一种中小水库入库流量日前预测的分时段集成方法技术

本发明专利技术公开了一种中小水库入库流量日前预测的分时段集成方法，主要解决了现有技术存在的中小水库无法有效利用现有技术进行入库流量预测的问题。该分时段集成方法包括如下步骤：(S1)基于流域降水量划分汛期与非汛期；(S2)搭建汛期与非汛期的集成学习预测器；(S3)对汛期与非汛期的集成学习预测器进行训练；(S4)进行入库流量的预测。通过上述方案，本发明专利技术达到了采用水量平衡原理，由水库各类用水可还原水库来水，获得水库入库流量的历史数据，利用深度学习网络强大的非线性表达能力，挖掘历史数据背后的规律来预测日前的入库流量在保证精度的同时避免了对难以观测水文要素资料的依赖的目的，具有很高的实用价值和推广价值。

【技术实现步骤摘要】
一种中小水库入库流量日前预测的分时段集成方法
本专利技术属于水文及水资源
，具体地讲，是涉及一种中小水库入库流量日前预测的分时段集成方法。
技术介绍
相比于大型水库，中小水库的可调节库容小，调节能力十分有限，因此，中小水库入库流量日前预测具有迫切的工程实际需要。当前对中小水库入库流量的日前预测，主要可分为成因分析法和数理统计法两大类。成因分析法：应用水文学概念模拟河川径流的产流过程，建立数学模型，将各种水文要素代入数学模型求得预测结果。常见的水文数学模型有三江源蓄满产流模型、三江源滞后演算模型、马斯京根分段连续演算模型、新安江模型等。成因分析法原理简单，全局考虑了气候变化特性、气体运动情况和下渗面变迁等因素对径流的影响。数理统计法：应用数理统计理论和方法，从大量历史水文资料中，寻找预报对象和预报因子之间的统计关系或水文要素自身历史变化的统计规律，立预报模型进行预报。根据预报因子类别的不同，可分为单要素预报和多因子综合预报。单要素预报，分析水文要素本身时序变化规律进行预报，如历史演变法、周期叠加法、平稳时间系列法、趋势分析法及随机函数典型分解法等；多因子综合预报，分析水文要素与前期多因子之间的统计相关关系，然后用数理统计法加以综合，进行预报，如多元回归分析、逐步回归分析及多维时间序列等。现有技术中，成因分析法需要大量难以观测的流域历史水文要素资料、精度较高的历史气象数据，流域产汇流模型的参数设定与计算复杂；此外不同流域的地形地势不一、气候多样，截留、下渗、土湿、地表流、壤中流等水文要素各异，流域产汇流模型缺乏普适性。对于中小水库无论从人力、物力还是财力，都难以有效实现对流域内水文要素数据的观测与积累。数理统计法则需要大量较为完整和准确的历史数据，但受限于中小水库流域的观测资料，往往难以找出和找齐最主要的影响因子，无法有效分析出关联关系。因此如何解决现有技术中存在的问题是本领域技术人员亟需解决的问题。
技术实现思路
为了克服现有技术中的上述不足，本专利技术提供一种中小水库入库流量日前预测的分时段集成方法，考虑到中小水库具有较好的各类用水历史数据，利用水量平衡原理，由水库各类用水可还原水库来水，由此获得水库入库流量的历史数据，再结合不同时期影响流量的主导因素，利用深度学习网络强大的非线性表达能力来预测入库流量，可在不失精度的情况下避免对大量气象历史数据、流域水文要素历史数据的依赖。为了实现上述目的，本专利技术采用的技术方案如下：一种中小水库入库流量日前预测的分时段集成方法，包括如下步骤：(S1)基于流域降水量划分汛期与非汛期；(S2)搭建汛期与非汛期的集成学习预测器；(S3)对汛期与非汛期的集成学习预测器进行训练；(S4)进行入库流量的预测。进一步地，所述步骤(S1)中划分汛期与非汛期的标准为：(S11)根据流域内各水文站的降雨量，计算全年各天之间的欧式距离：其中，di,j表示第i天和第j天之间的欧氏距离，ri,k表示第i天第k个水文站的降雨量，rj,k表示第j天第k个水文站的降雨量；(S12)设定类别数目为2，采用基于欧氏距离的聚类方法，聚合各天形成的包含汛期与非汛期2个时段。进一步地，所述步骤(S2)中搭建汛期与非汛期的集成学习预测器的具体步骤如下：(S21)采用反向传播神经网络、卷积神经网络和长短期记忆神经网络进行深度学习并搭建基预测器，采用加权投票集成各个基预测器的预测结果作为集成学习预测器的预测结果：其中，表示集成学习预测器的预测结果，wi表示第i个基预测器的权重，yi表示第i个基预测器的预测结果；(S22)分别对汛期采用序列预测模式、非汛期采用分时刻预测模式进行预测。进一步地，所述步骤(S3)中对汛期与非汛期的集成学习预测器进行训练的具体步骤如下：(S31)对历史数据进行预处理；(S32)对汛期序列和非汛期各个时刻集成学习预测器进行训练。具体地，所述步骤(S4)中进行入库流量的预测的具体步骤如下：(S41)判断预测日所处汛期还是非汛期；(S42)若预测日处于汛期，取预测日前n天入库流量的时刻序列，输入汛期序列集成学习预测器，计算得到预测日入库流量的时刻序列；若预测日处于非汛期，对各个时刻取预测日前m天该时刻的入库流量，输入到对应时刻的集成学习预测器，计算得到预测日对应时刻的入库流量，由各个时刻预测的入库流量按序形成预测日入库流量的时刻序列。与现有技术相比，本专利技术具有以下有益效果：(1)本专利技术采用水量平衡原理，由水库各类用水还原水库来水，从而获得水库入库流量的历史数据；利用深度学习网络强大的非线性表达能力，挖掘历史数据背后的规律来预测日前的入库流量，在保证精度的同时避免了对难以观测水文要素资料的依赖。(2)本专利技术采用多类型深度学习网络作为基预测器，利用加权投票集成各基预测器，构成集成学习预测器，综合了不同深度学习网络的优点，提升了预测精度。(3)本专利技术基于中小水库流域控制范围内降雨量年内时序分布特征，将全年时段划分为汛期与非汛期；对不同时段，根据影响入库流量的主导因素，采用不同的预测模式，避免了全年采用单一预测模式带来的精度问题。附图说明图1为本专利技术的系统流程图。图2为本专利技术集成学习预测器的结构示意图。图3为本专利技术汛期序列预测模式示意图。图4为本专利技术非汛期分时刻预测模式示意图。图5为本专利技术汛期序列集成学习预测器的训练样本集生成示意图。图6为本专利技术非汛期各个时刻集成学习预测器的训练样本集成示意图。具体实施方式下面结合附图和实施例对本专利技术作进一步说明，本专利技术的实施方式包括但不限于下列实施例。实施例如图1所示，一种中小水库入库流量日前预测的分时段集成方法，包括如下步骤：(S1)基于流域降水量划分汛期与非汛期：(S11)根据流域内各水文站的降雨量，计算全年各天之间的欧式距离：其中，di,j表示第i天和第j天之间的欧氏距离，ri,k表示第i天第k个水文站的降雨量，rj,k表示第j天第k个水文站的降雨量；(S12)设定类别数目为2，采用基于欧氏距离的聚类方法，聚合各天形成的包含汛期与非汛期2个时段。(S2)搭建汛期与非汛期的集成学习预测器：(S21)采用反向传播神经网络、卷积神经网络和长短期记忆神经网络等多类深度学习并搭建基预测器，如图2所示，采用加权投票集成各个基预测器的预测结果作为集成学习预测器的预测结果：其中，表示集成学习预测器的预测结果，wi表示第i个基预测器的权重，yi表示第i个基预测器的预测结果；(S22)汛期采用序列预测模式，即汛期只搭建1个集成学习预测器，预测日前入库流量的时刻序列，如图3所示；非汛期采用分时刻预测模式，即对日前24个时刻分别搭建24个集成学习预测器，日前24个时刻各自独立预测，由各时刻本文档来自技高网...

【技术保护点】
1.一种中小水库入库流量日前预测的分时段集成方法，其特征在于，包括如下步骤：/n(S1)基于流域降水量划分汛期与非汛期；/n(S2)搭建汛期与非汛期的集成学习预测器；/n(S3)对汛期与非汛期的集成学习预测器进行训练；/n(S4)进行入库流量的预测。/n

【技术特征摘要】
1.一种中小水库入库流量日前预测的分时段集成方法，其特征在于，包括如下步骤：
(S1)基于流域降水量划分汛期与非汛期；
(S2)搭建汛期与非汛期的集成学习预测器；
(S3)对汛期与非汛期的集成学习预测器进行训练；
(S4)进行入库流量的预测。


2.根据权利要求1所述的一种中小水库入库流量日前预测的分时段集成方法，其特征在于，所述步骤(S1)中划分汛期与非汛期的标准为：
(S11)根据流域内各水文站的降雨量，计算全年各天之间的欧式距离：



其中，di,j表示第i天和第j天之间的欧氏距离，ri,k表示第i天第k个水文站的降雨量，rj,k表示第j天第k个水文站的降雨量；
(S12)设定类别数目为2，采用基于欧氏距离的聚类方法，聚合各天形成的包含汛期与非汛期2个时段。


3.根据权利要求2所述的一种中小水库入库流量日前预测的分时段集成方法，其特征在于，所述步骤(S2)中搭建汛期与非汛期的集成学习预测器的具体步骤如下：
(S21)采用反向传播神经网络、卷积神经网络和长短期记忆神经网络进行深度学习并搭建基预测器，采用加权投票集成各个基预测器的预...

【专利技术属性】
技术研发人员：索郎德杰，白维，许立雄，李政，卿启维，张志辉，侯坤，
申请(专利权)人：四川革什扎水电开发有限责任公司，四川大学，
类型：发明
国别省市：四川;51