一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法技术

本发明专利技术公开了一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，包括收集、整理待预测站点所在流域的长系列中长期径流数据资料，选取合适的预报模型进行滚动模拟—预测并分析预报误差统计特征参数；在考虑多站点径流预报误差时程、空间维度的关联演变特性条件下，耦合Copula函数改进鞅模型以反映预报误差时空关联特性；采用蒙特卡洛法对滚动预报误差情景序列进行随机抽样，将其叠加在单值预报结果上得到滚动概率预测情景序列。本发明专利技术改进了鞅模型理论以精细描述中长期径流预测误差不确定性关联演化特征，可提升预测精度与可靠性，为水资源管理决策提供更为准确的支撑信息。

【技术实现步骤摘要】
一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法
本专利技术涉及水利工程领域中的中长期水文预报，特别涉及一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法。
技术介绍
提高多站点中长期(月、季、年尺度)径流预测精度对于提升水资源量评估的准确性与提高水资源开发利用效率至关重要。受中长期天气系统混沌性影响，基于物理成因的中长期预测模型在理论方法上尚难以保障预测精度，目前最常采用数理统计方法构建预测模型，如周期均值叠加法、神经网络法、小波分析法、ARMA模型法等等。此类方法在进行滚动预报作业时，仅依据历史径流资料的统计特征规律进行趋势性延展预测，且未能结合考虑预报误差在多站滚动采集、修正过程中的演进特性，导致点预测方案的精度偏低，区间预测方案的可靠性不足。鞅模型(Themartingalemodelofforecastevolution，MMFE)是一种用于描述预报误差随时程演进规律的模型，通过将滚动预报过程中的信息动态更新与误差参数的实时校正考虑进来，精细刻画了径流时间序列非平稳性特征。但在多站径流预测本文档来自技高网...

【技术保护点】
1.一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，其特征在于，包括以下步骤：/nS1、收集、整理待预测站点所在流域的长系列中长期径流数据资料，选取合适的预报模型进行滚动模拟预测并分析预报误差统计特征参数；/nS2、在考虑多站点径流预报误差时程、空间维度的关联演变特性条件下，耦合Copula函数改进鞅模型以描述预报误差时空关联特性；/nS3、采用蒙特卡洛法对滚动预报误差情景序列进行随机抽样，将其叠加在单值预报结果上得到滚动概率预测情景序列。/n

【技术特征摘要】
1.一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，其特征在于，包括以下步骤：
S1、收集、整理待预测站点所在流域的长系列中长期径流数据资料，选取合适的预报模型进行滚动模拟预测并分析预报误差统计特征参数；
S2、在考虑多站点径流预报误差时程、空间维度的关联演变特性条件下，耦合Copula函数改进鞅模型以描述预报误差时空关联特性；
S3、采用蒙特卡洛法对滚动预报误差情景序列进行随机抽样，将其叠加在单值预报结果上得到滚动概率预测情景序列。


2.根据权利要求1所述的考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，其特征在于，步骤S1包括以下步骤：
S11、长系列中长期径流数据资料平稳化转化处理；
将长系列中长期径流数据资料按月份分类，从而得到一个12列的实测径流矩阵Xn×12，其中n表示年数，按列求其均值与标准差σi，对矩阵内的每一个数进行去季节化，即：



其中，X(n,i)与分别表示去季节化前后实测径流矩阵第n行第i列的值；
S12、中长期径流预测ARMA模型建模；
ARMA模型是常用中长期时间序列模型，对得到的平稳序列采用ARMA模型进行建模并开展滚动预报，为平稳序列中的元素；ARMA模型由自回归模型AR与滑动平均模型MA组合构成，假设其自回归阶数为p，滑动平均阶数为q，即ARMA(p，q)模型，其结构为：



其中，{Xt，Xt-1，...，Xt-p}为p阶时间序列，即平稳序列{εt，εt-1，...，εt-q}为q阶白噪声序列；为p阶自回归系数；θ1,…,θq为q阶滑动平均系数；对得到的模型预报结果还需进行季节化还原从而得到预报值样本，计算公式为：



其中，与Xpre(n,i)分别表示季节化还原前后预报值矩阵第n行第i列的值；
S13、预报误差参数统计；
将s时刻预报t时刻的流量值记作Qs,t，t时刻实测流量值记为qt，则此时的误差值记作：
es,t＝Qs,t-qt(4)；
其中，es,t表示s时刻预报t时刻的预报误差值，对得到的预报误差样本按站点、起报时间与预见期进行分类整理，得到多站点在不同起报时间与不同预见期下的预报误差序列，对各误差序列的统计特性进行参数统计。


3.根据权利要求1所述的考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，其特征在于，步骤S2包括以下步骤：
S21、预报误差时空关联演化特征分析；
在径流预报过程中，预报人员会根据当前时段已掌握的水文信息对未来一定预见期内的径流进行预报，并依次滚动进行，从而不断更新与改进径流信息，当预报期长度超出有效预见期时，待预报信息将被当作已知信息进行滚动预报，因此预报误差在模型递推预报的过程中会产生非线性的累积效应，导致不确定性逐渐增大，同时，随着起报时间的推进，已掌握的观测信息逐渐丰富，依据观测、更新的径流及误差信息实施误差校正，逐渐减小误差及不确定性；误差随时间变化的两种变化特征即误差演化规律；
采用基于动态的自回归方法进行实时校正，当前时段的误差校正值与过去若干个时段的预报误差有关，即：
e校s,t＝f[es-1,t,es-2,t,…](5)；
es,t'＝es,t-e校s,t(6)；
其中，e校s,t为s时刻预报t时刻的校正值，f[·]为误差校正函数，es,t'为校正后的误差值，es,t表示s时刻预报t时刻的预报误差值，不同时刻的预报误差校正值因误差时程递...

【专利技术属性】
技术研发人员：莫然，徐斌，邴建平，徐高洪，黄鑫，孙雨，钟平安，
申请(专利权)人：河海大学，长江水利委员会水文局，
类型：发明
国别省市：江苏;32