[发明专利]一种小流域洪水自适应智能组网预报方法

说明书

本发明公开了一种小流域洪水自适应智能组网预报方法，第一步，确定各汇流子区域的流域出口等信息；第二步，采用近邻数据的均值来平滑降雨径流数据缺失值和修正错误值，分析小流域内降雨径流相关关系，构建神经网络训练集和测试数据集，并以子流域出口流量作为模型输出，对数据集进行归一化处理；第三步，构建基于贝叶斯正则化算法的BP神经网络模型，利用训练数据集对模型进行训练；第四步，得到小流域出口的洪水流量过程；第五步，构建实测流量值与预报流量值之间的误差函数，得到目标误差下的计算参数；第六步，可实现小流域暴雨洪水预测。利用本发明可克服小流域水文预报参数确定问题，并保证了预报的准确性和可靠性。

技术领域

本发明涉及智能化应用和应急防灾领域，具体涉及一种小流域洪水自适应智能组网预报的方法。

背景技术

洪水预报是防汛抗旱非工程措施的重要内容之一，可直接为防汛减灾、应急抢险和水利工程运行管理调度服务。尤其是在洪水频发、受影响较大的小流域更为重要，小流域洪水突发性强、历时短、峰高量小，目前其防灾减灾所面临的最主要问题之一是洪水预警预报措施不足，并且存在流域资料不足，模型参数率定困难等问题，增加了使用传统水文预报方法对小流域进行洪水预报的困难性和不确定性。

小流域的降雨产汇流是一个典型的非线性过程，目前洪水预报应用较广泛的有基于物理过程的水文模型和基于数据驱动的神经网络智能模型，水文模型是严格的物理过程计算，需要多个物理参数输入到计算模型之中，对小流域的实测资料要求高，并依赖经验和大量的计算进行参数率定。神经网络智能模型是借鉴大脑和神经系统存储和处理信息的某些特征抽象出来的一种数学模型，具有强大的自学习和修正误差能力及能够逼近任何非线性系统的特点，不需要准确的物理参数进行计算，其模型本身没有实际的物理意义，只是建立模型输入输出之间的映射关系。在实际洪水预报中，各种因素都存在不确定性，使两种模型具有各自的特点和局限性。因此，利用自适应智能组网预报方法进行小流域洪水预报具有重要的理论意义和实践意义。

发明内容

针对现有方法中存在的问题和不足，本发明提供一种小流域洪水自适应智能组网预报方法，将神经网络智能模型与水文模型相结合，子流域的划分增加了降雨、下垫面等因素与洪水的相关关系，并采用基于水力学方法的河道汇流模型进行河道洪水模拟，完成小流域的洪水预报。

本发明的一种小流域洪水自适应智能组网预报方法，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)