CN116503206B - 一种入库径流重构方法、计算机设备及介质 - Google Patents
一种入库径流重构方法、计算机设备及介质 Download PDFInfo
- Publication number
- CN116503206B CN116503206B CN202310787495.6A CN202310787495A CN116503206B CN 116503206 B CN116503206 B CN 116503206B CN 202310787495 A CN202310787495 A CN 202310787495A CN 116503206 B CN116503206 B CN 116503206B
- Authority
- CN
- China
- Prior art keywords
- runoff
- reservoir
- data
- simulated
- runoff data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008859 change Effects 0.000 claims abstract description 190
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000005315 distribution function Methods 0.000 claims description 69
- 238000011144 upstream manufacturing Methods 0.000 claims description 42
- 230000015654 memory Effects 0.000 claims description 25
- 230000035772 mutation Effects 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 13
- 238000004364 calculation method Methods 0.000 description 20
- 230000000694 effects Effects 0.000 description 11
- 230000014509 gene expression Effects 0.000 description 11
- 238000001556 precipitation Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 241000039077 Copula Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000008020 evaporation Effects 0.000 description 2
- 238000001704 evaporation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000002085 persistent effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
- 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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及水文水资源领域,提供了一种入库径流重构方法、计算机设备及介质。该方法包括:获取梯级水库群当前时段径流数据、历史径流数据;基于历史径流数据,计算第一统计特征参数和气候变化贡献率;获取多个气候变化模式下对应的气象数据;将气象数据分别输入至水文模型,得到气候变化模式下预测径流数据;基于第一统计特征参数、气候变化贡献率以及预测径流数据,确定气候变化模式下变化因子的阈值;基于第一统计特征参数和阈值,计算第二统计特征参数;基于当前时段径流数据和第二统计特征参数,利用随机模拟模型重构当前时段多个第一模拟径流数据。通过本发明,结合气候变化调整径流统计特征参数,使重构的径流数据更具有科学理论支撑。
Description
技术领域
本发明涉及水文水资源领域,尤其涉及一种入库径流重构方法、计算机设备及介质。
背景技术
对于水库适应性调度而言,入库径流是最直接、最重要的输入条件。但是,入库径流一般会受到气候变化与人类活动(如下垫面、水工程调蓄等)的双重影响,通常难以实现精准的模拟与预测。对于气候变化与人类活动双驱动下的变化环境,如何开展水库适应性调度,第一步就需要解决入库径流重构。
现有技术主要从两个方式来进行环境变化下入库径流的重构:方式一,设定不同的气候变化情景、不同的下垫面条件、不同的人工取用水情况、不同的水工程调蓄方案等,以此作为水文模型的驱动要素,从而形成多种径流重构情景;方式二,基于历史实测径流序列,人为假定径流统计特征参数(如均值、变异系数)的调整范围,并借助随机模拟技术,生成多种径流重构情景。
然而,方式一,对数据要求极高(即数据类型多及数据规模大),部分数据难以获取(如水工程调蓄方案、人工取用水数据),计算速度慢,适用对象有限(掌握特定水文模型的人员);方式二,主要依赖人为主观经验设置径流特征参数(如均值、变异系数)的调整范围,该调整范围缺少合理的、科学的解释。
发明内容
为合理调整径流统计特征参数,快速重构径流数据,本发明提出了一种入库径流重构方法、计算机设备及介质。
第一方面,本发明提供了一种入库径流重构方法,方法包括:
获取梯级水库群当前时段的径流数据,以及历史径流数据;
基于历史径流数据,计算梯级水库群的第一统计特征参数和气候变化贡献率;
获取多个气候变化模式下对应的气象数据;
将各气候变化模式的气象数据分别输入至预构建的水文模型,得到各气候变化模式下的预测径流数据;
基于第一统计特征参数、气候变化贡献率以及各预测径流数据,确定各气候变化模式下梯级水库群的变化因子的阈值;
基于第一统计特征参数和梯级水库群的变化因子的阈值,计算第二统计特征参数;
基于当前时段的径流数据和第二统计特征参数,利用预构建的随机模拟模型重构当前时段的多个第一模拟径流数据。
考虑到径流变化主要受到气候变化与人类活动两方面的影响,鉴于人类活动难以准确量化描述,而气候变化模式下径流数据获取容易且较为可靠,因此,可以根据不同气候变化模式下径流数据较历史径流数据的变化情况,推导确定径流变化因子的范围,使得利用变化因子得到的径流统计特征参数处于合理的变化范围中,相较于通过人为主观经验设定的径流统计特征参数,通过不同气候变化模式所推求的径流统计特征参数范围更加合理,使得到的模拟径流数据更具有科学理论支撑。通过本发明提供的方法,有利于快速重构径流,满足不同变化环境下水资源调控的数据需求,可以全面模拟不同变化环境下的入库径流,具有适应对象广的特点。
在一种可选的实施方式中,梯级水库群中的一个水库对应多组变化因子,一组变化因子包括均值变化因子,和/或,变异系数变化因子,基于第一统计特征参数、气候变化贡献率以及各预测径流数据,确定各气候变化模式下水库的变化因子的阈值,包括:
基于各预测径流数据,计算各预测径流数据的第三统计特征参数;
基于第一统计特征参数、气候变化贡献率以及各第三统计特征参数,计算各气候变化模式下水库的变化因子;
基于各气候变化模式下水库的变化因子,确定水库的变化因子的阈值。
在一种可选的实施方式中,基于各气候变化模式下水库的变化因子,确定水库的变化因子的阈值,包括:
统计水库在各气候变化模式下的变化因子的出现频率;
将出现频率大于预设频率的变化因子的上下边界作为水库的变化因子的阈值。
在一种可选的实施方式中,基于历史径流数据,计算气候变化贡献率,包括:
基于历史径流数据,确定径流突变时刻;
获取径流突变时刻的径流变化量;
基于径流变化量,确定气候变化贡献率。
在一种可选的实施方式中,径流数据包括龙头水库的入库径流以及各水库与相邻上游水库的区间径流,基于当前时段的径流数据和第二统计特征参数,利用预构建的随机模拟模型重构当前时段的多个第一模拟径流数据,包括:
基于当前时段的龙头水库的入库径流和当前时段的龙头水库的第二统计特征参数,利用预构建的随机模拟模型重构当前时段的龙头水库的第一模拟入库径流;
基于前一时段的各水库与相邻上游水库的区间径流、当前时段的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流。
在一种可选的实施方式中,基于前一时段的各水库与相邻上游水库的区间径流、当前时段的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流,包括:
基于第二统计特征参数,根据边缘概率分布函数服从皮尔逊三型分布,计算第一边缘概率分布函数、第二边缘概率分布函数和第三边缘概率分布函数,第一边缘概率分布函数、第二边缘概率分布函数、第三边缘概率分布函数分别为当前时段的龙头水库的入库径流的边缘概率分布函数、前一时段的各下游水库与上游水库的区间径流的边缘概率分布函数、当前时段的各下游水库与上游水库的区间径流的边缘概率分布函数;
基于第一边缘概率分布函数、第二边缘概率分布函数和第三边缘概率分布函数,构建联合分布函数;
基于联合分布函数、前一时段的各水库与相邻上游水库的区间径流,以及当前时刻的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流。
在一种可选的实施方式中,该方法还包括:
基于各第一模拟径流数据之间的相似度,筛选各第一模拟径流数据,得到当前时段的各第二模拟径流数据。
在一种可选的实施方式中,一组变化因子包括均值变化因子,和/或,变异系数变化因子,相似度通过概率距离表征,基于各第一模拟径流数据之间的相似度,筛选各第一模拟径流数据,得到当前时段的各第二模拟径流数据,包括:
将各第一模拟径流数据根据变化因子的种类进行分类,得到不同种类变化因子下的各第一模拟径流数据;
在同一种变化因子下的各第一模拟径流数据中,计算各第一模拟径流数据的概率距离;
在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据;
若去除冗余后的第一模拟径流数据的数量大于预设值,重复执行在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据的步骤,直到去除冗余后的第一模拟径流数据的数量达到预设值;
基于去除冗余后的第一模拟径流数据,形成当前时段的各第二模拟径流数据。
第二方面,本发明还提供了一种计算机设备,包括存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行第一方面或第一方面的任一实施方式的入库径流重构方法的步骤。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现第一方面或第一方面的任一实施方式的入库径流重构方法的步骤。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,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是根据一示例性实施例提出的一种入库径流重构方法的流程图;
图2 为根据一示例性实施例提出的一种入库径流重构装置的结构示意图;
图3是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
此外,下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为合理调整径流统计特征参数,快速重构径流数据,本发明提出了一种入库径流重构方法、计算机设备及介质。
图1是根据一示例性实施例提出的一种入库径流重构方法的流程图。如图1所示,入库径流重构方法包括如下步骤S101至S107。
步骤S101:获取梯级水库群当前时段的径流数据,以及历史径流数据。
在一可选实施例中,梯级水库群包括龙头水库和下游各水库,龙头水库指的是在该梯级水库群中处于最上游位置的水库。
在一可选实施例中,径流数据可以为龙头水库的入库径流,也可以为各水库与相邻上游水库的区间径流,在此不做具体限制。
在一可选实施例中,当前时段的时长可以根据实际需要设定。示例性地,可以根据季节将一年划分为多个时段,也可以根据汛期划分时段等。
在一可选实施例中,历史径流数据指的是与当前时段同期的多年历史径流数据。示例性地,径流数据为当前时段为1月-3月的径流数据时,历史径流数据可以为1月-3月多个年份的径流数据,例如历史径流数据可以为2020年1月-3月的径流数据、2021年1月-3月的径流数据、2022年1月-3月的径流数据等。年份的数量在此不做具体限制,可以根据实际需要设定。
步骤S102:基于历史径流数据,计算梯级水库群的第一统计特征参数和气候变化贡献率。
在一可选实施例中,统计特征参数包括但不限于均值、变异系数(Coefficient ofVariation,Cv值)、偏态系数。
在一可选实施例中,当径流数据为入库径流时,梯级水库群的第一统计特征参数是根据龙头水库的入库径流计算得到的,当径流数据为区间径流时,梯级水库群的第一统计特征参数是根据水库与相邻上游水库的区间径流计算得到的。
步骤S103:获取多个气候变化模式下对应的气象数据。
在一可选实施例中,不同气候变化模式对应不同的气象数据。气象数据包括但不限于降水数据和温度数据。示例性地,可以从CMIP6数据集中获得多个气候变化模式下,未来预测降水和未来预测气温的网格化数据;然后借助统计降尺度技术,根据未来预测降水和未来预测气温的网格化数据,形成多种气候变化模式下,梯级水库群及所处流域未来预测的面平均降水数据和气温数据。
步骤S104:将各气候变化模式的气象数据分别输入至预构建的水文模型,得到各气候变化模式下的预测径流数据。
在一可选实施例中,水文模型中的参数是利用历史实测的降水数据和气温数据以及径流数据,对水文模型进行训练后得到的。
步骤S105:基于第一统计特征参数、气候变化贡献率以及各预测径流数据,确定各气候变化模式下梯级水库群的变化因子的阈值。
在一可选实施例中,变化因子与统计特征参数相对应。示例性地,当统计特征参数为均值时,变化因子为均值变化因子,当统计特征参数为变异系数时,变化因子为变异系数变化因子,当统计特征参数为偏态系数时,变化因子为偏态系数变化因子。
步骤S106:基于第一统计特征参数和梯级水库群的变化因子的阈值,计算第二统计特征参数。
在一可选实施例中,通过变化因子的阈值确定变化因子,进而根据第一统计特征参数和变化因子计算第二统计特征参数。
步骤S107:基于当前时段的径流数据和第二统计特征参数,利用预构建的随机模拟模型重构当前时段的多个第一模拟径流数据。
在一可选实施例中,随机模拟模型是一种应用随机数来进行模拟实验的数学模型,可以利用随机模拟模型更加充分表征由环境变化引起的径流数据的不确定性。示例性地,随机模拟模型可以为蒙特卡罗模型。
考虑到径流变化主要受到气候变化与人类活动两方面的影响,鉴于人类活动难以准确量化描述,而气候变化模式下径流数据获取容易且较为可靠,因此,可以根据不同气候变化模式下径流数据较历史径流数据的变化情况,推导确定径流变化因子的范围,使得利用变化因子得到的径流统计特征参数处于合理的变化范围中,相较于通过人为主观经验设定的径流统计特征参数,通过不同气候变化模式所推求的径流统计特征参数范围更加合理,使得到的模拟径流数据更具有科学理论支撑。通过本发明提供的方法,有利于快速重构径流,满足不同变化环境下水资源调控的数据需求,可以全面模拟不同变化环境下的入库径流,具有适应对象广的特点。
在一示例中,在上述步骤S102中,通过如下方式计算气候变化贡献率:
首先,基于历史径流数据,确定径流突变时刻。
在一可选实施例中,可以采用曼-肯德尔法(又称Mann-kendall检验方法)诊断径流数据的时空变异性,从而确定径流突变时刻。
然后,获取径流突变时刻的径流变化量。
在一可选实施例中,径流突变时刻的径流变化量根据径流突变时刻前后的径流数据获得。
最后,基于径流变化量,确定气候变化贡献率。
在一可选实施例中,可以采用布迪可方法(Budyko)计算气候变化贡献率。
在一可选实施例中,采用Mann-kendall检验方法确定径流突变时刻,具体内容如下:
首先,利用滑动平均法对梯级水库群及所处流域的历史径流数据进行年际变化趋势的分析。
鉴于梯级水库群及所处流域的历史径流数据是由T个时段、Yr年长度组成的序列Z,针对该序列构建一个秩序列S kr(表示第i个样本z i>z j的累计数),计算表达式如下:
(1)
其中,为根据z i与z j值的大小取值为0或1。
将秩序列进行标准化处理,计算表达式如下:
(2)
其中,为按时间序列z的顺序计算出的统计量序列,其中;和分别为秩序列的均值和方差,计算表达式如下:
(3)
基于公式(2)所计算出来的统计量,给定显著性水平α,若,则表明序列存在明显的趋势变化。
然后,根据年际变化趋势,确定径流突变时刻。逆序值,曲线和在临界线之间的交点即为径流突变时刻。该突变点即为径流突变的年份,径流突变时刻之前的径流数据处于基准期,径流突变时刻之后的径流数据处于变化期。
在一可选实施例中,采用布迪可方法(Budyko)计算引起径流变化各要素的贡献率,计算公式如下,
气候变化方面:(4)
人类活动方面:(5)
其中,cc和ca分别为气候变化贡献率、人类活动贡献率,且有;为径流变化量,由径流突变时刻前后径流比较计算得到,且满足;、、分别为降水变化引起的径流变化量、潜在蒸散发变化引起的径流变化量、人类活动导致下垫面条件变化引起的径流变化量,三者可利用Budyko理论计算得到,具体计算表达式如下:
(6)
(7)
(8)
其中,、、分别为多年平均的年降水量、多年平均的年潜在蒸发量、反映流域下垫面多年平均特征的参数;、、分别为径流突变时刻前后的降水变化量、潜在蒸发变化量、下垫面条件的参数变化;、、分别为径流Q对降水PE的弹性系数、对潜在蒸散发ET 0的弹性系数、对下垫面特征指数n的弹性系数,可基于Budyko理论中Choudhury-Yang经验公式计算得到,、、的计算表达式如下:
(9)
(10)
(11)
其中,参数。
在一示例中,在上述步骤S104中,多个气候变化模式下梯级水库群及所处流域的预测径流数据集表示如下:
(12)
其中,为气候变化模式总个数;为第s个气候变化模式下预测梯级水库群所处流域的径流序列,表示如下:
(13)
其中,为第s个气候变化模式下第k个水库的预测径流数据,表示如下:
(14)
其中,为第s个气候变化模式下第k个水库在第j年第t时段的预测径流,当k=1时表示龙头水库的预测入库径流,当k≥2时表示水库k与其上游水库k-1的预测区间径流;为预测数据的总年数;为年内时段总数(以日、旬或月为时段步长时,T=365、36或12)。
在一示例中,梯级水库群中的一个水库对应多组变化因子,一组变化因子包括均值变化因子,和/或,变异系数变化因子。
梯级水库群的径流数据主要受气候变化(自然)与人类活动(人工)的影响,考虑到水利工程建设、城市化推进等人类活动的组成复杂、量化难度大、数据获取全面性低等特点,并鉴于气候变化的数据源完备且具有获取方便、径流响应分析方法完善、应用程度高等优势,本发明实施例从气候变化入手来甄选综合考虑自然-人工互馈的代表性模拟径流数据,通过多个气候变化模式下的径流数据推求变化因子阈值。在上述步骤S105中,推求变化因子阈值的具体步骤包括:
步骤a1:基于各预测径流数据,计算各预测径流数据的第三统计特征参数。
考虑到预测径流数据的序列长度比历史径流数据的序列更长,采用逐年滑动抽样方法,将预测径流数据划分为n个子模块样本,每个子模块样本的径流数据的总年数与历史径流数据的总年数一致,均为Yr。据此,计算各个子模块数据多年尺度的径流均值和Cv值,计算表达式如下:
(15)
(16)
(17)
(18)
其中,和分别为第s个气候变化模式下第k个水库的预测径流数据整体的多年尺度径流均值和Cv值,即第三统计特征参数;和分别为第s个气候变化模式下第k个水库的第i个子模块样本序列的多年尺度的径流均值和Cv值;为第s个气候变化模式下第k个水库的第i个子模块在第j年第t时段的预测径流数据,当k=1时表示龙头水库的预测入库径流,当k≥2时表示水库k与其上游水库k-1的预测区间径流。
步骤a2:基于第一统计特征参数、气候变化贡献率以及各第三统计特征参数,计算各气候变化模式下水库的变化因子。
在一可选实施例中,在每个气候变化模式下,对应有考虑自然-人工双重影响的各水库的均值变化因子和Cv值变化因子。为了充分考虑气候变化的不确定性,在气候变化贡献率上引入动态变幅参数,通过气候变化贡献率和动态变幅参数计算均值变化因子和Cv值变化因子,其计算表达式分别如下所示,
(19)
(20)
(21)
其中,为均值变化因子;为Cv值变化因子;和分别为第k个水库历史径流数据的多年尺度的均值与Cv值,即第一统计特征参数;为气候变化的动态贡献率;为气候变化贡献率;为动态变幅参数,推荐取值范围为[-0.1,0.1];A、B、C、D为Cv值变化因子的计算参数,A、B、C、D的计算表达式如下,
(22)
(23)
(24)
(25)
步骤a3:基于各气候变化模式下水库的变化因子,确定水库的变化因子的阈值。
在一可选实施例中,在上述步骤a3中,确定水库的变化因子的阈值的具体内容包括:
首先,统计水库在各气候变化模式下的变化因子的出现频率。
然后,将出现频率大于预设频率的变化因子的上下边界作为水库的变化因子的阈值。示例性地,预设频率可以设置为10%,将出现频率大于10%的变化因子的上下边界作为水库的变化因子的阈值。
通过上述实施例,采用气候变化贡献率表征自然环境改变(气候变化现象)对径流数据的影响,通过不同气候变化模式下的径流数据,得到多个第三统计特征参数,进而根据第一统计特征参数、气候变化贡献率和各第三统计特征参数确定各水库的变化因子阈值,使得重构径流的统计特征参数更具有合理性、科学性。
在一示例中,上述步骤S106中,基于第一统计特征参数和变化因子计算第二统计特征参数的计算公式如下:
(26)
(27)
(28)
其中,、、分别为第二统计特征参数中的均值、变异系数、偏态系数;、分别为依据历史径流数据计算得到的第一统计特征参数中的均值和变异系数;为第k个水库在第j年第t时段的历史径流数据;为固定常数,其中为依据历史径流数据计算的偏态系数;和分别为均值变化因子和变异系数变化因子;下标t为年内时段编号,取值为,以日、旬或月为时段步长时,T=365、36或12;下标k为水库编号,取值为,当k=1时表示龙头水库入库径流,当k≥2时表示水库k与相邻上游水库k-1的区间径流,为梯级水库群中的总水库数量;Yr为年总数。
在一示例中,径流数据包括龙头水库的入库径流以及各水库与相邻上游水库的区间径流,基于当前时段的径流数据和第二统计特征参数,在上述步骤S107中,利用预构建的随机模拟模型重构当前时段的多个第一模拟径流数据的具体步骤包括:
步骤b1:基于当前时段的龙头水库的入库径流和当前时段的龙头水库的第二统计特征参数,利用预构建的随机模拟模型重构当前时段的龙头水库的第一模拟入库径流。
在一可选实施例中,根据当前时段的龙头水库的入库径流和当前时段的龙头水库的第二统计特征参数,入库径流也可以通过如下公式重构:
此时,为龙头水库(k为1)在第j年第t时段通过变化因子重构后的径流值。
步骤b2:基于前一时段的各水库与相邻上游水库的区间径流、当前时段的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流。
在一可选实施例中,在上述步骤b2中,计算当前时段的各水库与相邻上游水库的第一模拟区间径流的具体步骤包括:
步骤c1:基于第二统计特征参数,根据边缘概率分布函数服从皮尔逊三型分布(P-III分布),计算第一边缘概率分布函数、第二边缘概率分布函数和第三边缘概率分布函数,第一边缘概率分布函数u 1、第二边缘概率分布函数u 2、第三边缘概率分布函数u 3分别为当前时段的龙头水库的入库径流的边缘概率分布函数、前一时段的各下游水库与上游水库的区间径流的边缘概率分布函数、当前时段的各下游水库与上游水库的区间径流的边缘概率分布函数。
步骤c2:基于第一边缘概率分布函数u 1、第二边缘概率分布函数u 2和第三边缘概率分布函数u 3,构建联合分布函数。
示例性地,以QX与QY分别表示基于变化因子调整之后的龙头水库入库径流和相邻水库的区间径流,联合分布函数计算表达式如下:
(29)
其中,为联合分布函数;为Copula联结函数;和均为给定变量时的条件概率分布函数,可由贝叶斯原理计算得到,用以表征时空相关性;、、分别为第一边缘概率分布函数、第二边缘概率分布函数、第三边缘概率分布函数;为当前时段t的龙头水库的模拟入库径流;为当前时段t的相邻水库的模拟区间径流;为前一时段t-1的相邻水库的模拟区间径流。
上述Copula联结函数计算所必需的偏相关系数,计算表达式如下,
(30)
其中,为给定条件下的偏相关系数;为和之间的Kendall秩相关系数,即;为和之间的Kendall秩相关系数,即;为和之间的Kendall秩相关系数,即。
步骤c3:基于联合分布函数、前一时段的各水库与相邻上游水库的区间径流,以及当前时刻的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流。
示例性地,利用联合分布函数进行反推计算,在已知前一时段的各水库与相邻上游水库的区间径流、当前时刻的龙头水库的第一模拟入库径流的前提条件下,依据如下公式(31)~公式(33)获得当前时段的水库与相邻上游水库的第一模拟区间径流:
(31)
其中,为当前时段的相邻水库区间径流的边缘概率分布的逆运算,其中的取值基于公式(32)的反推计算,即
(32)
其中,为条件分布函数,其取值是基于公式(33)进行反推计算得到的,即
(33)
其中,为另一条件分布函数,取值来源于龙头水库的第一模拟入库径流的随机数结果;为给定的0-1随机数。
通过本发明实施例,即可获得多个时段、多个年份的模拟径流数据。最终得到的径流模拟数据集表示如下,
(34)
其中,为所有变化因子设置情况下模拟径流数据集;为第l种变化因子设置情况下模拟径流数据集;为变化因子设置情况总数。
(35)
其中,SA 1为随机模拟次数;为第l种变化因子设置情况下第g组模拟径流数据,其中第k个水库的径流数据表达式如下,
(36)
其中,为第l种变化因子设置情况下第g组模拟径流数据中第k个水库在第j年第t时段的径流值;当k=1时表示龙头水库的模拟入库径流,当k≥2时表示水库k与其上游水库k-1的模拟区间径流;T、Yr和M分别为年内时段总数、年总数、梯级水库群系统中水库总数。
为了避免模拟径流数据存在冗余,在本发明实施例中,根据模拟径流数据之间的相似度进一步筛选得到最终的模拟径流数据,精简模拟径流数据,减少后续不必要的径流数据计算。筛选过程包括:
基于各第一模拟径流数据之间的相似度,筛选各第一模拟径流数据,得到当前时段的各第二模拟径流数据。
在一可选实施例中,当两个模拟径流数据的相似度超过预设值,只保留一个模拟径流数据,得到去除冗余后的模拟径流数据。
在一可选实施例中,一组变化因子包括均值变化因子,和/或,变异系数变化因子,相似度通过概率距离表征,筛选各第一模拟径流数据的具体步骤包括:
步骤d1:将各第一模拟径流数据根据变化因子的种类进行分类,得到不同种类变化因子下的各第一模拟径流数据。
步骤d2:在同一种变化因子下的各第一模拟径流数据中,计算各第一模拟径流数据的概率距离。
步骤d3:在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据。示例性地,概率距离的计算公式如下所示:
(37)
其中,为概率距离。
步骤d4:若去除冗余后的第一模拟径流数据的数量大于预设值,重复执行在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据的步骤,直到去除冗余后的第一模拟径流数据的数量达到预设值。
步骤d5:基于去除冗余后的第一模拟径流数据,形成当前时段的各第二模拟径流数据。
基于相同发明构思,本发明实施例还提供一种入库径流重构装置,如图2所示,该装置包括:
第一获取模块201,用于获取梯级水库群当前时段的径流数据,以及历史径流数据;详细内容参见上述实施例中步骤S101的描述,在此不再赘述。
第一计算模块202,用于基于历史径流数据,计算梯级水库群的第一统计特征参数和气候变化贡献率;详细内容参见上述实施例中步骤S102的描述,在此不再赘述。
第二获取模块203,用于获取多个气候变化模式下对应的气象数据;详细内容参见上述实施例中步骤S103的描述,在此不再赘述。
预测模块204,用于将各气候变化模式的气象数据分别输入至预构建的水文模型,得到各气候变化模式下的预测径流数据;详细内容参见上述实施例中步骤S104的描述,在此不再赘述。
确定模块205,用于基于第一统计特征参数、气候变化贡献率以及各预测径流数据,确定各气候变化模式下梯级水库群的变化因子的阈值;详细内容参见上述实施例中步骤S105的描述,在此不再赘述。
第二计算模块206,用于基于第一统计特征参数和梯级水库群的变化因子的阈值,计算第二统计特征参数;详细内容参见上述实施例中步骤S106的描述,在此不再赘述。
重构模块207,用于基于当前时段的径流数据和第二统计特征参数,利用预构建的随机模拟模型重构当前时段的多个第一模拟径流数据。详细内容参见上述实施例中步骤S107的描述,在此不再赘述。
在一示例中,梯级水库群中的一个水库对应多组变化因子,一组变化因子包括均值变化因子,和/或,变异系数变化因子,确定模块205包括:
第一计算子模块,用于基于各预测径流数据,计算各预测径流数据的第三统计特征参数;详细内容参见上述实施例中的描述,在此不再赘述。
第二计算子模块,用于基于第一统计特征参数、气候变化贡献率以及各第三统计特征参数,计算各气候变化模式下水库的变化因子;详细内容参见上述实施例中的描述,在此不再赘述。
第一确定子模块,用于基于各气候变化模式下水库的变化因子,确定水库的变化因子的阈值。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第一确定子模块包括:
统计单元,用于统计水库在各气候变化模式下的变化因子的出现频率;详细内容参见上述实施例中的描述,在此不再赘述。
确定单元,用于将出现频率大于预设频率的变化因子的上下边界作为水库的变化因子的阈值。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第一计算模块202包括:
第二确定子模块,用于基于历史径流数据,确定径流突变时刻;
获取子模块,用于获取径流突变时刻的径流变化量;详细内容参见上述实施例中的描述,在此不再赘述。
第三确定子模块,用于基于径流变化量,确定气候变化贡献率。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,径流数据包括龙头水库的入库径流以及各水库与相邻上游水库的区间径流,重构模块207包括:
第一重构子模块,用于基于当前时段的龙头水库的入库径流和当前时段的龙头水库的第二统计特征参数,利用预构建的随机模拟模型重构当前时段的龙头水库的第一模拟入库径流;详细内容参见上述实施例中的描述,在此不再赘述。
第二重构子模块,用于基于前一时段的各水库与相邻上游水库的区间径流、当前时段的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,第二重构子模块包括:
第一计算单元,用于基于第二统计特征参数,根据边缘概率分布函数服从皮尔逊三型分布,计算第一边缘概率分布函数、第二边缘概率分布函数和第三边缘概率分布函数,第一边缘概率分布函数、第二边缘概率分布函数、第三边缘概率分布函数分别为当前时段的龙头水库的入库径流的边缘概率分布函数、前一时段的各下游水库与上游水库的区间径流的边缘概率分布函数、当前时段的各下游水库与上游水库的区间径流的边缘概率分布函数;详细内容参见上述实施例中的描述,在此不再赘述。
构建单元,用于基于第一边缘概率分布函数、第二边缘概率分布函数和第三边缘概率分布函数,构建联合分布函数;详细内容参见上述实施例中的描述,在此不再赘述。
第二计算单元,用于基于联合分布函数、前一时段的各水库与相邻上游水库的区间径流,以及当前时刻的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,该装置还包括:
筛选模块,用于基于各第一模拟径流数据之间的相似度,筛选各第一模拟径流数据,得到当前时段的各第二模拟径流数据。详细内容参见上述实施例中的描述,在此不再赘述。
在一示例中,一组变化因子包括均值变化因子,和/或,变异系数变化因子,相似度通过概率距离表征,筛选模块包括:
分类子模块,用于将各第一模拟径流数据根据变化因子的种类进行分类,得到不同种类变化因子下的各第一模拟径流数据;详细内容参见上述实施例中的描述,在此不再赘述。
第三计算子模块,用于在同一种变化因子下的各第一模拟径流数据中,计算各第一模拟径流数据的概率距离;详细内容参见上述实施例中的描述,在此不再赘述。
筛选子模块,用于在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据;详细内容参见上述实施例中的描述,在此不再赘述。
判断子模块,用于若去除冗余后的第一模拟径流数据的数量大于预设值,重复执行在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据的步骤,直到去除冗余后的第一模拟径流数据的数量达到预设值;详细内容参见上述实施例中的描述,在此不再赘述。
形成子模块,用于基于去除冗余后的第一模拟径流数据,形成当前时段的各第二模拟径流数据。详细内容参见上述实施例中的描述,在此不再赘述。
图3是根据一示例性实施例提出的一种计算机设备的硬件结构示意图。如图3所示,该设备包括一个或多个处理器310以及存储器320,存储器320包括持久内存、易失内存和硬盘,图3中以一个处理器310为例。该设备还可以包括:输入装置330和输出装置340。
处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图3中以通过总线连接为例。
处理器310可以为中央处理器(Central Processing Unit,CPU)。处理器310还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320作为一种非暂态计算机可读存储介质,包括持久内存、易失内存和硬盘,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本申请实施例中入库径流重构方法对应的程序指令/模块。处理器310通过运行存储在存储器320中的非暂态软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述任意一种入库径流重构方法。
存储器320可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储根据、需要使用的数据等。此外,存储器320可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器320可选包括相对于处理器310远程设置的存储器,这些远程存储器可以通过网络连接至数据处理装置。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置330可接收输入的数字或字符信息,以及产生与用户设置以及功能控制有关的信号输入。输出装置340可包括显示屏等显示设备。
一个或者多个模块存储在存储器320中,当被一个或者多个处理器310执行时,执行如图1所示的方法。
上述产品可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,具体可参见如图1所示的实施例中的相关描述。
本发明实施例还提供了一种非暂态计算机存储介质,计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的重构方法。其中,存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccess Memory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;存储介质还可以包括上述种类的存储器的组合。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所申请的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种入库径流重构方法,其特征在于,所述方法包括:
获取梯级水库群当前时段的径流数据,以及历史径流数据;
基于所述历史径流数据,计算所述梯级水库群的第一统计特征参数和气候变化贡献率;
获取多个气候变化模式下对应的气象数据;
将各所述气候变化模式的气象数据分别输入至预构建的水文模型,得到各所述气候变化模式下的预测径流数据;
基于所述第一统计特征参数、所述气候变化贡献率以及各所述预测径流数据,确定各所述气候变化模式下所述梯级水库群的变化因子的阈值;
基于所述第一统计特征参数和所述梯级水库群的变化因子的阈值,计算第二统计特征参数;
基于当前时段的径流数据和所述第二统计特征参数,利用预构建的随机模拟模型重构当前时段的多个第一模拟径流数据;
所述梯级水库群中的一个水库对应多组变化因子,一组变化因子包括均值变化因子,和/或,变异系数变化因子,基于所述第一统计特征参数、所述气候变化贡献率以及各所述预测径流数据,确定各所述气候变化模式下所述水库的变化因子的阈值,包括:
基于各所述预测径流数据,计算各所述预测径流数据的第三统计特征参数;
基于所述第一统计特征参数、所述气候变化贡献率以及各所述第三统计特征参数,计算各所述气候变化模式下所述水库的变化因子;
基于各所述气候变化模式下所述水库的变化因子,确定所述水库的变化因子的阈值;
所述基于各所述气候变化模式下所述水库的变化因子,确定所述水库的变化因子的阈值,包括:
统计所述水库在各所述气候变化模式下的变化因子的出现频率;
将出现频率大于预设频率的变化因子的上下边界作为所述水库的变化因子的阈值;
基于所述历史径流数据,计算所述气候变化贡献率,包括:
基于所述历史径流数据,确定径流突变时刻;
获取所述径流突变时刻的径流变化量;
基于所述径流变化量,确定所述气候变化贡献率;
所述径流数据包括龙头水库的入库径流以及各水库与相邻上游水库的区间径流,所述基于当前时段的径流数据和所述第二统计特征参数,利用预构建的随机模拟模型重构当前时段的多个第一模拟径流数据,包括:
基于当前时段的龙头水库的入库径流和当前时段的龙头水库的第二统计特征参数,利用预构建的随机模拟模型重构当前时段的龙头水库的第一模拟入库径流;
基于前一时段的各水库与相邻上游水库的区间径流、当前时段的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流;
变化因子与统计特征参数相对应,当统计特征参数为均值时,变化因子为均值变化因子;当统计特征参数为变异系数时,变化因子为变异系数变化因子;当统计特征参数为偏态系数时,变化因子为偏态系数变化因子。
2.根据权利要求1所述的方法,其特征在于,所述基于前一时段的各水库与相邻上游水库的区间径流、当前时段的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流,包括:
基于所述第二统计特征参数,根据边缘概率分布函数服从皮尔逊三型分布,计算第一边缘概率分布函数、第二边缘概率分布函数和第三边缘概率分布函数,所述第一边缘概率分布函数、第二边缘概率分布函数、第三边缘概率分布函数分别为当前时段的龙头水库的入库径流的边缘概率分布函数、前一时段的各下游水库与上游水库的区间径流的边缘概率分布函数、当前时段的各下游水库与上游水库的区间径流的边缘概率分布函数;
基于所述第一边缘概率分布函数、所述第二边缘概率分布函数和所述第三边缘概率分布函数,构建联合分布函数;
基于所述联合分布函数、前一时段的各水库与相邻上游水库的区间径流,以及当前时刻的龙头水库的第一模拟入库径流,计算当前时段的各水库与相邻上游水库的第一模拟区间径流。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
基于各所述第一模拟径流数据之间的相似度,筛选各所述第一模拟径流数据,得到当前时段的各第二模拟径流数据。
4.根据权利要求3所述的方法,其特征在于,一组变化因子包括均值变化因子,和/或,变异系数变化因子,所述相似度通过概率距离表征,所述基于各所述第一模拟径流数据之间的相似度,筛选各所述第一模拟径流数据,得到当前时段的各第二模拟径流数据,包括:
将各所述第一模拟径流数据根据变化因子的种类进行分类,得到不同种类变化因子下的各所述第一模拟径流数据;
在同一种变化因子下的各所述第一模拟径流数据中,计算各所述第一模拟径流数据的概率距离;
在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据;
若去除冗余后的第一模拟径流数据的数量大于预设值,重复执行所述在概率距离最小的两个第一模拟径流数据中,只保留其中一个第一模拟径流数据,得到去除冗余后的第一模拟径流数据的步骤,直到去除冗余后的第一模拟径流数据的数量达到预设值;
基于去除冗余后的第一模拟径流数据,形成所述当前时段的各第二模拟径流数据。
5.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-4中任一项所述的入库径流重构方法的步骤。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一项所述的入库径流重构方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787495.6A CN116503206B (zh) | 2023-06-30 | 2023-06-30 | 一种入库径流重构方法、计算机设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310787495.6A CN116503206B (zh) | 2023-06-30 | 2023-06-30 | 一种入库径流重构方法、计算机设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116503206A CN116503206A (zh) | 2023-07-28 |
CN116503206B true CN116503206B (zh) | 2023-10-20 |
Family
ID=87323537
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310787495.6A Active CN116503206B (zh) | 2023-06-30 | 2023-06-30 | 一种入库径流重构方法、计算机设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116503206B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117057174B (zh) * | 2023-10-13 | 2024-01-26 | 长江三峡集团实业发展(北京)有限公司 | 一种缺资料地区径流预测的方法 |
CN117172965B (zh) * | 2023-11-03 | 2024-02-09 | 长江三峡集团实业发展(北京)有限公司 | 一种考虑气候变化的梯级水库群水能资源评估方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527117A (zh) * | 2017-08-28 | 2017-12-29 | 武汉大学 | 基于d‑s证据理论的水库适应性调度方法 |
CN108897977A (zh) * | 2018-08-24 | 2018-11-27 | 河海大学 | 一种基于大区域水文模拟的径流演变不确定归因方法 |
CN112712209A (zh) * | 2020-12-31 | 2021-04-27 | 润联智慧科技(西安)有限公司 | 水库入库流量预测方法、装置、计算机设备及存储介质 |
CN112819293A (zh) * | 2021-01-14 | 2021-05-18 | 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 |
CN114692981A (zh) * | 2022-04-08 | 2022-07-01 | 河海大学 | 基于Seq2Seq模型的中长期径流预报方法和系统 |
CN115238513A (zh) * | 2022-08-02 | 2022-10-25 | 北京师范大学 | 一种考虑气候与土地利用变化的流域径流集合预报方法 |
CN115271304A (zh) * | 2022-05-18 | 2022-11-01 | 西安理工大学 | 基于气候变化的跨流域调水工程优化调度方法 |
-
2023
- 2023-06-30 CN CN202310787495.6A patent/CN116503206B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107527117A (zh) * | 2017-08-28 | 2017-12-29 | 武汉大学 | 基于d‑s证据理论的水库适应性调度方法 |
CN108897977A (zh) * | 2018-08-24 | 2018-11-27 | 河海大学 | 一种基于大区域水文模拟的径流演变不确定归因方法 |
CN112712209A (zh) * | 2020-12-31 | 2021-04-27 | 润联智慧科技(西安)有限公司 | 水库入库流量预测方法、装置、计算机设备及存储介质 |
CN112819293A (zh) * | 2021-01-14 | 2021-05-18 | 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 |
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 |
DE112021001581T5 (de) * | 2021-01-14 | 2023-03-30 | China Three Gorges Corporation | Ausfallfrühwarn-Analyseverfahren für Regelungen des Betriebs für Stausee unter dem Einfluss des Klimawandels |
CN114692981A (zh) * | 2022-04-08 | 2022-07-01 | 河海大学 | 基于Seq2Seq模型的中长期径流预报方法和系统 |
CN115271304A (zh) * | 2022-05-18 | 2022-11-01 | 西安理工大学 | 基于气候变化的跨流域调水工程优化调度方法 |
CN115238513A (zh) * | 2022-08-02 | 2022-10-25 | 北京师范大学 | 一种考虑气候与土地利用变化的流域径流集合预报方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116503206A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation | |
CN116503206B (zh) | 一种入库径流重构方法、计算机设备及介质 | |
Gao et al. | Short-term runoff prediction with GRU and LSTM networks without requiring time step optimization during sample generation | |
Pui et al. | A comparison of alternatives for daily to sub-daily rainfall disaggregation | |
Shamshad et al. | First and second order Markov chain models for synthetic generation of wind speed time series | |
Xue et al. | Parameter uncertainty analysis of surface flow and sediment yield in the Huolin Basin, China | |
Liu et al. | Comparative study of three updating procedures for real-time flood forecasting | |
Ye et al. | Performance of detrending models of crop yield risk assessment: evaluation on real and hypothetical yield data | |
Lee et al. | Identification of uncertainty in low flow frequency analysis using Bayesian MCMC method | |
Trapero | Calculation of solar irradiation prediction intervals combining volatility and kernel density estimates | |
Grimaldi et al. | Continuous hydrologic modelling for small and ungauged basins: A comparison of eight rainfall models for sub-daily runoff simulations | |
Chen et al. | Forecasting hourly water demands with seasonal autoregressive models for real‐time application | |
Wilks | Statistical forecasting | |
CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
Fawcett et al. | Sea-surge and wind speed extremes: optimal estimation strategies for planners and engineers | |
Nie et al. | Separating the impacts of climate variability, land-use change and large reservoir operations on streamflow in the Yangtze River basin, China, using a hydrological modeling approach | |
Muchuru et al. | Seasonal rainfall predictability over the Lake Kariba catchment area | |
CN111626006A (zh) | 一种多变量对径流变化敏感性评估的定量识别方法 | |
Chen et al. | Combining stochastic weather generation and ensemble weather forecasts for short-term streamflow prediction | |
Uranchimeg et al. | Changes in extreme rainfall and its implications for design rainfall using a Bayesian quantile regression approach | |
Yang et al. | Achieving effective calibration of precipitation forecasts over a continental scale | |
Alvisi et al. | A conceptual grey rainfall-runoff model for simulation with uncertainty | |
Chen et al. | Transition probability behaviors of drought events in the Pearl River basin, China | |
Sang et al. | Probabilistic forecast and uncertainty assessment of hydrologic design values using Bayesian theories | |
Muchuru et al. | Prediction of inflows into Lake Kariba using a combination of physical and empirical models |
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 |