[发明专利]一种基于改进量子灰狼算法的水库可供水量预报方法

说明书

本发明公开了一种基于改进量子灰狼算法的水库可供水量预报方法，步骤如下：首先获取预报对象基本信息数据；其次确定影响因子和预报因子，建立基于机器学习方法的预报模型；然后执行改进量子灰狼算法分别对预报模型参数进行优选；最后将各模型最优参数代入模型进行集合预报。本发明可实现全局寻优，提高计算效率，能够为水文预测预报提供新的途径。

技术领域

本发明属于水文预报技术领域，具体涉及一种基于改进量子灰狼算法的水库可供水量预报方法。

背景技术

准确及时的水库可供水量预报有利于水库制定科学合理的调度方案，提高水资源利用率进而促进水库充分发挥综合效益，具有重要的经济和社会效益。以人工神经网络模型为代表的机器学习方法由于不需要深入理解水循环系统下渗、蒸发、产流、汇流等每个关键环节的物理机理，且其具有较强非线性拟合能力、模型搭建简单而备受关注。利用智能优化算法训练学习模型参数已被证明是一种有效提升单一机器学习预报模型稳定性的有效手段。

Mirjalili等人(2014)提出了一种新的群体智能算法—灰狼优化算法(GWO)，并通过多个基准测试函数进行测试，从结果上验证了该算法的可行性，通过对比，GWO算法已被证明在算法对函数求解精度和稳定性上要明显优于粒子群算法(PSO)、遗传算法(GA)等优化算法。尽管灰狼算法得到了广泛的应用，但也存在着收敛速度慢、全局搜索能力弱的缺点，在不断迭代中，灰狼算法容易陷入局部最优。现阶段，引入量子比特对灰狼算法进行改进方面的文献稀缺，尤其是在水文预报方面，较少应用改进的灰狼算法进行机器学习预报模型的参数率定。

发明内容

针对传统灰狼算法初始种群多样性差，容易陷入局部收敛等缺陷，本发明提出一种改进的量子灰狼算法，并将其应用于水库可供水量预报模型的参数优选，能够实现全局寻优，提高计算效率和预报精度。

本发明采用以下技术方案：

一种基于改进量子灰狼算法的水库可供水量预报方法，包括以下步骤：

Step 1：获取预报对象基本信息数据，包括水库的正常蓄水位、正常蓄水库容，保库库容、水位-库容关系曲线、水库历史运行水位信息，采用公式(1)对水库历史运行水位值进行标准化处理；

其中，Z为水库历史运行水位值，M和SD分别为长序列历史运行水位的均值和标准差，Z′为标准化之后的值。

Step 2：确定影响因子和预报因子，建立基于机器学习方法的预报模型；

Step 3：执行改进量子灰狼算法分别对预报模型参数进行优选；

Step 4：将各模型最优参数代入模型进行集合预报得到水库水位，根据水库水位即可得到水库可供水量。

上述技术方案中，进一步地，所述Step2中影响因子为水库第t天水位，预报因子为第t+n天水位，n为预见期，n取1-7；预报因子的确定具体采用递归方式实现：以水库第t天观测水位预测第t+1天水位，以t+1预测水位进行第t+2天水位预测，以此类推，完成t+1至t+7天水位预测。

进一步地，所述Step2中建立基于机器学习方法的预报模型，包括长短期记忆网络模型(LSTM)、支持向量机模型(LSSVM)和神经网络模型(BP)。

进一步地，所述Step3中采用改进量子灰狼算法对预报模型的参数进行优选，包括以下步骤：

Step3-1初始化算法参数和种群位置。设置种群规模大小为N，最大迭代次数N_maxgen，量子比特位数M，决策变量个数P，决策变量范围[V_min,V_max]，最大全局最优未更新次数N_maxup；