【技术实现步骤摘要】
本专利技术涉及水电系统运行领域，特别涉及一种耦合群体搜索和深度学习的水库中长期径流预测方法。
技术介绍
1、高精度中长期径流预报是水电调度的基础工作，对水电系统发电能力评估、汛枯电量转移、水电高效消纳、弃水风险控制至关重要。然而，受流域下垫面、土壤、地形和人类活动等多因素影响，径流动力特征、时空分布及其演化规律日趋错综复杂，加之气候变化改变了全球陆气水文循环和流域产汇流特性，亟需科学挖掘复杂因素隐含交互影响的新型中长期径流预报方法。近年来，以神经网络、支持向量机等为代表的新兴深度学习模型，因其能够充分挖掘复杂系统内蕴规律、提高决策分析水平，在各个行业得到了广泛重视和应用。
2、然而，神经网络虽然通用性较强，但是存在学习过程中收敛速度过慢、易陷入局部最优等缺点，可能导致较大预测误差，其中网络结构的权值和阈值对算法收敛和预测影响较大，如何优化这些参数非常重要。
3、为此，本专利技术依托国家自然科学基金(52079014)和中央高校基本科研业务费项目(dut22qn224，dut22jc21)，提出一种耦合群体搜索和深度学习的水库中长期径流预测方法，并以西南某流域两个大型水库为例进行应用测试，结果表明枯期mape指标总体在5％以下，汛期在7-10％，nse系数维持在0.8以上，部分情况达到0.9，具有较好的预测精度。
技术实现思路
1、本专利技术要解决的技术问题是提供一种耦合群体搜索和深度学习的水库中长期径流预测方法，能有效提高水库径流的预测精度，并且有较强的鲁棒
2、本专利技术技术方案：
3、一种耦合群体搜索和深度学习的水库中长期径流预测方法，包括如下步骤：
4、(1)筛选预测输入因子；以研究水库为对象，选择长系列径流数据为样本数据来进行径流预测，预测模型的参考序列选取径流时间qn,t，选取时段t径流接近的前j个时段的径流序列，采用灰色关联熵方法计算各时段各个径流决策变量的灰色关联熵；根据关联熵数值的大小，按照式(1)确定待研究水库各时段的径流预测输入因子；
5、
6、式中：j为影响因子编号，i为影响因子个数，qn,t,j为电站n第t个时段的第j个影响因子，为电站n第t个时段第j个影响因子对应的关联熵；
7、(2)数据预处理；
8、step 2.1对训练集和检测集进行划分；将长系列径流数据按照比例分为训练集和检测集，进而计算所有年份的径流预测值；
9、step 2.2在训练前对数据进行归一化处理；采用最小值-最大值标准化方法，处理公式如式(2)：
10、
11、式中：xi为第i个样本；xmax、xmin分别为样本中的最大值和最小值；xi'为第i个样本经过归一化处理的值；
12、(3)预测模型参数设置；以bp神经网络结构为基础模型，引入群体搜索算法优化和改善网络结构的权值和阈值，具体模型参数为：
13、step 3.1确定预测方法的神经网络结构；根据步骤(1)中的灰色关联熵计算的结果选择对应时段的径流预测输入因子作为输入变量，隐含层节点通过式(3)进行计算确定；
14、
15、式中：l为隐含层节点数；α为经验参数；m,k分别为输入层、输出层个数；a1,a2,a3,a4,a5为系数；
16、step 3.2将均方误差mse作为群体搜索算法的优化目标，进行迭代计算；
17、
18、式中：i为样本数，xi为第i个样本的实际值，为第i个样本的预测值；
19、(4)模型预测。确定bp神经网络的结构，利用群体搜索算法对数据进行迭代寻优，当所寻最优时间序列其变化范围小于设定的限定值或收敛不再发生变化，则输出该序列；利用bp神经网络计算最优时间序列所对应的权值和阈值，经过不断迭代计算更新权值和阈值，直到满足终止条件，输出最终预测结果。
20、本专利技术具有如下有益效果：(1)准确性高，远高于标准的bp人工神经网络等机器学习算法，可满足实际使用需求；(2)物理上可解释，深度挖掘径流与各个相关因子之间的联系，通过关联熵数值大小找到强相关因子；(3)鲁棒性好，异常数据点影响较小，避免了数据采集误差及人为的不可抗力等因素带来的影响；(4)适应性较强，可同时满足不同水库的径流预测，呈现较强的实用价值。
本文档来自技高网...【技术保护点】
1.一种耦合群体搜索和深度学习的水库中长期径流预测方法，其特征在于，包括如下步骤：
【技术特征摘要】
1.一种耦合群体搜索和深度学习的水库中长期...
【专利技术属性】
技术研发人员：周彬彬，蒋燕，陈凯，朱铭锴，王有香，张聪通，赵珍玉，李相勇，周涵，杨泽泰，符凯祥，
申请(专利权)人：云南电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。