一种基于洪型概化的河道洪水预报方法与流程

本发明涉及一种河道洪水预报方法，具体涉及一种基于洪型概化的河道洪水预报方法。
背景技术：
河道洪水预报一直是防汛抗旱工作的重难点，合理的预报结果对于兴利防洪具有重大意义。目前，常有的河道洪水预报方法主要分为两种，即水文学方法以及水力学方法。其中，水文学方法为马斯京根法、马斯京根水位模拟方法和扩散波非线性水位法的综合法；而水力学方法则采用迭代求解四点偏心隐格式离散圣维南方程组的方法。然而水文学方法由于其参数具有较强经验型，在水流情况复杂的流域会面临参数难以正确率定的问题；而水力学方法存在所需不同类型资料数据较多，计算时间长等缺点。技术实现要素：发明目的：本发明的目的在于针对现有技术的不同，提供了一种基于洪型概化的河道洪水预报方法，通过对预报站点历史资料进行分析，确定该站点的典型洪水过程线，同时挑选出该站点洪水洪峰/历时的预报因子，采用支持向量机建立洪峰/历时的预报模型，根据该模型逐时段洪峰及历时的预报结果，对典型洪水模式进行缩放，进而获得该站点逐时段洪水预报结果。技术方案：本发明提供了一种基于洪型概化的河道洪水预报方法，包括以下步骤：(1)收集需要待预报水文站的历史洪水，将各场次洪水过程线绘制于坐标系中，纵坐标表示流量相对数qi/qmax，横坐标表示时间相对数ti/tmax；其中，qmax是洪峰流量，tmax是洪水过程总历时，qi，ti为第i时刻的流量和时间；(2)选取步骤(1)历史洪水过程线内若干特征点，包括洪水起涨时刻、洪峰、洪水退水及结束时刻，求取历史洪水过程线各特征点的均值，将各特征点均值相连，构成该站点的典型洪水过程，记特征点集合为其中及分别为第s个特征点的洪峰概化值及历时概化值；(3)分析该站点的洪水主要来源，提取该站点所有反映洪水主要来源的相关变量，计算不同变量序列与该站点洪峰及历时序列的皮尔逊相关系数，选取相关系数大于某一阈值的变量作为初选预报因子，利用逐步回归的方式，挑选相关性高、彼此独立性强的初选预报因子作为最终预报因子；(4)采用支持向量回归机算法构建该站点场次洪水洪峰/历时的预报模型，将步骤(3)中获取的历史场次洪水的最终预报因子及洪峰/历时分别作为模型输入和输出，率定预报模型内置参数，优化模型内置结构；(5)从洪水起涨时段开始预报，获取该时刻步骤(3)中所确定的最终预报因子，将其导入步骤(4)中已率定完毕的洪峰/洪水历时预报模型中，预报当前时刻的该站点洪水洪峰qpre及历时tpre；(6)使用该时刻预报的洪峰及洪水历时，对已确定的站点典型洪水过程的特征点进行缩放，将其缩放后的特征点相连，作为当前时刻的洪水过程预报结果，具体缩放公式如下式中，q预(i)为缩放后的第i个特征点的洪水流量，t预(i)为缩放后的第i个特征点的历时，qpre为当前时刻的洪峰预报值，tpre为当前时刻的洪水历时预报值；(7)采用逐时段更新预报的方法，随着时间推移，获取不同时段下的最终预报因子，重复步骤(6)-(7)，直至预报结果趋于平稳。进一步，步骤(3)所述相关变量包括上游站点及区间洪水相应的洪峰、洪量及历时，还包括时段降雨量。进一步，步骤(3)逐步回归根据预报因子对预报对象的方差贡献来挑选因子，具体过程如下：设回归方程中洪峰qmax及历时tmax的初选预报因子分别为(x1，x2，……，xm)及(y1，y2，……，ym)，则此时洪峰及历时相应的残差平方和为：式中，qm及tm分别为因子数为m时洪峰及历时的残差平方和，及为第i场洪水对应的洪峰与历时，m为因子数，n为场次数，xim、yim分别为第i场洪水的洪峰及历时对应的第m个初选预报因子，(a0，a1，a2，……，am)与(b0，b1，b2，……，bm)分别为回归方程的回归系数；若在方程中去掉第k个因子xk后，用(m-1)个因子建立一个新的回归方程，则此时洪峰及历时相应的残差平方和为：残差平方和的变化qm-qm-1和tm-tm-1即为该因子的方差贡献，变化数值越大，则改进效果越显著；方差贡献最大的n个因子，即为最终预报因子。有益效果：较之现有方法需要对洪水的整体过程进行预报，本发明侧重的是洪水主体形状、洪峰及历时的预报，其通过洪型概化法确定待预报站点的典型洪水过程，使用支持向量机算法建立该站洪峰及历时的预报模型，最终使用洪峰及历时预报结果对典型过程进行缩放，获得整场洪水的预报结果；该方法比较现有的水文方法及水利模型具有简单、快速等特点。附图说明图1为待预报水文站洪水概化过程图；图2为带预报站点某场洪水部分时段预报结果，其中(a)(b)(c)(d)为第2、6、13、27时刻的预报结果。具体实施方式下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。现有某一河段上有上下相邻水文站2个，两站各有30年洪水资料，两站区间存在旁侧入流且部分区域有相应降水资料。依据本发明方法，对下游水文站的某一场洪水进行预报。(1)收集需要待预报水文站30年间的50场历史洪水，将各场次洪水过程线绘制于同坐标系中，纵坐标表示流量相对数qi/qmax，横坐标表示时间相对数ti/tmax；其中qmax是洪峰流量，tmax是洪水过程总历时，qi，ti为第i时刻的流量和时间。(2)选取步骤(1)历史洪水过程线内若干特征点：洪水起涨时刻、洪峰、洪水退水及结束时刻共四个点，求取历史洪水过程线各特征点的均值，将各特征点均值相连，构成该站点的典型洪水过程，如图1所示，其中各点坐标分别为(3)分析该站点的洪水主要来源，发现主要为三类：干流上游来水、区间入流及无控区域降雨，因此计算三种洪水来源相关变量序列与洪水洪峰/历时序列之间的皮尔逊相关系数，选取其中相关系数大于0.3的变量作为初选预报因子。最终对于洪峰，选取上游站相应洪水洪峰x1、上游站洪峰前1h、2h、3h流量(分别记为x2，x3，x4)、区间入流相应洪水洪峰x5、区间入流洪峰前1h、2h、3h流量(分别记为x6，x7，x8)、相应场次降雨累计面雨量x9作为初选预报因子；对于历时，选取上游站相应场次洪水洪量y1、洪水历时y2、洪峰y3、区间入流相应场次洪水洪量y4、洪水历时y5、洪峰y6、相应场次降雨历时y7、累计面雨量y8、前期影响雨量y9作为初选预报因子。采用下式计算m＝9的残差平方和：进而，计算k＝1,2,...,9时候m-1的残差平方和分别通过q9-q8(k)及t9-t8(k)计算不同初选预报因子的方差贡献，挑出贡献较大的前五个初选因子分别作为洪峰与历时的最终预报因子，如表1所示，将其最终预报因子重新排序为(x1,x2,x3,x4,x5)和(y1,y2,y3,y4,y5)表1该水文站洪峰/历时预报因子预报因子洪峰预报因子洪水历时预报因子1上游站相应洪水洪峰x1上游站相应场次洪水洪量y12上游站洪峰前1h流量x2上游站相应场次洪水历时y23区间入流相应洪水洪峰x3区间入流相应场次洪水洪量y34区间入流洪峰前1h流量x4区间入流相应场次洪水历时y45相应场次降雨累计面雨量x5相应场次降雨历时y5(4)挑出该预报站点50场历史洪水所相应的最终预报因子、洪峰及洪水历时数据，采用支持向量机算法建立洪峰及洪水历时的预报模型：以洪峰预报模型为例(洪水历时模型只需将最终预报因子x及输出变量qmax分别替换为y与t即可)，记x＝(x1,x2,...,x5)为最终预报因子，qmax为洪峰，使用非线性映射φ分别将qmax及x投影到高维特征空间；设φ(qmax)关于φ(x)在高维特征空间的线性回归函数为f(x)＝<ω,φ(x)>+d,ω,x∈rn,d∈r可以把误差范围ε范围内的回归估计问题定义为对一个损失函数进行风险最小化的问题，即最优的回归函数是通过在一定的约束条件下最小化规则化风险泛函，通过引入非负的松弛变量ξi及最小化规则化风险泛函可以描述为此时优化方程的约束条件为式中：为第i场洪水对应的洪峰，为第i场洪水对应的最终预报因子；为求解此凸二次规划，引入lagrange函数：式中：αi及为拉格朗日系数；可得到原优化问题的lagrange对偶问题：式中：k<xi,xj>＝exp(-||φ(xi)-φ(xj)||2/2σ2)(σ为核参数)为核函数。求解上述对偶问题，得到最优解从而构造非线性回归函数：通过非线性映射逆运算转化为qpre：qpre＝φ-1(f(x))式中：φ-1为非线性映射逆运算。(5)采用逐时段更新预报的方法，从洪水起涨时段开始预报，挑选该时刻的最终预报因子，将其导入已训练完毕的洪峰/洪水历时预报模型中，预报当前时刻的该站点洪水洪峰qpre及历时tpre。(6)使用步骤(5)预报模型得到的洪峰及洪水历时，对已确定的站点典型洪水过程的特征点进行缩放，将其缩放后的特征点相连，作为当前时刻的洪水过程预报结果，具体缩放公式如下：(7)随着时间推移，获取不同时段下的最终预报因子，重复步骤(5)-(7)，直至预报结果趋于平稳，其中部分时段洪水模拟过程与实测流量对比如图2所示(洪水起涨时刻作为0时段，图中分别给出第2、6、13、27时刻洪水过程预报结果)。由图2可以得出：①随着时段推移，资料不断更新，该方法结果的精度呈上升趋势，整体体现出“越报越好”的预报效果；②在洪峰出现时刻前(第6时刻)，预报的洪水流量过程与实测流量过程相差已较小，说明在洪水起涨时段，该方法的预报结果已能较好地描述整场洪水的发展过程；③洪峰预报精度随着时段推移不断提升，之后趋于平稳；④对于洪水历时的预报，随着时段推移其吻合程度总体呈稳步上升趋势，直至该场洪水结束。当前第1页12