[发明专利]降水预报与支持向量机耦合的河道洪峰水位实时预报方法

说明书

本发明公开降水预报与支持向量机耦合的河道洪峰水位实时预报方法。本发明以定量降水预报数据作为影响因子，采用支持向量机对河道未来洪峰水位进行预报。本方法采用定量降水预报对洪峰进行预报，可大幅度提前预见期，以当前降水预报信息实时预测未来洪峰水位，可根据天气变化及时修正预测结果，不断提高洪峰预报的精度和可靠性。本方法基于支持向量机建立降雨量、起涨水位等因素与洪峰水位的关系，相比河道洪水演算法，整个分析过程快速方便，容易被用户掌握使用。

技术领域

本发明属于测控技术领域，具体是一种定量降水预报与支持向量机耦合的河道洪峰水位实时预报方法。

背景技术

提前对洪水灾害的可能进行预报，及时地制定各种防洪措施，上游进行合理的水库调度，下游适当地加固加高堤防，并能在必要的情况下及时地进行分洪，以尽大可能地减少洪水灾害带来的损失，具有重大的意义。防洪决策需要知道洪峰水位信息，以最好地进行有效的防洪调度和提前安排紧急防洪措施，减少洪水带来的损失。因此，寻求一种简单实用、精度高、可靠、实时校正的河道洪峰水位预报方法，是十分必要的。

传统基于水文模型(流量河道洪水演算)的方法根据河道断面和糙率资料建立河道水位过程水动力学预报模型,模拟洪水运动过程以此进行洪水预报。此类方法受河道模型精度以及河道变化都会对预报结果产生巨大影响，预报过程复杂难以被一般应用人员掌握，预报代价大，预见期短。基于机器学习方法进行洪水预报，根据历史数据建立预报模型，无需过多考虑洪水过程物理意义，简单实用。

对于近期一些经过治理改造的河道，可用于参考的历史水文资料较少。支持向量机(Support Vector Machine-SVM)，是近年发展起来的一种适用于小样本的统计学习理论。近些年来，数值天气预报技术快速发展，在洪水预报中引入定量降水预报可以延长预报的有效预见期。本发明以定量降水预报数据作为影响因子，采用支持向量机对河道未来洪峰水位进行预报。同时，由于降水预报信息本身具有不确定性，采用实时修正模式对洪峰水位进行预报。

发明内容

本发明针对现有技术的不足，提出一种定量降水预报与支持向量机耦合的河道洪峰水位实时预报方法，目的在于对河道洪峰水位进行准确实时预报。

该方法的具体步骤是：

步骤1：采用谱系聚类算法根据降水情况对历史数据进行分类。

①读取历史数据中N场降水过程的相关信息，包括河道附近区域各降雨量测站每小时降水量，上下游河道每小时水位量。

②根据读取历史数据计算各场降水过程的单位时间降水量如式(1)，上下游站点与预测站点(拱宸桥)的平均水位差如式(2)。

其中i表示历史降雨里的第i场降雨；K表示第i场降雨的持续时间(小时)；R_r,i(k)为第i场降雨第k小时降雨量测站r降水量；为第i场降雨降雨量测站r单位时间降水量；dZ_s,i(k)为第i场降雨第k小时上下游河道水位测点s与预测站点的水位差；为第i场降雨上下游河道水位测点s与预测站点的平均水位差。

③以区域单位时间降水量、上下游水位差作为聚类因子，定义不同场降水过程i,j之间的距离d_ij如下：

其中L表示与待测站点相关的降雨量测站总数，S表示与待测站点相关的上下游河道水位测点总数。

在距离矩阵建立完毕之后，便可以对所有场次的降水过程进行聚类。设定距离阈值，完成聚类，其中以每个聚类所有对象的均值作为聚类中心；每个聚类具有相似的降雨过程，后续分析过程中，可根据降水特性选择相应的聚类以训练预测模型进行预测。