【技术实现步骤摘要】
本申请涉及水文预测，特别是涉及一种水文预报方法、系统、设备和介质。
技术介绍
1、当前水文预报技术在应对复杂自然条件下的径流预测时面临诸多挑战。传统的方法，如线性规划、动态规划以及大系统分解协调等，虽在理论层面已经成熟，但在实际应用中却受限于“维数灾难”，即随着问题复杂度的增加，算法的有效性和效率大幅下降。此外，这类方法在处理非线性、波动性及周期性等特征时，往往难以达到理想的预测精度。因此，现有技术中存在水文预报精确度低的问题。
技术实现思路
1、本申请实施例提供了一种水文预报方法、系统、设备和介质，以至少解决相关技术中存在水文预报精确度低的问题。
2、第一方面，本申请实施例提供了一种水文预报方法，包括：
3、根据历史径流数据，确定影响因子数目，基于所述影响因子数目，建立径流时间序列，根据所述径流时间序列，划分训练集和测试集；
4、基于所述训练集，通过合作搜索算法耦合孪生极限学习机，构建水文预报模型，其中，所述水文预报模型输入径流数据，输出预测的径流数据；所述合作搜索算法包括引入个人最佳位置进行联合搜索的团队沟通算子，以及引入动态扰动的反思学习算子；
5、根据当前径流数据，基于所述水文预报模型，获取径流点预报结果。
6、在一实施例中，所述基于所述训练集，通过合作搜索算法耦合孪生极限学习机，构建水文预报模型，包括：
7、设置合作搜索算法的参数，其中，所述参数包括员工个体规模、最大迭代次数、变量维数、变量的上下限和
8、根据所述训练集、所述合作搜索算法的参数、拉格朗日乘数和优化条件，建立合作搜索算法耦合孪生极限学习机的初始水文预报模型，并将所述水文预报模型转化为对应的对偶优化问题；
9、将纳什-效率系数作为所述初始水文预报模型的目标函数，并获取每个所述员工个体的目标函数值；
10、获取多个所述目标函数值中最小的目标函数值，将最小的目标函数值对应的员工个体位置作为当前迭代的最优位置，通过团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解；
11、将所述员工个体最优解作为初始水文预报模型的输入，迭代获取所述员工个体最优解，响应于达到预设迭代次数，获取员工个体最优参数组合，根据所述员工最优参数组合，获取水文预报模型。
12、在一实施例中，所述根据所述训练集、所述合作搜索算法的参数、拉格朗日乘数和优化条件，建立合作搜索算法耦合孪生极限学习机的初始水文预报模型，并将所述水文预报模型转化为对应的对偶优化问题，包括：
13、基于所述训练集的输入数据集x，输出数据集y，孪生极限学习机构建以下两个二次规划问题；
14、二次规划问题一：
15、
16、s.t.y-hβ1≥eε1-ξ,ξ≥0
17、二次规划问题二
18、
19、s.t.hβ2-y≥eε2-η,η≥0
20、式中，e为单位向量；h＝(h(x1)t,…,h(xn)t)t为训练集的隐含层；h(x)＝(h1(x),…,hl(x))t为隐含层相对于x的非线性随机特征映射，l为隐含层个数；wi和bi分别为权重和偏差；g为激活函数；ξ和η为误差向量；c1和c2为大于0的权衡参数；β1和β2分别为两个超平面的隐藏层和输出层之间的权重。
21、引入拉格朗日乘数α、γ，将所述二次规划问题一转化为：
22、
23、针对充要最优性条件，根据优化条件karush-kuhn-tucker表示如下：
24、-xt(y-hβ1-eε1)+xtα＝0
25、-et(y-hβ1-eε1)+etα＝0
26、c1e-α-γ＝0
27、y-hβ1≥eε1-ξ,ξ≥0
28、αt(y-hβ1-eε1+ξ)＝0,α≥0
29、γtξ＝0,γ≥0
30、引入正则化项δi，得到β1＝(hth+δi)-1ht(f-α)，获取对应的对偶优化问题：
31、
32、s.t.0≤α≤c1e
33、
34、s.t.0≤γ≤c2e
35、式中，δ为预设取值的正则化参数，i为预设维度的单位矩阵。由此可得β2＝(hth+δi)-1ht(g+γ)，g＝y+eε2。
36、
37、在一实施例中，所述通过团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解，包括：
38、所述团队沟通算子通过以下公式确定：
39、
40、m＝1+max(floor(3·α·i·(1-t/(0.7·t))),0)
41、式中，为第k+1次迭代第i个员工群组更新后第j个变量取值；表示第k次迭代第i个员工历史最优决策的第j个变量取值；表示第k次迭代第ind个团队历史最优决策的第j个变量取值，其中ind从整数集合{1,2,…,m}随机选取，m表示团队历史最优决策的个数；分别表示从领导者、决策者和监督者得到的信息增益；α、β表示调整参数；t和t分别为当前迭代次数和全局迭代次数；floor是向下取整函数；
42、反思学习算子通过以下公式确定：
43、
44、式中，为第k+1次迭代第i个员工反思决策后第j个变量取值；randn是正态分布随机函数；rand是[0,1]随机取值函数。
45、内部竞争算子通过以下公式确定：
46、
47、式中，f(x)用于评估员工的工作表现，为待优化问题的适应度取值；
48、通过确定后的团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解。
49、在一实施例中，所述根据历史径流数据，确定影响因子数目，基于所述影响因子数目，建立径流时间序列，包括：
50、对所述历史实测径流数据进行归一化处理；
51、对归一化处理后的所述历史实测径流数据采用偏自相关分析法确定前期影响因子数目；
52、对所述前期影响因子数目进行窗口化，建立径流时间序列。
53、在一实施例中，在根据所述员工最优参数组合，获取水文预报模型之前后，所述方法还包括：
54、通过测试集对所述预报模型进行测试，反归一化后获得径流点预报结果；
55、根据所述径流点预报结果，验证所述水文预报模型的精确度。
56、在一实施例中，将纳什效率系数作为所述初始水文预报模型的目标函数，并获取每个所述员工个体的目标函数值，包括：
57、选择纳什-效率系数作为模型的目标函数，计算每个员工个体的目标函数值，以此作为初始评估模型预测性能的指标，其中，纳什-效率系数通过以下公式确定：
58、
59、式中，qobs,本文档来自技高网...
【技术保护点】
1.一种水文预报方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述训练集，通过合作搜索算法耦合孪生极限学习机，构建水文预报模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练集、所述合作搜索算法的参数、拉格朗日乘数和优化条件，建立合作搜索算法耦合孪生极限学习机的初始水文预报模型，并将所述水文预报模型转化为对应的对偶优化问题，包括：
4.根据权利要求2所述的方法，其特征在于，所述通过团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据历史径流数据，确定影响因子数目，基于所述影响因子数目，建立径流时间序列，包括：
6.根据权利要求2所述的方法，其特征在于，在根据所述员工最优参数组合，获取水文预报模型之前后，所述方法还包括：
7.根据权利要求6所述的方法，其特征在于，包括：将纳什效率系数作为所述初始水文预报模型的目标函数，并获取每个所述员工个体的目标函数值，包括：p>
8.一种水文预报系统，其特征在于，所述系统包括划分训练集和测试集模块、构建水文预报模型模块和获取径流点预报结果模块，其中：
9.一种电子设备，其特征在于，包括存储器和处理器，存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的一种水文预报方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1至7中任一项所述的一种水文预报方法。
...【技术特征摘要】
1.一种水文预报方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述训练集，通过合作搜索算法耦合孪生极限学习机，构建水文预报模型，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述训练集、所述合作搜索算法的参数、拉格朗日乘数和优化条件，建立合作搜索算法耦合孪生极限学习机的初始水文预报模型，并将所述水文预报模型转化为对应的对偶优化问题，包括：
4.根据权利要求2所述的方法，其特征在于，所述通过团队沟通算子、反思学习算子和内部竞争算子，更新各个员工个体的位置，获取员工个体最优解，包括：
5.根据权利要求1所述的方法，其特征在于，所述根据历史径流数据，确定影响因子数目，基于所述影响因子数目，建立径流时间序列，包括：
6.根据权利要...
【专利技术属性】
技术研发人员：林非，杨胜仪，张太衡，刘志佳，林国帆，曹威，冯仲恺，张乐辰，黄天任，江政，
申请(专利权)人：福建华电福瑞能源发展有限公司池潭水力发电厂，
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。