[发明专利]基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性预测方法

说明书

本发明公开了一种基于均值漂移聚类的WOA‑QRLSTM水库入库流量概率性预测方法，包括：1对收集到的水库入库流量及其影响因子进行预处理；2对预处理后的数据集用均值漂移聚类算法对其进行聚类，并把数据划分为训练集和测试集；3将训练集数据放入鲸鱼算法优化的分位数回归长短期神经网络WOA‑QRLSTM预测模型进行训练，测试集数据放入训练好的WOA‑QRLSTM预测模型，得到不同分位点下水库入库流量预测值；4不同分位点下水库入库流量预测值通过核密度估计计算得到未来水库入库流量的概率密度。本发明能提高水库入库流量预测的准确性，从而为水库运行调度提供有效水库入库流量预测信息。

技术领域

本发明属于水库入库流量预测领域，具体的说是一种基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性预测方法。

背景技术

水库入库流量预测影响到水库的运行调度安排和水资源的合理利用，是水库调度运行的重要的决策依据；而上游来水、降雨、气候变化等多种不确定因素都会影响到水库入库流量预测结果，如何提高预报的精度和稳定性是研究的重要方向。相较于传统的水库入库流量点预测方法，概率性水库入库流量预测方法能较好地反映水库入库流量的不确定性，从而为水库入库流量预测、优化调度提供更加科学合理的依据。

传统的基于历史数据的预报模型，如多元线性回归模型、人工神经网络模型、支持向量机算法等，应用单一的预测模型描述水库入库流量之间以及水库入库流量和因子之间的关系，总体上预报效果不理想，预报精度不高，难以得到更加精确的水库入库流量预测结果。

发明内容

本发明是为了解决上述现有技术存在的不足之处，提出一种基于均值漂移聚类的WOA-QRLSTM水库入库流量概率性预测方法，以期能充分考虑水库入库流量影响因子对水库入库流量预测准确性的影响，从而能更精确、更有效的预测未来水库入库流量，为水库运行调度提供有效水库入库流量预测信息。

本发明为达到上述发明目的，采用如下技术方案：

本发明一种基于均值漂移聚类和WOA-QRLSTM预测模型的水库入库流量概率预测方法的特点是按如下步骤进行：

步骤1、采集水库入库流量数据和影响水库入库流量的因子数据并进行预处理，得到处理后的数据集Dataset＝{[W(t),G_m(t)]|t＝1,2,...,T；m＝1,2,...,M}，其中，W(t)表示第t日的水库入库流量；M表示水库入库流量的因子种类数，G_m(t)表示第m个影响因子在第t日的数值；T表示采集总天数；

步骤2、以一定时间周期D为时间间隔，对预处理后的数据集Dataset进行划分，得到I组样本数据{Datagruop_i|i＝1,2,...,I}，且I满足[T/D]，其中，Datagroup_i表示第i组样本数据，且Datagroup_i＝[W′(i),G′_m(i)]，G′_m(i)＝(G_m(d×(i-1)+1),G_m(d×(i-1)+2),...,G_m(d×i))^T为第i组样本数据的第m个影响因子，G_m(d×i)表示在第d×i日的第m个影响因子，W′(i)＝(W(d×(i-1)+1),W(d×(i-1)+2),...,W(d×i))^T为第i组样本数据的水库入库流量，W(d×i)表示在第d×i日的水库入库流量，i＝1,2,...,I；

步骤3、将I组样本数据{Datagruop_i|i＝1,2,...,I}划分为训练集Train＝{Datagroup_i|i＝1,2,...,p}和测试集Test＝{Datagroup_i|i＝p+1,p+2,...,I}，则训练集Train中含有p组样本数据，测试集Test中含有I-p组样本数据；