[发明专利]基于年降雨长期预报方法的矿区生态需水量计算方法

权利要求书

1.基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，所述方法包括以下步骤：

S1、获取预报因子，所述预报因子包括天文尺度因子、全球循环尺度因子和流域尺度因子；

S2、建立预报神经网络，并通过所述预报因子和历史降雨量对所述预报神经网络进行训练；

所述步骤S2具体包括以下分步骤：

S21、建立所述预报神经网络；

S22、初始化所述预报神经网络；

S23、将所述预报因子和所述历史降雨量作为所述预报神经网络的输入，同时运用灰狼算法对所述预报神经网络进行优化，从而完成训练；

所述通过灰狼算法对所述预报神经网络进行优化具体为：通过所述灰狼算法优化所述预报神经网络从而得到所述预报神经网络的最优参数；

灰狼算法优化预报神经网络的步骤如下：

A1、初始化神经网络结构：以三层神经网络为网络结构，输入层神经元个数n1、隐含层神经元个数n2、输出层为1，其中n2＝2×n1+1；在[-0.5,0.5]区间随机初始化初始权值和阈值；

A2、初始化狼群个体：确定人工狼的上下限(ub，lb)，种群规模N，最大迭代次数Imax，基于参数个数确定狼群向量的维度n，基于狼群个体的适应度确定头狼、探狼、猛狼个体；

A3、狼群个体进化：经过探狼游走、猛狼奔袭行为、狼群围攻行为、狼群更新行为不断更新狼群个体的位置，不断更新最优的头狼个体；

A4、迭代终止检验：若满足迭代次数最大或迭代终止条件，则停止迭代，否则不断重复步骤A3，直到寻找到最优的参数向量个体；

将预报因子作为预报神经网络的输入，通过灰狼算法选定最优参数值，参数值包括：输入层与隐含层间的连接权值W₁、隐含层与输出层间的连接权值W₂、隐含层节点的阈值B₁、输出层节点的阈值B₂，如下式所示：

式中，n-为序列的长度，m-为预报因子的个数，μ_nm为预报因子，v_n为待预报值；

S3、基于训练好的所述预报神经网络确定出所述矿区的生态需水量；

其中，所述步骤S3具体包括以下分步骤：

S31、获取所述矿区预测年的预测预报因子；

S32、将所述预测预报因子输入所述预报神经网络得到所述预测年的所述年降雨预报信息；

S33、基于所述年降雨预报信息确定出所述矿区生态需水量；

其中，所述步骤S33具体包括以下分步骤：

S331、根据所述年降雨预报信息确定所述矿区在所述预测年的年预报信息，所述年预报信息具体为特丰水年、丰水年、偏丰水年、平水年、偏枯水年、枯水年和特枯水年；

S332、根据所述年预报信息确定所述矿区在所述预测年的生态需水量；

其中，所述步骤S332具体通过如下公式确定出所述预测年的生态需水量：

式中，T_i为预测年的生态需水量，为所述预测年前的预设年数平均生态需水量的均值，i为预测年的年预报信息，其中，i为1时表示预测年为特丰水年，i为2时表示预测年为丰水年，i为3时表示预测年为偏丰水年，i为4时表示预测年为平水年，i为5时表示预测年为偏枯水年，i为6时表示预测年为枯水年，i为7时表示预测年为特枯水年，α₁为特丰水年的比例因子，具体是1.4，α₂为丰水年的比例因子，具体是1.2，α₃为偏丰水年的比例因子，具体是1.1，α₄为平水年的比例因子，具体是1，α₅为偏枯水年的比例因子，具体是0.9，α₆为枯水年的比例因子，具体是0.8，α₇为特枯水年的比例因子，具体是0.6。

2.如权利要求1所述的基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，所述天文尺度因子具体为太阳黑子相对数、月球赤纬角和二十四节气阴历日期，所述全球循环尺度因子具体为拉马德雷、厄尔尼诺和拉尼娜，所述流域尺度因子具体为秋季降雨量，其中，获取所述预报因子时对所述预报因子进行定量化处理，所述定量化处理具体为将所述拉马德雷的暖位相、所述拉马德雷的冷位相、所述厄尔尼诺、所述拉尼娜和所述天文尺度因子进行赋值。

3.如权利要求1所述的基于年降雨长期预报方法的矿区生态需水量计算方法，其特征在于，所述预报神经网络具体为多层前馈神经网络。