量X1与Xj的相关系数，ru=r扣；
[0065] p为序列长度；
[0066] 3)、计算特征值与特征向量。
[0067] 解特征方程IAE-R| =0,并计算对应特征值Ai的特征值向量ei。 [006引其中：
[0069]E为单位矩阵；
[0070] R为关系矩阵；
[0071]A为关系数矩阵R的特征值矩阵；
[0072] A1为关系数矩阵R的特征值；
[0073] 计算主成分贡献率及累计贡献率：
[0074]
[00巧]其中：
[007引CON为贡献率；
[00"77] ^i为矩阵R的特征值；
[0078]P为序列长度；
[0079]
[0080]其中：
[008。AC0N为累计贡献率；
[0082] A1为矩阵R的特征值；
[008引 P为序列长度；
[0084] 取累计贡献率AC0N^ 0. 95的特征值A1所对应的第i个，第i-1个…，第1个主 成分作为主要影响因子
[0085] 步骤6:在SPSS中的操作简要步骤如下：
[0086] 先在SPSS中准备好要处理的数据，然后在菜单栏上执行：analyse-dimension reduction-factoranalyse。打开因素分析对话框。
[0087] 将要分析的变量都放入vari油les窗口中。
[0088] 点击descriptives按钮，进入次级对话框，运个对话框可W输出我们想要看到的 描述统计量。
[0089] 因为做主成分分析需要我们看一下各个变量之间的相关，对变量间的关系有一个 了解，所W需要输出相关，勾选coefficience，点击continue,返回主对话框。
[0090] 回到主对话框，点击ok,开始输出数据处理结果。
[0091] 运第一个表格就是相关矩阵，现实的是各个变量之间的相关系数，通过相关系数， 你可W看到各个变量之间的相关，进而了解各个变量之间的关系。
[0092] 第二个表格显示的主成分分析的过程，我们看到eigenvalues下面的total栏，他 的意思就是特征根，他的意义是主成分影响力度的指标，一般W1为标准，如果特征根小于 1，说明运个主因素的影响力度还不如一个基本的变量。所W只提取特征根大于1的主成 分。
[0093] 步骤7,根据步骤5,6产生的主成分，确定主要影响因子，一般不超过3个。
[0094] 步骤8,对步骤7的影响因子，结合预报误差情况，进行分类样本库的建立，分为优 秀（A)，合格度)，不合格（C)。并根据贝叶斯判别法，建立费希尔分类判别方程。
[0095] Y= 3品+日2乂2+."+日品〇1 = 1, 2…n)其中
[0096]Y是费希尔分类函数；通过Y值在向量中的大小来确定分类；
[0097]a。是希尔分类函数系数，通过SPSS计算得出；
[0098]X。是标准归一化数据；
[0099] 步骤9:将标准化后的原始数据代入费希尔分类函数，分类函数值最大值，即确定 分为该类。SPSS中的步骤：
[0100] 1)、单击Analyze一Classify一Discriminant，打开DiscriminantAnalysis判 别分析对话框。
[0101] 2)、从对话框左侧的变量列表中选中进行判别分析的有关变量xl~x9进入 Independents框，作为判别分析的基础数据变量。
[0102] 3)、从对话框左侧的变量列表中选分组变量Group进入GroupingVari油le框， 并点击DefineRange...钮，在打开的DiscriminantAnalysis:DefineRange对话框中， 定义判别原始数据的类别数，由于原始数据分为3类，则在Minimum(最小值）处输入1，在 Maximum(最大值）处输入3。选择后点击Continue按钮返回DiscriminantAnalysis主 对话框。
[0103] 4)、选择分析方法：Ente;rinckpendenttogether所有变量全部参与判别分析 (系统默认）。
[0104] 5)、Method栏，选择变量的统计量方法，Wilks'lambda(默认）按统计量Wilks入 最小值选择变量。
[0105] 6)、单击Statistics按钮，打开Statistics对话框如图4所示，从中指定输出的 统计量。Descriptives描述统计量栏-〉Means-各类中各自变量的均值，标准差St曲ev和 各自变量总样本的均值和标准差。
[0106] 7)、F^mctioncoefficients选择输出判别函数系数。Fisherh'S给出贝叶斯判 别函数系数。
[0107] 8)、Matrices栏选择给出的自变量系数矩阵，全选。
[010引 9)、单击Classify按钮，打开Classify对话框，系统默认。得到贝叶斯判别函数 的系数。
[0109]10)、W该含有该系数的方程即为基线方程。
[0110] 表1 :为传统12h-7化预报误差统计表，W1化为例。
[0111]
[011引说明：
[0113] 绝对误差二预报流量-实况流量；许可误差=实况流量巧％，当绝对误差超过许 可误差时，为不合格。
[0114] 相对误差=(预报流量-实况流量）/实况流量。
[0115] 表2:主成分分析结果表
[0116]
阳117] 表3贝叶斯判别函数的系数
[011 引
[0119] 上表为贝叶斯判别函数的系数矩阵，可W用数学表达式表示为：
[0120] Yi= -320. 267+0. 0978x1+9. 3545而-3. 3032又3
[0121] Y2二-228. 550+0. 157x1+7. 816而-2. 726又3
[0122] Y3二-295. 678-0. 026x1+9. 743而-4. 051又3
[0123] 其中：
[0124] Xi为流量级的标准数值；
[0125] X2为库区是否有降雨的标准数值；
[0126] 为预报是否有降雨的标准数值；
[0127] yi为贝叶斯判别函数分类为优秀的方程；
[012引 y2为贝叶斯判别函数分类为合格的方程；
[0129] y3为贝叶斯判别函数分类为不合格的方程；
[0130] W上3个方程即形成多因子评价基线方程。
[0131] 表4实际评价结果表
[0132]
【主权项】
1. 一种多因子水库入库流量短期预报评价方法，其特征在于包括以下步骤： 步骤1 :气象预报人员根据第三方雨量数值预报结果，制作出分区域的12-72小时预 见期的流域降水预报；水库入库流量预报人员通过运行多个数学模型，数学模型的输入为： 2个以上的实况雨量信息，2个以上的上游水位信息，2个以上的预报面雨量信息，完成流量 预报； 步骤2 :确定工作流程中与人员、数据、模型、环境有关的因素： 1) 、人员因素包括：气象预报员，流量预报员和会商决策者，以及他们的年龄、性别、学 历、职位、工龄、以及在预报过程中的角色； 2) 、数据因素包括：2种或2种以上的实况降水数据，2种及2种以上的预报降水数据， 1种实况流量数据，以及数据的发布单位，数据是否经过人工校正，数据是否参考，预报员在 预报时对数据的主观评价0-5分，5分为最高分； 3) 、模型因素包括：2种或2种以上的流量预报模型，模型软件的名称，模型参数的研制 单位，模型的分类，模型的计算时间，模型在本次过程中是否为主要参考，预报员预报时对 模型结果的主观评价〇 -5分，5分为最高分； 4) 、环境因素包括：时间，依据时间，流量级，是否会商，次日是否有降雨，是否在库区有 预报降雨； 步骤3 :对步骤2中各种因素进行分类： 1) 、静态数据：如人员年龄、工龄、模型名称等数据； 2) 、人工输入动态数据：如数据是否参考，模型是否参考，预报员对数据和模型的主观 评价，是否会商等数据； 3) 、自动记录动态数据：时间，模型计算时长，流量级等数据； 确定以上数据通过自动和人工交互的方式，在每次预报过程后，都予以完全记录； 步骤4 :根据短期预报误差数据表与步骤3生成的数据表进行连接查询； 步骤5 :对步骤4形成的数据表，进行主成份分析，找出影响预报的因素； 步骤6 :进行分析，利用贝叶斯先验概率，制订评价基线。2. -种多因子水库入库流量短期预报评价方法，在水库调度中的应用。
【专利摘要】一种多因子水库入库流量短期预报评价方法，包括流量预报步骤，确定工作流程中与人员、数据、模型、环境有关的因素；对各种因素进行分类；根据短期预报误差数据表与生成的数据表进行连接查询；对形成的数据表，进行主成份分析，找出影响预报的因素；利用贝叶斯先验概率，制订评价基线。本发明一种多因子水库入库流量短期预报评价方法，可以有效提高了水库调度精细化、标准化运行的水平，实现动态可观评价预报工作水平。
【IPC分类】G06F19/00
【公开号】CN105224801
【申请号】CN201510646535
【发明人】杨旭, 程建, 赵云发, 刘志武
【申请人】中国长江电力股份有限公司
【公开日】2016年1月6日
【申请日】2015年10月8日