库流量作出预测。具体步骤如下:
步骤S1:数据获取,包括1)从NCEP官网上获取17个CFS格点的历史及未来降雨量资料,由于径流起报时间为2016年12月15日,首先下载起报时间为2016年12月15日的CFS的未来9个月降雨量预测,即2017年1月至9月的降雨量预测,然后下载历史上有实测降雨量数据且有CFS预测降雨量数据的年份的CFS数据,即起报月份为1982年11月至2016年2月的CFS预测数据(原因是:①CFS数据本身最早起报年份为1982年11月;②考虑到2016年12月的实测月降雨量数据不完整或无法及时更新,可收集的最新实测月降雨量数据只能为2016年11月,其相应的CFS预测数据的起报月份为2016年2月),例如:对于1982年11月,则获取1982年12月至1983年8月的CFS数据,对于2008年1月,则获取2008年2月至10月的CFS数据,对于2016年2月,则获取2016年3月至11月的CFS数据;2)收集流域内63个雨量站1982年12月至2020年11月历史实测日降雨量,直接对63个雨量站的实测日降雨量进行算术平均,计算得到流域面平均日降雨量,并由日降雨量累加为月降雨量,即得流域面平均月降雨量。
步骤S2:分别采用随机森林算法(RF)、人工神经网络(ANN)算法拟合17个CFS格点预测降雨量(X1,X2,……,X17)与相应月份的实测流域面平均月降雨量(Y)的回归关系fRF、fANN,其中,CFS起报月份为1982年11月至2016年2月,每次起报的预见期为1个月,即CFS预测的1982年12月至2016年3月的降雨量。由于两种算法均为复杂的非线性拟合,无法具体写出拟合关系式,此处将其表达为:
YRF=fRF(X1,X2,……X17)
YANN=fANN(X1,X2,……X17)
将回归关系fRF、fANN分别用于17个CFS格点预测的2017年1月降雨量,进而计算得到两种算法预测的2017年1月的流域面平均月降雨量,然后取平均值作为最终预测结果。同理,依次构建预见期为2个月(2017年2月)、3个月(2017年3月)、……、9个月(2017年9月)的回归关系,从而预测得到流域未来2017年2月至9月的面平均降雨量。
本实施例结果显示,经以上步骤预测得到的2017年1月~9月流域面均月降雨量的合格率为66.7%,合格的相对误差的绝对值的平均值为14.3%,相比之下,当采用均值校正法时,合格率仅为33.3%,且合格的相对误差的绝对值的平均值为16.3%,因此,本发明提出的预测方法明显提高了流域中长期月降雨量预测的精度。
步骤S3:S301,引入欧式距离度量函数的相似性分析法确定与步骤S2预测的2017年1月至9月的面平均降雨量最相似的历史实测典型月,即假设2017年1月至9月的月降雨量组成预报向量,构建预报向量与历史实测期(有资料年份至2016年11月)各年同月份降雨量向量之间的欧氏距离度量函数,即:
根据最小距离原则min||Di||,选择与预报向量最相似的实测期的9个月的月降雨量作为相似典型。
S302,由于SWAT模型将流域划分为58个子流域进行分布式水文模拟,因此,运用典型同倍比放缩法,基于水量平衡原理,对流域2017年1月至9月的月降雨量进行子流域、日尺度的时空展布,计算得到58个子流域2017年1月至9月的日降雨量。即,逐月计算步骤S2预测的流域2017年1月至9月的月降雨量与步骤S301得到的历史相似典型月的降雨量比值,然后按照该比值,对历史实测相似典型月的各子流域日降雨量进行缩放,从而获得驱动SWAT模型所需的各子流域逐日降雨量预测。
其中:A为流域面积,Pavg,obs为典型实测月面降雨量,Ai为第i个子流域面积(1≤i≤m),m=58,Pi,j,obs为第i个子流域第j天降雨量(1≤j≤n),n为典型月总天数,αi,j为第i个子流域第j天降雨量占总降雨量的比重,Pavg,CFS为预报月CFS面降雨量预测,Pi,j,SWAT为第i个子流域第j天降雨量。
步骤S4:S401,基于水量平衡原理还原计算梯级水库系统各水库断面的天然入库流量。此处,天然入库流量是指未经水库调蓄的入库流量,根据天然入库流量公式计算确定:
Qn,还原入库=Q1,实测入库+Q2,实测入库-Q1,实测出库+Q3,实测入库-Q2,实测出库+…+Qn,实测入库-Qn-1,实测出库
如图2所示,本实施例中水库数量n=3,因此:
第1水库(A水库)位于流域最上游,其断面的实测流量即为天然入库流量,即:
Q1,还原入库=Q1,实测入库
但是第2水库(B水库)的实测入库流量是经过第1水库调蓄后加上区间流量得到的,第3水库(C水库)的实测入库流量是经过第1水库、第2水库调蓄后加上区间流量得到的,因此运用SWAT模型模拟及预测第2水库、第3水库的天然入库流量时,须分别根据两个断面的历史天然入库流量确定模型参数,即需对第2水库、第3水库的历史实测流量进行还原计算得到天然入库流量;计算公式如下:
Q2,还原入库=Q1,实测入库+Q2,实测入库-Q1,实测出库
Q3,还原入库=Q1,实测入库+Q2,实测入库-Q1,实测出库+Q3,实测入库-Q2,实测出库。
S402,基于步骤S401得到的第1水库断面、第2水库断面、第3个水库断面的历史天然入库流量分别对第1水库断面以上区域、第1水库-第2水库区间、第2水库-第3水库区间的SWAT模型参数进行率定验证,率定期和验证期可根据水库资料年份确定,从而构建针对梯级水库系统径流模拟的SWAT模型。
步骤S5:将步骤S3预测得到的58个子流域2017年1月至9月的日降雨量输入步骤S4构建的SWAT模型,对梯级水库系统第1水库、第2水库、第3水库的2017年1月至9月的月入库径流量作出预测。
本实施例结果显示,与采用CFS原始降水时空分布相比,采用历史相似典型进行降水时空分布后驱动梯级水库系统SWAT模型得到的三个水库2017年1月~9月入库流量预测的合格率分别提高11%、0%、23%,而对于合格相对误差绝对值平均,则分别降低15%、8%、28%。
综上所述,本发明所提出的机器学习算法提高了降雨量预测精度,历史相似典型时空分布法提高了径流预测精度,最终不仅解决了梯级水库系统月径流预测的难题,而且提高了预测的准确度。
名词解释:
合格率是根据《水文情报预报规范(GB/T 22482-2008)》,以多年同期实测变幅的20%作为预报许可误差,若实测值与预测值绝对误差小于许可误差,则预测合格,否则不合格。而合格的相对误差的绝对值的平均值是指对于预测合格的月份,计算其相对误差绝对值的平均值,该值越小,预测精度越高。
数值天气预报产品CFS由美国国家环境预报中心(NCEP)的第二代气候预报系统(CFSv2)免费对外公开发布,该预报产品包括降雨量、气温等85个预报变量,其中降雨量为T126高斯网格格点形式(全球384×190个网格,0.9375°×0.9475°),包括历史预测期在内,CFS产品从1982年11月开始至今,每个月都能够提供相应的未来9个月的降雨量、气温等变量的预测结果。。
SWAT模型是由美国农业部农业研究所(USDA-ARS)开发的一个以日为模拟步长的具有一定物理基础的连续空间分布式水文模型,模型免费对外公开使用,模型的气象输入数据以子流域为单元。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.一种流域梯级水库系统月径流预测方法,包括以下步骤:
S1:数据获取及处理,获取的数据包括流域内各格点CFSv2的9个月降雨实时预测及历史预测产品、站点历史实测逐日降雨资料、各水库断面的历史实测出入库流量;根据获取的数据计算CFS格点月降水及流域实测日、月面平均降雨量;
S2:基于机器学习算法拟合不同预见期的流域内CFS格点月降雨与流域实测月面降雨的回归关系,将该关系用于CFS预测的校正,计算得到流域未来9个月的月面降雨量;
S3:借助典型年降雨相似性分析对流域预测月面降雨进行时空降尺度,即由流域月面尺度降雨降为子流域日尺度降雨量;
S4:基于水量平衡原理还原得到各梯级水库的天然入库流量,构建适用于梯级水库系统的分布式水文模型SWAT;
S5:将S3得到的子流域日尺度降雨预测驱动构建的SWAT模型,对梯级水库系统各个水库的月入库量作出预测。
2.根据权利要求1所述的流域梯级水库系统月径流预测方法,其特征在于:步骤S1的降雨量处理方法为:根据流域内各格点CFSv2的9个月降水实时预测及历史预测产品累加计算各格点的月降雨量,根据站点历史实测逐日降雨资料采用面平均雨量计算方法确定流域历史实测面月降雨量。
3.根据权利要求2所述的流域梯级水库系统月径流预测方法,其特征在于:步骤S2,所述机器学习算法为随机森林和人工神经网络两种机器;采用学习算法拟合不同预见期的CFS历史预测月降雨量与实测月降雨量的非线性回归关系的步骤是:分别构建CFS预测的预见期为1个月、2个月、……、9个月的降雨量与实测降雨的相关关系,将该关系用于校正未来CFS预测的不同预见期的降雨量,从而得到基于两种不同算法的流域降雨量预测结果,取两个模型预测的均值作为最终的流域月面降雨量预测结果。
4.根据权利要求3所述的流域梯级水库系统月径流预测方法,其特征在于:步骤S3具体分为两步:
S301,引入欧式距离度量函数的相似性分析法确定与流域月平均降雨相似的历史实测典型,即:
无论降雨量预测的预见期为几个月,假设预见期内所有月降雨量组成预报向量,构建预报向量与历史实测各年同月份降雨量向量之间的欧氏距离度量函数,即:
根据最小距离原则min||Di||,选择与预报向量最相似的实测月;
S302,基于水量平衡的典型月同倍比放缩法,对流域面降雨预测进行子流域日尺度展布,得到子流域日降雨量预测。即,计算预见期内的逐月降雨量预测与典型月降雨量比值,按照该比值,根据水量平衡原理,对典型月各子流域逐日降雨量进行缩放,从而获得SWAT模型所需的各子流域逐日降雨量预测数据:
其中:A为流域面积;Pavg,obs为典型实测月面降雨量;Ai为第i个子流域面积,(1≤i≤m,m为子流域总数;Pi,j,obs为第i个子流域第j天降雨量,(1≤j≤n,n为典型月总天数;αi,j为第i个子流域第j天降雨量占总降雨量的比重;Pavg,CFS为预报月CFS面降雨量预测;Pi,j,SWAT为第i个子流域第j天降雨量。
5.根据权利要求4所述的流域梯级水库系统月径流预测方法,其特征在于:步骤S4具体分为两步:
S401,基于水量平衡原理还原计算梯级水库系统各水库断面的天然入库流量;所述天然入库流量,是指未经水库调蓄的入库流量;因此,第n水库的天然入库流量的计算公式为:
式中:Q1,还原入库=Q1,实测入库
Q1,还原入库、Q1,实测入库分别为第1水库的天然入库流量、实测入库流量;Qi,实测入库为第i水库的实测入库流量;Qi-1,实测出库为第i-1水库的实测出库流量;Qn,还原入库为第n水库的天然入库流量,n=2,3,…,m;
S402,基于各个水库断面的天然入库流量分别对第1水库断面以上区域、第1水库至第2水库区间、第2水库至第3水库区间、…、第m-1水库至第m水库区间的SWAT模型参数进行率定验证,构建针对梯级水库系统径流模拟的SWAT模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434296.8A CN113139684A (zh) | 2021-04-22 | 2021-04-22 | 一种流域梯级水库系统月径流预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110434296.8A CN113139684A (zh) | 2021-04-22 | 2021-04-22 | 一种流域梯级水库系统月径流预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113139684A true CN113139684A (zh) | 2021-07-20 |
Family
ID=76813249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110434296.8A Pending CN113139684A (zh) | 2021-04-22 | 2021-04-22 | 一种流域梯级水库系统月径流预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113139684A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548511A (zh) * | 2022-01-18 | 2022-05-27 | 广西电网有限责任公司 | 一种低水头水电站群下游水库日平均入库流量的预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711617A (zh) * | 2018-12-25 | 2019-05-03 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
CN110598290A (zh) * | 2019-08-30 | 2019-12-20 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
-
2021
- 2021-04-22 CN CN202110434296.8A patent/CN113139684A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109711617A (zh) * | 2018-12-25 | 2019-05-03 | 河海大学 | 一种基于blstm深度学习的中长期径流预测方法 |
CN110598290A (zh) * | 2019-08-30 | 2019-12-20 | 华中科技大学 | 考虑气候变化的流域未来水电发电能力预测方法和系统 |
Non-Patent Citations (2)
Title |
---|
刘甜: "基于CFS的汉江上游梯级水库系统月入库径流预测", 《水电能源科学》 * |
陈瑜彬: "基于水量平衡的月水资源量长期预测方案探讨", 《人民长江》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114548511A (zh) * | 2022-01-18 | 2022-05-27 | 广西电网有限责任公司 | 一种低水头水电站群下游水库日平均入库流量的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN111260111B (zh) | 基于气象大数据的径流预报改进方法 | |
CN113919231B (zh) | 基于时空图神经网络的pm2.5浓度时空变化预测方法及系统 | |
CN110110912B (zh) | 一种光伏功率多模型区间预测方法 | |
CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
Wu et al. | Real-time correction of water stage forecast during rainstorm events using combination of forecast errors | |
Agal’Tseva et al. | Estimating hydrological characteristics in the Amu Darya River basin under climate change conditions | |
CN114723188A (zh) | 水质预测方法、装置、计算机设备和存储介质 | |
CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
CN113779113B (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统 | |
Lim | An estimation model of fine dust concentration using meteorological environment data and machine learning | |
CN113139684A (zh) | 一种流域梯级水库系统月径流预测方法 | |
Choi et al. | Performance evaluation of deep learning architectures for load and temperature forecasting under dataset size constraints and seasonality | |
CN115186907A (zh) | 风电场中长期发电量的预测方法、系统、设备及介质 | |
CN114357737A (zh) | 针对大尺度水文模型时变参数的代理优化率定方法 | |
KR20150089186A (ko) | 열대 저기압의 강풍과 폭우 지수를 이용한 인명 및 재산피해 규모 추정 방법, 시스템, 및 프로그램 | |
Teja et al. | Enhancing the predictability of flood forecasts by combining Numerical Weather Prediction ensembles with multiple hydrological models | |
CN112465266A (zh) | 一种母线负荷预测准确率分析方法、装置及计算机设备 | |
CN117526274A (zh) | 极端气候下新能源功率预测方法、电子设备和存储介质 | |
CN106355264A (zh) | 一种参考作物腾发量组合预测方法 | |
CN111428421A (zh) | 一种物理机制引导深度学习的降雨径流模拟方法 | |
CN116341753A (zh) | 一种使用机器学习对区域二氧化碳排放预测的方法 |
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: 20210720 |
|
WD01 | Invention patent application deemed withdrawn after publication |