CN114862073B - 一种气陆库水四维耦合的中长期径流预报方法 - Google Patents
一种气陆库水四维耦合的中长期径流预报方法 Download PDFInfo
- Publication number
- CN114862073B CN114862073B CN202210797117.1A CN202210797117A CN114862073B CN 114862073 B CN114862073 B CN 114862073B CN 202210797117 A CN202210797117 A CN 202210797117A CN 114862073 B CN114862073 B CN 114862073B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- water
- model
- forecasting
- flow
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Abstract
本发明提供了一种气陆库水四维耦合的中长期径流预报方法,分别建立基于气候模式、串联两参数水量平衡模型、蓄量差值模型、来水合成模型的流域气‑陆‑库‑水计算方案;分别建立气陆、陆库、库水耦合器,通过智能校正、状态判断机、均匀分配等方法,将气候模式格点输出转化为两参数模型的分区输入,将两参数模型流量输出转为水库模型的水位输入,将水库模型的蓄水输出转为来水模型的影响流量输入;利用耦合器将模型耦合,建立中长期径流耦合预报模型,得到实际流量预报值。本发明能够实现旬‑月‑季尺度径流预报,考虑了水库调蓄对径流预报的影响,较常用的方法具有较高的精度,且能够保证水量的平衡。
Description
技术领域
本发明涉及流域中长期径流预报技术领域,尤其涉及一种气陆库水四维耦合的中长期径流预报方法。
背景技术
中长期径流预报是实现水资源合理分配和高效利用的重要技术手段,传统中长期水文预报方法一般是根据河川径流变化具有连续性、周期性、地区性和随机性等特征有针对性地开展统计方法研究,由于水文过程是一种复杂的高度非线性过程,现代一些新的可以描述非线性信息的人工智能方法陆续被引入水文长期预报领域中,如深度学习、大数据挖掘分析等。但上述方法主要是利用气候因子、历史径流等作为输入直接推算某个断面未来时段的径流状况,缺少明确的物理机制,有时难以解释水文气象耦合不匹配的问题,如日常作业中往往面对流域降雨预报偏多,但流量预报偏少的矛盾问题。同时采用上述方法进行单一断面时的预报效果尚可,但若利用其进行流域内多个断面的径流预报时,往往会出现水量不平衡的问题,如可能出现多个子流域出口径流预测偏少,但最终出口流域径流预测偏多的问题。此外,传统的中长期径流预测对水库调蓄的影响考虑较少,即使有考虑也仅是简单的将其分为汛期的汛限水位和非汛期正常蓄水位,然而实际水库调度运行要远比此复杂。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了一种气陆库水四维耦合的中长期径流预报方法。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了一种气陆库水四维耦合的中长期径流预报方法,包括以下步骤:
S1、预报对象建立:选择需要预报的预报断面和预报时间,以所述预报断面为出口建立闭合流域;
S2、水文气象数据收集:收集相应的气候模式历史预报资料、气候因子资料、水雨工情实测资料;
S3、建立大气、陆面、水库、来水计算模型;大气模型采用气候数值模式输出产品,陆面模型采用两参数串联水量平衡模型,水库模型采用蓄量差值模型,来水模型采用来水合成模型;
S4、建立气-陆耦合器:通过分区值转化、高相关因子集选取、智能订正,将所述大气模型输出的格点雨量和气温数据转化为所述陆面模型所需的输入数据,实现气候数值模式与两参数串联水量平衡模型的耦合;
S5、建立陆-库耦合器:构建限制水位知识规则库和来水状态判断机,将陆面模型计算的流量转化为水库模型需要的水位差值,实现所述陆面模型与所述水库模型的耦合;
S6、建立库-水耦合器:通过空间拓扑关系和时间均匀分配,将所述水库模型输出的水库蓄水量差值转为所述来水模型需要的影响流量,实现所述水库模型与所述来水模型的耦合;
S7、气-陆-库-水四维耦合预报:综合所述S3、S4、S5和S6,得到中长期径流耦合预报模型,收集预报时段的气候模式资料以及相应的气候因子数据,将数据输入耦合模型得到实际入库流量预报值。
进一步,所述S1中,选择需要预报的预报断面,确定预报起始日期和结束日期,按流域内水库节点、水系特征和预报对象将大流域划分为子流域。
进一步,所述S3中的具体步骤为:
S32、所述陆面模型中基于水量平衡原理,建立各子流域和大流域的两参数串联水量平衡模型,通过输入分区雨量和气温信息计算各流域出口断面天然流量,为保证子流域与大流域间流量的平衡,引入权重项,构建所述两参数串联水量平衡模型,串联方式为:
S33、所述水库模型采用蓄量差值方法,需要输入时段初和时段末的水库水位,依据水库蓄水位差值信息,利用水库库容曲线计算水库蓄量差值:
S34、来水模型采用来水合成方法,通过天然来水减去上游水库对下游断面的影响流量,得到断面的实际流量:
进一步,所述S4的具体步骤为:
S43、分区值校正:构建基于深度学习算法的订正模型C,所述订正模型C为三层的全连接神经网络模型,以双曲正切函数Tanh为激活函数,以Sigmoid函数为输出层函数,采用有监督的BP网络结构,模型表达式如下:
进一步,所述S5的具体步骤为:
S51、将流域水库进行分类,一类为在建水库,另一类为已运行水库,其中,所述在建水库对应蓄水计划,所述已运行水库对应调度规程及往年运行情况;
S52、划分时段为汛期和非汛期,针对每个水库,利用正规表达式和模式匹配法与人工结合的方法从调度规程和蓄水计划中提取关键词,并进行标准化处理,形成供计算机识别的结构化知识规则库K,每一条知识规则的记录格式为< >;
S53、建立水库水位自适应寻优算法,根据知识规则库和某段时间的流量状态,推算时段初和时段末的水库蓄水位;
其中,表示月的流量;表示多年的流量均值;表示月初的水位;表示月末的水位;表示月初丰水水位状态集;表示月末丰水水位状态集;表示月初平水水位状态集;表示月末平水水位状态集;表示月初枯水水位状态集;表示月末枯水水位状态集;
进一步,所述S6的具体步骤为:构建库水耦合器,将各水库蓄量差值转化为影响流量:
单个预报断面的预影响流量为上游所有水库预影响流量之和产生,即:
本发明的有益效果为:通过气陆库水四维耦合来进行流域中长期径流预报,充分考虑流域降雨预报信息和水利工程运行对中长期径流预报的影响,解决了传统中长期预报方法中水文气象耦合不充分的问题,实现了水利工程未来条件下调蓄信息和影响流量的动态预报,保证流域内及各子流域之间的水量平衡。同时还引入了深度学习和机器识别等先进人工智能方法,可以更好的求解中长期径流预报中的非线性问题,实现更为先进的径流智能预报。
附图说明
图1为本发明的预报流程图;
图2为本发明实施例提供的金沙江流域溪洛渡水库水量平衡模型训练示意图;
图3为深度学习模型的训练流程示意图;
图4为本发明实施例提供的金沙江流域深度学习降雨预报校正模型训练结果示意图;
图5为水库调蓄信息和影响流量自适应获取流程示意图;
图6为本发明实施例提供的溪洛渡水库月均入库流量预报示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,一种气陆库水四维耦合的中长期径流预报方法,包括以下步骤:
S1、预报对象建立:
以金沙江干流溪洛渡水库的预报断面为例,预报时段为2020年6-11月,在每月的中旬预报下一个月溪洛渡水库月均入库流量;建立的预报流域为金沙江流域,并将溪洛渡以上的区域分为4个子流域:金沙江上游、金沙江中游、金沙江下游以及雅砻江流域;
S2、水文气象数据收集:
收集了CFS区域气候数值模式1990-2020年的气温、降雨格点历史预报资料,同时还收集了金沙江流域内的实况面雨量、重要水库径流量、国家气候中心发布的130项环流指数等历史实况资料。溪洛渡以上主要控制性水库梨园、阿海、金安桥、龙开口、鲁地拉、观音岩、两河口、杨房沟、锦屏一级、二滩、乌东德、白鹤滩共计12座水库的蓄水计划和调度规程文件。
S3、建立大气、陆面、水库、来水计算模型;
建立金沙江流域各子流域的两参数水量平衡模型,采用历史实测雨量、潜在蒸发、以及子流域出口断面的径流量数据训练和验证模型,训练后的模型最终输入数据为降雨量和潜在蒸发量,其中潜在蒸发值由气温值计算得到,计算公式如下:
为保证子流域与大流域间流量的平衡,引入权重项,构建串联的两参数串联水量平衡模型,串联方式如下:
本实施例中预报对象为月月均径流,因此建立的模型为月水量平衡模型,利用1959-2013年数据对模型进行训练,2014-2016年数据进行验证,溪洛渡水库月水量平衡模型训练结果如图2所示。
水库模型采用蓄量差值方法,需要输入时段初和时段末的水库水位,依据水库蓄水位差值信息,利用水库库容曲线计算水库蓄量差值:
来水模型采用来水合成方法,通过天然来水减去上游水库对下游断面的影响流量,得到断面的实际流量:
S4、建立气-陆耦合器:
以算术平均的算法将CFS气候模式未来9个月格点预报值计算为金沙江子流域面雨量和面气温预报值;
分别计算预报月份前期12个月中130项环流指数与金沙江各子流域预报月份历史实测面雨量和面气温的复相关系数,按照复相关系数大小筛选出与降水、气温高相关的最优气候因子集,复相关系数计算公式如下:
其中,为利用因子对的拟合值;为拟合系数;为误差项;为的平均值;为的平均值;表示搜索因子的编号,表示预报对象的编号,表示预报对象序列总长度;值最大对应的一组因子,即为最优因子集; 随后将筛选出的各子流域高相关气候因子与各子流域模式面雨量、面气温预报值作为模型输入,子流域面雨量和面气温预报校正值作为模型输出,子流域实测面雨量和面气温作为标记,分别建立金沙江各子流域面雨量和面气温的深度学习预报校正模型,深度学习模型表达式如下:
其中,模型设计为3层的全连接神经网络模型,以双曲正切函数Tanh为激活函数,以Sigmoid函数为输出层函数,采用有监督的BP网络结构。为方便数据处理和加快收敛速度,对数据进行归一化处理,采用Z-score归一函数。
模型结构建立好后,对模型进行训练和验证,深度学习模型的训练流程见图3。本实施例中采用1990-2009年数据对模型进行训练,2010-2016年数据进行验证,其中金沙江流域2010~2016年6-8月降雨预报订正结果如图4所示。
S5、建立陆-库耦合器
溪洛渡以上主要控制性水库包括金中梯级(梨园、阿海、金安桥、龙开口、鲁地拉、观音岩)、雅砻江梯级(两河口、杨房沟、锦屏一级、二滩)、金下梯级(乌东德、白鹤滩)共计12座水库,其中两河口、杨房沟、白鹤滩仍处于建设阶段,2021年将开展初期蓄水,预调蓄信息按蓄水计划分析,其余已运行水库按调度规程及往年运行情况分析。利用机器学习和人工结合的方法提取上述文件中的关键词,形成限制水位知识规则库,以观音岩水库信息提取示例如下:
<观音岩,运行,1月1日,6月30日,>
<观音岩,运行,7月1日,7月31日,1122.3m>
<观音岩,运行,8月1日,9月30日,1128.8m>
<观音岩,运行,10月1日,12月31日,>
计算影响流量时,首先通过计算机在上述知识规则库中进行水库和预报时间的检索,若能够在知识规则库中检索到该水库的限制水位,则预报月初和月末的水库调蓄水位按照知识库取值,如:进行7月流量预测时,在知识库中检索到观音岩水库7月整月的限制水位均为1122.3米,则月初和月末水位均取1122.3米;
若检索不到具体结果的,需要利用前述构建的状态判断机进行水位取值。将长期流量预报输入状态判断机中进行判断,若来水预报偏丰,则以近5年该水库实际运行中丰水年相同月份的月初和月末平均水位来取值,同理,若预报正常或偏枯,则取近5年正常年或偏枯年水库的平均水位值,若近5年中找不到与预报相同的年份,则依次向前年份寻找。得到时段初和时段末的水位值后。
其中,表示 月的流量;表示多年的流量均值;表示 月初的水位;表示表示 月末的水位;表示月初丰水水位状态集;表示月末丰水水位状态集;表示月初平水水位状态集;表示月末平水水位状态集;表示月初枯水水位状态集;表示月末枯水水位状态集;
将S3中陆面模型计算的流量结果带入陆气耦合器中,得到自适应的水库水位差值信息,本实施例中提供的2020年7月金沙江流域各梯级水库的月初和月末水位差值信息见表1。
S6、库-水耦合器构建
得到月初和月末水位值后,通过S3中的水量计算模型,利用水库的库容曲线将水位转化为对应的水库蓄量,计算月初和月末的水库蓄量差值,并将其转换为对下游水库的预影响流量,影响流量的算法为:
同样,单个预报断面的预影响流量为其上游所有水库预影响流量之和产生,即:
本实施例中提供的2020年7月金沙江流域各水库的调蓄信息和对下游的影响流量见表1-1和表1-2,具体的调蓄信息获取寻优流程和影响流量计算流程见图5。
表1-1 金沙江流域2020年7月水库预调蓄信息表
表1-2 金沙江流域2020年7月水库预调蓄信息表
S7、气-陆-库-水四维耦合预报
综合S3、S4、S5、S6的步骤,得到中长期径流耦合预报模型,收集预报时段的气候模式资料以及相应的气候因子数据,将数据输入耦合模型得到实际入库流量预报值。本实施例中,2020年6-11月溪洛渡水库月均实际入库流量预报结果见图6,总体来看预报效果较好,各月份的相对误差均在20%以内,能够满足生产应用需求。
综上所述,本发明通过气陆库水四维耦合方法来进行流域中长期径流预报,充分考虑流域降雨预报信息和水利工程运行对中长期径流预报的影响,解决了传统中长期预报方法中水文气象耦合不充分的问题,实现了水利工程未来条件下调蓄信息和影响流量的动态预报,保证流域内及各子流域之间的水量平衡。同时还引入了深度学习和机器识别等先进人工智能方法,可以更好的求解中长期径流预报中的非线性问题,实现更为先进的径流智能预报。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,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,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求。
Claims (4)
1.一种气陆库水四维耦合的中长期径流预报方法,其特征在于,包括以下步骤:
S1、预报对象建立:选择需要预报的预报断面和预报时间,以所述预报断面为出口建立闭合流域;
S2、水文气象数据收集:收集相应的气候模式历史预报资料、气候因子资料、水雨工情实测资料;
S3、建立大气、陆面、水库、来水计算模型;大气模型采用气候数值模式输出产品,所述输出产品为格点雨量和气温数据,陆面模型采用两参数串联水量平衡模型,水库模型采用蓄量差值模型,来水模型采用来水合成模型;
所述S3中的具体步骤为:
S32、所述陆面模型中基于水量平衡原理,建立各子流域和大流域的两参数串联水量平衡模型,通过输入分区雨量和气温信息计算各流域出口断面天然流量,为保证子流域与大流域间流量的平衡,引入权重项,构建所述两参数串联水量平衡模型,串联方式为:
S33、所述水库模型采用蓄量差值方法,需要输入时段初和时段末的水库水位,依据水库蓄水位差值信息,利用水库库容曲线计算水库蓄量差值:
S34、来水模型采用来水合成方法,通过天然来水减去上游水库对下游断面的影响流量,得到断面的实际流量:
S4、建立气-陆耦合器:通过分区值转化、相关因子集选取、智能订正,将所述大气模型输出的格点雨量和气温数据转化为所述陆面模型所需的输入数据,实现气候数值模式与两参数串联水量平衡模型的耦合;
所述S4的具体步骤为:
S43、分区值校正:构建基于深度学习算法的订正模型C,所述订正模型C为三层的全连接神经网络模型,以双曲正切函数Tanh为激活函数,以Sigmoid函数为输出层函数,采用有监督的BP网络结构,模型表达式如下:
S5、建立陆-库耦合器:构建限制水位知识规则库和来水状态判断机,将陆面模型计算的流量转化为水库模型需要的水位差值,实现所述陆面模型与所述水库模型的耦合;
S6、建立库-水耦合器:通过空间拓扑关系和时间均匀分配,将所述水库模型输出的水库蓄水量差值转为所述来水模型需要的影响流量,实现所述水库模型与所述来水模型的耦合;
S7、气-陆-库-水四维耦合预报:综合所述S3、S4、S5和S6,得到中长期径流耦合预报模型,收集预报时段的气候模式资料以及相应的气候因子数据,将数据输入耦合模型得到实际入库流量预报值。
2.根据权利要求1所述的一种气陆库水四维耦合的中长期径流预报方法,其特征在于:所述S1中,选择需要预报的预报断面,确定预报起始日期和结束日期,按流域内水库节点、水系特征和预报对象将大流域划分为子流域。
3.根据权利要求1所述的一种气陆库水四维耦合的中长期径流预报方法,其特征在于,所述S5的具体步骤为:
S51、将流域水库进行分类,一类为在建水库,另一类为已运行水库,其中,所述在建水库对应蓄水计划,所述已运行水库对应调度规程及往年运行情况;
S52、划分时段为汛期和非汛期,针对每个水库,利用正规表达式和模式匹配法与人工结合的方法从调度规程和蓄水计划中提取关键词,并进行标准化处理,形成供计算机识别的结构化知识规则库K,每一条知识规则的记录格式为< >;
S53、建立水库水位自适应寻优算法,根据知识规则库和某段时间的流量状态,推算时段初和时段末的水库蓄水位;
其中,表示月的流量;表示多年的流量均值;表示月初的水位;表示月末的水位;表示月初丰水水位状态集;表示月末丰水水位状态集;表示月初平水水位状态集;表示月末平水水位状态集;表示月初枯水水位状态集;表示月末枯水水位状态集;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797117.1A CN114862073B (zh) | 2022-07-08 | 2022-07-08 | 一种气陆库水四维耦合的中长期径流预报方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210797117.1A CN114862073B (zh) | 2022-07-08 | 2022-07-08 | 一种气陆库水四维耦合的中长期径流预报方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114862073A CN114862073A (zh) | 2022-08-05 |
CN114862073B true CN114862073B (zh) | 2022-10-14 |
Family
ID=82626310
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210797117.1A Active CN114862073B (zh) | 2022-07-08 | 2022-07-08 | 一种气陆库水四维耦合的中长期径流预报方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114862073B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116911496A (zh) * | 2023-07-13 | 2023-10-20 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种多因数影响下的水位流量关系确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204333A (zh) * | 2016-07-20 | 2016-12-07 | 中国水利水电科学研究院 | 一种基于陆气耦合的水资源调度方法 |
CN111445085A (zh) * | 2020-04-13 | 2020-07-24 | 中国水利水电科学研究院 | 一种考虑中大型水库工程蓄水影响的中长期径流预报方法 |
CN112926776A (zh) * | 2017-10-03 | 2021-06-08 | 中国水利水电科学研究院 | 一种陆气耦合实时预报方法 |
WO2022135265A1 (zh) * | 2021-01-14 | 2022-06-30 | 中国长江三峡集团有限公司 | 气候变化影响下水库调度规则的失效预警分析方法 |
-
2022
- 2022-07-08 CN CN202210797117.1A patent/CN114862073B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204333A (zh) * | 2016-07-20 | 2016-12-07 | 中国水利水电科学研究院 | 一种基于陆气耦合的水资源调度方法 |
CN109272186A (zh) * | 2016-07-20 | 2019-01-25 | 中国水利水电科学研究院 | 一种水资源调度方法 |
CN112926776A (zh) * | 2017-10-03 | 2021-06-08 | 中国水利水电科学研究院 | 一种陆气耦合实时预报方法 |
CN111445085A (zh) * | 2020-04-13 | 2020-07-24 | 中国水利水电科学研究院 | 一种考虑中大型水库工程蓄水影响的中长期径流预报方法 |
WO2022135265A1 (zh) * | 2021-01-14 | 2022-06-30 | 中国长江三峡集团有限公司 | 气候变化影响下水库调度规则的失效预警分析方法 |
Non-Patent Citations (3)
Title |
---|
《 Evaluating the streamflow simulation capability 》;Liu X et al.;《Hydrol Earth Syst Sc》;20171230;全文 * |
《基于数字孪生的流域水文实时预测方法》;牛文静;《第十一届防汛抗旱信息化论坛论文集中国水利学会减灾专业委员会会议论文集》;20210414;全文 * |
《长江流域荆江河段洪水智能预报方法》;牛文静 等;《中国水利学会2020学术年会论文集第二分册中国水利学会会议论文集》;20201018;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114862073A (zh) | 2022-08-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
CN109948235B (zh) | 水资源调度与精准化配置方法 | |
CN108764573B (zh) | 一种面向内陆干旱区的水资源多维均衡配置系统 | |
CN101480143B (zh) | 一种预测灌区作物单产量的方法 | |
CN113255986A (zh) | 一种基于气象信息和深度学习算法的多步日径流预报方法 | |
CN114429053B (zh) | 流域尺度wefe系统适配性模拟优化方法 | |
CN114862073B (zh) | 一种气陆库水四维耦合的中长期径流预报方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN116976529B (zh) | 基于供需预测动态校正的跨流域调水方法和系统 | |
CN113139329B (zh) | 一种基于水文相似性和人工神经网络的新安江模型参数率定方法 | |
CN113095694B (zh) | 一种适用于多地貌类型区的降雨输沙模型构建方法 | |
CN111428936B (zh) | 一种基于分布式水节点的流域雨洪可利用性指标测算方法 | |
CN111598724B (zh) | 一种中小水库入库流量日前预测的分时段集成方法 | |
CN111461192B (zh) | 基于多水文站联动学习的河道水位流量关系确定方法 | |
CN117035201A (zh) | 平原河网水工程集群多目标调度规则制定方法及系统 | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN115758246A (zh) | 基于EMD与AlexNet的非侵入式负荷识别方法 | |
CN115759459A (zh) | 一种雨水工情耦合的流域洪水流量集合概率智能预报方法 | |
CN115310536A (zh) | 基于神经网络和gcn深度学习模型的水库水位预测预警方法 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
CN116562583A (zh) | 一种多维度水资源供需预测方法及系统 | |
CN113887635B (zh) | 一种流域相似性分类方法及分类装置 | |
CN109002946B (zh) | 一种河湖补水的“两库—两站”系统水资源优化调度方法 | |
CN109299853B (zh) | 一种基于联合概率分布的水库调度函数提取方法 | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 |
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 |