[发明专利]一种日前水文预报误差校正方法及系统

说明书

本发明涉及一种日前水文预报误差校正方法及系统，包括计算水文预报过程预报值与预报误差矩阵百分位区间；对所述预报值与预报误差矩阵百分位区间进行K均值聚类；建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；建立典型类别回归模型预报误差估计的预报值校正模型。本发明采用计及误差时间序列模态分解及误差特征分类的日前误差特征辨识方法，对误差动态过程进行分解、辨识、定位，然后在实际应用中进行特征匹配，提高日前水文预报水平。

技术领域

本发明涉及一种可再生能源发电技术的校正方法及系统，具体涉及一种日前水文预报误差校正方法及系统。

背景技术

水文预报的误差具有一定的不确定性，尤其在日前水文预报中，所采用的过程驱动模型方法或数据驱动模型方法均无法有效规避日前流量预报的偏差不确定性问题。而利用流域实时水文测站得到的洪峰信息，并以此为基础进行的入库流量、洪峰流量的校正，这一方式依赖于洪峰的上游发生时间及洪峰流量，存在预见期较短、依赖流域径流特性等局限。对于预见期较长的水文预报而言，能够使用的实测数据相对较少，宜更多在自身序列特征以及历史预报规律中寻找校正方案。

对于应用而言，延长预见期势必带来误差稳定性、信息可靠性方面的风险，如何提高日前水文预报的误差抑制能力则在一定程度上决定了预报模型的实用程度。为了解决这一问题，通常采用不同类别的误差实时校正技术，对模型输出的原始预报结果进行干预，其中，较为常见的方式是基于误差自身的时间序列的分析，例如采用自回归模型或BP神经网络等手段实现误差校正，这种方式的不足之处在于缺乏有效的误差成因分析，校正模型的输入因子中难以涵盖导致各类误差特性的影响因素，因而容易导致校正效果不良、普适性差等问题。

其次，现有技术一般没有将不同的误差特性视作整个误差动态过程的各个组态，因此在误差校正方面容易出现系统性误差、非线性误差等不同特征的同一处理策略，导致误差抑制的能力降低，弱化了水文预报模型的整体性能。在日前水文预报中，由于预见期降水可能存在较大的估计误差。

发明内容

为解决现有技术中一般没有将不同的误差特性视作整个误差动态过程的各个组态，因此在误差校正方面容易出现系统性误差、非线性误差等不同特征的同一处理策略，导致误差抑制的能力降低，弱化了水文预报模型的整体性能的问题，本发明的目的是提供一种日前水文预报误差校正方法及系统，适用于较传统水文预报预见期更长且在较长预见期中保持较高预报水平的水文预报误差校正。

本发明的目的是采用下述技术方案实现的：

本发明提供一种日前水文预报误差校正方法，其改进之处在于：

获取水文预报数据；

基于预先制定的校正模型对所述获取的水文预报数据进行校正；其中，

所述预先制定的校正模型包括：基于历史水文预报值与预报误差矩阵的百分位区间K均值聚类生成。

进一步地：所述获取水文预报数据包括获取历史水文预报数据和历史水文实测数据。

进一步地：所述预先制定的校正模型包括：

根据历史水文预报数据和历史水文实测数据计算水文预报过程预报值与预报误差矩阵百分位区间；

对所述水文预报过程预报值与预报误差矩阵百分位区间进行K均值聚类；

建立K均值聚类后预报值与预报误差矩阵百分位区间的典型类别回归模型；

根据所述典型类别回归模型制定校正模型。

进一步地：在所述根据获取的历史水文预报数据和历史水文实测数据计算水文预报值与预报误差矩阵百分位区间之前，还包括构造预报值与预报误差矩阵；

所述构造水文预报过程预报值与预报误差矩阵，包括：