[发明专利]一种基于降雨径流相似性的自适应径流预报方法

说明书

本发明公开了一种基于降雨径流相似性的自适应径流预报方法，采用数据挖掘技术在历史降雨产流过程中搜索相似过程，预测后期径流最可能的过程线；包括：S1、构建历史降雨、径流样本；S2、降雨、径流关键特征指标识别；S3、基于数据挖掘的降雨、径流相似性动态评价；S4、基于雨洪相似性的径流滚动预测；S5、预报模式自适应切换。本发明既能克服物理驱动径流预报模型参数率定困难的问题，又能突破常规数据驱动径流预报模型预报结果可解释性差的难题，一定程度上突破了径流预报精度低和预见期短的瓶颈，对提高流域水库群精细化管理及精益化调度水平具有重要意义。

技术领域

本发明涉及径流预报技术，特别是涉及一种基于降雨径流相似性的自适应径流预报方法。

背景技术

径流预报是防洪减灾、水资源保障、电力生产等流域管理决策的关键依据，也是全球变化下水文水资源领域研究的前沿热点。目前广泛使用的径流预报模型分为物理驱动模型和数据驱动模型，其中物理驱动模型注重过程推演，而数据驱动模型注重结果逼近，两种模型在基本原理上存在本质差别。

物理驱动的径流预报模型从径流的物理成因出发，用一系列含参数的数学物理方程描述从产流、到汇流、再到河道演进的完整过程，涉及的研究内容包含大气气象、河道、土壤、地下水等复杂系统，方程参数都具有严谨的物理意义。为减少建模难度，常见的物理驱动模型都是区域性的、季节性的，例如：Mishra等建立退水模型进行青尼罗河的枯季退水径流预报，并取得了良好的成果。李晓等将SWAT模型应用于伊河上游的径流模拟，在干旱、湿润以及半干旱半湿润气候条件下具有较好的模拟效果。也有采用智能算法对模型进行参数寻优的研究，例如：江燕等运用粒子群算法对新安江模型参数进行优选，结果表明，与单纯形混合加速算法、单纯多边形进化算法等相比，粒子群算法显著提高了计算效率和预报精度。

近年来，随着人工智能与大数据技术的快速发展，数据驱动的径流预报模型逐渐成熟，它是以建立输入和输出数据之间最优数学关系为目标的黑箱模型，因此，模型不必考虑径流的物理成因，但是需要长期的、海量的流域水文测站数据作为支撑。例如：Sajikuamar等人采用多层次前向网络及回归网络进行月径流预报。Avinash Agarwal，R.D.Singh建立了多层BP网络来模拟印度Narmada河的降雨-径流过程。实际上，特定地域内洪水发生的时间和量级具有周期变化的特征，历史洪水一定程度上包含了当地天气系统和下垫面变化的信息，因此，当具有较长时间、较多场次的历史洪水系列时，采用数据挖掘技术，找出相似洪水，“参考过去预测未来”考即根据历史上相似洪水提供的信息预测未来洪水的有关特征，或参考历史上相似洪水的处理方案构建未来洪水的处理方案，这对未来洪水的防洪决策具有重要意义。

发明内容

发明目的：本发明的目的是提供一种基于降雨径流相似性的自适应径流预报方法，接入实时降雨预报信息，滚动预报未来一周的径流，在此基础上识别前期降雨径流特征，自动切换预报模式，实现自适应不同预报场景的功能。

技术方案：本发明的基于降雨径流相似性的自适应径流预报方法，包括以下步骤：

S1、构建历史降雨、径流样本：收集预报对象所在流域的关键断面流量数据，以及雨量站点数据和格点数据，对收集的原始数据进行时间降维和空间降维，得到历史降雨、径流样本；

S2、降雨、径流关键特征指标识别：基于历史降雨、径流样本，分析预报断面所在流域的降雨、径流特征并建立预报断面及以上流域降雨、径流定量特征指标；从径流的物理成因和统计分析两个方面综合确定降雨、径流的关键特征指标；

S3、基于数据挖掘的降雨、径流相似性动态评价：采用滑动窗口取样的方式构建历史实测降雨、径流、以及预报降雨的关键特征指标样本集，运用欧氏距离法等方法定量表征当前样本与历史样本的降雨相似性和径流相似性，并考虑到降雨、径流数值量级差异，提出考虑降雨影响权重的降雨-径流综合相似性指标；搜索最相似的多场历史实测降雨径流过程，并以此作为得出最终预报结果的依据；