[发明专利]一种考虑初损的神经网络流域降雨径流预报方法及系统

权利要求书

1.一种考虑初损的神经网络流域降雨径流预报方法，其特征是，包括：

基于流域内历史降雨量洪水径流量数据，得到降雨量-洪水径流量时间序列；

求取降雨初损，将降雨量-洪水径流量时间序列中扣除降雨初损求得潜在径流量序列数据，将潜在径流量序列数据和降雨量-洪水径流量时间序列进行整合生成门控循环单元训练数据集；

构建GRU神经网络模型，将潜在径流量序列数据作为GRU神经网络模型输入变量，与之对应的未来时段径流量序列数据作为GRU神经网络模型输出变量；

设定GRU神经网络模型的超参数，通过训练数据集训练GRU神经网络模型得到输入输出间的隐藏映射关系，得到训练完成的GRU神经网络模型；

将实时雨量数据和径流量输入至训练完成的GRU神经网络模型进行进行径流量预测。

2.如权利要求1所述的一种考虑初损的神经网络流域降雨径流预报方法，其特征是，得到的降雨量-洪水径流量时间序列为使用泰森多边形法将流域内雨量站控制面积换算得到的子流域面降雨量及流域出口处洪水径流量时间序列。

3.如权利要求1所述的一种考虑初损的神经网络流域降雨径流预报方法，其特征是，求取初损方式为：

I₀＝f(d)

d＝W_H-V_m

其中，I₀为初损值，d为土壤水分饱和差，W_H为土壤饱和含水量，V_m为降雨前土壤饱和含水量。

4.如权利要求1所述的一种考虑初损的神经网络流域降雨径流预报方法，其特征是，还包括：针对生成的训练数据集进行数据标准化处理，将原始的样本数据集处理后变为取值处于[0，1]的数值。

5.如权利要求1所述的一种考虑初损的神经网络流域降雨径流预报方法，其特征是，训练GRU神经网络模型的步骤为：

流域内m个雨量站n个时间段降水量序列，降水量扣除降雨损失得到的潜在径流量序列数据，两者构成(m+1)×n维输入矩阵，训练目标矩阵为t+1时刻的预报径流量；

拟定GRU网络模型的超参数，包括：批量大小、网络层数、神经元个数及优化器种类；

模型训练的正向传播阶段，从输入矩阵到输出矩阵正向传递数据信息，提取数据特征值，得出结果；

当正向传播计算的结果不满足误差要求时，进行反向传播阶段，将误差由输出至输入分配给不同参数进行训练修正；

模型不断迭代重复直到满足精度要求，模型训练完毕。

6.如权利要求1所述的一种考虑初损的神经网络流域降雨径流预报方法，其特征是，实时雨量数据和径流量的获取是根据流域水利云平台数据库实时获取的。

7.如权利要求1所述的一种考虑初损的神经网络流域降雨径流预报方法，其特征是，利用训练完成的GRU神经网络模型进行径流量预测主要包括以下步骤：

根据流域水利云平台数据库中搜索流域内雨量站及水文站点数据，获取当前时刻T₀到时间跨度为洪水预见期时刻T_0-n时刻的雨量数据与径流量数据；

求取准确可靠的降雨初损Ia；

将降雨量数据扣除降雨初损Ia，并与径流量数据构成潜在径流量-径流量矩阵作为输入数据；

将输入数据输入至训练好的GRU神经网络，获得预见期内的径流量数值。