【技術實現步驟摘要】
本申請屬于水庫徑流推算，具體涉及一種融合機器學習校正的水庫日徑流歷史系列推算方法及系統。
技術介紹
1、設計徑流系列(通常要求30年以上)是確定水庫規模、運行水位和編制水庫調度規程的重要依據。但很多新建水庫都缺乏足夠年限的實測徑流資料，通常需要先在水庫上下游或鄰近流域選擇相似流域，取相似流域中具長系列實測徑流資料的水文站作為參證站，采用徑流相關關系法、水文比擬法等方法推算水庫的設計徑流系列。上述推算水庫設計徑流系列的方法在編號sl/t-278的《水利水電工程水文計算規范》中有記載。
2、徑流相關關系法的技術思路為：建立水庫站短系列實測徑流與參證站同期短系列實測徑流間的統計相關關系，結合統計相關關系和參證站長系列實測徑流數據，來推算水庫站的旬尺度以上的長系列徑流數據。水文比擬法的技術思路為：建立水庫站與參證站在集水面積和面雨量上的比例關系，基于該比例關系，以參證站長系列實測徑流數據推算水庫站的旬尺度以上的長系列徑流數據。
3、然而，徑流相關關系法和水文比擬法均未考慮流域產匯流過程的復雜性，這兩種方法都假定水庫流域(指水庫所在流域)和參證流域(指參證站所在流域)的降雨徑流相似性符合線性關系，這與實際產匯流過程的非線性特征存在偏差，可能導致所推算的水庫長系列徑流成果難以達到高精度。此外，水庫流域和參證流域一般只在旬以上等較長時間尺度上基本滿足降雨徑流相似性，也導致所推算的水庫長系列徑流成果的時間分辨率難以精細到日。而隨著水庫調度運行日益精細化，對設計徑流系列成果的精度及時間分辨率的要求也日益提高，徑流相關關系法
技術實現思路
1、本申請的目的提供一種融合機器學習校正的水庫日徑流歷史系列推算方法及系統，本申請方法及系統可明顯提高水庫長系列徑流數據的推算精度和時間分辨率，所推算的水庫長系列徑流數據可滿足水庫的精細化調度運行。
2、為達到上述目的，一方面，本申請提供了一種融合機器學習校正的水庫日徑流歷史系列推算方法，包括：
3、s100：根據目標水庫站的短系列實測徑流數據和參證站的長系列實測徑流數據，分別采用徑流相關關系法和水文比擬法預估目標水庫站的歷史長系列旬徑流數據，分別記為第一長系列預估旬徑流數據和第二長系列預估旬徑流數據；
4、s200：采用機器學習模型對第一長系列預估旬徑流數據和第二長系列預估旬徑流數據進行校正，得到目標水庫站校正后的歷史長系列旬徑流數據；
5、所述機器學習模型先采用訓練樣本進行訓練，所述訓練樣本包括目標水庫站的短系列實測旬徑流數據和同期的第一長系列預估旬徑流數據、第二長系列預估旬徑流數據；以目標水庫站的短系列實測旬徑流數據作為輸出，以同期的第一長系列預估旬徑流數據和第二長系列預估旬徑流數據作為輸入，對機器學習模型進行訓練；
6、s300：對校正后的歷史長系列旬徑流數據進行時間降尺度，得到目標水庫站的長系列日徑流數據。
7、在一些具體實施方式中，機器學習模型先采用訓練樣本進行訓練，進一步包括：
8、s210：構建樣本數據集，所述樣本數據集包括目標水庫站的短系列實測旬徑流數據和同期的第一長系列預估旬徑流數據、第二長系列預估旬徑流數據；將樣本數據集劃分為訓練樣本集和檢驗樣本集；
9、s220：利用訓練樣本集對機器學習模型進行訓練；
10、s230：采用檢驗樣本集對已訓練的機器學習模型進行檢驗；
11、選擇多種不同機器學習模型分別進行訓練和檢驗，取精度最高的機器學習模型用來進行校正。
12、上述機器學習模型可選支持向量機模型、隨機森林模型、梯度提升回歸樹模型、長短時記憶網絡模型中的一種或多種。
13、在一些具體實施方式中，步驟s200還包括：
14、根據水量相對偏差對校正后的歷史長系列旬徑流數據進行修正：
15、
16、其中，q'ml,旬表示修正后的歷史長系列旬徑流數據；n表示目標水庫站的短系列實測徑流數據的旬數；表示目標水庫站短系列實測旬徑流之和，表示第i個短系列實測旬徑流；表示校正后歷史長系列旬徑流中與同期的旬徑流之和。
17、在一些具體實施方式中，步驟s300進一步包括：
18、對校正后歷史長系列旬徑流數據中各旬徑流分別執行如下：
19、判斷當前旬是否有降雨，當無降雨，則當前旬徑流為地下徑流；當有降雨，根據當前旬的降雨量將當前旬徑流按比例關系劃分為地下徑流和地表徑流；
20、對地下徑流，按旬內每天徑流量相等進行時間降尺度，得到日地下徑流；
21、對地表徑流，按進行時間降尺度，得到日地表徑流其中，n表示當前旬的總天數，表示當前旬的地表徑流，p目標,i表示水庫流域在當前旬第i日的降雨量，表示水庫流域在當前旬的總降雨量；
22、對無降雨的當前旬，日地下徑流即日徑流數據；對有降雨的當前旬，將同日的日地下徑流與日地表徑流相加得到日徑流數據。
23、另一方面，本申請還提供了一種融合機器學習校正的水庫日徑流歷史系列推算系統，包括：
24、第一模塊，用來根據目標水庫站的短系列實測徑流數據和參證站的長系列實測徑流數據，分別采用徑流相關關系法和水文比擬法預估目標水庫站的歷史長系列旬徑流數據，分別記為第一長系列預估旬徑流數據和第二長系列預估旬徑流數據；
25、第二模塊，用來采用機器學習模型對第一長系列預估旬徑流數據和第二長系列預估旬徑流數據進行校正，得到目標水庫站校正后的歷史長系列旬徑流數據；
26、所述機器學習模型先采用訓練樣本進行訓練，所述訓練樣本包括目標水庫站的短系列實測旬徑流數據和同期的第一長系列預估旬徑流數據、第二長系列預估旬徑流數據；以目標水庫站的短系列實測旬徑流數據作為輸出，以同期的第一長系列預估旬徑流數據和第二長系列預估旬徑流數據作為輸入，對機器學習模型進行訓練；
27、第三模塊，用來對校正后的歷史長系列旬徑流數據進行時間降尺度，得到目標水庫站的長系列日徑流數據。
28、在一些具體實施方式中，第二模塊還包括修正子模塊，用來根據水量相對偏差對校正后的歷史長系列旬徑流數據進行修正：
29、
30、其中，q'ml,旬表示修正后的歷史長系列旬徑流數據；n表示目標水庫站的短系列實測徑流數據的旬數；表示目標水庫站短系列實測旬徑流之和，表示第i個短系列實測旬徑流；表示校正后歷史長系列旬徑流中與同期的旬徑流之和。
31、在一些具體實施方式中，第三模塊進一步包括：
32、子模塊1，用來判斷當前旬是否有降雨，當無降雨，則當前旬徑流為地下徑流；當有降雨，根據當前旬的降雨量將當前旬徑流按比例關系劃分為地下徑流和地表徑流；
33、子模塊2，用來對地下徑流，按旬內每天徑流量相等進行時間降尺度，得到日地下徑流；
34、子模塊3，用來對地表徑流，本文檔來自技高網...
【技術保護點】
1.一種融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是，包括：
2.如權利要求1所述的融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是：
3.如權利要求1或2中所述的融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是：
4.如權利要求1所述的融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是：
5.如權利要求1所述的融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是：
6.一種融合機器學習校正的水庫日徑流歷史系列推算系統，其特征是，包括：
7.如權利要求6所述的融合機器學習校正的水庫日徑流歷史系列推算系統，其特征是：
8.如權利要求6所述的融合機器學習校正的水庫日徑流歷史系列推算系統，其特征是：
9.如權利要求6所述的融合機器學習校正的水庫日徑流歷史系列推算系統，其特征是：
【技術特征摘要】
1.一種融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是，包括：
2.如權利要求1所述的融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是：
3.如權利要求1或2中所述的融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是：
4.如權利要求1所述的融合機器學習校正的水庫日徑流歷史系列推算方法，其特征是：
5.如權利要求1所述的融合機器學習校...
【專利技術屬性】
技術研發人員：陸昊，劉會，陳煉鋼，張永鋒，胡騰飛，林釗，徐珂，徐祎凡，
申請(專利權)人：水利部交通運輸部國家能源局南京水利科學研究院，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。