[发明专利]基于水文变量年际和月变化特性的径流预报方法和系统

说明书

本发明公开了一种基于水文变量年际和月变化特性的径流预报方法和系统，其中方法的实现包括：获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流对加权移动预报月径流和神经网络预报月径流采用最小二乘法进行加权耦合，得到最终的组合预报月径流。本发明得到的最终的组合预报月径流考虑了降雨和径流数据资料的利用率，同时提高了径流预报精度。

技术领域

本发明属于水文学中的水文预报领域，更具体地，涉及一种基于水文变量年际和月变化特性的径流预报方法和系统。

背景技术

中长期径流预报常用方法是利用数理统计或者人工神经网络等模型从过去已发生的气象水文信息中挖掘规律，预测径流未来的变化。在实际应用中，采用相关系数法从预报月前几个月的径流、降雨、气温等相关因子中挑选预报因子，采用多元回归、人工神经网络、模糊推理等方法作为驱动模型挖掘径流与预报因子的线性和非线性关系。对于以上数据驱动类模型，挖掘的有用信息越多，模型输入到输出的映射越接近实际，预报精度越高。然而，在现有预报技术中，一类方法从历史数据资料中提取预报月前期降雨径流等数据进行预报，而另一类方法从历史数据资料中提取预报月同期径流数据进行预报。这些方法均只考虑了单一的样本序列，使得预报精度大多不高。

由此可见，现有技术存在有效信息利用度不高且预报精度低的技术问题。

发明内容

针对现有技术的以上缺陷或改进需求，本发明提供了一种基于水文变量年际和月变化特性的径流预报方法和系统，由此解决现有技术存在有效信息利用度不高且预报精度低的技术问题。

为实现上述目的，按照本发明的一个方面，提供了一种基于水文变量年际和月变化特性的径流预报方法，包括：

(1)获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；

(2)将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流

(3)对加权移动预报月径流和神经网络预报月径流采用最小二乘法进行加权耦合，得到最终的组合预报月径流。

进一步的，步骤(2)的具体实现方式为：

将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流和预报月径流实测值作为训练样本，利用训练样本训练GRNN神经网络模型，直至GRNN神经网络模型的光滑因子寻找到最优解，得到训练好的GRNN神经网络模型，将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流

进一步的，步骤(3)的具体实现方式为：

对加权移动预报月径流和神经网络预报月径流采用进行加权耦合，得到最终的组合预报月径流F_t，ω_a为加权移动平均模型的权重，ω_g为GRNN神经网络模型的权重，反应的是预报误差方差期望值，Q_t为i＝t时刻的径流实测值，F_i为第i时刻的组合预报月径流，Q_i为第i时刻的径流实测值，n表示总时刻，预报误差方差期望值最小时，应用最小二乘法，得到ω_g，ω_a的值。

按照本发明的另一方面，提供了一种基于水文变量年际和月变化特性的径流预报系统，包括：

第一模块，用于获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；