一种中长期径流预报结果趋势检验方法技术

本发明专利技术涉及一种自适应的流域中长期径流预报模型架构方法，该构架方法的目的在于根据预报流域特征将预报流域划分成不同的子流域分区进行预报；建立不同子流域的预报因子集；对各个子流域采取集合预报的方法；并通过自适应方法调整预报方法中不同模型的参数；对子流域的预报结果采用河道演算方法得到最终的流域预报值；周期性检验预报结果的确定性系数以判定是否需要更新预报因子和预报方法的构成，使用该方法得到的径流预报结果可为城市防洪或大型水库入流预测提供可靠的依据。或大型水库入流预测提供可靠的依据。或大型水库入流预测提供可靠的依据。

【技术实现步骤摘要】
一种中长期径流预报结果趋势检验方法


[0001]本专利技术申请为申请日2017年11月21日，申请号为：201711163861.1，名称为“一种自 适应的流域中长期径流预报模型架构方法”的专利技术专利申请的分案申请。本专利技术涉及一种径 流预报架构方法，具体说是涉及一种中长期径流预报结果趋势检验方法。

技术介绍

[0002]径流预报属于水文预报范畴,是应用水文学的一个重要组成部分,它是建立在掌握客 观水文规律的基础上,预见未来径流变化的一门应用科学技术,是水资源调度、水利防汛和抗 旱科学实施的前提。径流预报按预见期可分为短期径流预报和中长期径流预报,一般以流域 汇流时间为界,凡预报的预见期小于或等于流域汇流时间的称为短期预报,预报的预见期大 于流域汇流时间的称为中长期预报。其中,预见期在一天的为中期预报，预见期在一天以上, 一年以内的为长期预报，超过一年的则为超长期预报。
[0003]中长期径流预报就是据己知信息对未来一定时期内的径流状态做出定性或定量的预 测。首先,对影响预报对象的降雨、海表温度、大气环流系统和天气系统进行分析,遴选和确定物 理机制强、相关关系显著的预报因子,以及应用统计计算方法计算彼此的相关关系是否显 著。在此基础上建立相应的预报模型,评价并优选出最优的预报模型。最后,通过模型的模拟 和试报,分析模型的精度,同时对确定性预报结果进行不确定性分析,给出预报结果,从而应 用于生产实践。
[0004]准确的中长期径流预报是提高水资源利用率、实现流域水电站优化调度运行和提高水电站 经济效益的重要保障。特别在电力市场改革的背景下，提高中长期预报精度和预见期，编 制科学合理的流域梯级联合优化发电计划，对高效开展流域梯级水库联合调度工作尤为重 要。
[0005]近年来随着我们国家大型水利工程的不断建设,对缓解水资源短缺,改善生态环境发挥了 巨大的作用,径流预报对这些重大的工程进行科学、合理、高效的水资源调度起到了至关重要 的作用,充分发挥了这些水利工程的经济效益、社会效益和生态环境效益,确保了工程建设目标 实现。如何更准确的进行径流预报是各项工程水资源运行调度管理中面临的首要课题,也是决定 各项工程成败的关键问题之一。但由于人类活动，气候变化等因素的影响，目前的预报系统在覆 盖范围、预报因子等方面急需完善。特别是下垫面变化条件下，流域各个部分之间的产流机理也 发生了相应的变化，忽略局部差异的方法模拟效果有所下降，此外，目前的组合预报方法缺乏权重 的自我调整，也无法根据预报结果调整更新预报模型。

技术实现思路

[0006]本专利技术设计了一种自适应的流域中长期径流预报模型架构方法，其解决的技术问题是目 前的预报系统在覆盖范围、预报因子等方面急需完善，在预报过程中没有针对中期预报和长 期预报的差异构建不同的方法，没有根据流域的不同子流域特点建立不同的预
前期降水与径流、74项环流指标、气象因子数据、海表温度、太阳活动因子以及人类活动因 子；其中，太阳活动因子选择太阳黑子相对数以及相关联的地磁指数、太阳10cm波射电流量作 为预报因子；人类活动通过城市不透水的硬化地面面积和水电站的调度规则反应；气象因子 数据来自于所述步骤1中基础数据D中欧洲中期天气预报中心ECMWF或美国国家环境预测中 心NCEP的数值预报成果和再分析资料；
[0030]采用相关分析法分析不同预报因子和不同子流域流量之间的相关程度，计算公式为:
[0031]相关系数；n为资料样本数；X
i
为X的第i个样本值； Y
i
为Y的第i个样本值；为X的样本均值；为Y的样本均值；X代表某一子流域出口断面的流 量，Y代表某一种预报因子，分别计算不同的预报因子和子流域出口断面流量之间的相关关 系；
[0032]相关系数R
XY
的取值范围为[
‑
1,1]；R
XY
大于0，说明预报对象Y和预报因子X之间为正相 关；R
XY
小于0，说明预报对象Y和预报因子X之间为负相关；R
XY
等于0，说明预报对象Y和预报 因子X之间不相关；R
XY
的绝对值越大，预报对象Y和预报因子X之间的相关程度就越高；对 于不同的子流域，选取相关程度排名靠前的10％预报因子作为不同子流域的预报因子 集。
[0033]进一步，所述步骤5建立预测模型库包括三大方法：物理成因法、水文统计法和人工智 能法，物理成因法包括多元线性回归模型和多元门限回归模型，水文统计法包括时间序列分 解模型和秩相似预报模型，人工智能模型包括人工神经网络模型和支持向量机模型。
[0034]进一步，所述步骤6中使用的确定性系数公式为：
[0035][0036]式中：DC为确定性系数，y0(i)为实测值，y
c
(i)为预报值，为实测序列的均值，m为资料序列 的长度。
[0037]进一步，所述步骤7中的计算公式如下：
[0038]步骤6中物理成因法、水文统计法和人工智能的确定性系数分别为A,B,C，则物理成 因法模拟结果的权重为水文统计法的权重为人工智能法 模拟的权重为则集成预报值为：
[0039]R＝w1y1+w2y2+w3y3[0040]式中，w1，w2，w3为权重值，y1，y2，y3为各方法的预报值，R
i
为各子流域集合预报值。
[0041]进一步，所述步骤11中每月1号对前一年(12个月)逐日预报结果的确定性系数进 行趋势检验，确定性系数的检验对象是步骤1中基础数据A逐日预报结果和主要控制水文站 的日流量资料，采用坎德尔秩次相关检验法，计算公式为：
[0042][0043]式中，U为确定性系数；N为确 定性系数序列的总长度，x
i
，x
j
为系列中的数值，sgn为符号函数，返回值如果数字大于0，则 sgn返回1，数字等于0，则返回0，数字小于0，则返回
‑
1，数字参数的符号决定了sgn函数的返 回值；i，j为系列中数值的编号，从1到n；n为系列的长度；τ为常数。
[0044]进一步，所述步骤12中，针对步骤11的计算结果，若|U|＞U
α/2
且U大于0时，说明确 定性系数序列的变化趋势显著，确定性系数序列呈上升趋势，预测结果较好，不需要更新预报因 子集和重新选择预报模型；
[0045]当|U|＞U
α/2
且U小于0时序列呈下降趋势，说明预报结果有下降趋势，此时返回步骤4 重新识别预报因子集，并重复步骤6
‑
10；
[0046]其中，α为显著性水平，通过给定的显著性水平，通过正态分布表查得U
α/2
。
[0047]该自适应的流域中长期径流预报模型架构方法具有以下有益效果：
[0048]本专利技术根据预报流域特征将预报流域划分成不同的子流域分区进行预报；建立不同子 流域的预报因子集；对各个子流域采取集合预报本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种中长期径流预报结果趋势检验方法，包括以下步骤：步骤1、收集预报流域的基础数据；所述步骤1中的所述基础数据包括：基础数据A、流域主要控制水文站的日、旬、月、年的流量资料，其用于步骤2和步骤11中；基础数据B、各主要控制水文站的旬、月、年最大流量、最小流量特征值及发生时间，第一场径流和最后一场径流过程资料，其用于步骤3中；基础数据C、流域主要雨量站的日、旬、月、年的降雨，其用于步骤4中；基础数据D、收集74项环流指标，以及欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料的气象影响因子，其用于步骤4中；步骤2、基于所述基础数据，运用线性回归法建立年流量序列x(t)与其时序t之间的线性回归方程，进而检验时间序列的趋势性；步骤3、将流域划分成若干子流域；步骤4、预报因子的识别；所述步骤4中针对不同的子流域分别识别预报因子，所述预报因子包括：前期降水与径流、74项环流指标、气象因子数据、海表温度、太阳活动因子以及人类活动因子；其中，太阳活动因子选择太阳黑子相对数以及相关联的地磁指数、太阳10cm波射电流量作为预报因子；人类活动通过城市不透水的硬化地面面积和水电站的调度规则反映；气象因子数据来自于所述步骤1中基础数据D中欧洲中期天气预报中心ECMWF或美国国家环境预测中心NCEP的数值预报成果和再分析资料；采用相关分析法分析不同预报因子和不同子流域流量之间的相关程度，计算公式为:式中，相关系数R
XY
为X和Y之间的相关系数；n为资料样本数；X
i
为X的第i个样本值；Y
i
为Y的第i个样本值；为X的样本均值；为Y的样本均值；X代表某一子流域出口断面的流量，Y代表某一种预报因子，分别计算不同的预报因子和子流域出口断面流量之间的相关关系；相关系数R
XY
的取值范围为[
‑
1,1]；R
XY
大于0，说明预报对象Y和预报因子X之间为正相关；R
XY
小于0，说明预报对象Y和预报因子X之间为负相关；R
XY
等于0，说明预报对象Y和预报因子X之间不相关；R
XY
的绝对值越大，预报对象Y和预报因子X之间的相关程度就越高；对于不同的子流域，选取相关程度排名靠前的10％预报因子作为不同子流域的预报因子集；步骤5、建立预测模型库；步骤6、通过确定性系数评判，在每一个子流域，对于物理成因法、水文统计法和人工智能三种方法，每种方法各选取一个确定性系数较高的模型，构成该子流域集合预报的组成；所述步骤6中使用的确定性系数公式为：
式中：DC为确定性系数，y0(i)为实测值，y
c
(i)为预报值，为实测序列的均值，m为资料序列的长度；步骤7、根据步骤6计算的结果，确定物理成因法、水文统计法和人工智能不同方法的权重值，进行集合预报；所述步骤7中的计算公式如下：所述步骤6中物理成因法、水文统计法和人工智能的确定性系数分别为A,B,C，则物理成因法模拟结果的权重为水文...

【专利技术属性】
技术研发人员：李传哲，刘佳，王洋，邱庆泰，
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：