CN113435646B - 基于年降雨长期预报方法的矿区生态需水量计算方法 - Google Patents
基于年降雨长期预报方法的矿区生态需水量计算方法 Download PDFInfo
- Publication number
- CN113435646B CN113435646B CN202110708998.0A CN202110708998A CN113435646B CN 113435646 B CN113435646 B CN 113435646B CN 202110708998 A CN202110708998 A CN 202110708998A CN 113435646 B CN113435646 B CN 113435646B
- Authority
- CN
- China
- Prior art keywords
- year
- forecast
- forecasting
- neural network
- wolf
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 88
- 230000007774 longterm Effects 0.000 title claims abstract description 16
- 238000013277 forecasting method Methods 0.000 title claims abstract description 9
- 238000005065 mining Methods 0.000 title claims description 29
- 238000004364 calculation method Methods 0.000 title abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 50
- 241000282461 Canis lupus Species 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 4
- 241000013757 Ranina Species 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 description 7
- 238000011002 quantification Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 241001147141 Rapana Species 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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—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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Environmental & Geological Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Biodiversity & Conservation Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Atmospheric Sciences (AREA)
- Operations Research (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于年降雨长期预报方法的矿区生态需水量计算方法,本发明先获取预报因子,该预报因子包括天文尺度因子、全球循环尺度因子和流域因子,并对该预报因子进行定量化处理,然后建立预报神经网络也即多层前馈神经网络,通过预报因子和历史降雨量对该预报神经网络进行训练,最后通过训练好的预报神经网络确定所述矿区的生态需水量,通过本方案,能够提高年降雨预报的准确性,从而精确地在预测年进行生态需水量的计算。
Description
技术领域
本发明属于生态需水量计算技术领域,具体涉及基于年降雨长期预报方法的矿区生态需水量计算方法。
背景技术
年降雨长期预报是一种对于未来全年降雨的预报,其对于区域内生态需水量确定以及区域内水资源调配或汛期防汛、农作物指导等具有重要意义。
现有技术中一方面关于年降雨的长期预报的物理机制不明确,预报因子受到时间尺度和空间尺度限制,且预报因子的选择缺乏科学论证,预报结果的可靠度和精度不能满足工程实际的需要,另一方面关于年降雨的长期预报采用大气环流指数、厄尔尼诺数、高空气压场和降水气温等1431个因子,选用因子较多,且难以有效获得。
因此,如何提高年降雨长期预报的准确度从而精准的确定出矿区生态需水量,是本领域技术人员有待解决的技术问题。
发明内容
本发明的目的是为了提高年降雨长期预报的准确度从而精准的确定出矿区生态需水量,提出了一种基于年降雨长期预报方法的矿区生态需水量计算方法。
本发明的技术方案为:基于年降雨长期预报方法的矿区生态需水量计算方法,包括以下步骤:
S1、获取预报因子,所述预报因子包括天文尺度因子、全球循环尺度因子和流域尺度因子;
S2、建立预报神经网络,并通过所述预报因子和所述历史降雨量对所述预报神经网络进行训练;
S3、基于训练好的所述预报神经网络确定出所述矿区的生态需水量。
进一步地,所述天文尺度因子具体为太阳黑子相对数、月球赤纬角和二十四节气阴历日期,所述全球循环尺度因子具体为拉马德雷、厄尔尼诺和拉尼娜,所述流域尺度因子具体为秋季降雨量,其中,获取所述预报因子时对所述预报因子进行定量化处理,所述定量化处理具体为将所述拉马德雷的暖位相、所述拉马德雷的冷位相、所述厄尔尼诺、所述拉尼娜和所述天文尺度因子进行赋值。
进一步地,所述预报神经网络具体为多层前馈神经网络。
进一步地,所述步骤S2具体包括以下分步骤:
S21、建立所述预报神经网络;
S22、初始化所述预报神经网络;
S23、将所述预报因子和所述历史降雨量作为所述预报神经网络的输入,同时运用灰狼算法对所述预报神经网络进行优化,从而完成训练。
进一步地,所述通过灰狼算法对所述预报神经网络进行优化具体为:通过所述灰狼算法优化所述预报神经网络从而得到所述预报神经网络的最优参数。
进一步地,所述步骤S3具体包括以下分步骤:
S31、获取所述矿区预测年的预测预报因子;
S32、将所述预测预报因子输入所述预报神经网络得到所述预测年的所述年降雨预报信息;
S33、基于所述年降雨预报信息确定出所述矿区生态需水量。
进一步地,所述步骤S33具体包括以下分步骤:
S331、根据所述年降雨预报信息确定所述矿区在所述预测年的年预报信息,所述年预报信息具体为特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年和特枯水年;
S332、根据所述年预报信息确定所述矿区在所述预测年的生态需水量。
进一步地,所述步骤S332具体通过如下公式确定出所述预测年的生态需水量:
式中,Ti为预测年的生态需水量,为所述预测年前的预设年数平均生态需水量的均值,i为预测年的年预报信息,其中,i为1时表示预测年为特丰水年,i为2时表示预测年为丰水年,i为3时表示预测年为偏丰水年,i为4时表示预测年为平水年,i为5时表示预测年为偏枯水年,i为6时表示预测年为枯水年,i为7时表示预测年为特枯水年,α1为特丰水年的比例因子,具体是1.4,α2为丰水年的比例因子,具体是1.2,α3为偏丰水年的比例因子,具体是1.1,α4为平水年的比例因子,具体是1,α5为偏枯水年的比例因子,具体是0.9,α6为枯水年的比例因子,具体是0.8,α7为特枯水年的比例因子,具体是0.6。
与现有技术相比,本发明具备如下有益效果:
(1)本发明先获取预报因子,该预报因子包括天文尺度因子、全球循环尺度因子和流域因子,并对该预报因子进行定量化处理,然后根据矿区历史降雨量建立预报神经网络,通过预报因子和历史降雨量对该预报神经网络进行训练,最后通过训练好的预报神经网络确定所述矿区的生态需水量,通过本方案,能够提高年降雨预报的准确性,从而精确地在预测年进行生态需水量的计算。
(2)本发明中用于年降雨预报的预报神经网络中的预报因子,是使用了天文尺度因子、全球循环尺度因子和流域因子,其中天文尺度因子具体为太阳黑子数和月球赤纬角,全球循环尺度因子具体为24节气,流域尺度因子为拉马德雷、厄尔尼诺和拉尼娜,通过本申请中预报因子并将预报神经网络进行训练后,其预测精度大大增加。
附图说明
图1所示为本发明实施例提供的基于年降雨长期预报方法的矿区生态需水量计算方法的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种基于年降雨长期预报方法的矿区生态需水量计算方法,如图1所示,该方法包括以下步骤:
步骤S1、获取预报因子,所述预报因子包括天文尺度因子、全球循环尺度因子和流域尺度因子。
步骤S2、建立预报神经网络,并通过所述预报因子和所述历史降雨量对所述预报神经网络进行训练。
在本申请实施例中,所述天文尺度因子具体为太阳黑子相对数、月球赤纬角和二十四节气阴历日期,所述全球循环尺度因子具体为拉马德雷、厄尔尼诺和拉尼娜,所述流域尺度因子具体为秋季降雨量,其中,获取所述预报因子时对所述预报因子进行定量化处理,所述定量化处理具体为将所述拉马德雷的暖位相、所述拉马德雷的冷位相、所述厄尔尼诺、所述拉尼娜和所述天文尺度因子进行赋值。
具体的,获取所述预报因子时对所述预报因子进行定量化处理,所述预报神经网络具体为多层前馈神经网络,其中,天文尺度因子具体包括太阳黑子和月球赤纬角,全球循环尺度因子包括24节气,流域尺度因子包括拉马德雷、厄尔尼诺和拉尼娜。
其中,太阳黑子包括太阳黑子相对数的值,太阳黑子所在单双周,单周为1,双周为0,而月球赤纬角是将每年的月球赤纬角最大值作为预报因子,24节气则是将每年24节气的日期作为预报因子,流域因子通过数字化进行表征,拉马德雷若为冷位相,则为-1,拉马德雷若为暖位相,则为+1,若为厄尔尼诺年,则为+1,若为拉尼娜年,则为-1。
在本申请实施例中,所述步骤S2具体包括以下分步骤:
S21、建立所述预报神经网络;
S22、初始化所述预报神经网络;
S23、将所述预报因子和所述历史降雨量作为所述预报神经网络的输入,同时运用灰狼算法对所述预报神经网络进行优化,从而完成训练。
灰狼算法优化预报神经网络的步骤如下:
(1)初始化神经网络结构:以三层神经网络为网络结构,输入层神经元个数n1、隐含层神经元个数n2、输出层为1,其中n2=2×n1+1;在[-0.5,0.5]区间随机初始化初始权值和阈值;
(2)初始化狼群个体:确定人工狼的上下限(ub,lb),种群规模N,最大迭代次数Imax,基于参数个数确定狼群向量的维度n,基于狼群个体的适应度确定头狼、探狼、猛狼个体。
(3)狼群个体进化:经过探狼游走、猛狼奔袭行为、狼群围攻行为、狼群更新行为不断更新狼群个体的位置,不断更新最优的头狼个体,使得狼群个体向最优化方向进化,即适应度最优的方向进化。
(4)迭代终止检验:若满足迭代次数最大或迭代终止条件,则停止迭代,否则不断重复步骤3,直到寻找到最优的参数向量个体。
将预报因子作为预报神经网络的输入,通过灰狼算法选定最优参数值,参数值包括:输入层与隐含层间的连接权值W1、隐含层与输出层间的连接权值W2、隐含层节点的阈值B1、输出层节点的阈值B2,如下式所示:
式中,n-为序列的长度,m-为预报因子的个数,μmn为预报因子,vn为待预报值。
为了提高预报神经网络的训练速度,需要将训练的输入和输出数据进行处理,本申请采用的处理方法是在输入模型前对数据进行归一化处理,在模型给出输出数据后对其进行反归一化处理,以获得真实的输出值。
1)[0,1]区间内的归一化处理
所采用的的函数映射如下式所示:
其中,μij,μ′ij∈Rn,μjmin=min(μj),μjmax=max(μj),i=1,2,...,n;j=1,2,...,m。归一化的效果是原始数据转化为[0,1]范围内的数值。
2)[-1,1]区间内的归一化处理
所采用的的函数映射如下式所示:
其中,μij,μ′ij∈Rn,μjmin=min(μj),μjmax=max(μj),i=1,2,...,n;j=1,2,...,m,归一化的效果是原始数据转化为[-1,1]范围内的数值,μ′ij为归一化后的数据,μij为数据矩阵元素,μjmin为第j列的最小值,μjmax为第j列的最大值。。
Matlab的内置函数mapminmax(·)可以实现上述归一化,将训练集和测试集放在一起归一化,每一维度大的最大值和最小值从训练集和测试集中确定。
步骤S3、基于训练好的所述预报神经网络确定出所述矿区的生态需水量。
在本申请实施例中,所述步骤S3具体包括以下分步骤:
S31、获取所述矿区预测年的预测预报因子;
S32、将所述预测预报因子输入所述预报神经网络得到所述预测年的所述年降雨预报信息;
S33、基于所述年降雨预报信息确定出所述矿区生态需水量。
在本申请实施例中,所述步骤S33具体包括以下分步骤:
S331、根据所述年降雨预报信息确定所述矿区在所述预测年的年预报信息,所述年预报信息具体为特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年和特枯水年;
S332、根据所述年预报信息确定所述矿区在所述预测年的生态需水量。
具体的,可通过空间环境预报中心的太阳活动周预报产品获取预测年的太阳黑子相对数,通过天文计算工具包确定出预测年的月球赤纬角,通过《天文年历》确定出预测年的24节气阴历日期,然后将预报因子输入至预报神经网络中得到预测年的年降雨预报,年预报信息可根据如下表1的降雨分型特征进行确定:
表1
基于上述,矿区在预测年的生态需水量可如下式所示:
式中,Ti为预测年的生态需水量,为所述预测年前的预设年数平均生态需水量的均值,i为预测年的年预报信息,其中,i为1时表示预测年为特丰水年,i为2时表示预测年为丰水年,i为3时表示预测年为偏丰水年,i为4时表示预测年为平水年,i为5时表示预测年为偏枯水年,i为6时表示预测年为枯水年,i为7时表示预测年为特枯水年,α1为特丰水年的比例因子,具体是1.4,α2为丰水年的比例因子,具体是1.2,α3为偏丰水年的比例因子,具体是1.1,α4为平水年的比例因子,具体是1,α5为偏枯水年的比例因子,具体是0.9,α6为枯水年的比例因子,具体是0.8,α7为特枯水年的比例因子,具体是0.6。
本领域的普通技术人员将会意识到,这里所述的实施例是为了帮助读者理解本发明的原理,应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合,这些变形和组合仍然在本发明的保护范围内。
Claims (3)
1.基于年降雨长期预报方法的矿区生态需水量计算方法,其特征在于,所述方法包括以下步骤:
S1、获取预报因子,所述预报因子包括天文尺度因子、全球循环尺度因子和流域尺度因子;
S2、建立预报神经网络,并通过所述预报因子和历史降雨量对所述预报神经网络进行训练;
所述步骤S2具体包括以下分步骤:
S21、建立所述预报神经网络;
S22、初始化所述预报神经网络;
S23、将所述预报因子和所述历史降雨量作为所述预报神经网络的输入,同时运用灰狼算法对所述预报神经网络进行优化,从而完成训练;
所述通过灰狼算法对所述预报神经网络进行优化具体为:通过所述灰狼算法优化所述预报神经网络从而得到所述预报神经网络的最优参数;
灰狼算法优化预报神经网络的步骤如下:
A1、初始化神经网络结构:以三层神经网络为网络结构,输入层神经元个数n1、隐含层神经元个数n2、输出层为1,其中n2=2×n1+1;在[-0.5,0.5]区间随机初始化初始权值和阈值;
A2、初始化狼群个体:确定人工狼的上下限(ub,lb),种群规模N,最大迭代次数Imax,基于参数个数确定狼群向量的维度n,基于狼群个体的适应度确定头狼、探狼、猛狼个体;
A3、狼群个体进化:经过探狼游走、猛狼奔袭行为、狼群围攻行为、狼群更新行为不断更新狼群个体的位置,不断更新最优的头狼个体;
A4、迭代终止检验:若满足迭代次数最大或迭代终止条件,则停止迭代,否则不断重复步骤A3,直到寻找到最优的参数向量个体;
将预报因子作为预报神经网络的输入,通过灰狼算法选定最优参数值,参数值包括:输入层与隐含层间的连接权值W1、隐含层与输出层间的连接权值W2、隐含层节点的阈值B1、输出层节点的阈值B2,如下式所示:
式中,n-为序列的长度,m-为预报因子的个数,μnm为预报因子,vn为待预报值;
S3、基于训练好的所述预报神经网络确定出所述矿区的生态需水量;
其中,所述步骤S3具体包括以下分步骤:
S31、获取所述矿区预测年的预测预报因子;
S32、将所述预测预报因子输入所述预报神经网络得到所述预测年的所述年降雨预报信息;
S33、基于所述年降雨预报信息确定出所述矿区生态需水量;
其中,所述步骤S33具体包括以下分步骤:
S331、根据所述年降雨预报信息确定所述矿区在所述预测年的年预报信息,所述年预报信息具体为特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年和特枯水年;
S332、根据所述年预报信息确定所述矿区在所述预测年的生态需水量;
其中,所述步骤S332具体通过如下公式确定出所述预测年的生态需水量:
2.如权利要求1所述的基于年降雨长期预报方法的矿区生态需水量计算方法,其特征在于,所述天文尺度因子具体为太阳黑子相对数、月球赤纬角和二十四节气阴历日期,所述全球循环尺度因子具体为拉马德雷、厄尔尼诺和拉尼娜,所述流域尺度因子具体为秋季降雨量,其中,获取所述预报因子时对所述预报因子进行定量化处理,所述定量化处理具体为将所述拉马德雷的暖位相、所述拉马德雷的冷位相、所述厄尔尼诺、所述拉尼娜和所述天文尺度因子进行赋值。
3.如权利要求1所述的基于年降雨长期预报方法的矿区生态需水量计算方法,其特征在于,所述预报神经网络具体为多层前馈神经网络。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708998.0A CN113435646B (zh) | 2021-06-25 | 2021-06-25 | 基于年降雨长期预报方法的矿区生态需水量计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110708998.0A CN113435646B (zh) | 2021-06-25 | 2021-06-25 | 基于年降雨长期预报方法的矿区生态需水量计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113435646A CN113435646A (zh) | 2021-09-24 |
CN113435646B true CN113435646B (zh) | 2022-09-02 |
Family
ID=77754312
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110708998.0A Active CN113435646B (zh) | 2021-06-25 | 2021-06-25 | 基于年降雨长期预报方法的矿区生态需水量计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113435646B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
CN110390428A (zh) * | 2019-07-15 | 2019-10-29 | 国家电网有限公司 | 一种水库来水特丰水年超长期预测方法 |
CN112733997A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于woa-lstm-mc的水文时间序列预测优化方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019028269A2 (en) * | 2017-08-02 | 2019-02-07 | Strong Force Iot Portfolio 2016, Llc | METHODS AND SYSTEMS FOR DETECTION IN AN INDUSTRIAL ENVIRONMENT OF COLLECTING INTERNET DATA FROM OBJECTS WITH LARGE DATA SETS |
CN108647425B (zh) * | 2018-05-07 | 2019-05-21 | 中国水利水电科学研究院 | 基于粒子群优化的K-means径流丰枯年份预报方法 |
CN110619432B (zh) * | 2019-09-17 | 2022-08-30 | 长江水利委员会水文局 | 一种基于深度学习的特征提取水文预报的方法 |
CN110598352B (zh) * | 2019-09-24 | 2021-04-06 | 中国水利水电科学研究院 | 一种流域来水的预报方法 |
CN110852477B (zh) * | 2019-10-08 | 2022-09-27 | 华中科技大学 | 一种基于系统动力学的生产需水预测方法 |
CN111665575B (zh) * | 2020-05-27 | 2021-01-05 | 长江水利委员会水文局 | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 |
CN112163703B (zh) * | 2020-09-25 | 2024-02-02 | 中国水利水电科学研究院 | 考虑气象因子不确定性的农田参考作物蒸散量预测方法 |
-
2021
- 2021-06-25 CN CN202110708998.0A patent/CN113435646B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830423A (zh) * | 2018-06-21 | 2018-11-16 | 中国水利水电科学研究院 | 一种基于预报域的年径流预测方法 |
CN110390428A (zh) * | 2019-07-15 | 2019-10-29 | 国家电网有限公司 | 一种水库来水特丰水年超长期预测方法 |
CN112733997A (zh) * | 2021-01-14 | 2021-04-30 | 河海大学 | 基于woa-lstm-mc的水文时间序列预测优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113435646A (zh) | 2021-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Development of an ANN-based building energy model for information-poor buildings using transfer learning | |
CN101383023B (zh) | 基于样本动态组织与温度补偿的神经网络短期电力负荷预测 | |
Murray et al. | Multi-variable optimization of thermal energy efficiency retrofitting of buildings using static modelling and genetic algorithms–A case study | |
Landeras et al. | Comparison of Gene Expression Programming with neuro-fuzzy and neural network computing techniques in estimating daily incoming solar radiation in the Basque Country (Northern Spain) | |
CN105139093B (zh) | 基于Boosting算法和支持向量机的洪水预报方法 | |
CN111260126B (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN105913151A (zh) | 基于自适应变异粒子群与bp网络光伏电站发电量预测方法 | |
CN110322009A (zh) | 基于多层卷积长短时记忆神经网络的图像预测方法 | |
Bienvenido-Huertas et al. | Influence of the Representative Concentration Pathways (RCP) scenarios on the bioclimatic design strategies of the built environment | |
CN104951847A (zh) | 一种基于核主成分分析和基因表达式编程的降水预报方法 | |
CN109345027A (zh) | 基于独立成分分析与支持向量机的微电网短期负荷预测方法 | |
CN110942205A (zh) | 一种基于himvo-svm的短期光伏发电功率预测方法 | |
CN104598765A (zh) | 一种基于弹性自适应神经网络的建筑物能耗预测方法 | |
CN105678397A (zh) | 一种基于改进EMD算法及Elman算法的短期光伏功率预测方法 | |
CN115471016B (zh) | 一种基于cisso与daed的台风预测方法 | |
CN106446440A (zh) | 基于在线贯序极限学习机的短期光伏发电功率预测方法 | |
CN111242355A (zh) | 一种基于贝叶斯神经网络的光伏概率预测方法及系统 | |
CN109615147A (zh) | 一种未来72小时大气污染预报预警方法 | |
CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
CN117421566A (zh) | 基于IMRFO-StemGNN光伏发电功率预测方法 | |
CN113435646B (zh) | 基于年降雨长期预报方法的矿区生态需水量计算方法 | |
CN116826699A (zh) | 光伏集群功率预测方法、装置、设备及介质 | |
CN112149349A (zh) | 一种基于深层神经网络的台风路径预报方法 | |
CN116681154A (zh) | 一种基于emd-ao-delm的光伏功率计算方法 | |
Ayoub | Contrasting accuracies of single and ensemble models for predicting solar and thermal performances of traditional vaulted roofs |
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 |