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 PDF

Info

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
Application number
CN202210797117.1A
Other languages
English (en)
Other versions
CN114862073A (zh
Inventor
官学文
冯宝飞
陈瑜彬
邱辉
王乐
邢雯慧
訾丽
许银山
秦昊
曾明
张涛
牛文静
田逸飞
顾丽
严方家
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.)
Bureau of Hydrology Changjiang Water Resources Commission
Original Assignee
Bureau of Hydrology Changjiang Water Resources Commission
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 Bureau of Hydrology Changjiang Water Resources Commission filed Critical Bureau of Hydrology Changjiang Water Resources Commission
Priority to CN202210797117.1A priority Critical patent/CN114862073B/zh
Publication of CN114862073A publication Critical patent/CN114862073A/zh
Application granted granted Critical
Publication of CN114862073B publication Critical patent/CN114862073B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种气陆库水四维耦合的中长期径流预报方法
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：
S31、所述大气模型中采用的气候数值模式为CFS气候数值模式，获取未来9个月的模式降水格点预测
Figure 970715DEST_PATH_IMAGE001
和气温格点预测
Figure 887855DEST_PATH_IMAGE002
；
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
Figure 995488DEST_PATH_IMAGE003
，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：
Figure 390698DEST_PATH_IMAGE004
其中，
Figure 205070DEST_PATH_IMAGE005
为大流域出口断面的流量计算结果；
Figure 27532DEST_PATH_IMAGE006
为子流域
Figure 107615DEST_PATH_IMAGE007
出口断面水量初始计算结果；
Figure 306515DEST_PATH_IMAGE008
为修正后的计算结果；
Figure 975394DEST_PATH_IMAGE009
为子流域个数；
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：
Figure 765495DEST_PATH_IMAGE010
Figure 519825DEST_PATH_IMAGE011
其中，
Figure 256837DEST_PATH_IMAGE012
为水库
Figure 357386DEST_PATH_IMAGE013
的库容曲线；
Figure 787230DEST_PATH_IMAGE014
为水库
Figure 28855DEST_PATH_IMAGE015
的蓄量差值；
Figure 366296DEST_PATH_IMAGE016
为水库
Figure 9767DEST_PATH_IMAGE017
的时段初水位；
Figure 344933DEST_PATH_IMAGE018
为水库
Figure 73855DEST_PATH_IMAGE015
的时段末水位；
Figure 965719DEST_PATH_IMAGE019
为上游水库合计蓄量差值；
Figure 463696DEST_PATH_IMAGE020
为水库个数；
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：
Figure 235343DEST_PATH_IMAGE021
Figure 248298DEST_PATH_IMAGE022
其中，
Figure 130804DEST_PATH_IMAGE023
为断面的实际流量；
Figure 483288DEST_PATH_IMAGE024
为断面的天然流量；
Figure 425836DEST_PATH_IMAGE025
为上游水库对断面的合计影响流量；
Figure 909776DEST_PATH_IMAGE026
为水库
Figure 330393DEST_PATH_IMAGE027
对断面的影响流量。
进一步，所述S4的具体步骤为：
S41、分区值转化：利用模式降水格点预测
Figure 802962DEST_PATH_IMAGE028
、气温格点预测
Figure 244308DEST_PATH_IMAGE029
值和子流域边界，采用算术平均计算子流域的面雨量
Figure 169539DEST_PATH_IMAGE030
和面气温
Figure 393847DEST_PATH_IMAGE031
；
S42、高相关因子集选取：用
Figure 268393DEST_PATH_IMAGE032
表示
Figure 552744DEST_PATH_IMAGE033
和
Figure 965270DEST_PATH_IMAGE034
，
Figure 993269DEST_PATH_IMAGE035
表示
Figure 237169DEST_PATH_IMAGE036
时段内的变量
Figure 426842DEST_PATH_IMAGE037
，
Figure 326665DEST_PATH_IMAGE038
对应预报对象的时间段，
Figure 204360DEST_PATH_IMAGE039
和
Figure 506028DEST_PATH_IMAGE040
分别表示预报起始日期和结束日期，
Figure 866602DEST_PATH_IMAGE041
表示
Figure 316038DEST_PATH_IMAGE042
时段内的第
Figure 685839DEST_PATH_IMAGE043
种因子，
Figure 576435DEST_PATH_IMAGE044
为因子种类数，
Figure 373490DEST_PATH_IMAGE045
表示超前时间，则对于
Figure 795375DEST_PATH_IMAGE046
组成如下的前期气候因子集
Figure 968867DEST_PATH_IMAGE047
：
Figure 979549DEST_PATH_IMAGE048
，
Figure 9822DEST_PATH_IMAGE049
其中，前期气候因子集
Figure 105954DEST_PATH_IMAGE050
中共有
Figure 817558DEST_PATH_IMAGE051
种因子，设定搜索半径为
Figure 682745DEST_PATH_IMAGE052
，在前期气候因子集
Figure 133187DEST_PATH_IMAGE053
中取任意
Figure 716615DEST_PATH_IMAGE052
个因子进行排列，共有
Figure 966331DEST_PATH_IMAGE054
种因子组合，对于每组因子计算相应的复相关系数
Figure 13921DEST_PATH_IMAGE055
；
Figure 323680DEST_PATH_IMAGE056
其中，
Figure 394404DEST_PATH_IMAGE057
为利用因子
Figure 447811DEST_PATH_IMAGE058
对
Figure 100640DEST_PATH_IMAGE059
的拟合值；
Figure 581300DEST_PATH_IMAGE060
为拟合系数；
Figure 873741DEST_PATH_IMAGE061
为误差项；
Figure 793156DEST_PATH_IMAGE062
为
Figure 487442DEST_PATH_IMAGE063
的平均值；
Figure 139003DEST_PATH_IMAGE064
为
Figure 184320DEST_PATH_IMAGE065
的平均值；
Figure 891114DEST_PATH_IMAGE066
表示搜索因子的编号，
Figure 439907DEST_PATH_IMAGE067
表示预报对象的编号，
Figure 527948DEST_PATH_IMAGE068
表示预报对象序列总长度；
Figure 857298DEST_PATH_IMAGE069
值最大对应的一组因子，即为最优因子集
Figure 56199DEST_PATH_IMAGE070
；
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：
Figure 718441DEST_PATH_IMAGE072
其中，
Figure 285820DEST_PATH_IMAGE073
表示
Figure 22832DEST_PATH_IMAGE074
和
Figure 546217DEST_PATH_IMAGE075
；
Figure 38378DEST_PATH_IMAGE076
为误差项；
Figure 14424DEST_PATH_IMAGE077
为因子校正后的预测值；
对于变量
Figure 555127DEST_PATH_IMAGE078
，Tanh函数、Sigmoid函数、Z-score公式如下：
Figure 198598DEST_PATH_IMAGE079
其中，
Figure 845349DEST_PATH_IMAGE080
表示变量
Figure 574271DEST_PATH_IMAGE081
的序列均值；
Figure 653085DEST_PATH_IMAGE082
表示变量
Figure 213379DEST_PATH_IMAGE083
的序列标准差。
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<
Figure 719447DEST_PATH_IMAGE084
>；
Figure 935665DEST_PATH_IMAGE085
：表示水库编号，每个水库均有唯一的编号；
Figure 631219DEST_PATH_IMAGE086
：表示水库状态，分为0和1两种状态，0表示在建水库，1表示运行水库；
Figure 983703DEST_PATH_IMAGE087
：表示起始日期；
Figure 926252DEST_PATH_IMAGE088
：表示结束日期；
Figure 364186DEST_PATH_IMAGE089
：表示
Figure 847120DEST_PATH_IMAGE090
时段里限制水位的值；其中，汛期对应汛限水位，非汛期对应正常蓄水位；
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；
S531、构建来水状态判断机
Figure 319690DEST_PATH_IMAGE091
；
Figure 167560DEST_PATH_IMAGE092
其中，
Figure 92791DEST_PATH_IMAGE093
表示
Figure 628683DEST_PATH_IMAGE094
月的流量；
Figure 955759DEST_PATH_IMAGE095
表示多年的流量均值；
Figure 240110DEST_PATH_IMAGE096
表示
Figure 714954DEST_PATH_IMAGE097
月初的水位；
Figure 477373DEST_PATH_IMAGE098
表示
Figure 658956DEST_PATH_IMAGE099
月末的水位；
Figure 927257DEST_PATH_IMAGE100
表示月初丰水水位状态集；
Figure 827080DEST_PATH_IMAGE101
表示月末丰水水位状态集；
Figure 393191DEST_PATH_IMAGE102
表示月初平水水位状态集；
Figure 429280DEST_PATH_IMAGE103
表示月末平水水位状态集；
Figure 117750DEST_PATH_IMAGE104
表示月初枯水水位状态集；
Figure 504869DEST_PATH_IMAGE105
表示月末枯水水位状态集；
S532、对于某一水库在
Figure 609092DEST_PATH_IMAGE106
时段的流量，在知识规则库K中搜索该水库在开始时间
Figure 76851DEST_PATH_IMAGE107
，结束时间
Figure 873906DEST_PATH_IMAGE108
是否有对应的
Figure 482741DEST_PATH_IMAGE109
值，若有
Figure 656234DEST_PATH_IMAGE109
，则采用
Figure 729232DEST_PATH_IMAGE109
值；若无
Figure 697188DEST_PATH_IMAGE109
，则进入下一步；
S533、若
Figure 793320DEST_PATH_IMAGE110
年
Figure 52394DEST_PATH_IMAGE111
时段流量为
Figure 183161DEST_PATH_IMAGE112
，将
Figure 322019DEST_PATH_IMAGE113
输入状态判断机中，得到水位
Figure 967763DEST_PATH_IMAGE114
的状态，将
Figure 217479DEST_PATH_IMAGE115
年前五年
Figure 202753DEST_PATH_IMAGE116
时段流量集(
Figure 512511DEST_PATH_IMAGE117
)输入状态判断机中，获取
Figure 894820DEST_PATH_IMAGE118
状态对应的水位集
Figure 948227DEST_PATH_IMAGE119
和
Figure 788007DEST_PATH_IMAGE120
；
如果
Figure 330984DEST_PATH_IMAGE121
和
Figure 623425DEST_PATH_IMAGE122
为非空集，进入下一步；
如果
Figure 480522DEST_PATH_IMAGE121
和
Figure 174809DEST_PATH_IMAGE122
为空集，则继续更前一年的流量，重复S532，直到
Figure 639419DEST_PATH_IMAGE123
和
Figure 684736DEST_PATH_IMAGE124
为非空集；
S534、输出最终的时段初水位
Figure 79945DEST_PATH_IMAGE125
和时段末水位
Figure 691055DEST_PATH_IMAGE126
：
Figure 779096DEST_PATH_IMAGE127
Figure 46130DEST_PATH_IMAGE128
其中，
Figure 979451DEST_PATH_IMAGE129
表示
Figure 959914DEST_PATH_IMAGE130
中的集合因子总数；
Figure 218857DEST_PATH_IMAGE131
表示
Figure 707607DEST_PATH_IMAGE132
中的集合因子总数。
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：
Figure 772515DEST_PATH_IMAGE133
其中，
Figure 295900DEST_PATH_IMAGE134
为水库
Figure 460165DEST_PATH_IMAGE135
对下游的影响流量；
Figure 514840DEST_PATH_IMAGE136
为水库
Figure 55543DEST_PATH_IMAGE137
的蓄量差值；
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：
Figure 433435DEST_PATH_IMAGE138
。
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；
大气模型中采用的数值模式为CFS气候数值模式，获取其未来9个月的模式降水格点预测
Figure 34180DEST_PATH_IMAGE139
和气温格点预测
Figure 559840DEST_PATH_IMAGE140
；
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：
Figure 904233DEST_PATH_IMAGE141
其中，
Figure 402211DEST_PATH_IMAGE142
为月平均气温；
Figure 908278DEST_PATH_IMAGE143
为年总加热指数；
Figure 436081DEST_PATH_IMAGE144
，
Figure 318586DEST_PATH_IMAGE145
为常数；
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：
Figure 671070DEST_PATH_IMAGE146
其中，
Figure 410356DEST_PATH_IMAGE147
为大流域出口断面的流量计算结果；
Figure 848290DEST_PATH_IMAGE148
为子流域
Figure 534487DEST_PATH_IMAGE149
出口断面水量初始计算结果；
Figure 741477DEST_PATH_IMAGE150
为修正后的计算结果；
Figure 667976DEST_PATH_IMAGE151
为子流域个数；
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：
Figure 593206DEST_PATH_IMAGE152
Figure 817514DEST_PATH_IMAGE153
其中，
Figure 206907DEST_PATH_IMAGE154
为水库
Figure 491258DEST_PATH_IMAGE155
的库容曲线；
Figure 638206DEST_PATH_IMAGE156
为水库
Figure 977789DEST_PATH_IMAGE157
的蓄量差值；
Figure 159372DEST_PATH_IMAGE158
为水库
Figure 614624DEST_PATH_IMAGE159
的时段初水文；
Figure 514447DEST_PATH_IMAGE160
为水库
Figure 142874DEST_PATH_IMAGE161
的时段末水位；
Figure 178963DEST_PATH_IMAGE162
为上游水库合计蓄量差值；
Figure 805117DEST_PATH_IMAGE163
为水库个数；
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：
Figure 739706DEST_PATH_IMAGE164
Figure 109507DEST_PATH_IMAGE165
其中，
Figure 265682DEST_PATH_IMAGE166
为断面的实际流量；
Figure 62737DEST_PATH_IMAGE167
为断面的天然流量；
Figure 733890DEST_PATH_IMAGE168
为上游水库对断面的合计影响流量；
Figure 641803DEST_PATH_IMAGE169
为水库
Figure 652484DEST_PATH_IMAGE170
对断面的影响流量；
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：
Figure 932025DEST_PATH_IMAGE171
其中，
Figure 28157DEST_PATH_IMAGE172
为利用因子
Figure 739761DEST_PATH_IMAGE173
对
Figure 870528DEST_PATH_IMAGE174
的拟合值；
Figure 71702DEST_PATH_IMAGE175
为拟合系数；
Figure 389551DEST_PATH_IMAGE176
为误差项；
Figure 904846DEST_PATH_IMAGE177
为
Figure 703169DEST_PATH_IMAGE178
的平均值；
Figure 12927DEST_PATH_IMAGE179
为
Figure 818072DEST_PATH_IMAGE180
的平均值；
Figure 871479DEST_PATH_IMAGE181
表示搜索因子的编号，
Figure 773576DEST_PATH_IMAGE182
表示预报对象的编号，
Figure 254236DEST_PATH_IMAGE183
表示预报对象序列总长度；
Figure 812256DEST_PATH_IMAGE184
值最大对应的一组因子，即为最优因子集
Figure 715359DEST_PATH_IMAGE185
； 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：
Figure 675224DEST_PATH_IMAGE186
其中，
Figure 326786DEST_PATH_IMAGE187
表示
Figure 106523DEST_PATH_IMAGE188
和
Figure 564049DEST_PATH_IMAGE189
；
Figure 378421DEST_PATH_IMAGE190
为误差项；
Figure 200884DEST_PATH_IMAGE191
为因子校正后的预测值；
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。
Figure 280966DEST_PATH_IMAGE192
其中，
Figure 479867DEST_PATH_IMAGE193
表示变量
Figure 148745DEST_PATH_IMAGE194
的序列均值；
Figure 142109DEST_PATH_IMAGE195
表示变量
Figure 958755DEST_PATH_IMAGE196
的序列标准差。
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。
来水状态判断机
Figure 961346DEST_PATH_IMAGE197
如下：
Figure 484732DEST_PATH_IMAGE198
其中，
Figure 960581DEST_PATH_IMAGE199
表示
Figure 202207DEST_PATH_IMAGE200
月的流量；
Figure 742909DEST_PATH_IMAGE201
表示多年的流量均值；
Figure 120801DEST_PATH_IMAGE202
表示
Figure 783864DEST_PATH_IMAGE203
月初的水位；
Figure 247206DEST_PATH_IMAGE204
表示表示
Figure 591600DEST_PATH_IMAGE205
月末的水位；
Figure 637047DEST_PATH_IMAGE206
表示月初丰水水位状态集；
Figure 408694DEST_PATH_IMAGE207
表示月末丰水水位状态集；
Figure 359333DEST_PATH_IMAGE208
表示月初平水水位状态集；
Figure 304155DEST_PATH_IMAGE209
表示月末平水水位状态集；
Figure 656639DEST_PATH_IMAGE210
表示月初枯水水位状态集；
Figure 599187DEST_PATH_IMAGE211
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：
Figure 37122DEST_PATH_IMAGE212
其中，
Figure 58340DEST_PATH_IMAGE213
为水库
Figure 265330DEST_PATH_IMAGE214
对下游的影响流量；
Figure 378780DEST_PATH_IMAGE215
为水库
Figure 366327DEST_PATH_IMAGE161
的蓄量差值；
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：
Figure 590635DEST_PATH_IMAGE216
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
Figure 917711DEST_PATH_IMAGE217
表1-2 金沙江流域2020年7月水库预调蓄信息表
Figure 936483DEST_PATH_IMAGE218
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：
S31、所述大气模型中采用的气候数值模式为CFS气候数值模式，获取未来9个月的模式降水格点预测
Figure 380612DEST_PATH_IMAGE001
和气温格点预测
Figure 828910DEST_PATH_IMAGE002
；
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
Figure 15172DEST_PATH_IMAGE003
，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：
Figure 941540DEST_PATH_IMAGE004
其中，
Figure 411704DEST_PATH_IMAGE005
为大流域出口断面的流量计算结果；
Figure 765325DEST_PATH_IMAGE006
为子流域
Figure 438883DEST_PATH_IMAGE007
出口断面水量初始计算结果；
Figure 168942DEST_PATH_IMAGE008
为修正后的计算结果；
Figure 998007DEST_PATH_IMAGE009
为子流域个数；
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：
Figure 522530DEST_PATH_IMAGE010
Figure 683384DEST_PATH_IMAGE011
其中，
Figure 951554DEST_PATH_IMAGE012
为水库
Figure 130732DEST_PATH_IMAGE013
的库容曲线；
Figure 91734DEST_PATH_IMAGE014
为水库
Figure 67781DEST_PATH_IMAGE015
的蓄量差值；
Figure 749429DEST_PATH_IMAGE016
为水库
Figure 924058DEST_PATH_IMAGE017
的时段初水位；
Figure 416482DEST_PATH_IMAGE018
为水库
Figure 676562DEST_PATH_IMAGE015
的时段末水位；
Figure 427480DEST_PATH_IMAGE019
为上游水库合计蓄量差值；
Figure 456616DEST_PATH_IMAGE020
为水库个数；
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：
Figure 884055DEST_PATH_IMAGE021
Figure 365852DEST_PATH_IMAGE022
其中，
Figure 654882DEST_PATH_IMAGE023
为断面的实际流量；
Figure 741787DEST_PATH_IMAGE024
为断面的天然流量；
Figure 215493DEST_PATH_IMAGE025
为上游水库对断面的合计影响流量；
Figure 807755DEST_PATH_IMAGE026
为水库
Figure 759531DEST_PATH_IMAGE027
对断面的影响流量；
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：
S41、分区值转化：利用模式降水格点预测
Figure 638625DEST_PATH_IMAGE028
、气温格点预测
Figure 283233DEST_PATH_IMAGE029
值和子流域边界，采用算术平均计算子流域的面雨量
Figure 129835DEST_PATH_IMAGE030
和面气温
Figure 885302DEST_PATH_IMAGE031
；
S42、相关因子集选取：用
Figure 353323DEST_PATH_IMAGE032
表示
Figure 168832DEST_PATH_IMAGE033
和
Figure 315780DEST_PATH_IMAGE034
，
Figure 501036DEST_PATH_IMAGE035
表示
Figure 213777DEST_PATH_IMAGE036
时段内的变量
Figure 75554DEST_PATH_IMAGE037
，
Figure 240956DEST_PATH_IMAGE038
对应预报对象的时间段，
Figure 728438DEST_PATH_IMAGE039
和
Figure 561265DEST_PATH_IMAGE040
分别表示预报起始日期和结束日期，
Figure 328364DEST_PATH_IMAGE041
表示
Figure 246641DEST_PATH_IMAGE042
时段内的第
Figure 764910DEST_PATH_IMAGE043
种因子，
Figure 186665DEST_PATH_IMAGE044
为因子种类数，
Figure 390244DEST_PATH_IMAGE045
表示超前时间，则对于
Figure 530238DEST_PATH_IMAGE046
组成如下的前期气候因子集
Figure 438151DEST_PATH_IMAGE047
：
Figure 104625DEST_PATH_IMAGE048
，
Figure 603739DEST_PATH_IMAGE049
其中，前期气候因子集
Figure 106396DEST_PATH_IMAGE050
中共有
Figure 614738DEST_PATH_IMAGE051
种因子，设定搜索半径为
Figure 637183DEST_PATH_IMAGE052
，在前期气候因子集
Figure 307198DEST_PATH_IMAGE053
中取任意
Figure 297151DEST_PATH_IMAGE052
个因子进行排列，共有
Figure 78025DEST_PATH_IMAGE054
种因子组合，对于每组因子计算相应的复相关系数
Figure 797720DEST_PATH_IMAGE055
；
Figure 763270DEST_PATH_IMAGE056
其中，
Figure 365153DEST_PATH_IMAGE057
为利用因子
Figure 90664DEST_PATH_IMAGE058
对
Figure 461602DEST_PATH_IMAGE059
的拟合值；
Figure 96589DEST_PATH_IMAGE060
为拟合系数；
Figure 920189DEST_PATH_IMAGE061
为误差项；
Figure 511707DEST_PATH_IMAGE062
为
Figure 612518DEST_PATH_IMAGE063
的平均值；
Figure 795238DEST_PATH_IMAGE064
为
Figure 496347DEST_PATH_IMAGE065
的平均值；
Figure 688294DEST_PATH_IMAGE066
表示搜索因子的编号，
Figure 643611DEST_PATH_IMAGE067
表示预报对象的编号，
Figure 262812DEST_PATH_IMAGE068
表示预报对象序列总长度；
Figure 687102DEST_PATH_IMAGE069
值最大对应的一组因子，即为最优因子集
Figure 620423DEST_PATH_IMAGE070
；
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：
Figure 17086DEST_PATH_IMAGE072
其中，
Figure 505836DEST_PATH_IMAGE073
表示
Figure 898640DEST_PATH_IMAGE074
和
Figure 953184DEST_PATH_IMAGE075
；
Figure 55132DEST_PATH_IMAGE076
为误差项；
Figure 562337DEST_PATH_IMAGE077
为因子校正后的预测值；
对于变量
Figure 263227DEST_PATH_IMAGE078
，Tanh函数、Sigmoid函数、Z-score公式如下：
Figure 437856DEST_PATH_IMAGE079
其中，
Figure 179547DEST_PATH_IMAGE080
表示变量
Figure 439627DEST_PATH_IMAGE081
的序列均值；
Figure 174234DEST_PATH_IMAGE082
表示变量
Figure 406632DEST_PATH_IMAGE083
的序列标准差；
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<
Figure 443858DEST_PATH_IMAGE084
>；
Figure 66600DEST_PATH_IMAGE085
：表示水库编号，每个水库均有唯一的编号；
Figure 480264DEST_PATH_IMAGE086
：表示水库状态，分为0和1两种状态，0表示在建水库，1表示运行水库；
Figure 255584DEST_PATH_IMAGE087
：表示起始日期；
Figure 729291DEST_PATH_IMAGE088
：表示结束日期；
Figure 573750DEST_PATH_IMAGE089
：表示
Figure 525526DEST_PATH_IMAGE090
时段里限制水位的值；其中，汛期对应汛限水位，非汛期对应正常蓄水位；
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；
S531、构建来水状态判断机
Figure 653888DEST_PATH_IMAGE091
；
Figure 32916DEST_PATH_IMAGE092
其中，
Figure 692568DEST_PATH_IMAGE093
表示
Figure 323400DEST_PATH_IMAGE094
月的流量；
Figure 181635DEST_PATH_IMAGE095
表示多年的流量均值；
Figure 620313DEST_PATH_IMAGE096
表示
Figure 563999DEST_PATH_IMAGE097
月初的水位；
Figure 998522DEST_PATH_IMAGE098
表示
Figure 711263DEST_PATH_IMAGE099
月末的水位；
Figure 822307DEST_PATH_IMAGE100
表示月初丰水水位状态集；
Figure 253289DEST_PATH_IMAGE101
表示月末丰水水位状态集；
Figure 553820DEST_PATH_IMAGE102
表示月初平水水位状态集；
Figure 996434DEST_PATH_IMAGE103
表示月末平水水位状态集；
Figure 153746DEST_PATH_IMAGE104
表示月初枯水水位状态集；
Figure 963701DEST_PATH_IMAGE105
表示月末枯水水位状态集；
S532、对于某一水库在
Figure 599082DEST_PATH_IMAGE106
时段的流量，在知识规则库K中搜索该水库在开始时间
Figure 161781DEST_PATH_IMAGE107
，结束时间
Figure 489994DEST_PATH_IMAGE108
是否有对应的
Figure 833251DEST_PATH_IMAGE109
值，若有
Figure 662536DEST_PATH_IMAGE109
，则采用
Figure 204375DEST_PATH_IMAGE109
值；若无
Figure 844435DEST_PATH_IMAGE109
，则进入下一步；
S533、若
Figure 471726DEST_PATH_IMAGE110
年
Figure 89656DEST_PATH_IMAGE111
时段流量为
Figure 751582DEST_PATH_IMAGE112
，将
Figure 624860DEST_PATH_IMAGE113
输入状态判断机中，得到水位
Figure 614812DEST_PATH_IMAGE114
的状态，将
Figure 395687DEST_PATH_IMAGE115
年前五年
Figure 36752DEST_PATH_IMAGE116
时段流量集(
Figure 143249DEST_PATH_IMAGE117
)输入状态判断机中，获取
Figure 620498DEST_PATH_IMAGE118
状态对应的水位集
Figure 205063DEST_PATH_IMAGE119
和
Figure 202100DEST_PATH_IMAGE120
；
如果
Figure 417180DEST_PATH_IMAGE121
和
Figure 240780DEST_PATH_IMAGE122
为非空集，进入下一步；
如果
Figure 504402DEST_PATH_IMAGE121
和
Figure 729847DEST_PATH_IMAGE122
为空集，则继续更前一年的流量，重复S532，直到
Figure 302780DEST_PATH_IMAGE123
和
Figure 879255DEST_PATH_IMAGE124
为非空集；
S534、输出最终的时段初水位
Figure 680989DEST_PATH_IMAGE125
和时段末水位
Figure 964202DEST_PATH_IMAGE126
：
Figure 583403DEST_PATH_IMAGE127
Figure 4763DEST_PATH_IMAGE128
其中，
Figure 469243DEST_PATH_IMAGE129
表示
Figure 810225DEST_PATH_IMAGE130
中的集合因子总数；
Figure 600327DEST_PATH_IMAGE131
表示
Figure 744869DEST_PATH_IMAGE132
中的集合因子总数。
4.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：
Figure 481881DEST_PATH_IMAGE133
其中，
Figure 536425DEST_PATH_IMAGE134
为水库
Figure 107214DEST_PATH_IMAGE135
对下游的影响流量；
Figure 879998DEST_PATH_IMAGE136
为水库
Figure 843537DEST_PATH_IMAGE137
的蓄量差值；
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：
Figure 752587DEST_PATH_IMAGE138
。
CN202210797117.1A 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 Active CN114862073B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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