一种集合经验模态分解及遥相关的中长期径流预报方法技术

本发明专利技术公开了一种集合经验模态分解及遥相关的中长期径流预报方法，涉及径流预报技术领域。与现有技术相比，该预报方法充分考虑了径流序列的非稳态性，使用集合经验模态分解的方法将径流转化为多组稳态序列，实现了水文序列稳态化，为常规的预报方法提供了最基础的数据条件。同时，该预报方法针对常规自适应中长期径流预报在物理机理方面的不足，采用遥相关数据分析的方法，分析多组稳态序列的气象影响因子，能充分剥离不同频率序列的物理因子，挖掘径流序列隐藏的物理机制，建立的预报模型提高了中长期径流预报的准确性。

【技术实现步骤摘要】
一种集合经验模态分解及遥相关的中长期径流预报方法
本专利技术涉及径流预报
，尤其涉及一种集合经验模态分解及遥相关的中长期径流预报方法。
技术介绍
中长期径流预报是水资源配置方案、水库水量调度计划最重要的数据基础和制定依据，是实现水资源高效利用、防洪减灾的关键技术，径流预报的精度同时又给库区来水、调度风险带来不确定性。径流序列受大气变化、下垫面情况、人类活动等多因素影响，径流变化多样，影响因素复杂，呈非稳态，具有一定的周期性，随机性和趋势性，故准确预报径流并掌握其物理机理具有较大的难度。目前，常用的中长期径流预报方法主要有：基于数据统计分析的自回归模型预报和气象因子遥相关分析预报两大类方法。其中预报模型通常使用人工神经网络、支持向量机、线性回归等智能优化算法对径流进行预测。现有的两类方法建立的预报模型都将径流序列假定为稳态序列，从而导致预报精度不高。另外，自回归预报模型忽略了径流过程中的水文物理机理，使用智能算法对径流进行自相关分析，会导致预报过拟合，出现失真现象。
技术实现思路
本专利技术的目的在于提供一种集合经验模态分解及遥相关的中长期径流预报方法，从而解决现有技术中存在的前述问题。为了实现上述目的，本专利技术采用的技术方案如下：一种集合经验模态分解及遥相关的中长期径流预报方法，包括如下步骤：S1，提取径流序列及响应的预报因子数据，从径流序列Q中剔除趋势项trend生成新的无趋势变化的径流序列Q'，将滞后时段t的遥相关数据D组成一系列的气象因子集合X(D,t)；S2，采用集合经验模态分解的方法将径流序列Q'分解为满足Hilbert变换要求的n层本征模态函数IMF(1),IMF(2),…,IMF(n)和一层残余项Res，组成一组自变量集合Y＝[IMF(n),Res]；S3，确定自变量集合Y相关的预报因子F(X,n+1)，包括如下步骤：S301，对不同的气象因子X(D,t)与每层本征模态函数和残余项Res进行相关性分析，得到相关因子；S302，根据得到的相关因子，判断X(D,t)和Y＝[IMF(n),Res]中每组序列的相关性，通过T检验，初步筛选每组自变量的相关性较大的气象因子；S303，根据逐步回归方法，挑选显著影响因子，最终确定每组自变量的预报因子F(X,n+1)，完成对n阶自变量Y的预报因子识别工作；S4，利用筛选出来的预报因子F(X,n+1)和已知径流分解后的IMF(1),IMF(2),…,IMF(n)、Res构建基于集合经验模态分解与遥相关数据的径流预报模型；S5，根据所述径流预报模型对下一时段的中长期径流进行预报。优选地，S4包括如下步骤：S401，构建径流预报模型的训练、验证样本集：根据样本数据长度，确定模型训练期和检验期长度，并将输入因变量F(X,n+1)为已识别的气象因子及确定的滞后期，自变量Y为n层本征模态函数IMF(1),IMF(2),…,IMF(n)、残余项Res分为训练样本集和检验期样本集两段；S402，基于已获得的训练样本集，建立并训练人工神经网络模型，进而预报检验期的自变量Y；S403，对人工神经网络模型训练期和检验期对自变量Y的预报效果进行评价，若评价效果符合设定的阈值，则径流预报模型建立完成，该模型用于对未来时段径流进行预报，否则，重新调整人工神经网络的模型参数，重新建模直至模型完成建立。优选地，S5具体为：使用验证好的模型对下一时段的自变量Y进行预报，同时对下一时段的趋势项trendf进行预测，其预测径流的公式为：其中，Qf为预测的下一时段径流量，IMFf(j)为第j层本征模态函数分量的预测值，Resf为预测的残余量。优选地，S403中，所述对人工神经网络模型训练期和检验期对自变量Y的预报效果进行评价，，评价的指标包括纳什效率系数、相对误差和合格率；所述纳什效率系数Nash按照如下公式进行计算：其中，Qo为实测径流量，Qf为预测径流量，Qo为实测径流量均值，Nash越接近1，预报越精准；所述相对误差MARE按照如下公式进行计算：其中，N为Qo的序列长度，其余参数含义同上式。MARE越接近0，说明实测与预报值越接近，预报效果越精准，常认为MARE＜20％时，效果较好；所述合格率QR按照如下公式进行计算：其中，n为合格预报次数，m为预报总次数，当QR＞80％时，认为预报效果较好。优选地，S1中，所述滞后时段t的遥相关数据D，包括130项遥相关数据，其中，88项环流指数，26项海温数据，16项其他因子数据；滞后时段t主要考虑滞后1～12个月，共同组成一组130×12的气象因子矩阵X(D,t)。优选地，S2中，所述n层本征模态函数项IMF(j)和一层残余项Res的关系式为：其中，Q'为连续多年的除趋势项的径流序列，IMF(j)为第j层本征模态函数分量，n为本征模态函数的分量数。优选地，S301中，所述相关性分析，通过皮尔逊相关系数判断，具体采用如下公式：其中，r(X,Y)为相关因子，Cov(X,Y)为X和Y的协方差，Var[X]为X的方差Var[Y]为Y的方差，|r(X,Y)|越接近1，X和Y相关性越大。本专利技术的有益效果是：本专利技术实施例提供的集合经验模态分解及遥相关的中长期径流预报方法，与现有技术相比，充分考虑了径流序列的非稳态性，使用集合经验模态分解的方法将径流转化为多组稳态序列，实现了水文序列稳态化，为常规的预报方法提供了最基础的数据条件。同时，针对常规自适应中长期径流预报在物理机理方面的不足，提出采用遥相关数据分析的方法，分析多组稳态序列的气象影响因子，能充分剥离不同频率序列的物理因子，挖掘径流序列隐藏的物理机制，建立的预报模型提高了中长期径流预报的准确性。附图说明图1为本专利技术提供的集合经验模态分解及遥相关的中长期径流预报方法流程示意图；图2为本专利技术采用的集合经验模态分解法流程示意图；图3为基于集合经验模态分解方法对径流序列进行分解后的第一层序列示意图；图4为基于集合经验模态分解与遥相关分析方法预测中长期径流的效果示意图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。针对中长期径流序列的非稳态的特点，为了克服自相关预报缺乏物理机理的不足，预报方法的基础数据假设的缺陷，本专利技术提供一种基于集合经验模态分解及遥相关分析的中长期径流预报方法，有效地将水文序列稳态化，并且通过遥相关数据分析，识别了影响径流序列的气象因子，挖掘了其物理意义，提高了中长期径流预报的准确性。如图1所示，本专利技术实施例提供了一种集合经验模态分解及遥相关的中长期径流预报方法，包括如下步骤：S1，提取径流序列及响应的预报因子数据，从径流序列Q中剔除趋势项trend生成新的无趋势变化的径流序列Q'，将滞后时段t的遥相关数据D组成一系列的气象因子集合X(D,t)；S2，采用集合经验模态分解的方法将径流序列Q'分解为满足Hilbert变换要求的n层本征模态函数IMF(1),IMF(2),…,IMF(n)和一层残余项Res，组成一组自变量集合Y＝[IMF(n),Res]；S3，确定自变量集合Y相关的预报因子F(X,n+1)，包括如下步骤：S301，对不同的气象因子X(D,t)与每层本征本文档来自技高网...

【技术保护点】
1.一种集合经验模态分解及遥相关的中长期径流预报方法，其特征在于，包括如下步骤：S1，提取径流序列及响应的预报因子数据，从径流序列Q中剔除趋势项trend生成新的无趋势变化的径流序列Q'，将滞后时段t的遥相关数据D组成一系列的气象因子集合X(D,t)；S2，采用集合经验模态分解的方法将径流序列Q'分解为满足Hilbert变换要求的n层本征模态函数IMF(1),IMF(2),…,IMF(n)和一层残余项Res，组成一组自变量集合Y＝[IMF(n),Res]；S3，确定自变量集合Y相关的预报因子F(X,n+1)，包括如下步骤：S301，对不同的气象因子X(D,t)与每层本征模态函数和残余项Res进行相关性分析，得到相关因子；S302，根据得到的相关因子，判断X(D,t)和Y＝[IMF(n),Res]中每组序列的相关性，通过T检验，初步筛选每组自变量的相关性较大的气象因子；S303，根据逐步回归方法，挑选显著影响因子，最终确定每组自变量的预报因子F(X,n+1)，完成对n阶自变量Y的预报因子识别工作；S4，利用筛选出来的预报因子F(X,n+1)和已知径流分解后的IMF(1),IMF(2),…,IMF(n)、Res构建基于集合经验模态分解与遥相关数据的径流预报模型；S5，根据所述径流预报模型对下一时段的中长期径流进行预报。...

【技术特征摘要】
1.一种集合经验模态分解及遥相关的中长期径流预报方法，其特征在于，包括如下步骤：S1，提取径流序列及响应的预报因子数据，从径流序列Q中剔除趋势项trend生成新的无趋势变化的径流序列Q'，将滞后时段t的遥相关数据D组成一系列的气象因子集合X(D,t)；S2，采用集合经验模态分解的方法将径流序列Q'分解为满足Hilbert变换要求的n层本征模态函数IMF(1),IMF(2),…,IMF(n)和一层残余项Res，组成一组自变量集合Y＝[IMF(n),Res]；S3，确定自变量集合Y相关的预报因子F(X,n+1)，包括如下步骤：S301，对不同的气象因子X(D,t)与每层本征模态函数和残余项Res进行相关性分析，得到相关因子；S302，根据得到的相关因子，判断X(D,t)和Y＝[IMF(n),Res]中每组序列的相关性，通过T检验，初步筛选每组自变量的相关性较大的气象因子；S303，根据逐步回归方法，挑选显著影响因子，最终确定每组自变量的预报因子F(X,n+1)，完成对n阶自变量Y的预报因子识别工作；S4，利用筛选出来的预报因子F(X,n+1)和已知径流分解后的IMF(1),IMF(2),…,IMF(n)、Res构建基于集合经验模态分解与遥相关数据的径流预报模型；S5，根据所述径流预报模型对下一时段的中长期径流进行预报。2.根据权利要求1所述的集合经验模态分解及遥相关的中长期径流预报方法，其特征在于，S4包括如下步骤：S401，构建径流预报模型的训练、验证样本集：根据样本数据长度，确定模型训练期和检验期长度，并将输入因变量F(X,n+1)为已识别的气象因子及确定的滞后期，自变量Y为n层本征模态函数IMF(1),IMF(2),…,IMF(n)、残余项Res分为训练样本集和检验期样本集两段；S402，基于已获得的训练样本集，建立并训练人工神经网络模型，进而预报检验期的自变量Y；S403，对人工神经网络模型训练期和检验期对自变量Y的预报效果进行评价，若评价效果符合设定的阈值，则径流预报模型建立完成，该模型用于对未来时段径流进行预报，否则，重新调整人工神经网络的模型参数，重新建模直至模型完成...

【专利技术属性】
技术研发人员：王旭，雷晓辉，王佳，王超，廖卫红，秦韬，蒋云钟，谭乔凤，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：北京,11