[发明专利]一种考虑径流预测的多目标雨量站网设计方法

说明书

本发明公开了一种考虑径流预测的多目标雨量站网设计方法，所述方法根据雨量站点间信息冗余最小、雨量站对下游流量站信息传递最大和面平均雨量预测偏差最小的多目标准则，通过基于NSGA‑II的遗传算法对研究区雨量站网优化设计，利用人工神经网络(ANN)降雨‑径流模型评价优化结果对径流预测精度的影响。本发明方法将雨量站网优化和降雨‑径流模型相结合，从径流预测的角度补充了现有站网优化分析和设计的不足，并提出了一种适用性良好的雨量站网优化设计框架及方法。

技术领域

本发明涉及雨量站网优化计技术，具体涉及一种考虑径流预测的多目标雨量站网设计方法。

背景技术

地面雨量站是降水数据的直接和重要来源，一个地区的雨量站网为收集流域降水信息、洪水预报、水位监测等提供了重要分析依据，合理的雨量站网评估和优化是一个重要的探讨话题。

关于站网优化的研究方法主要包括：(1)基于统计的方法；(2)基于信息论的方法；(3)用户调查方法；(4)地形组成成分；(5)样本策略；(6)耦合方法等。

近年来更普遍受到关注的方法多集中在信息论方面，并且已经形成了基于信息熵理论的几种站网优化思路，按照Fahle等人的分类大致包括：(1)推导站点间最小地理距离或是建立区域信息地图；(2)按照目标函数给出最优站点集合或排序；(3)基于多个指标的多目标站网优化等。

站网优化评价的一个重要问题就是对站网中站点评价体系的建立和优化结果的评估。信息熵理论在这一过程中最大的优点就在于将站网体系的信息冗余和信息传递直观量化，从而便于建立合理的评价目标函数，进行优化分析。目前基于信息熵理论得到广泛认可的站网优化思路大致可以概括为：最大化信息量和最小化冗余量，基于这种思路的一种实现方法是Li等人提出的MIMR贪心算法。MIMR运用了贪心排序算法，首先选取边缘熵(信息量)最大的站点，再按照信息量最大化冗余量最小化的标准逐步选出站点，直到达到设定的阈值为止。另一种实现方法则是基于几个指标的多目标优化，指标包括信息量最大，冗余量最小，信息传递量最大等。

发明内容

发明目的：为了克服现有雨量站网设计中的优化结果应用问题，本发明提供一种考虑径流预测的多目标雨量站网设计方法。

技术方案：一种考虑径流预测的多目标雨量站网设计方法，包括多目标站网优化和建立降雨-径流模型，步骤如下：

(1)获得雨量站网中所有站点的降水数据和河流节点水文站的流量数据；

(2)建立多目标优化任务，包括最小化雨量站点间的信息冗余量、最大化雨量站对下游流量站信息传递量和最大化面平均雨量预测效率；

(3)利用NSGA-II遗传算法对多目标优化问题寻优求解得到最优站点组合；

(4)对最优雨量站点组合计算得到的面平均雨量、待预测径流的目标流量站上游水文站的流量数据建立人工神经网络降雨-径流预测模型；

(5)根据流量过程线和相关指标对降雨-径流模型的流量预测结果进行评价。

进一步的，步骤(1)所述的降水数据为所有站点的逐日降水量，所述的流量数据为各个节点水文站的逐日径流量，包括获得的数据集划分为训练集和验证集。

进一步的，步骤(2)构建多目标优化任务中，描述雨量站点间的信息冗余量TC，雨量站对下游流量站信息传递量MT和面平均雨量预测效率NSC，其表达式为：

其中，X是雨量站点，Q是待预测径流的目标流量站，n是雨量站网中所有站点的数目，x_t是t时刻面雨量的估计值，p_t是t时刻面雨量的真值，是雨量站网在观测期所有时刻的面雨量平均值。

其中，第二个优化目标将径流数据耦合到雨量站网优化目标中，为考虑径流预测提供了理论依据。