本发明专利技术公开了一种混合向量自回归与GARCH‑Copula模型的中长期径流概率预报方法，包括：收集、整理待预报站点所在流域长系列中长期径流数据，选取预报模型进行模拟预报并分析预报误差统计特征参数；在不考虑多站点径流预报残差时空相关性的条件下，进行动态概率预报；在考虑多站点径流预报残差时程、空间维度的关联演化特性条件下，耦合EGARCH模型消除多站点径流预报残差序列的异方差效应进行动态概率预报；在考虑多站点径流预报残差时程、空间维度的关联演化特性条件下，耦合EGARCH‑Copula函数改进VAR模型以描述预报残差时空关联特性。本发明专利技术提升了预报精度与可靠性，为水资源管理决策提供更为准确的支撑信息。
1、中长期径流预报是调度的重要依据。受限于中长期径流形成过程的复杂性与天气系统的混沌效应，现有基于数据驱动或物理过程驱动的单值预报方法仍难以提供准确可靠的预报信息。目前常用时间序列法预报中长期径流过程，此类方法常假定残差序列为平稳、独立的白噪声，无法准确反映中长期径流随机项的动态变化规律。且未考虑预报误差随着方程迭代递推会产生多阶段的传递关系，导致单值预报精度随着预见期的延长而降低。
2、广义自回归条件异方差(generalized autoregressive conditionallyheteroskedastic,garch)模型是一种能够描述未来方差受到过去方差影响的变化过程的模型，可以用于非平稳、具有时变参数的时间序列的模拟与预报，同时也能够对具有不对称波动特性的序列进行描述，是考虑径流非平稳性变化特性的有效扩充。但garch模型的显式表达难以追踪天然径流过程的非线性信息和不平稳特征。
1、专利技术目的：本专利技术的目的是改进向量自回归模型基于平稳误差序列模拟、预报中长期径流过程存在的不足，提供一种混合向量自回归与garch-copula模型的中长期径流概率预报方法。
>3、s1、将中长期径流序列转化为平稳的径流样本序列，基于向量自回归var模型对平稳的径流样本序列进行确定性多站点径流单值预报，并进一步进行确定性单值滚动预报，得到不同预见期的径流预报值序列和径流预报残差序列；4、s2、在不考虑多站点径流预报残差时空相关性的条件下，生成不同预见期径流预报残差的随机情景集，将预报残差随机情景集叠加至向量自回归模型的径流预报值，进行动态概率预报，得到滚动概率预报随机情景集；
5、s3、在考虑多站点径流预报残差时程、空间维度的关联演化特性条件下，耦合egarch模型消除多站点径流预报残差序列的异方差效应进行动态概率预测，生成考虑时间相关不确定性的预报残差情景集和径流概率预报情景集；
6、s4、在考虑多站点径流预报残差时程、空间维度的关联演化特性条件下，耦合egarch-copula函数改进var模型以描述径流预报残差时空关联特性，生成考虑时空相关不确定性的径流概率预报情景集。
7、进一步的，步骤s1包括以下步骤：
8、s11、中长期径流序列平稳化转化处理；
9、将n1年的旬径流序列减去多年均值并除以各旬的标准差，得到去季节化成分后的径流观测结果；计算公式为：
10、
11、其中，qi,t为第i个水文站t时段的去季节化成分后的径流样本值，i＝1,2,…,i，i为水文站总数，qi,id(t)为第i个水文站的原始径流值，id(t)表示时段t所处年份和旬数，为第i个水文站id(t)对应旬的多年平均径流值，σi,id(t)为第i个水文站id(t)对应旬的径流标准差，将去季节化成分后的径流样本值按时间顺序排列，组合成径流样本序列{qi,t}；
12、s12、基于向量自回归var模型的多站点径流单值预报；
13、设定不同滞后期h，对率定期各站点径流序列建立h阶的自回归方程，构造多站点径流自回归方程的联立型式：
14、
15、其中，qi,t为第i个水文站t时段的径流预报模拟值；ai,t表示第i个水文站t时段的径流预报残差；μi为第i个水文站径流序列自回归方程的常数项；πij,h为过去h个时段第i个水文站对第j个水文站产生影响的参变量系数，i,j＝1,2,…,i；qi,t-1为第i个水文站t-1时段的去季节化成分后的径流样本值，qi,t-h为第i个水文站t-h时段的去季节化成分后的径流样本值；
16、s13、单值滚动预报；
17、当需要给出更长时间预报方案时，基于单值预报进行滚动迭代预报。
18、进一步的，步骤s2包括以下步骤：
19、s21、采用蒙特卡洛法抽样生成径流预报残差随机情景集；
20、根据建立的随机模拟模型进行情景随机抽样，建立不同预见期径流预报残差的随机情景集
21、
22、其中，表示第i个水文站在t-τ时段前预报t时段的第l个情景的径流预报残差，i＝1,2,…,i，l＝1,2,…,l，τ＝1,2,…τ0，i为水文站总数，l为情景总数，τ0为预见期总数；
23、s22、滚动概率预报随机情景集生成；
24、将预报残差随机情景集叠加至向量自回归模型的径流预报值，得到不考虑径流预报残差时空相关不确定性的滚动概率预报随机情景集：
25、
26、其中，表示第i个水文站在t-τ时段前预报t时段的第l个情景的径流预报值。
27、进一步的，步骤s3包括以下步骤：
28、s31、径流预报残差的条件方差时间演化特征分析；
29、引入egarch模型，对var模型中提取的残差序列的条件方差进行自相关拟合，找到残差方差的自相关关系及方差与残差之间的相关关系为：
30、
31、其中，g(·)为径流预报残差序列的条件方差回归方程，ai,t-p′,τ为第i个水文站t-p′时段预见期为τ的径流预报残差，p′为径流预报残差的回归阶数，w为径流预报残差的条件方差回归阶数，为第i个水文站t时段预见期为τ的径流预报残差序列的条件方差，为第i个水文站t-w时段预见期为τ的径流预报残差序列的条件方差。
32、s32、基于egarch模型的径流预报残差序列建模；
33、对率定期各个站点径流预报残差序列建立egarch(p,w)模型为：
34、ai,t,τ＝σi,t,τei,t,τ
35、
36、其中，ei,t,τ为第i个水文站在t-τ时段前预报t时段，即预见期为τ的径流预报残差对应的零均值单位方差的独立同分布随机误差；ei,t-u,τ+u为第i个水文站在t-(τ+u)时段前预报t-u时段，即预见期为τ的径流预报残差对应的零均值单位方差的独立同分布随机误差；σi,t,τ为第i个水文站在t-τ时段前预报t时段，即预见期为τ的径流预报残差序列的条件标准差；为第i个水文站在t-(τ+s)时段前预报t-s时段，即预见期为τ的径流预报残差序列的条件方差，p为随机误差项的回归阶数，；αi,u和βi,s分别为ei,t-u,τ+u和的系数，αi,0和γi均为实常数；βi,s表示波动程度，γi表示不对称程度；
37、s33、根据径流预报值q′i,t,τ和对应的径流预报残差a′i,t,τ，计算径流预报残差序列{a′i,t,τ}的相关系数矩阵ra；
38、s34、采用蒙特卡洛法抽本文档来自技高网...
【技术保护点】
1.一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求1所述的一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法，其特征在于，步骤S2包括以下步骤：
4.根据权利要求1所述的一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法，其特征在于，步骤S3包括以下步骤：
5.根据权利要求4所述的一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法，其特征在于，步骤S33中相关系数矩阵Ra表达式为；
6.根据权利要求4所述的一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法，其特征在于，考虑时间相关不确定性的预报残差情景集表达式为：
7.根据权利要求1所述的一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法，其特征在于，步骤S4包括以下步骤：
8.一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报系统，其特征在于，包括：
9.一种电子设备，其特征在于，包括存储器和处理器，其中：
10.一种存储介质，其特征在于，所述存储介质上存储有计算机程序，所述计算机程序被至少一个处理器执行时实现如权利要求1-7任一项所述一种混合向量自回归与GARCH-Copula模型的中长期径流概率预报方法的步骤。
...
【技术特征摘要】
1.一种混合向量自回归与garch-copula模型的中长期径流概率预报方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种混合向量自回归与garch-copula模型的中长期径流概率预报方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求1所述的一种混合向量自回归与garch-copula模型的中长期径流概率预报方法，其特征在于，步骤s2包括以下步骤：
4.根据权利要求1所述的一种混合向量自回归与garch-copula模型的中长期径流概率预报方法，其特征在于，步骤s3包括以下步骤：
5.根据权利要求4所述的一种混合向量自回归与garch-copula模型的中长期径流概率预报方法，其特征在于，步骤s33中相关系数矩阵ra表达式为；
...
【专利技术属性】
技术研发人员：徐斌，季赛金，莫然，王森，郑文，
申请(专利权)人：河海大学，
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。