CN111401666B - 一种利用预报误差开展上游水库群影响下径流预报的方法 - Google Patents

Abstract

本发明公开了一种利用预报误差开展上游水库群影响下径流预报的方法，包括：收集资料；根据收集的资料，利用已知的水文模型和KNN模型建立调蓄影响量预估模型；结合收集的资料驱动水文模型，以预测未来径流量；获取上一时段预报误差；根据上一时段预报误差，结合调蓄影响量预估模型，获取未来调蓄影响量预估值；将未来径流量与未来调蓄影响量预估值叠加，以获取未来时段的径流预报值。优点是：通过利用上一时刻预报误差可以间接反映水库群蓄放水情况的规律，建立预报误差与水库蓄放水对径流的改变量之间的相关关系，对调蓄影响量预估模型预报结果进行修正，达到不用直接获取上游水库群蓄放水计划，开展水库群影响下径流预报的目的。

Description

一种利用预报误差开展上游水库群影响下径流预报的方法

技术领域

本发明涉及水文预报技术领域，尤其涉及一种利用预报误差开展上游水库群影响下径流预报的方法。

背景技术

精准的水文预报是开展防汛抗旱、兴利调度的前提，具有较高的经济、社会价值。随着人类科技水平的不断进步，人类对自然的改造能力愈发强大，修建水库对城市供水以及利用水能资源发电就是人类改造自然、利用自然的一种表现。

目前，我国拥有十万余座水库工程，是世界上水库数量最多的国家，大量的水库为我国经济发展带来了便利，但也剧烈的改变了流域水文规律，使天然径流过程变成了人类活动影响下的径流过程，这对水文预报工作带来了难题。这主要是因为，水库工程群具有改变径流时间分配的能力，可以在某一个时间段内对来水进行存蓄(入库量大于出库量)，也可以在某一个时间段内释放存蓄在水库中的水量(出库量大于入库量)，这就打破了降水、产流、汇流、河道演进的天然水文规律，使传统调蓄影响量预估模型的精度严重降低。

目前，针对上游水库群蓄放水造成下游径流预报精度较低的问题，主要是通过实时获取上游水库群的蓄放水计划，在此基础上叠加区间水文预报成果解决的。这种方法适用的前提是能够获取上游水库群的蓄放水计划信息，但实际情况是上游水库在多数情况并不会直接共享或提供这类信息(因涉及商业机密等)，而且预报断面上游的水库群数量往往异常庞大，由此导致在绝大多数情况下并不能获取到预报断面上游的水库群蓄放水计划信息，因此，上游水库群影响造成传统水文预报模型精度较低，而现有解决方法适用条件过为苛刻，不具有实际操作性的问题。

发明内容

本发明的目的在于提供一种利用预报误差开展上游水库群影响下径流预报的方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种利用预报误差开展上游水库群影响下径流预报的方法，所述方法包括如下步骤，

S1、收集资料；

S2、根据收集的资料，利用已知的水文模型和KNN模型建立调蓄影响量预估模型；

S3、结合收集的资料驱动水文模型，以预测未来径流量；

S4、获取上一时段预报误差；

S5、根据上一时段预报误差，结合调蓄影响量预估模型，获取未来调蓄影响量预估值；

S6、将未来径流量与未来调蓄影响量预估值叠加，以获取未来时段的径流预报值。

优选的，步骤S1中收集的资料具体包括降水数据和径流数据，所述降水数据是上游水库开始显著影响下游径流过程的时刻到当前时刻这一时间段内的降水数据；所述径流数据为上游水库开始显著影响下游径流过程的时刻到当前时刻这一时间段内的降水数据。

优选的，步骤S2具体包括如下内容，

S21、以预报误差的主要来源为上游水库调蓄引起的天然径流变化为前提，获取预报误差计算公式，

ω＝δ+ε

其中，ω为总的预报误差；δ为因上游水库调蓄引起的预报误差；ε为其他预报误差；ω≈δ；

S22、水库调蓄引起径流变化机制可概化为

δ_i＝T(state_i-1)

其中，state_i-1为水库初始时刻的状态，即上一时段末的水库状态，δ_i为当前时刻径流预报误差，即因水库调蓄引起的径流变化量；则当前时刻水库状态计算为

state_i＝state_i-1-86400×δ_i；

S23、利用已知的水文模型和KNN模型建立调蓄影响量预估模型，所述调蓄影响量预估模型即为当前时段预报误差与下一个时段水库调蓄引起的径流改变量的关系。

优选的，所述已知的水文模型为新安江模型。

优选的，步骤S23具体包括如下内容，

S231、将降水数据和径流数据输入到水文模型中，获取水文模型输出的径流预报序列{F₁,F₂,F₃,…F_n}，所述径流预报序列中包括各个时段的径流量；

S232、根据水文模型输出的径流预报序列，结合同时段的径流数据，即可获取j时段预报误差δ_j与j+1时段水库调蓄引起的径流改变量Δq_j+1组成的数据集{δ_j,Δq_j+1}；其中，j∈(0,n]；

S233、结合步骤S232中的数据集，并设置KNN模型中的超参数k＝5，即可获取调蓄影响量预估模型，即当前时段预报误差与下一个时段水库调蓄引起的径流改变量的关系。

优选的，步骤S3具体为，选取待预报日期，结合降水数据和径流数据，驱动水文模型，即可获取待预报日期的径流量，实现未来径流量的预测。

优选的，步骤S4具体为，预报时段为i+1，则上一时段为i，获取i时段的预报误差，即用i时段径流数据减去i时段径流预报值，可表达为，

δ_i＝Q_i-F_i

其中，δ_i为i时段的预报误差；Q_i为i时段的径流数据；F_i为i时段的径流预报值。

优选的，步骤S5具体为，将i时段的预报误差输入调蓄影响量预估模型，获取i时段的预报误差与数据集{δ_j,Δq_j+1}中各个j时段预报误差之间的距离|δ_i-δ_j|，提取五个距离最小的j时段预报误差对应的径流改变量Δq_j+1，并计算该五个径流改变量Δq_j+1的平均值，即可获取i+1时段调蓄影响量预估值Δq_i+1。

优选的，步骤S6具体通过如下公式计算，

F'_i+1＝F_i+1+Δq_i+1

其中，F'_i+1为未来i+1时段的径流预报值；F_i+1为调蓄影响量预估模型输出的i+1时段的径流量；Δq_i+1为i+1时段调蓄影响量预估值。

本发明的有益效果是：1、本发明提供的方法通过利用上一时刻预报误差可以间接反映水库群蓄放水情况的规律，将预报误差与水库蓄放水对径流的改变量(影响量)之间建立相关关系，进而对调蓄影响量预估模型预报结果进行修正，达到不用直接获取上游水库群蓄放水计划，开展水库群影响下径流预报的目的。2、使用本发明专利的方法开展受上游水库群影响的径流预报，由于在预报过程中考虑了上游水库群对径流的影响量，因此与传统水文预报方法相比，具有更高的精度。3、提前获取上游水库群的调度计划，可以显著提高受水库群影响下的径流预报精度，这是开展受上游水库群影响的径流预报的传统方法和手段，传统方法适用的前提是可以获取上游水库群调度计划，这种资料实际是很难获取的，传统方法的适用条件较为苛刻，与传统方法相比，使用本发明的方法开展受上游水库群影响的径流预报，由于建立了预报误差与水库群调蓄径流的相关关系，因此不再需要收集上游大量水库群的调度计划，所需要的资料均较易获取。

附图说明

图1是本发明实施例中方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。

实施例一

如图1所示，本实施例中提供了一种利用预报误差开展上游水库群影响下径流预报的方法，所述方法包括如下步骤，

S1、收集资料；

S2、根据收集的资料，利用已知的水文模型和KNN模型建立调蓄影响量预估模型；

S3、结合收集的资料驱动水文模型，以预测未来径流量；

S4、获取上一时段预报误差；

S5、根据上一时段预报误差，结合调蓄影响量预估模型，获取未来调蓄影响量预估值；

S6、将未来径流量与未来调蓄影响量预估值叠加，以获取未来时段的径流预报值。

本实施例中，本发明所提供的方法的适用前提是已经存在一个水文模型可以对预报断面开展预报；该水文模型参数是利用上游未修建水库，或水库影响较小的时期的降水、径流数据率定的；该断面径流预报的主要误差来自于上游水库的调蓄。在以上前提成立的情况下，本发明主要包括四个步骤：收集资料；建立调蓄影响量预估模型，预报未来径流量；获取上一时段预报误差，获取未来调蓄影响量预估值；叠加未来径流量预报值与调蓄影响量预估值。

本实施例中，步骤S1中收集的资料具体包括降水数据和径流数据，所述降水数据是上游水库开始显著影响下游径流过程的时刻到当前时刻这一时间段内的降水数据；所述径流数据为上游水库开始显著影响下游径流过程的时刻到当前时刻这一时间段内的降水数据。需要收集的资料具体如下表。

本实施例中，步骤S2具体包括如下内容，

S21、以预见期为1天的日尺度预报为例，根据本发明方法的适用前提，预报误差的主要来源为上游水库调蓄引起的天然径流变化，因此，预报误差可表达为，

ω＝δ+ε

其中，ω为总的预报误差；δ为因上游水库调蓄引起的预报误差；ε为其他预报误差；ω≈δ；(单位：m³/s)。

S22、由于预报误差主要由上游水库调蓄引起，且误差量即为因调蓄引起的径流变化量，而水库调蓄的依据是水库的初始时刻的状态，包括蓄水量、蓄水位等，因此，设水库调蓄引起径流变化机制可概化为

δ_i＝T(state_i-1)

其中，state_i-1为水库初始时刻的状态，即上一时段末的水库状态，δ_i为当前时刻径流预报误差，即因水库调蓄引起的径流变化量；因水库当前状态为上一时刻状态加上水库调蓄量(与对径流的影响符号相反，若水库增加蓄水量，则径流量减少)，则当前时刻水库状态计算为

state_i＝state_i-1-86400×δ_i；

由当前时刻水库状态计算公式可见，由于上一时刻水库状态为已知，当前水库状态与当前预报误差成线性相关关系，而当前水库状态又对下一时段的径流过程有影响，进而决定下一时段的预报误差，即当前预报误差与下一时段水库调蓄引起的径流变化相关。

基于以上结论，可利用当前时段已知的预报误差来预报未来一个时段水库调蓄引起的径流改变量，本发明中选择KNN模型作为已知的水文模型，建立当前时段预报误差与下一个时段水库调蓄引起的径流改变量的关系。根据KNN模型的作用机制，需要建立i时段预报误差δ_i与i+1时段水库调蓄引起的径流改变量Δq_i+1的数据集{δ_i,Δq_i+1}；也就是步骤S23的内容，

S23、利用已知的水文模型建立调蓄影响量预估模型，所述调蓄影响量预估模型即为当前时段预报误差与下一个时段水库调蓄引起的径流改变量的关系。已知的水文模型即为新安江模型。

本实施例中，步骤S23具体包括如下内容，

S231、将降水数据和径流数据输入到KNN模型中，获取KNN模型输出的径流预报序列{F₁,F₂,F₃,…F_n}；所述径流预报序列中包括各个时段的径流量；

S232、根据所述径流模拟序列获取j时段预报误差δ_j与j+1时段水库调蓄引起的径流改变量Δq_j+1组成的数据集{δ_j,Δq_j+1}；其中，j∈(0,n]；

S233、结合步骤S232中的数据集，并设置KNN模型中的超参数k＝5，即可获取调蓄影响量预估模型，即当前时段预报误差与下一个时段水库调蓄引起的径流改变量的关系。

综上所述，步骤S23的主要过程就是，

1、利用降水等数据驱动水文模型；

2、获得径流模拟(预报)序列{F₁,F₂,F₃,…F_n}；

3、j时段预报误差δ_j与j+1时段水库调蓄引起的径流改变量Δq_j+1组成的数据集{δ_j,Δq_j+1}；其中，j∈(0,n]。

本实施例中，步骤S3具体为，选取待预报日期，结合降水数据和径流数据，驱动水文模型，即可获取待预报日期的径流量，实现未来径流量的预测。

步骤S3也就是将数据集构建完成后，依据KNN算法的运行机制，设置KNN中超参数k＝5，在实际预报过程中，再根据获取的降水等资料，驱动水文模型，即可实现下一个时刻水库调蓄引起的径流改变量，也就是实现对未来径流量进行预测。由于本发明针对的是预见期为1天的日尺度径流预报开展工作，因此此处预报的未来径流量即为“明天”或“第二个时段”的径流量，单位为m³/s。

本实施例中，，步骤S4具体为，预报时段为i+1，则上一时段为i，获取i时段的预报误差，即用i时段径流数据减去i时段径流预报值，可表达为，

δ_i＝Q_i-F_i

其中，δ_i为i时段的预报误差；Q_i为i时段的径流数据；F_i为i时段的径流预报值。

本实施例中，步骤S5具体为，将i时段的预报误差输入调蓄影响量预估模型，获取i时段的预报误差与数据集{δ_j,Δq_j+1}中各个j时段预报误差之间的距离|δ_i-δ_j|，提取五个距离最小的j时段预报误差对应的径流改变量Δq_j+1，并计算该五个径流改变量Δq_j+1的平均值，即可获取i+1时段调蓄影响量预估值Δq_i+1。

本实施例中，步骤S6具体通过如下公式计算，

F'_i+1＝F_i+1+Δq_i+1

其中，F'_i+1为未来i+1时段的径流预报值，单位m³/s；F_i+1为调蓄影响量预估模型输出的i+1时段的径流量，单位m³/s；Δq_i+1为i+1时段调蓄影响量量(预估值)，单位m³/s。

实施例二

本实施例中，选择丹江口水库为研究对象，预报效果检验时段为2016年7月1日至2016年7月31日，预报目的是获取预见期1天的日尺度径流；以详细说明本发明提供的方法的实施过程。

1、收集资料；需要收集的资料如下表所示(因资料过多，只展示部分资料)：

2、建立调蓄影响量预估模型；

由于选择的预报效果检验时间为2016年7月1日至2016年7月31日，因此选取2009年1月1日至2016年6月30日的降水数据驱动水文模型获取历史预报信息，并结合2009年1月1日至2016年6月30日的径流数据共同建立调蓄影响量预估模型，具体实施例步骤如下所示：

(1)、利用降水等数据驱动水文模型

本实施例中选用的水文模型是已经在丹江口水库实际应用的新安江模型，该模型使用2009年以前的降水、径流数据进行率定，率定的纳什效率系数达到了0.97，而2009年之前丹江口水库以上流域的水库数量相对较少，调蓄能力有限，对丹江口水库的入库影响较小，可以认为是天然径流过程。使用2009年1月1日至2016年6月30日的日尺度降水数据，输入新安江模型，得到相应时段的日尺度径流预报数据F_i，结合同时段的径流观测数据Q_i，可以计算出预报误差信息δ_i，以及下一时段的径流该变量Δq_i+1，如下表所述(由于数据过多，只展示部分数据)。

(2)、获得径流模拟(预报)序列{F₁,F₂,F₃,…F_n}

上表中列“预报流量(F_i)”即为获得的径流模拟(预报)序列。

(3)j时段预报误差δ_j与j+1时段水库调蓄引起的径流改变量Δq_j+1组成的数据集{δ_j,Δq_j+1}；其中，j∈(0,n]；

上表中列“预报误差(δ_j)”和“下时段径流该变量(Δq_j+1)”综合起来就是“数据集{δ_j,Δq_j+1}”。

将以上数据集构建完成后，依据KNN算法的运行机制，设置KNN模型中的超参数k＝5，至此便完成了调蓄影响量预估模型的建立。

3、预报未来径流量

本实施例选择的预报检验时段为2016年7月2日至2016年7月31日，共计包括30天的日径流预报值。由于本实施例采用的新安江模型仅能预报未来一天的径流量，为了更好的说明本发明的有效性，利用2016年6月1日至2016年6月30日的日累计降水，驱动水文模型预热，在预热的基础上，利用2016年7月1日至2016年7月31日的31个降水数据，驱动水文模型，运行31次，得到31个预报结果，列入下表。

4、获取上一时段预报误差

由上表中实测径流减去新安江模型预报径流得到预报误差(相对于预报时段，该预报误差是上一时段预报误差)，如下表最后一列所示。

由上表可知，7月份上游水库对径流进行了不同程度的拦蓄，因此，导致新安江模型的预报结果普遍偏高。

5、获取未来调蓄影响量预估值

根据实施例一介绍的方法，得到预报时段调蓄影响量的预估(未来调蓄影响量预估值)，如下表最后一列所示：

6、叠加未来径流量预报值与调蓄影响量预估值

叠加未来径流量预报值与调蓄影响量预估值之后，得到最终预报结果，如下表最后一列所示：

利用纳什效率系数对本发明预报径流以及新安江模型预报径流的精度进行定量评价，可知本发明预报径流的纳什效率系数NS＝0.88，高于直接使用新安江模型预报的纳什效率系数NS＝0.66。并且，本发明在未使用上游水库群调度计划的情况下，将预报精度从0.66提高到0.88，具有比传统方法更少的资料需求。纳什效率系数的计算公式如下所示：

其中，Q_o指观测值，Q_m指模拟值，Q^t(上标)表示第t时刻的某个值，Q_o(上横线)表示观测值的总平均。E为纳什效率系数，取值为负无穷至1，E接近1，表示模式质量好，模型可信度高；E接近0，表示模拟结果接近观测值的平均值水平，即总体结果可信，但过程模拟误差大；E远远小于0，则模型是不可信的。

通过采用本发明公开的上述技术方案，得到了如下有益的效果：

本发明提供了一种利用预报误差开展上游水库群影响下径流预报的方法，该方法，通过利用上一时刻预报误差可以间接反映水库群蓄放水情况的规律，将预报误差与水库蓄放水对径流的改变量(影响量)之间建立相关关系，进而对调蓄影响量预估模型预报结果进行修正，达到不用直接获取上游水库群蓄放水计划，开展水库群影响下径流预报的目的；使用本发明专利的方法开展受上游水库群影响的径流预报，由于在预报过程中考虑了上游水库群对径流的影响量，因此与传统水文预报方法相比，具有更高的精度。提前获取上游水库群的调度计划，可以显著提高受水库群影响下的径流预报精度，这是开展受上游水库群影响的径流预报的传统方法和手段，传统方法适用的前提是可以获取上游水库群调度计划，这种资料实际是很难获取的，传统方法的适用条件较为苛刻，与传统方法相比，使用本发明的方法开展受上游水库群影响的径流预报，由于建立了预报误差与水库群调蓄径流的相关关系，因此不再需要收集上游大量水库群的调度计划，所需要的资料均较易获取。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (8)

1.一种利用预报误差开展上游水库群影响下径流预报的方法，其特征在于：所述方法包括如下步骤，

S1、收集资料；

S2、根据收集的资料，利用已知的水文模型和KNN模型建立调蓄影响量预估模型；

S3、结合收集的资料驱动水文模型，以预测未来径流量；

S4、获取上一时段预报误差；

S5、根据上一时段预报误差，结合调蓄影响量预估模型，获取未来调蓄影响量预估值；

S6、将未来径流量与未来调蓄影响量预估值叠加，以获取未来时段的径流预报值；

步骤S2具体包括如下内容，

S21、以预报误差的主要来源为上游水库调蓄引起的天然径流变化为前提，获取预报误差计算公式，

ω＝δ+ε

其中，ω为总的预报误差；δ为因上游水库调蓄引起的预报误差；ε为其他预报误差；ω≈δ；

S22、水库调蓄引起径流变化机制可概化为

δ_i＝T(state_i-1)

其中，state_i-1为水库初始时刻的状态，即上一时段末的水库状态，δ_i为当前时刻径流预报误差，即因水库调蓄引起的径流变化量；则当前时刻水库状态计算为

state_i＝state_i-1-86400×δ_i；

S23、利用已知的水文模型和KNN模型建立调蓄影响量预估模型，所述调蓄影响量预估模型即为当前时段预报误差与下一个时段水库调蓄引起的径流改变量的关系。

2.根据权利要求1所述的利用预报误差开展上游水库影响下径流预报的方法，其特征在于：步骤S1中收集的资料具体包括降水数据和径流数据，所述降水数据是上游水库开始显著影响下游径流过程的时刻到当前时刻这一时间段内的降水数据；所述径流数据为上游水库开始显著影响下游径流过程的时刻到当前时刻这一时间段内的降水数据。

3.根据权利要求1所述的利用预报误差开展上游水库影响下径流预报的方法，其特征在于：所述已知的水文模型为新安江模型。

4.根据权利要求1所述的利用预报误差开展上游水库影响下径流预报的方法，其特征在于：步骤S23具体包括如下内容，

S231、将降水数据和径流数据输入到水文模型中，获取水文模型输出的径流预报序列{F₁,F₂,F₃,…F_n}，所述径流预报序列中包括各个时段的径流量；

S232、根据水文模型输出的径流预报序列，结合同时段的径流数据，即可获取j时段预报误差δ_j与j+1时段水库调蓄引起的径流改变量Δq_j+1组成的数据集{δ_j,Δq_j+1}；其中，j∈(0,n]；

S233、结合步骤S232中的数据集，并设置KNN模型中的超参数k＝5，即可获取调蓄影响量预估模型，即当前时段预报误差与下一个时段水库调蓄引起的径流改变量的关系。

5.根据权利要求4所述的利用预报误差开展上游水库影响下径流预报的方法，其特征在于：步骤S3具体为，选取待预报日期，结合降水数据和径流数据，驱动水文模型，即可获取待预报日期的径流量，实现未来径流量的预测。

6.根据权利要求5所述的利用预报误差开展上游水库影响下径流预报的方法，其特征在于：步骤S4具体为，预报时段为i+1，则上一时段为i，获取i时段的预报误差，即用i时段径流数据减去i时段径流预报值，可表达为，

δ_i＝Q_i-F_i

其中，δ_i为i时段的预报误差；Q_i为i时段的径流数据；F_i为i时段的径流预报值。

7.根据权利要求6所述的利用预报误差开展上游水库影响下径流预报的方法，其特征在于：步骤S5具体为，将i时段的预报误差输入调蓄影响量预估模型，获取i时段的预报误差与数据集{δ_j,Δq_j+1}中各个j时段预报误差之间的距离|δ_i-δ_j|，提取五个距离最小的j时段预报误差对应的径流改变量Δq_j+1，并计算该五个径流改变量Δq_j+1的平均值，即可获取i+1时段调蓄影响量预估值Δq_i+1。

8.根据权利要求7所述的利用预报误差开展上游水库影响下径流预报的方法，其特征在于：步骤S6具体通过如下公式计算，

F'_i+1＝F_i+1+Δq_i+1

其中，F'_i+1为未来i+1时段的径流预报值；F_i+1为调蓄影响量预估模型输出的i+1时段的径流量；Δq_i+1为i+1时段调蓄影响量预估值。

Images