一种基于ESMD和NNBR的日径流时间序列预测方法技术

本发明专利技术公开一种基于ESMD和NNBR的日径流时间序列预测方法，包括：S1、采集历史实测日径流时间序列数据，通过历史实测日径流序列分解，得到子序列及日径流序列分解残差；S2、对于分解得到的子序列，均建立NNBR，通过NNBR进行日径流量预测；S3、通过ESMD算法对各子序列日径流量预测结果、日径流序列分解残差进行重构，获得日径流的预测序列。本发明专利技术将NNBR和ESMD相结合，通过对组成水文过程的不同分量进行分解‑预测‑重构，相对于单一NNBR模型，有效提高了对日径流时间序列的预测精度，能够根据日径流时间序列优化水库调度运行方式和水电站发电计划，提高水库水电站的工作能效。

【技术实现步骤摘要】
一种基于ESMD和NNBR的日径流时间序列预测方法
本专利技术涉及径流预测
，特别是涉及一种基于ESMD和NNBR的日径流时间序列预测方法。
技术介绍
径流预测对于水库水电站的运行管理有着重要的意义，是正确制定水库优化调度运行方式和水电站发电计划的重要依据，直接影响着水库的运行方式和工作能效的发挥。对于短期径流预报来说，由于气候、流域下垫面条件以及人类活动等综合因素的影响，日径流表现出更强的非线性、变异性、多尺度等特性，使得日径流的预报难度加大。目前，国内外径流预报采用的方法主要有成因分析法、统计分析法、灰色系统法、模糊算法，人工神经网络、小波分析以及这些方法的组合等。由于流域条件等各方面因素，各种模型都有其优缺点及适用条件。因此，目前亟需一种能够在各种流域条件下，对径流进行准确预测的方法。
技术实现思路
本专利技术的目的是提供一种基于ESMD和NNBR的日径流时间序列预测方法，以解决上述现有技术存在的问题，能够有效提高日径流时间序列的预测精度。为实现上述目的，本专利技术提供了如下方案：本专利技术提供一种基于ESMD和NNBR的日径流时间序列预测方法，包括如下步骤：S1、采集历史实测日径流时间序列数据，利用极值点对称模分解ESMD对历史实测日径流序列进行分解，得到子序列及日径流序列分解残差；S2、对于步骤S1分解得到的子序列，均建立最近邻抽样回归模型NNBR，通过NNBR进行各子序列的预测；S3、通过ESMD算法对步骤S2中各子序列的预测结果、步骤S1中得到的日径流序列分解残差进行重构，获得日径流的预测序列。优选地，所述基于ESMD和NNBR的日径流时间序列预测方法还包括日径流预测结果的精度计算。优选地，日径流预测结果的精度计算指标包括：相对误差、平均相对误差水平、确定性系数、过程合格率。优选地，步骤S1利用ESMD对历史实测日径流序列进行分解的具体方法包括：S1.1、计算日径流时间序列数据中所有的极值点，所述极值点包括极大值点和极小值点；S1.2、顺次连接所有相邻的极值点,并标记相邻极值点之间连线的中点；S1.3、通过线性差值方法，分别添加极值点左右边界的中点；S1.4、利用相邻极值点之间连线的中点以及左右边界的中点构造若干个插值曲线；S1.5、重复步骤S1.1～S1.4对插值曲线的平均值进行迭代计算，得到日径流时间序列数据Y的第一个子序列；S1.6、重复步骤S1.1～S1.5对日径流时间序列数据的子序列进行迭代计算，直到残差不超过日径流时间序列数据中的任一极值点，得到日径流时间序列数据的分解残差；S1.7、设置整数区间，在整数区间上改变迭代次数，并重复步骤S1.1～S1.6，计算残差的方差σ2，并制作σ/σ0与迭代次数的关系图，其中σ0是日径流时间序列数据的标准偏差；S1.8、通过σ/σ0与迭代次数的关系图，得到σ/σ0取最小值时所对应的迭代次数取值，重复步骤S1.1～S1.6，得到日径流序列分解残差。本专利技术公开了以下技术效果：本专利技术将NNBR和ESMD相结合，通过对组成水文过程的不同分量进行分解-预测-重构，相对于单一NNBR模型，有效提高了对日径流时间序列的预测精度，能够根据日径流时间序列优化水库调度运行方式和水电站发电计划，提高水库水电站的工作能效。附图说明为了更清楚地说明本专利技术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专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术基于ESMD和NNBR的日径流时间序列预测方法流程图；图2为本专利技术实施例一基于ESMD的分解结果；图3为本专利技术实施例一Model1-Model12的日径流预测结果；图4为本专利技术实施例一日径流实测值与预测值对比结果。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。为使本专利技术的上述目的、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专利技术作进一步详细的说明。参照图1所示，本专利技术提供一种基于ESMD和NNBR的日径流时间序列预测方法，包括如下步骤：S1、采集历史实测日径流时间序列数据Y＝{x1,x2,…,xn}，利用ESMD(Extreme-pointSymmetricModeDecomposition，极值点对称模分解)对历史实测日径流序列进行分解，得到子序列及日径流序列分解残差。极值点对称模分解ESMD能够将非线性时间序列信号进行分解，得到不同模态的振幅和频率，能够识别时间序列的水文过程组成。利用ESMD对历史实测日径流序列进行分解的具体方法包括：S1.1、计算日径流时间序列数据Y中所有的极值点Si，1≤i≤n，其中，极值点包括极大值点和极小值点；S1.2、顺次连接所有相邻的极值点Si，并用Fi标记相邻极值点之间连线的中点，1≤i≤n；S1.3、通过线性插值方法，分别添加极值点左右边界的中点F0和Fn；S1.4、利用得到的n+1个中点构造p个插值曲线L1,…,Lp(p≥1)，插值曲线的平均值L*＝(L1+…+Lp)/p。S1.5、重复步骤S1.1～S1.4对插值曲线的平均值进行迭代计算，当|L*|≤ε，ε表示允许的误差，或迭代次数达到预设最大迭代次数K时，得到日径流时间序列数据Y的第一个子序列Model1；S1.6、重复步骤S1.1～S1.5对日径流时间序列数据Y的子序列进行迭代计算，直到残差R不超过日径流时间序列数据Y中的任一极值点，得到日径流时间序列数据Y的分解残差R；S1.7、设置整数区间[Kmin,Kmax]，在整数区间[Kmin,Kmax]上改变最大迭代次数K，并重复步骤S1.1～S1.6，得到残差R，计算残差R的方差σ2，并制作σ/σ0与K的关系图，其中σ0是日径流时间序列数据Y的标准偏差；S1.8、σ/σ0取最小值时所对应的K值记为K0，K0∈[Kmin,Kmax]，将K0代入步骤S1.5，并重复步骤S1.1～S1.6，得到日径流序列分解残差，记为R0，日径流序列分解残差R0为一条最优AGM(adaptiveglobalmean，自适应全局平均)曲线。S2、对于步骤S1分解得到的子序列，均建立NNBR(nearestneighborbootstrappingregressivemodel，最近邻抽样回归模型)，通过NNBR进行各子序列的预测。最近邻抽样回归模型NNBR避免了对研究对象的相依形式和概率分布形式做某种假定，是一类基于数据驱动的，不需识本文档来自技高网...

【技术保护点】
1.一种基于ESMD和NNBR的日径流时间序列预测方法，其特征在于，包括如下步骤：/nS1、采集历史实测日径流时间序列数据，利用极值点对称模分解ESMD对历史实测日径流序列进行分解，得到子序列及日径流序列分解残差；/nS2、对于步骤S1分解得到的子序列，均建立最近邻抽样回归模型NNBR，通过NNBR进行各子序列的预测；/nS3、通过ESMD算法对步骤S2中各子序列的预测结果、步骤S1中得到的日径流序列分解残差进行重构，获得日径流的预测序列。/n

【技术特征摘要】
1.一种基于ESMD和NNBR的日径流时间序列预测方法，其特征在于，包括如下步骤：
S1、采集历史实测日径流时间序列数据，利用极值点对称模分解ESMD对历史实测日径流序列进行分解，得到子序列及日径流序列分解残差；
S2、对于步骤S1分解得到的子序列，均建立最近邻抽样回归模型NNBR，通过NNBR进行各子序列的预测；
S3、通过ESMD算法对步骤S2中各子序列的预测结果、步骤S1中得到的日径流序列分解残差进行重构，获得日径流的预测序列。


2.根据权利要求1所述的基于ESMD和NNBR的日径流时间序列预测方法，其特征在于，所述基于ESMD和NNBR的日径流时间序列预测方法还包括日径流预测结果的精度计算。


3.根据权利要求2所述的基于ESMD和NNBR的日径流时间序列预测方法，其特征在于，日径流预测结果的精度计算指标包括：相对误差、平均相对误差水平、确定性系数、过程合格率。


4.根据权利要求1所述的基于ESMD和NNBR的日径流时间序列预测方法，其特征在于，步骤S1利用ESMD对...

【专利技术属性】
技术研发人员：孙东永，张洪波，徐明珠，孔令魁，李杨津，李振欣，王琪，
申请(专利权)人：长安大学，
类型：发明
国别省市：陕西;61