CN115481818A - 一种基于时序分解的中长期径流预报方法及系统 - Google Patents

一种基于时序分解的中长期径流预报方法及系统 Download PDF

Info

Publication number
CN115481818A
CN115481818A CN202211248048.5A CN202211248048A CN115481818A CN 115481818 A CN115481818 A CN 115481818A CN 202211248048 A CN202211248048 A CN 202211248048A CN 115481818 A CN115481818 A CN 115481818A
Authority
CN
China
Prior art keywords
year
forecasting
runoff
scale
item
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.)
Granted
Application number
CN202211248048.5A
Other languages
English (en)
Other versions
CN115481818B (zh
Inventor
张弛
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.)
Dalian University of Technology
Original Assignee
Dalian University of Technology
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 Dalian University of Technology filed Critical Dalian University of Technology
Priority to CN202211248048.5A priority Critical patent/CN115481818B/zh
Publication of CN115481818A publication Critical patent/CN115481818A/zh
Application granted granted Critical
Publication of CN115481818B publication Critical patent/CN115481818B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2474—Sequence data queries, e.g. querying versioned data
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Data Mining & Analysis (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种基于时序分解的中长期径流预报方法及系统，属于径流预报技术领域，采用小波分析对所述年度的历史年径流序列进行周期提取，并根据年径流周期，对所述年度的历史年径流序列进行时序分解，得到年径流趋势项、年径流周期项和年径流残差项，相应利用各项和多尺度的预报因子训练年径流预报模型，使年径流预报模型可以根据输入的多尺度因子，直接输出对应的年径流趋势项、年径流周期项和年径流残差项，并融合为年径流序列，先对原始径流序列进行时序分解，再进行分析，可以充分地反映出不同特征叠加所形成的径流变化规律，提高了年径流序列预报的准确性。

Description

一种基于时序分解的中长期径流预报方法及系统
技术领域
本发明涉及径流预报技术领域，特别是涉及一种基于时序分解的中长期径流预报方法及系统。
背景技术
中长期径流预报是跨流域调水决策的重要科学支撑，但径流序列具有复杂的非平稳特征，对其准确预报是一个极大的挑战。径流预报模型主要可以分为过程驱动和数据驱动两类，基于物理机制的过程驱动模型不仅需要大量的流域水文、气象资料，且存在参数校准难和普适性差的问题，很难在在跨流域引水的水文预报工作中广泛应用。近年来，基于人工智能的数据驱动方法得到了长足的进步，在物理成因上考虑因子与径流的相关性，进而遵循从“数据”到“数据”的模式预测。然而，直接对原始径流序列进行分析无法充分地反映出不同特征叠加所形成的径流变化规律。
发明内容
本发明的目的是提供一种基于时序分解的中长期径流预报方法及系统，提高了年径流序列预报的准确性。
为实现上述目的，一方面，本发明提供了如下方案：
一种基于时序分解的中长期径流预报方法，所述中长期径流预报方法包括以下步骤：
获取目标水文站点若干个年度的历史年径流序列；
针对任一年度的历史年径流序列，采用小波分析对所述年度的历史年径流序列进行周期提取，得到年径流周期；
根据所述年径流周期，对所述年度的历史年径流序列进行时序分解，得到年径流趋势项、年径流周期项和年径流残差项；
针对所述年度的历史年径流序列，获取上一年度的多尺度预报因子；所述多尺度预报因子包括天文尺度预报因子和全球尺度预报因子；
根据上一年度的所述多尺度预报因子、所述年度的年径流趋势项、所述年度的年径流周期项和所述年度的年径流残差项，训练得到年径流预报模型；
获取任一年度的多尺度预报因子，输入所述年径流预报模型中，得到下一年度的年径流序列。
可选地，所述获取目标水文站点若干个年度的历史年径流序列，具体包括：
获取目标水文站点任一年度的十二个历史月径流序列；
根据任一年度的十二个历史月径流序列，得到所述年度的历史年径流序列。
可选地，所述针对所述年度的历史年径流序列，获取上一年度的多尺度预报因子，具体包括：
针对所述年度的历史年径流序列，获取上一年度的天文尺度预报因子；
针对所述年度的历史年径流序列，获取上一年度的若干个大气环流因子；
在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子，作为全球尺度预报因子。
可选地，在所述在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子，作为全球尺度预报因子之后，所述中长期径流预报方法还包括：
对缺值低于预设阈值的若干个大气环流因子进行线性插值补充。
可选地，在所述在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子，作为全球尺度预报因子之后，所述中长期径流预报方法还包括：
对各全球尺度预报因子和所述历史年径流序列进行互信息计算，得到各全球尺度预报因子与所述历史年径流序列的相关性；
根据各全球尺度预报因子与所述历史年径流序列的相关性，降序排列各全球尺度预报因子；
选取排名前十的全球尺度预报因子，作为最终的全球尺度预报因子。
可选地，所述天文尺度预报因子包括太阳黑子相对数和月球赤纬角数据。
可选地，所述年径流预报模型包括趋势项预报分支、周期项预报分支和残差项预报分支；所述获取任一年度的多尺度预报因子，输入所述年径流预报模型中，得到下一年度的年径流序列，具体包括：
获取任一年度的多尺度因子；
将所述年度的多尺度预报因子输入所述趋势项预报分支中，得到下一年度的趋势项预报结果；
将所述年度的多尺度预报因子输入所述周期项预报分支中，得到下一年度的周期项预报结果；
将所述年度的多尺度预报因子输入所述残差项预报分支中，得到下一年度的残差项预报结果；
将所述趋势项预报结果、所述周期项预报结果和所述残差项预报结果进行融合，得到下一年度的年径流序列。
可选地，所述年径流预报模型包括趋势项预报分支、周期项预报分支和残差项预报分支；所述根据上一年度的所述多尺度预报因子、所述年度的年径流趋势项、所述年度的年径流周期项和所述年度的年径流残差项，训练得到年径流预报模型，具体包括：
根据上一年度的所述多尺度预报因子和所述年度的年径流趋势项，训练所述趋势项预报分支；
根据上一年度的所述多尺度预报因子和所述年度的年径流周期项，训练所述周期项预报分支；
根据上一年度的所述多尺度预报因子和所述年度的年径流残差项，训练所述残差项预报分支。
可选地，所述趋势项预报分支、所述周期项预报分支和所述残差项预报分支均为深度学习模型。
对应于前述的中长期径流预报方法，本发明还提供了一种基于时序分解的中长期径流预报系统，所述中长期径流预报系统在被计算机运行时，执行如前文所述的中长期径流预报方法。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明提供的一种基于时序分解的中长期径流预报方法及系统，包括：获取目标水文站点若干个年度的历史年径流序列；针对任一年度，采用小波分析对所述年度的历史年径流序列进行周期提取，得到年径流周期；根据所述年径流周期，对所述年度的历史年径流序列进行时序分解，得到年径流趋势项、年径流周期项和年径流残差项；针对所述年度的历史年径流序列，获取上一年度的多尺度预报因子；根据上一年度的所述多尺度预报因子、所述年度的年径流趋势项、所述年度的年径流周期项和所述年度的年径流残差项，训练得到年径流预报模型；获取任一年度的多尺度预报因子，输入所述年径流预报模型中，得到下一年度的年径流序列。本发明中采用小波分析对所述年度的历史年径流序列进行周期提取，并根据年径流周期，对所述年度的历史年径流序列进行时序分解，得到年径流趋势项、年径流周期项和年径流残差项，相应利用各项和多尺度的预报因子训练年径流预报模型，使年径流预报模型可以根据输入的多尺度因子，直接输出对应的年径流趋势项、年径流周期项和年径流残差项，并融合为年径流序列，先对原始径流序列进行时序分解，再进行分析，可以充分地反映出不同特征叠加所形成的径流变化规律，提高了年径流序列预报的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例1提供的一种基于时序分解的中长期径流预报方法的流程图；
图2为本发明实施例1提供的中长期径流预报方法中步骤A5的具体流程图；
图3为本发明实施例1提供的中长期径流预报方法中步骤A6的具体流程图；
图4为本发明实施例2提供的一种基于时序分解的中长期径流预报系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于时序分解的中长期径流预报方法及系统，提高了年径流序列预报的准确性。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1：
本实施例提供了一种基于时序分解的中长期径流预报方法，如图1所示的流程图，中长期径流预报方法包括以下步骤：
A1、获取目标水文站点若干个年度的历史年径流序列；本实施例中，步骤A1具体包括：
A11、获取目标水文站点任一年度的十二个历史月径流序列；
A12、根据任一年度的十二个历史月径流序列，得到所述年度的历史年径流序列
A2、针对任一年度的历史年径流序列，采用小波分析对所述年度的历史年径流序列进行周期提取，得到年径流周期。或针对若干年度的历史年径流序列，采用小波分析，提取该目标水文站点的年径流周期。
A3、根据所述年径流周期，对所述年度的历史年径流序列进行时序分解，得到年径流趋势项、年径流周期项和年径流残差项。本实施例中，采用Seasonal-Trend-Loss(STL)算法对所述年度的历史年径流序列进行时序分解，得到年径流趋势项Trend、年径流周期项Seasonal和年径流残差项Remainder。Trend代表数据的长期趋势，Seaonal代表的是数据的周期性，Remainder代表原始数据分解完Trend和Seasonal之后的残差。
A4、针对所述年度的历史年径流序列，获取上一年度的多尺度预报因子；所述多尺度预报因子包括天文尺度预报因子和全球尺度预报因子。本实施例中，步骤A4具体包括：
A41、针对所述年度的历史年径流序列，获取上一年度的天文尺度预报因子。本实施例中，天文尺度预报因子包括太阳黑子相对数和月球赤纬角数据。
A42、针对所述年度的历史年径流序列，获取上一年度的若干个大气环流因子。本实施例中，获取西太平洋副高强度指数、亚洲区极涡强度指数等130项大气环流因子。
A43、在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子，作为全球尺度预报因子。将130项大气环流因子中缺值高于一半的大气环流因子剔除，剩余的作为全球尺度预报因子。
进而，为了使各因子数据完整，在步骤A43后，还可以包括：
A44、对缺值低于预设阈值的若干个大气环流因子进行线性插值补充。进一步，通过线性插值方法对缺值低于预设阈值的若干个大气环流因子进行补充。
进一步的，为了选取相关性更高的全球尺度预报因子，本实施例中，在步骤A44后，还可以包括：
A45、对各全球尺度预报因子和所述历史年径流序列进行互信息计算，得到各全球尺度预报因子与所述历史年径流序列的相关性。
A46、根据各全球尺度预报因子与所述历史年径流序列的相关性，降序排列各全球尺度预报因子。
A47、选取排名前十的全球尺度预报因子，作为最终的全球尺度预报因子。
A5、训练得到年径流预报模型；根据上一年度的所述多尺度预报因子、所述年度的年径流趋势项、所述年度的年径流周期项和所述年度的年径流残差项，训练得到年径流预报模型。本实施例中，年径流预报模型包括趋势项预报分支、周期项预报分支和残差项预报分支，优选地，趋势项预报分支、周期项预报分支和残差项预报分支均为深度学习模型；步骤A5具体包括：
A51、根据上一年度的所述多尺度预报因子和所述年度的年径流趋势项，训练所述趋势项预报分支。对所述趋势项预报分支进行训练时，以上一年度的所述多尺度预报因子为输入，以所述年度的年径流趋势项为目标输出，对趋势项预报分支的参数进行调优。
A52、根据上一年度的所述多尺度预报因子和所述年度的年径流周期项，训练所述周期项预报分支。对所述周期项预报分支进行训练时，以上一年度的所述多尺度预报因子为输入，以所述年度的年径流周期项为目标输出，对周期项预报分支的参数进行调优。
A53、根据上一年度的所述多尺度预报因子和所述年度的年径流残差项，训练所述残差项预报分支。对所述残差项预报分支进行训练时，以上一年度的所述多尺度预报因子为输入，以所述年度的年径流残差项为目标输出，对残差项预报分支的参数进行调优。
A6、获取任一年度的多尺度预报因子，输入所述年径流预报模型中，得到下一年度的年径流序列。本实施例中，步骤A6具体包括：
A61、获取任一年度的多尺度因子。
A62、将所述年度的多尺度预报因子输入所述趋势项预报分支中，得到下一年度的趋势项预报结果。
A63、将所述年度的多尺度预报因子输入所述周期项预报分支中，得到下一年度的周期项预报结果。
A64、将所述年度的多尺度预报因子输入所述残差项预报分支中，得到下一年度的残差项预报结果。
A65、将所述趋势项预报结果、所述周期项预报结果和所述残差项预报结果进行融合，得到下一年度的年径流序列。
下面结合一个具体的例子，来对本实施例提供的基于时序分解的中长期径流预报方法进行说明：
应用在辽宁省大连市的碧流河流域，采集到的为1952年-2020年的历史年径流序列数据记为Y＝(Y1952，Y1953，Y1954，…，Y2020)，对应采集1951-2019年的预报因子X＝(X1951，X1952，X1953，…，X2019)。对其中任意一年，如1951年的预报因子，通过互信息法筛选的排名前十的全球尺度因子为X1,1951，X2,1951，X3,1951，X4,1951，…，X10,1951，天文尺度因子选用太阳黑子相对数和月球赤纬角数据X11,1951,X12,1951，将以上的1951年的因子数据系列统称为X1951＝(X1,1951，X2,1951，X3,1951，X4,1951，…，X10,1951，X11,1951,X12,1951)。利用小波分析提取历史年径流序列数据Y的年径流周期，根据年径流周期将任一年度的Y进行STL分解，如对1952年的Y进行分解，分解得到数据序列包括趋势项YT,1952、周期项YS,1952、残差项YR,1952。然后根据X和YT,1952、X和YS,1952、X和YR,1952分别构建随机森林模型进行预报。最终将3个模型的预报结果相加即为年径流序列的最终预报结果。
实施例2：
本发明实施例1的方法也可以借助于图4所示的基于时序分解的中长期径流预报系统的架构来实现。如图4所示，该基于时序分解的中长期径流预报系统可以包括历史年径流序列获取模块、年径流周期提取模块、时序分解模块、多尺度预报因子获取模块和预报模型训练模块；一些模块还可以有用于实现其功能的子单元，例如在多尺度预报因子获取模块中包括天文尺度预报因子获取单元和全球尺度预报因子获取单元。当然，图4所示的架构只是示例性的，在一些实施方式中，可以在一些模块中添加其他的单元；另外在需要实现不同的功能时，根据实际需要，也可以省略图4示出的系统中的一个或至少两个组件。
本文中应用了具体个例，但以上描述仅是对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；本领域的技术人员应该理解，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于时序分解的中长期径流预报方法，其特征在于，所述中长期径流预报方法包括：
获取目标水文站点若干个年度的历史年径流序列；
针对任一年度的历史年径流序列，采用小波分析对所述年度的历史年径流序列进行周期提取，得到年径流周期；
根据所述年径流周期，对所述年度的历史年径流序列进行时序分解，得到年径流趋势项、年径流周期项和年径流残差项；
针对所述年度的历史年径流序列，获取上一年度的多尺度预报因子；所述多尺度预报因子包括天文尺度预报因子和全球尺度预报因子；
根据上一年度的所述多尺度预报因子、所述年度的年径流趋势项、所述年度的年径流周期项和所述年度的年径流残差项，训练得到年径流预报模型；
获取任一年度的多尺度预报因子，输入所述年径流预报模型中，得到下一年度的年径流序列。
2.根据权利要求1所述的中长期径流预报方法，其特征在于，所述获取目标水文站点若干个年度的历史年径流序列，具体包括：
获取目标水文站点任一年度的十二个历史月径流序列；
根据任一年度的十二个历史月径流序列，得到所述年度的历史年径流序列。
3.根据权利要求1所述的中长期径流预报方法，其特征在于，所述针对所述年度的历史年径流序列，获取上一年度的多尺度预报因子，具体包括：
针对所述年度的历史年径流序列，获取上一年度的天文尺度预报因子；
针对所述年度的历史年径流序列，获取上一年度的若干个大气环流因子；
在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子，作为全球尺度预报因子。
4.根据权利要求3所述的中长期径流预报方法，其特征在于，在所述在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子，作为全球尺度预报因子之后，所述中长期径流预报方法还包括：
对缺值低于预设阈值的若干个大气环流因子进行线性插值补充。
5.根据权利要求3所述的中长期径流预报方法，其特征在于，在所述在若干个所述大气环流因子中选取缺值低于预设阈值的若干个大气环流因子，作为全球尺度预报因子之后，所述中长期径流预报方法还包括：
对各全球尺度预报因子和所述历史年径流序列进行互信息计算，得到各全球尺度预报因子与所述历史年径流序列的相关性；
根据各全球尺度预报因子与所述历史年径流序列的相关性，降序排列各全球尺度预报因子；
选取排名前十的全球尺度预报因子，作为最终的全球尺度预报因子。
6.根据权利要求1-5任一项所述的中长期径流预报方法，其特征在于，所述天文尺度预报因子包括太阳黑子相对数和月球赤纬角数据。
7.根据权利要求1所述的中长期径流预报方法，其特征在于，所述年径流预报模型包括趋势项预报分支、周期项预报分支和残差项预报分支；所述获取任一年度的多尺度预报因子，输入所述年径流预报模型中，得到下一年度的年径流序列，具体包括：
获取任一年度的多尺度因子；
将所述年度的多尺度预报因子输入所述趋势项预报分支中，得到下一年度的趋势项预报结果；
将所述年度的多尺度预报因子输入所述周期项预报分支中，得到下一年度的周期项预报结果；
将所述年度的多尺度预报因子输入所述残差项预报分支中，得到下一年度的残差项预报结果；
将所述趋势项预报结果、所述周期项预报结果和所述残差项预报结果进行融合，得到下一年度的年径流序列。
8.根据权利要求1所述的中长期径流预报方法，其特征在于，所述年径流预报模型包括趋势项预报分支、周期项预报分支和残差项预报分支；所述根据上一年度的所述多尺度预报因子、所述年度的年径流趋势项、所述年度的年径流周期项和所述年度的年径流残差项，训练得到年径流预报模型，具体包括：
根据上一年度的所述多尺度预报因子和所述年度的年径流趋势项，训练所述趋势项预报分支；
根据上一年度的所述多尺度预报因子和所述年度的年径流周期项，训练所述周期项预报分支；
根据上一年度的所述多尺度预报因子和所述年度的年径流残差项，训练所述残差项预报分支。
9.根据权利要求7或8任一项所述的中长期径流预报方法，其特征在于，所述趋势项预报分支、所述周期项预报分支和所述残差项预报分支均为深度学习模型。
10.一种基于时序分解的中长期径流预报系统，其特征在于，所述中长期径流预报系统在被计算机运行时，执行如权利要求1～9任一项所述的中长期径流预报方法。
CN202211248048.5A 2022-10-12 2022-10-12 一种基于时序分解的中长期径流预报方法及系统 Active CN115481818B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211248048.5A CN115481818B (zh) 2022-10-12 2022-10-12 一种基于时序分解的中长期径流预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211248048.5A CN115481818B (zh) 2022-10-12 2022-10-12 一种基于时序分解的中长期径流预报方法及系统

Publications (2)

Publication Number Publication Date
CN115481818A true CN115481818A (zh) 2022-12-16
CN115481818B CN115481818B (zh) 2023-05-30

Family

ID=84396300

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211248048.5A Active CN115481818B (zh) 2022-10-12 2022-10-12 一种基于时序分解的中长期径流预报方法及系统

Country Status (1)

Country Link
CN (1) CN115481818B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107292098A (zh) * 2017-06-15 2017-10-24 河海大学 基于前期气象因子与数据挖掘技术的中长期径流预报方法
US20170365094A1 (en) * 2016-04-04 2017-12-21 University Of Cincinnati Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data
CN107992961A (zh) * 2017-11-21 2018-05-04 中国水利水电科学研究院 一种自适应的流域中长期径流预报模型架构方法
CN110555561A (zh) * 2019-09-06 2019-12-10 清华大学 一种中长期径流集合预报方法
CN110598352A (zh) * 2019-09-24 2019-12-20 中国水利水电科学研究院 一种流域来水的预报方法
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
CN112163723A (zh) * 2020-11-02 2021-01-01 西安热工研究院有限公司 基于情景划分的水电站中长期径流预测方法、介质及设备
CN114595861A (zh) * 2021-12-22 2022-06-07 国网宁夏电力有限公司 基于mstl和lstm模型的中长期电力负荷预测方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170365094A1 (en) * 2016-04-04 2017-12-21 University Of Cincinnati Localized Contour Tree Method for Deriving Geometric and Topological Properties of Complex Surface Depressions Based on High Resolution Topographical Data
CN107292098A (zh) * 2017-06-15 2017-10-24 河海大学 基于前期气象因子与数据挖掘技术的中长期径流预报方法
CN107992961A (zh) * 2017-11-21 2018-05-04 中国水利水电科学研究院 一种自适应的流域中长期径流预报模型架构方法
CN110555561A (zh) * 2019-09-06 2019-12-10 清华大学 一种中长期径流集合预报方法
CN110598352A (zh) * 2019-09-24 2019-12-20 中国水利水电科学研究院 一种流域来水的预报方法
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
CN112163723A (zh) * 2020-11-02 2021-01-01 西安热工研究院有限公司 基于情景划分的水电站中长期径流预测方法、介质及设备
CN114595861A (zh) * 2021-12-22 2022-06-07 国网宁夏电力有限公司 基于mstl和lstm模型的中长期电力负荷预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
张学功,王强: "应用时序递阶组合模型预报白溪水库年平均入库流量", 中国农村水利水电 *
杜克胜;孙玉娟;胡兴林;: "水文预报加法模型在甘肃省主要河流年径流预测中的应用研究", 地下水 *

Also Published As

Publication number Publication date
CN115481818B (zh) 2023-05-30

Similar Documents

Publication Publication Date Title
Fan et al. Short term load forecasting based on phase space reconstruction algorithm and bi-square kernel regression model
Rafi et al. A short-term load forecasting method using integrated CNN and LSTM network
CN106203686A (zh) 基于灰色系统的西北太平洋柔鱼冬春生群体丰度预测方法
CN108711847B (zh) 一种基于编码解码长短期记忆网络的短期风电功率预测方法
CN106971240A (zh) 一种变量选择与高斯过程回归的短期负荷预测方法
CN113537600B (zh) 一种全过程耦合机器学习的中长期降水预报建模方法
CN115293415A (zh) 计及时间演变和空间相关的多风电场短期功率预测方法
CN110276441B (zh) 一种基于深度学习的梯形重叠核脉冲估计方法
Liu et al. Heating load forecasting for combined heat and power plants via strand-based LSTM
CN112100911A (zh) 一种基于深度bisltm的太阳辐射预测方法
CN113505923A (zh) 一种地区电网短期负荷预测方法及系统
CN112396152A (zh) 一种基于cs-lstm的洪水预报方法
CN114498619A (zh) 一种风电功率预测方法及装置
CN115034254A (zh) 基于hht频带能量特征和卷积神经网络的核素识别方法
Zhou et al. Simulation of future dissolved oxygen distribution in pond culture based on sliding window-temporal convolutional network and trend surface analysis
Liu et al. A novel hybrid model to predict dissolved oxygen for efficient water quality in intensive aquaculture
CN114118401A (zh) 基于神经网络的配电网络流量预测方法、系统、装置及存储介质
CN116777066B (zh) 基于地基云图引导深度分解的光伏功率概率预测方法及装置
CN115481818B (zh) 一种基于时序分解的中长期径流预报方法及系统
CN116863341A (zh) 基于时间序列卫星遥感影像的作物分类和识别方法和系统
CN116402194A (zh) 一种基于混合神经网络的多时间尺度负荷预测方法
CN116363498A (zh) 基于深度迁移学习的黄土高原梯田自动识别方法
CN112765141A (zh) 基于迁移学习的连续大规模水质缺失数据填补方法
Madhiarasan et al. Hybrid Transformer Network for Different Horizons-based Enriched Wind Speed Forecasting
CN109523587A (zh) 基于多特征和自适应字典学习的目标跟踪方法及系统

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