【技术实现步骤摘要】
本专利技术涉及水文径流分析，具体是一种基于效益风险均衡准则的径流组分模型选择方法。
技术介绍
1、径流组成成分识别是水文分析的一项重要内容，对掌握流域水资源演变规律具有重要的意义。水文学中通常假定径流序列由突变、趋势、周期性变化等确定性成分，以及将确定性成分进行分离后的随机性成分叠加组成。在径流成分识别过程中，首先采用时间序列的变异性诊断方法对突变、趋势和周期等演变特性进行诊断，然后选择合适的径流组分模型对不同变化特性的成分进行定量描述，以期充分地识别径流序列的各类确定性成分及其变化规律。
2、目前关于趋势、突变和周期性的诊断识别已有较多成熟的方法，为径流序列演变特性的综合分析提供了理论基础。在径流组分的定量识别方面，目前常采用线性叠加模型对给定长度的径流序列进行各类成分的逐次提取和分离，然后基于组成成分拟合度作为判别准则进行具体模型形式的选择。然而，序列长度的变化也会导致径流特性及成分提取结果的差异。基于拟合度的判别准则实质是以径流序列确定性成分提取精度最大化为目标，未能考虑变化长度径流序列对模型精度稳定性的影响，目前仍缺乏一种兼顾径流成分识别精度和模型稳定性的判别方法，为合理地选择径流组分模型形式提供决策依据。
技术实现思路
1、针对上述存在的问题，本专利技术提供一种基于效益风险均衡准则的径流组分模型选择方法，用于均衡考量模型对径流成分的识别精度及其随序列长度变化的稳定性风险，为径流组分模型的选择提供决策依据。
2、本专利技术通过如下技术方案实现：>
3、一种基于效益风险均衡准则的径流组分模型选择方法，包括如下步骤：
4、步骤1：基于实测径流序列构造变化长度的径流序列样本集；
5、步骤2：建立由突变成分、趋势成分、周期成分、均值成分和剩余随机成分叠加组成的径流组分模型；
6、步骤3：将步骤2中突变成分、趋势成分、周期成分、均值成分设置为不同的组合方式和分离顺序，构建不同形式的径流组分模型集，将模型形式记为m(·)；
7、步骤4：选取步骤3径流组分模型集中的某一模型形式m(·)，对步骤1中变化长度的径流序列样本集依次进行径流确定性成分的提取，直至遍历完模型集中所有模型形式；
8、步骤5：计算步骤4中各模型形式m(·)所识别的径流确定性成分相对于实测径流序列的拟合精度，得到变化长度径流序列的拟合精度样本集；
9、步骤6：分别计算步骤5中各模型形式下样本长度为l的拟合精度样本集的均值和标准差，代表该模型对径流成分的效益指标和风险指标；
10、步骤7：根据效益指标和风险指标确定效益风险均衡指标的计算公式；
11、步骤8：根据步骤6中各模型的效益指标和风险指标，采用步骤7的计算公式和依次计算各模型的效益风险均衡指标，以效益风险均衡指标最小准则为决策依据，从步骤3所构建的径流组分模型集中选择最佳的径流组分模型。
12、进一步的，所述步骤1具体包括；
13、设有n个样本的实测径流时间序列x(t)＝x1,x2,...,xn，将实测序列按时序分割为长度为m和n-m个样本的两段序列，记x1＝x1,x2,...,xm；以x1为初始序列，逐步增加该序列的长度，记为xi＝x1,x2,...,xm+i-1(i＝1～n-m+1)，直至n-m个样本均增加至xi，所述xi(i＝1～n-m+1)为基于实测序列所构造变化长度的径流序列样本集。
14、进一步的，步骤2中径流组分模型的描述为：
15、x(t)＝m(t)+t(t)+p(t)+μ+s(t) (1)
16、式中，m(t)，t(t)，p(t)，μ，s(t)分别代表突变成分、趋势成分、周期成分、均值成分、以及剩余随机成分，所述剩余随机成分是除去均值的随机剩余序列；公式(1)中各成分按照给定顺序依次进行识别，在剔除上一成分得到剩余序列之后再识别下一成分。
17、进一步的，步骤2中突变成分、趋势成分、周期成分提取的具体步骤包括：
18、步骤2.1：采用突变检验法对径流序列进行突变诊断，将原径流序列按照突变点进行分段，第一个片段代表天然径流子序列，后续片段为变异子序列，将变异子序列通过均值变换，还原至天然径流相同的均值水平，消除均值变异成分。记k个突变点将原序列分段的子序列为x0,x1,…,xk，则突变成分表达如下：
19、
20、式中，为天然子序列的均值，为第k个变异子序列的均值；
21、步骤2.2：采用一元线性回归方程对径流序列进行拟合，斜率和截距参数采用最小二乘回归法求解，将拟合方程中一次项作为趋势成分，表达式如下：
22、
23、式中，x为表示时间的因变量，表示趋势成分的拟合值，m为斜率参数；
24、步骤2.3：采用周期图法进行径流序列的显著周期成分识别，通过f检验识别出显著周期成分，若有d个显著谐波，则周期成分表达式如下：
25、
26、式中，表示周期成分的拟合值，即谐波累加的主周期成分，主周期tj＝2π/wj。
27、进一步的，步骤2.1中的突变点诊断采用m-k检验、滑动t检验、pettitt检验、标准正态检验、buishand检验这5种方法对径流序列进行初步的突变检验，以“投票法”为原则将超过2种方法检验为显著突变点的年份作为初步识别结果，进一步采用秩和检验法从初步结果中诊断出最终突变点。
28、进一步的，步骤5中的拟合精度采用皮尔逊相关系数、均方根误差、平均绝对误差、平均绝对百分误差以及纳什系数进行计算。
29、进一步的，步骤6中分别计算步骤5中各模型形式下样本长度为l的拟合精度样本集的均值和标准差，具体包括：
30、
31、式中，b为模型对变化径流序列的平均拟合精度，代表模型对径流成分识别所取得的“效益”；r为变化径流序列下模型拟合精度的波动大小，代表模型应对变化径流序列的稳定性，称为“风险”。
32、进一步的，步骤7中效益风险均衡指标计算公式为：
33、br＝αb+(1-α)r (6)
34、式中，br为效益风险均衡指标，α为0～1之间的权重系数；
35、若b为基于极大化目标的平均精度指标，将b为转化为与风险指标r相一致的极小化目标；根据决策者偏好选取不同的权重系数α；计算不同权重的br指标，作为模型选择的决策依据。
36、本专利技术具有以下优势：
37、(1)本专利技术在步骤1和步骤3中分别考虑径流序列长度和不同类别成分分离顺序对径流特性及成分识别结果的影响，在步骤7中基于变化长度径流序列的确定性成分拟合精度定义了效益风险均衡准则，为合理地选择径流组分模型形式提供一种均衡考量模型精度及模型稳定性的决策依据；
38、(2)所提基于效益风险均衡准则的模型选择方法可均衡考量决策者对效益和风险的偏好，灵活地给出合理的模型推荐。
本文档来自技高网...【技术保护点】
1.一种基于效益风险均衡准则的径流组分模型选择方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：所述步骤1具体包括；
3.如权利要求1所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤2中径流组分模型的描述为：
4.如权利要求3所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤2中突变成分、趋势成分、周期成分提取的具体步骤包括：
5.如权利要求4所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤2.1中的突变点诊断采用M-K检验、滑动T检验、Pettitt检验、标准正态检验、Buishand检验这5种方法对径流序列进行初步的突变检验，以“投票法”为原则将超过2种方法检验为显著突变点的年份作为初步识别结果，进一步采用秩和检验法从初步结果中诊断出最终突变点。
6.如权利要求1所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤5中的拟合精度采用皮尔逊相关系数、均方根误差、平均绝对误差、平均绝对百分误差以
7.如权利要求1所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤6中分别计算步骤5中各模型形式下样本长度为L的拟合精度样本集的均值和标准差，具体包括：
8.如权利要求7所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤7中效益风险均衡指标计算公式为：
...【技术特征摘要】
1.一种基于效益风险均衡准则的径流组分模型选择方法，其特征在于，包括如下步骤：
2.如权利要求1所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：所述步骤1具体包括；
3.如权利要求1所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤2中径流组分模型的描述为：
4.如权利要求3所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤2中突变成分、趋势成分、周期成分提取的具体步骤包括：
5.如权利要求4所述的基于效益风险均衡准则的径流组分模型选择方法，其特征在于：步骤2.1中的突变点诊断采用m-k检验、滑动t检验、pettitt检验、标准正态检验、buishand检验这5...
【专利技术属性】
技术研发人员：丁小玲，胡维忠，罗斌，陈尚法，李伟，苏培芳，蔡林杰，唐海华，邹强，
申请(专利权)人：长江勘测规划设计研究有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。