[发明专利]一种基于数据驱动的小流域洪水实时预报方法

摘要

本发明公开了一种基于数据驱动的小流域洪水实时预报方法，其按如下步骤进行：（1）用降雨量和河道流量数据构建延迟时间序列和均值时间序列；（2）计算时间序列的灰色关联性，选择相关性较高的时间序列作为建模样本数据；（3）利用机器学习算法对输入输出数据进行建模，得到预报模型和拟合值；（4）通过信息熵理论计算各预报模型的权重；（5）利用预报模型进行河道流量的预报，对单模型预报结果进行加权计算，得到河道流量预报值；本发明充分利用降雨量、河道流量数据，模拟小流域洪水的复杂非线性映射关系，发掘数据中的信息，提高了小流域洪水实时预报的精度。

主权项

1.一种基于数据驱动的小流域洪水实时预报方法，按如下步骤进行：(1)数据整理和时间序列计算，在小流域中采集获得连续的m日n个雨量站降雨量数据R₁～R_n和一个下游河道流量数据Q，建立降雨量延迟1日、2日、3日、5日、10日的延迟时间序列R¹₁～R¹_n、R²₁～R²_n、R³₁～R³_n、R⁵₁～R⁵_n、R¹⁰₁～R¹⁰_n，建立河道流量延迟0日、1日、3日的延迟时间序列Q⁰、Q¹、Q³，建立降雨量向前推算1日、2日、3日、5日、10日时段降雨量均值时间序列SR¹₁～SR¹_n、SR²₁～SR²_n、SR³₁～SR³_n、SR⁵₁～SR⁵_n、SR¹⁰₁～SR¹⁰_n，建立河道流量向前推算1日、3日时段流量均值时间序列SQ¹、SQ³；(2)计算时间序列数据的灰色关联性，选择降雨量延迟时间序列R¹₁～R¹_n、R²₁～R²_n、R³₁～R³_n、R⁵₁～R⁵_n、R¹⁰₁～R¹⁰_n，降雨量均值时间序列SR¹₁～SR¹_n、SR²₁～SR²_n、SR³₁～SR³_n、SR⁵₁～SR⁵_n、SR¹⁰₁～SR¹⁰_n，河道流量延迟时间序列Q¹、Q³，河道流量均值时间序列SQ¹、SQ³，共计10n+4个时间序列，表示为L₁～L_10n+4，计算L₁～L_10n+4与Q⁰之间的灰色关联度，首先对L₁～L_10n+4和Q⁰在各自序列内进行[0,1]之间的归一化，对于其中一个序列D＝{d₁,d₂,…,d_N}，归一化计算公式为：b_i＝(d_i‑minD)/(maxD‑minD)，其中i＝1,2,3,…,N；maxD为D中最大值，minD为D中最小值，d_i的归一化值为b_i，D归一化后得到B＝{b₁,b₂,…,b_N}；将L₁～L_10n+4归一化后的值分别减去Q⁰归一化后的值，得到差值序列P₁～P_10n+4，计算P₁～P_10n+4最大值P_max和最小值P_min，L_i中第c个元素对应的灰色关联度为：ρ_ic＝(|P_min|+0.5×|P_max|)/(|p_ic|+0.5×|P_max|)，其中p_ic为P_i中的第c个元素；Li的灰色关联度为：计算L₁～L_10n+4对应的灰色关联度，并优选关联度最大的前10个序列作为输入样本，表示为X₁～X₁₀，将Q⁰作为输出样本，表示为Y，建立输入输出数据关系式F(X₁,X₂,X₃,…,X₁₀)＝Y；(3)机器学习算法回归建模，采用三种机器学习算法进行回归建模，对X₁～X₁₀和Y进行非线性回归拟合，得到三种预报模型F₁～F₃及对Y的拟合值T₁～T₃；(4)预报模型权重计算利用最大熵原理计算各拟合值T₁～T₃相对Y的权重，首先计算Y与T₁～T₃差值的取绝对值，对于T_i有：|T_i‑Y|＝{|t_i,1‑y₁|,|t_i,2‑y₂|,|t_i,3‑y₃|,…,|t_i,N‑y_N|},其中i＝1,2,3，N为Y和T₁～T₃中元素个数；计算T_i熵值，对T₁～T₃的熵值进行归一化得到权重H₁～H₃，公式为：其中i＝1,2,3；(5)实时洪水预报，在第u日，对u+1日的河道流量进行预报，选择第u日到u‑10日间的降雨量、河道流量按照步骤(1)进行数据整理和时间序列计算，并按照步骤(2)中优选的10种数据类型进行数据删选，得到数据序列X₁～X₁₀，取各序列最后一位元素组成一组数据{x₁,x₂,x₃,…,x₁₀}，将这组数据输入3个预报模型得到三个第u+1日的单模型预报结果{y₁,y₂,y₃}，将步骤(4)计算的权重对单模型预报结果进行加权计算，公式为：将作为u+1时刻的河道流量预报值。