[发明专利]一种小流域洪水自适应智能组网预报方法

权利要求书

1.一种小流域洪水自适应智能组网预报方法，其特征在于，该方法具体包括如下步骤：

第一步：根据小流域地形数据和流域降雨产汇流特性进行子流域划分，确定各子流域出水口；

第二步：收集子流域的水文地理要素，至少从中选取与洪水流量相关的四个指标包括子流域面积、平均坡度、降雨量以及前期降雨，构建神经网络训练数据集与测试集X、Y，并对数据集进行归一化处理，归一化处理公式如下：

X＝(x₁,x₂,x₃,x₄)^T

Y＝(y_o)^T

x₄＝f(r₁,r₂,r₃,r₄,r₅)

式中，X为输入数据集，x₁,x₂,x₃,x₄为训练集中各子流域的指标序列，Y为目标输出序列，y_o为对应于输入序列的各子流域出口径流序列，r₁,r₂,r₃,r₄,r₅为降雨前一到五日的子流域中心降雨量，f()为映射关系，x₄为前期影响雨量，y为归一化后的目标数据，x_max、x_min为原始数据中的最大值、最小值，y_max、y_min为目标数据的最大值、最小值，T表示矩阵转置；

第三步：构建基于贝叶斯正则化的BP神经网络，利用子流域的训练数据集进行神经网络模型训练，选取均方差函数为性能函数，其中，n为样本数量，y_i,t为预测值，y_i,o为目标值；利用测试数据集测试合格后，计算待预报子流域与资料稀缺子流域出口的洪水流量过程；

使用BP神经网络进行训练过程分为正向传递过程和反向误差修改过程：正向传递过程中，输入的训练样本数据从输入层，经隐含层到输出层逐层计算出输出层神经元节点的输出值；反向误差修改过程中，计算训练数据期望输出与实际输出之间的误差，然后基于贝叶斯正则化对各层神经元参数进行优化调整以达到误差允许值；详细的优化流程如下：

样本空间域S中的随机样本为 D₁,D₂,…,D_n，P(D_i)为事件D_i发生的概率，则对于任一事件x，P(x)为事件x发生的概率，则有：

式中，P(D_j|x)是后验分布，D_j表示不确定的未知数据，P(x|D_j)是似然函数，P(D_j)是先验概率，i，j表示样本空间域S中的编号，n是样本空间域中的样本总数；

利用贝叶斯正则化算法通过最大化后验概率估计参数w，得到w的最大似然估计结果w^*，公式如下：

w^*＝argmax_wp(D|w)p(w)

式中，为似然函数在参数向量w的情况下数据D出现的概率，p(w)为参数向量w的先验概率，D为给定历史数据；

第四步：基于马斯京根-康格法构建小流域河道组网汇流模型，以各子流域洪水流量过程作为上游入流，计算河道洪水的演进过程和预报时段小流域出口的洪水流量过程，相关的连续方程和扩散形式动量方程如下：

式中，A为河道过水断面面积，Q为河道流量，q_L为河道侧向入流，t为时间，S_f为摩阻比降，S₀为底坡，x为沿河道水流方向的距离；y为水深；

进而得到对流扩散方程如下：

式中，c为波速，μ为水力扩散系数，B为水面顶宽；

第五步：计算小流域出口预报流量，根据小流域出口实测流量和预报流量，采用加权最小二乘法对河道汇流模型参数进行自适应率定，得到具有准确参数的小流域洪水自适应智能组网预报模型，流程如下：

(5-1)输入各子流域出口的修正流量过程计算流域出口流量；ρ_i为流量汇入修正系数、Q_i为神经网络预测流量过程；

(5-2)构建实测流量值与预报流量值之间的误差函数；

(5-3)利用加权最小二乘法率定模型参数，得到误差函数目标值；

加权误差目标函数为：

其中，λ_i为加权因子，为子流域预报模型的计算输出，为子流域预报模型的期望输出，k为计算流量的总步数，t、o分别为计算输出和期望输出；

将E对ρ_i求导数，结果如下：

使求得误差目标函数的最小值，确定河道汇流模型的侧向入流修正参数ρ_i并代入流量修正公式和河道组网汇流模型，得到流域出口的流量过程；

第六步：利用已构建的小流域洪水自适应智能组网预报模型，输入新的预报时段数据集，完成小流域洪水预报。