[发明专利]一种考虑预报不确定性关联演化特征的多站中长期径流滚动概率预测方法

说明书

本发明公开了一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，包括收集、整理待预测站点所在流域的长系列中长期径流数据资料，选取合适的预报模型进行滚动模拟—预测并分析预报误差统计特征参数；在考虑多站点径流预报误差时程、空间维度的关联演变特性条件下，耦合Copula函数改进鞅模型以反映预报误差时空关联特性；采用蒙特卡洛法对滚动预报误差情景序列进行随机抽样，将其叠加在单值预报结果上得到滚动概率预测情景序列。本发明改进了鞅模型理论以精细描述中长期径流预测误差不确定性关联演化特征，可提升预测精度与可靠性，为水资源管理决策提供更为准确的支撑信息。

技术领域

本发明涉及水利工程领域中的中长期水文预报，特别涉及一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法。

背景技术

提高多站点中长期(月、季、年尺度)径流预测精度对于提升水资源量评估的准确性与提高水资源开发利用效率至关重要。受中长期天气系统混沌性影响，基于物理成因的中长期预测模型在理论方法上尚难以保障预测精度，目前最常采用数理统计方法构建预测模型，如周期均值叠加法、神经网络法、小波分析法、ARMA模型法等等。此类方法在进行滚动预报作业时，仅依据历史径流资料的统计特征规律进行趋势性延展预测，且未能结合考虑预报误差在多站滚动采集、修正过程中的演进特性，导致点预测方案的精度偏低，区间预测方案的可靠性不足。

鞅模型(The martingale model of forecast evolution，MMFE)是一种用于描述预报误差随时程演进规律的模型，通过将滚动预报过程中的信息动态更新与误差参数的实时校正考虑进来，精细刻画了径流时间序列非平稳性特征。但在多站径流预测情景下，由于各站具有相同或相近的气候条件，各站的水文要素具有一定的空间相关性，因此各站的预报误差也具有一定的空间相关性，而传统的鞅模型并未考虑这种空间相关性，导致模型的参数估计与误差序列的统计特性与实际情况产生偏差，最终降低了预报精度。

发明内容

发明目的：本发明的目的是提供一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，改进了鞅模型理论以精细描述中长期径流预测误差不确定性关联演化特征。

技术方案：本发明的一种考虑预报不确定性关联演化特征的多站径流中长期滚动概率预测方法，包括以下步骤：

S1、收集、整理待预测站点所在流域的长系列中长期径流数据资料，选取合适的预报模型进行滚动模拟预测并分析预报误差统计特征参数；

S2、在考虑多站点径流预报误差时程、空间维度的关联演变特性条件下，耦合Copula函数改进鞅模型以描述预报误差时空关联特性；

S3、采用蒙特卡洛法对滚动预报误差情景序列进行随机抽样，将其叠加在单值预报结果上得到滚动概率预测情景序列。

进一步的，步骤S1包括以下步骤：

S11、长系列中长期径流数据资料平稳化转化处理；

将长系列中长期径流数据资料按月份分类，从而得到一个12列的实测径流矩阵X_n×12，其中n表示年数，按列求其均值与标准差σ_i，对矩阵内的每一个数进行去季节化，即：

其中，X(n,i)与分别表示去季节化前后实测径流矩阵第n行第i列的值；

S12、中长期径流预测ARMA模型建模；

ARMA模型是常用中长期时间序列模型，对得到的平稳序列采用ARMA模型进行建模并开展滚动预报，为平稳序列中的元素；ARMA模型由自回归模型AR与滑动平均模型MA组合构成，假设其自回归阶数为p，滑动平均阶数为q，即ARMA(p，q)模型，其结构为：