一种径流预测预报误差校正系统

技术领域

本发明涉及径流预测预报领域，更具体的说是涉及一种径流预测预报误差校正系统。

背景技术

径流预测预报对水资源合理配置、水库优化调度和水库水电站的运行管理有着重要的意义，由于气候、地形、流域下垫面条件以及人类活动等综合因素的影响，日径流表现出更强的非线性、变异性、多尺度等特性，使得日径流的预报难度加大。

目前，常用的径流预报方法有统计分析、概念模型和分布式水文模型，但是，不同地区的水文过程变化复杂度不同，由于气候变化和人的活动等多种因素的影响，目前的径流预报方法的预报精度还有待提高。同时，现有技术中对于径流数据的获取并不存在完善的选择及处理分析规则，在分析实测径流和预测径流之间的误差特性时，未能考虑到时空尺度的不匹配、数据采集误差以及模型参数不确定性等因素。这些因素可能导致预测预报误差的系统性偏差，而现有技术可能未能准确地校正这些偏差，从而影响了校正后的径流预测预报结果的准确性和可靠性。

另外，现有的径流预测预报模型由于对流域的水文径流过程描述存在部分的简化，难以捕捉到水文系统中的各种复杂影响因素之间的复杂关联和耦合效应，使得径流预报结果往往存在误差，极大影响了径流预测和预报的准确性和可靠性。

因此，如何设计一种径流预测预报误差校正系统，构建完善的数据选择和处理及分析规则，建立更精准、可靠的径流预测预报模型是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种径流预测预报误差校正系统，有效地改善了径流预测预报的准确性和可靠性，能够更好地适用于水资源分配利用、水电站运行及生态环境保护。

为了实现上述目的，本发明采用如下技术方案：

一种径流预测预报误差校正系统，包括：

数据获取与处理模块：用于获取径流数据并进行处理，获得整体演变趋势相同的实测径流和预测径流数据；

预测预报误差特性分析模块：用于根据所述整体演变趋势相同的实测径流和预测径流数据，获得径流预测预报误差分布，及当期值和前期值关系的分析结果；

预测预报误差校正模块：用于根据所述整体演变趋势相同的实测径流和预测径流数据，并结合径流预测预报误差分布，及当期值和前期值关系的分析结果，构建串并联耦合校正模型，对径流预测预报误差进行校正，获得校正后的径流预测预报结果。

其中，所述数据获取与处理模块，包括：

数据获取单元：用于获取多个水电站的实测L小时径流数据，作为实测径流数据；获取新安江模型和API模型N小时滚动预报径流数据，分别选取第L、M和N小时预报值，作为预测径流数据；其中，N＞M＞L；

数据处理单元：用于对所述实测径流数据和预测径流数据中的存在的缺值、负值和小于基流值的径流量值进行插值修正，获得插值修正后的实测径流数据和预测径流数据。

优选的，所述插值修正包括：

针对实测径流数据中存在的缺值，进行线性插值；所述公式为：

其中，x

针对预测径流数据中存在的负值，删除并进行重新插值；

针对实测径流数据和预测径流数据中存在的小于基流值的径流量值，修正为基流值。

所述插值修正还包括：

针对预测径流数据中存在的缺值，包括：

基于所述线性插值、重新插值和修正后的实测径流数据和预测径流数据，选取有值部分并计算实测径流数据和预测径流数据之间的平均绝对误差MAE、平均相对误差MRE和均方根误差RMSE，并进行归一化处理，归一化后的平均绝对误差、平均相对误差和均方根误差分别定义为NMAE、NMRE和NRMSE；

定义NMAE的权重为a，NMRE的权重为b，其中，a+b＝1；且基于均方根误差RMSE和归一化后均方根误差NRMSE对a与b的值进行调整，可得缺失的预测径流值V：

V＝RV+NMAE*a+NMRE*b

其中，RV表示对应的实测径流值。

优选的，所述预测预报误差特性分析模块，包括：

误差分布分析单元：用于基于高斯核密度估计函数，构建径流预测误差概率密度分布函数，获得多个水电站基于新安江模型和API模型预测误差的核密度估计图；

当期值和前期值关系分析单元：用于基于autocorr函数和parcorr函数，分别计算自相关系数和偏自相关系数，获得多个水电站基于新安江模型和API模型的自相关系数和偏自相关系数图。

优选的，基于所述多个水电站基于新安江模型和API模型预测误差的核密度估计图，构建多个水电站基于新安江模型和API模型预测误差的核密度估计、频率和正态分布密度对比图，获得核密度估计描述径流误差数据的误差密度分布的拟合结果。

优选的，基于所述多个水电站基于新安江模型和API模型的自相关系数和偏自相关系数图，获得径流预测预报误差数据中自相关系数拖尾、偏自相关系数截尾的出现结果。

优选的，所述预测预报误差校正模块，包括：

串联和并联校正单元：用于构建新安江串联校正模型、API串联校正模型，及新安江和API并联校正模型，对多个水电站的预测误差进行校正；

串并联校正单元：用于构建先串后并校正模型和先并后串校正模型，对多个水电站的预测误差进行校正。

优选的，所述新安江串联校正模型和API串联校正模型为自回归模型；

所述新安江和API并联校正模型对不同的模型定义耦合权重，且采用最小二乘法进行求解。

优选的，预测误差校正评价指标包括：平均绝对误差MAE、平均相对误差MRE、均方根误差RMSE和预报合格率QR。

经由上述的技术方案可知，与现有技术相比，本发明技术方案存在以下

有益效果：

1、该系统通过获取和处理整体演变趋势相同的实测径流和预测径流数据，实现了对实测和预测数据的有效比较和分析。能够更准确地揭示预测误差的特性和分布规律，为后续的校正提供了可靠的依据。

2、通过对径流预测预报误差的特性进行分析，系统可以建立起有效的误差校正模型。其不仅考虑了当期值和前期值之间的关系，还考虑了误差分布的影响，从而能够更精确地进行预测结果的修正。

3、该系统采用了串并联耦合的校正模型，结合了不同的校正方法和策略，以更全面、更有效地对预测误差进行校正。可以更灵活地应对不同类型的预测误差，提高了校正的准确性和适用性。

4、通过校正误差，系统可以提高预测结果的精度，从而更好地指导水资源管理和防洪减灾工作，具有重要的实用价值。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例提供的径流预测预报误差校正系统框架图；

图2为本发明实施例提供的A水电站、B水电站、C水电站和D水电站插值后的72小时径流过程曲线图；

图3为本发明实施例提供的A水电站基于新安江模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图4为本发明实施例提供的A水电站基于API模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图5为本发明实施例提供的B水电站基于新安江模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图6为本发明实施例提供的B水电站基于API模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图7为本发明实施例提供的C水电站基于新安江模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图8为本发明实施例提供的C水电站基于API模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图9为本发明实施例提供的D水电站基于新安江模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图10为本发明实施例提供的D水电站基于API模型预测误差的核密度估计、频率和正态分布密度对比示意图；

图11为本发明实施例提供的A水电站基于新安江模型和API模型的自相关系数和偏自相关系数图；

图12为本发明实施例提供的B水电站基于新安江模型和API模型的自相关系数和偏自相关系数图；

图13为本发明实施例提供的C水电站基于新安江模型和API模型的自相关系数和偏自相关系数图；

图14为本发明实施例提供的D水电站基于新安江模型和API模型的自相关系数和偏自相关系数图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

如图1所示，本实施例提供一种径流预测预报误差校正系统，包括：

数据获取与处理模块：用于获取径流数据并进行处理，获得整体演变趋势相同的实测径流和预测径流数据；

预测预报误差特性分析模块：用于根据所述整体演变趋势相同的实测径流和预测径流数据，获得径流预测预报误差分布，及当期值和前期值关系的分析结果；

预测预报误差校正模块：用于根据所述整体演变趋势相同的实测径流和预测径流数据，并结合径流预测预报误差分布，及当期值和前期值关系的分析结果，构建串并联耦合校正模型，对径流预测预报误差进行校正，获得校正后的径流预测预报结果。

以下对径流预测预报误差校正系统中的各个模块作进一步的详细介绍：

数据获取与处理模块，包括：

数据获取单元：用于获取多个水电站的实测L小时径流数据，作为实测径流数据；获取新安江模型和API模型N小时滚动预报径流数据，分别选取第L、M和N小时预报值，作为预测径流数据；其中，N＞M＞L；

数据处理单元：用于对所述实测径流数据和预测径流数据中的存在的缺值、负值和小于基流值的径流量值进行插值修正，获得插值修正后的实测径流数据和预测径流数据。

本实施例中选取某流域中A、B、C、D四个水电站的实测1小时径流数据，作为实测径流数据；获取A、B、C、D四个水电站新安江模型和API模型72小时滚动预报径流数据，分别选取第1、24和72小时预报值，作为预测径流数据；

此外，还取A、B、C、D四站过往洪水过程对应的实测1小时径流作为实测值；获取A、B、C、D四站对应的新安江模型、API模型72小时滚动预报值作为预测值。

在一个实施例中，插值修正包括：

针对实测径流数据中存在的缺值，进行线性插值；所述公式为：

其中，x

针对预测径流数据中存在的负值，删除并进行重新插值；

针对实测径流数据和预测径流数据中存在的小于基流值的径流量值，修正为基流值(10m

还包括：

针对预测径流数据中存在的缺值，包括：

基于所述线性插值、重新插值和修正后的实测径流数据和预测径流数据，选取有值部分并计算实测径流数据和预测径流数据之间的平均绝对误差MAE、平均相对误差MRE和均方根误差RMSE，并进行归一化处理，归一化后的平均绝对误差、平均相对误差和均方根误差分别定义为NMAE、NMRE和NRMSE；

定义NMAE的权重为a，NMRE的权重为b，其中，a+b＝1；且基于均方根误差RMSE和归一化后均方根误差NRMSE对a与b的值进行调整，可得缺失的预测径流值V：

V＝RV+NMAE*a+NMRE*b

其中，RV表示对应的实测径流值。

如图2所示，A、B、C、D四站插值后的预测径流虽与实测径流有一定误差，但整体演变趋势基本相同，能够较好的模拟径流过程，同时又尽量不改变预测径流序列本身的不确定性，达到了较好效果。

预测预报误差特性分析模块，包括：

误差分布分析单元：用于基于高斯核密度估计函数，构建径流预测误差概率密度分布函数，获得多个水电站基于新安江模型和API模型预测误差的核密度估计图；

当期值和前期值关系分析单元：用于基于autocorr函数和parcorr函数，分别计算自相关系数和偏自相关系数，获得多个水电站基于新安江模型和API模型的自相关系数和偏自相关系数图。

基于所述多个水电站基于新安江模型和API模型预测误差的核密度估计图，构建多个水电站基于新安江模型和API模型预测误差的核密度估计、频率和正态分布密度对比图，通过插值前后水位并平均分布中间几个数值，倒推径流数据，获得核密度估计描述径流误差数据的误差密度分布的拟合结果。

如图3-图10所示，径流误差数据核密度估计的效果均较好，能够较好拟合误差密度分布，说明核密度估计适合描述北盘江流域A、B、C、D四站径流误差数据的分布情况但受限于数据精度问题，由于个别误差过大值的存在，导致核密度函数横轴被拉长，降低了核密度估计的直观性，无法得出理想的分布函数。

基于所述多个水电站基于新安江模型和API模型的自相关系数和偏自相关系数图，获得径流预测预报误差数据中自相关系数拖尾、偏自相关系数截尾的出现结果。

如图11所示，A站径流误差数据1阶自相关系数大于0.9，表现出极强的自相关性；自相关系数和偏自相关系数在1阶后开始衰减；受1阶自相关系数的影响，自相关系数衰减缓慢并出现拖尾；3阶偏自相关系数已接近0并在之后出现截尾，说明4阶以后的自相关性极其微弱可忽略不计。

如图12所示，B站径流误差数据1阶自相关系数小于0.3，表现出微弱的自相关性；自相关系数和偏自相关系数在1阶后开始衰减；受1阶自相关系数的影响，自相关系数衰减迅速并出现拖尾；4阶偏自相关系数已接近0并在之后出现截尾，说明4阶以后的自相关性极其微弱可忽略不计。

如图13所示，C站径流误差数据1阶自相关系数大于0.3，表现出较弱的自相关性出较弱的自相关性；自相关系数和偏自相关系数在1阶后开始衰减；受1阶自相关系数的影响，自相关系数衰减迅速并出现拖尾；2阶偏自相关系数已接近0并在之后出现拖尾，说明2阶以后的自相关性极其微弱可忽略不计。

如图14所示，D站径流误差数据1阶自相关系数大于0.5，表现出较强的自相关性；自相关系数和偏自相关系数在1阶后开始衰减；受1阶自相关系数的影响，自相关系数衰减较缓并出现拖尾；3阶偏自相关系数已接近0并在之后出现拖尾，说明3阶以后的自相关性极其微弱可忽略不计。

通过分析各站径流误差数据自相关系数拖尾、偏自相关系数截尾的出现情况，证明了各站径流误差数据为自相关序列，为后文径流预测预报误差校正提供了数据支持。

预测预报误差校正模块，包括：

串联和并联校正单元：用于构建新安江串联校正模型、API串联校正模型，及新安江和API并联校正模型，对多个水电站的预测误差进行校正；

所述新安江串联校正模型和API串联校正模型为自回归模型；

自回归模型仅通过时间序列变量的自身历史观测值来反映有关因素对预测目标的影响和作用，不受模型变量相互独立的假设条件约束，所构成的模型可以消除一般的回归预测方法中由于自变量选择、多重共线性等造成的困难。

计算步骤为：

确定率定期，计算预报误差值(预报值-实际值)，根据偏自相关系数确定自回归阶数n；

对AR模型进行参数率定；

利用已确定参数的AR模型分别对预报误差进行校正。并计算出率定期和检验期的确定性系数、均方根误差等误差指标。

为了提高径流预测的精度，在各种流域径流预测模型的基础上，引入模型加权法的思想，综合各预测模型的优势，在一定程度上减小模型误差，避免对某个流域最优预报模型选择的争论，并且显著增强径流预报结果的稳定性。

新安江和API并联校正模型对不同的模型定义耦合权重，且采用最小二乘法进行求解。

并联校正方法可按如下设计：

设实测序列为：R＝(R

新安江模型预测序列：X＝(X

API模型预测序列：Y＝(Y

模型预报值与实测值之差即为各个模型的残差序列：

新安江模型残差序列：x＝(x

API模型残差序列：y＝(y

模型最优权重求解步骤如下：

设新安江模型、水箱模型的耦合权重分别为c、d。并联后的预测值通过下式来计算：

F

式中，a+b＝1。

记并联耦合预报的残差为F

s.t.a+b＝1

引入拉格朗日乘子λ，构建目标函数：

L(a，b，λ)＝(ax

目标函数对参数a，b，λ分别求偏导，并令偏导等于0，得到：

式中，

通过求解方程组即可解得a，b的值，可计算得到并联校正结果。

串并联校正单元：用于构建先串后并校正模型和先并后串校正模型，对多个水电站的预测误差进行校正。

基于上述多模型串联校正和并联校正的原理及方法，可构建先串后并耦合校正模型。假设预报模型个数为m，先串后并计算步骤如下：

利用m个模型的预报结果进行单个模型的串联校正，校正后得到各个模型串联校正序列。

利用最小二乘法确定各模型的权重，最终得到先串后并的校正结果。

与先串联后并联方法类似，这里采用先并联后串联的方法进行耦合校正。假设模型个数为m，计算步骤如下所示：

根据m个模型的预报指标值，选取适当的模型采用最小二乘法来进行并联耦合预报，得到并联校正预报结果。

利用并联校正预报结果，进行串联校正，得到串联校正结果，即为先并后串耦合校正结果。

预测误差校正评价指标包括：平均绝对误差MAE、平均相对误差MRE、均方根误差RMSE和预报合格率QR。

MAE是预测值与观测值之间距离的平均值。平均绝对误差可以避免误差的相互抵消问题，所以可以准确反映实际预测误差的大小。其表达式如下：

MRE是预测值与观测值之间相对偏差的平均值。平均相对误差可以帮助更好评估预测精度。其表达式如下：

RMSE是预测值与观测值偏差的平方和观测次数n比值的平方根。均方根误差用来衡量一组数自身的离散程度，能更好地反映预测值误差的实际情况。其表达式如下：

其中，y

QR是合格预报的次数与预报总次数之比的百分数。预报合格率反映了预报总体的精度水平。该值越接近于1，说明预报精度越高。其表达式如下：

其中，n表示合格预报的次数，m表示预报总次数。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。