一种基于高斯混合模型的径流随机模拟方法及系统技术方案

本发明专利技术提供了一种基于高斯混合模型的径流随机模拟方法及系统，属于随机水文领域，具体为：根据已知t‑1时段流量条件下t时段流量的条件分布以及已知t‑1时段流量条件下t时段流量的条件分布值，计算t时段流量的模拟值；其中，已知t‑1时段流量条件下t时段流量的条件分布的获取方法为：基于历年逐日实测流量序列数据，采用算术平均方法获取某一时间尺度的径流序列数据；基于径流序列数据，构建高斯混合模型；根据高斯混合模型，推求已知t‑1时段流量条件下t时段流量的条件分布。已知t‑1时段流量条件下t时段流量的条件分布值的获取方法为：通过对0～1均匀分布进行随机抽样获得。本发明专利技术提高了径流随机模拟的准确性和可靠性。

【技术实现步骤摘要】
一种基于高斯混合模型的径流随机模拟方法及系统
本专利技术属于随机水文领域，更具体地，涉及一种基于高斯混合模型的径流随机模拟方法及系统。
技术介绍
实测水文径流序列在水资源管理与优化配置中起着至关重要的作用，是确定水资源开发方案、制定水库调度规则、开展流域水文预报、布设流域水文站网、评估水资源系统风险等水资源管理工作的基本依据。由于实测径流序列较短，通常仅涵盖几十年甚至十几年，难以有效满足水资源管理与优化的实际需要。因此，提供径流随机模拟方法，模拟生成长序列径流数据，以延长径流数据长度非常必要。目前，已有的随机模拟方法主要包括自回归方法和基于Copula函数的径流随机模拟方法。自回归方法简单易用、概念清晰和结构简单，在径流随机模拟中应用较为广泛。然而，实践表明水文径流过程具有较强的偏态特性和非线性特性，基于径流过程线性相关与正态分布假设的自回归方法已难以有效刻画径流过程的滞时相关关系和准确反映径流过程的统计特性。尽管基于Copula函数的径流随机模拟方法一定程度上克服了自回归方法的不足，但依然存在需要单独构建边缘分布函数、滞时相关关系刻画本文档来自技高网...

【技术保护点】
1.一种基于高斯混合模型的径流随机模拟方法，其特征在于，根据已知t-1时段流量条件下t时段流量的条件分布以及已知t-1时段流量条件下t时段流量的条件分布值，计算t时段流量的模拟值；/n其中，已知t-1时段流量条件下t时段流量的条件分布的获取方法，包括以下步骤：/n基于历年逐日实测流量序列数据，根据对时间尺度的实际需求，采用算术平均方法获取目标时间尺度的径流序列数据；/n基于所述目标时间尺度的径流序列数据，构建t-1时段和t时段流量的二维联合分布；/n根据所述t-1时段和t时段流量的二维联合分布，推求已知t-1时段流量条件下t时段流量的条件分布；/n已知t-1时段流量条件下t时段流量的条件分布值...

【技术特征摘要】
1.一种基于高斯混合模型的径流随机模拟方法，其特征在于，根据已知t-1时段流量条件下t时段流量的条件分布以及已知t-1时段流量条件下t时段流量的条件分布值，计算t时段流量的模拟值；
其中，已知t-1时段流量条件下t时段流量的条件分布的获取方法，包括以下步骤：
基于历年逐日实测流量序列数据，根据对时间尺度的实际需求，采用算术平均方法获取目标时间尺度的径流序列数据；
基于所述目标时间尺度的径流序列数据，构建t-1时段和t时段流量的二维联合分布；
根据所述t-1时段和t时段流量的二维联合分布，推求已知t-1时段流量条件下t时段流量的条件分布；
已知t-1时段流量条件下t时段流量的条件分布值的获取方法为：
通过对0～1均匀分布进行随机抽样获取已知t-1时段流量条件下t时段流量的条件分布值。


2.根据权利要求1所述的径流随机模拟方法，其特征在于，所述目标时间尺度的径流序列的计算公式为：



其中，为目标时间尺度的径流序列的第i年第j时段的平均流量值；为第i年第j时段的天数；为第i年第j时段第k日的日平均流量值。


3.根据权利要求2所述的径流随机模拟方法，其特征在于，所述t-1时段和t时段流量的二维联合分布的密度值公式为：



其中，p为多维联合分布的密度值；x＝[Rt-1,Rt]T为某一年t-1和t时段平均流量构成的二维向量；Rt-1和Rt分别为某一年t-1和t时段的平均流量；N(x|μk,Σk)为二维向量x的二维联合正态分布密度函数，是高斯混合模型的第k个分量；θ＝{π,μ,Σ}为高斯混合模型的待优化参数集，π＝{π1,π2,…,πK}，μ＝{μ1,μ2,…,μK}，Σ＝{Σ1,Σ2,…,ΣK}；πk为第k个分量所占比重，μk为第k个分量的均值向量；Σk为第k个分量的协方差矩阵，K为高斯混合模型的分量个数，是一个超参数。


4.根据权利要求3所述的径流随机模拟方法，其特征在于，构建t-1时段和t时段流量的二维联合分布的方法，包括以下步骤：
S1：基于目标时间尺度的径流序列数据，构建参数集未确定的t-1时段和t时段流量的二维联合分布；其中，t-1时段和t时段流量的二维联合分布为高斯混合模型；
S2：设置所述高斯混合模型的超参数K为若干不同的固定值，采用K均值聚类方法确定不同超参数K下高斯混合模型的参数集的初始值；
S3：以各参数集的初始值为优化起点，采用期望最大化方法优化各参数集；
S4：基于AIC信息准则，确定超参数K的最优取值，并获取最优K值对应的优化后的参数集。


5.根据权利要求4所述的径流随机模拟方法，其特征在于，获取参数集的初始值的方法，包括以下步骤：
S2.1：在高斯混合模型的超参数K取某一固定值的基础上，从样本数据中随机选取K个样本点生成初始聚类中心集合；其中，样本数据为N为总样本数；
S2.2：计算每个数据点与聚类中心集中每个聚类中心的欧氏距离，获取距离矩阵；
S2.3：根据距离矩阵，将非中心数据点归入与其距离最近的聚类中心所在的聚类簇，聚类完成后形成聚类簇集合；
S2.4：将聚类簇集合中各聚类簇数据点的均值作为更新后的聚类中心集合；
S2.5：重复S2.2至S2.4，直至迭代次数达到上限或聚类结果收敛，停止重复，执行S2.6；
S2.6：基于S2.5获取的聚类中心集合，计算收敛的聚类簇集合；
S2.7：基于收敛的聚类簇集合，确定高斯混合模型的初始参数。


6.根据权利要求3或4所述的径流随机模拟方法，其特征在...

【专利技术属性】
技术研发人员：周建中，贾本军，徐茂林，方威，陈潇，杨鑫，戴领，仇红亚，田梦琦，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42