[发明专利]基于聚类分析和实时校正的洪水预报方法

说明书

本发明公开了基于聚类分析和实时校正的洪水预报方法，步骤为：一是利用主成分分析(PCA)对模型的输入做降维处理。二是利用K‑means聚类方法对原始数据进行聚类分析。将洪水数据划分为不同的类别，然后训练不同的SVM模型，当输入测试样本，利用聚类质心判断该测试样本所属的类别，并用对应的模型对其进行预测，得到预测值q；三是BP神经网络实时校正。计算预测值与真实值的误差序列，利用误差序列数据训练BP神经网络误差校正模型，得到误差校正值q_e，最终预报结果为模型预报值q加上误差预报值q_e。本发明的优点在于：通过聚类分析将原始水文数据分为几类，分别训练模型，实现多模型预报；然后通过BP神经网络实现实时校正提高了洪峰时刻预报准确率。

技术领域

本发明属于水流预报技术领域，特别涉及一种基于聚类分析和实时校正的洪水预报方法。

背景技术

山洪是山丘区中小河流由降雨引起的突发性、暴涨暴落的洪水，而我国中小河流众多，且大部分中小河流站网偏稀，缺少必要的应急监测手段，预报方案不健全。近年来，由于极端天气事件增多，局地强降雨、突发性暴雨时常发生，而山丘区山高坡陡、河流源短流急，在暴雨天气下极易发生山洪、泥石流、滑坡等山地灾害，造成人民生命财产的损失。因此基于中小河流的洪水预报得到国家的高度重视。

随着水文数据获取能力和计算机快速计算能力的发展，基于数据挖掘的洪水预报模型得到了快速发展。如何利用智能算法从历史水文数据中提取洪水特征，挖掘出水文数据中蕴含的有用信息，提高对未来洪水预报的准确率，是一个重要的研究方向。文献[王丽萍，张明新，李继伟，等.BP网络激活函数选择及在径流预报模型中的应用[J].水利发电学报，2014，33(1)：29-36]对神经网络内部激活函数进行了研究，发现BP网络激活函数的选择对预报结果产生重要影响。然而神经网络模型有其固有的缺陷，就是网络结构复杂、收敛速度慢、易陷入局部极值等问题。文献[张楠，夏自强，江红.基于多因子量化指标的支持向量机径流预测[J].水利学报，2010，41(11)：1318-1323]利用最小二乘支持向量方法，构建了基于多因子量化指标的径流预测模型。但是由于历史洪水数据蕴含多种不同数据分布特点的样本，单个模型不能同时很好的刻画各个模型的特点。文献[闫月新，包为民，等.组合预报方法在洪水预报模型中的应用[J].水电能源科学，2013，31(10)]采用简单平均、最优线性组合、最优非线性组合等三种组合方法，构建了新安江模型、垂向混合产流模型和Tank模型相结合的组合模型，选出最稳定的组合方法。组合模型虽然解决了历史洪水数据中蕴含的多模型问题，但是数据驱动模型对洪峰时刻预报结果普遍偏差的问题没有得到很好的解决。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供基于聚类分析和实时校正的洪水预报方法，通过聚类分析将原始水文数据分为几类，分别训练模型，实现多模型预报；然后通过BP神经网络实现实时校正提高了洪峰时刻预报准确率，很好的解决了上述缺陷，确保了准确性。

技术方案：为解决上述技术问题，本发明提供基于聚类分析和实时校正的洪水预报方法，步骤如下：

第一步：采集实际河流的历史降雨量数据、历史流量数据以及对应的时间数据，并建立数据模型；

第二步：对数据模型中的原始数据利用主成分分析进行降维处理，得到有效数据，将有效数据前2/3的数据作为训练样本，后1/3的数据作为测试样本；

第三步：利用K-means聚类方法对得到的训练样本进行聚类分析，将训练样本划分为k个不同类别等级；

第四步：利用聚类后得到的k个类别的训练样本训练不同的SVM模型，利用交叉验证方法搜寻这k个类别的训练样本所对应的支持向量机模型中的惩罚因子c和核函数参数g，使每个支持向量机模型都达到最优，然后输入测试样本并对该测试样本进行判断其所属的类别，并用对应的SVM模型对测试样本进行预测，得到模型预测值q；