[发明专利]一种考虑时滞效应的河流水位预测方法

说明书

本发明公开了一种考虑时滞效应的河流水位预测方法，包括如下步骤，1：基于分布滞后模型确定上下游水位的滞后值；2：基于VMD模型分解水位数据；3：重构VMD分解分量得到分量组合；4：基于BP神经网络进行重构分量组合的训练及预测。分布滞后模型是基于时间序列的回归模型，可反映变量之间的滞后效应，为确定上下游水位的滞后值提供了一种有效的方法。变分模态分解方法是一种处理非线性、非平稳信号的分析方法，可依据信号的特点进行线性化和平稳化的处理。BP神经网络是一种对非线性函数进行权值训练的多层映射网络，具有较好的非线性拟合。该方法将三个模型结合起来，充分发挥各自的特点和优势，实现基于上游水位对下游水位的预测和预报，并取得较好的预测精度。

技术领域

本发明涉及水资源管理技术领域，具体涉及一种集成分布滞后模型、变分模态分解和BP神经网络的河流水位预测方法。

背景技术

水位是反映流域水情最直观的因素，也是水文预报和水资源评价的重要指标。水位信息有助于了解河流水位的动态变化，对于防洪抗旱和水资源调度具有重要参考价值。河流水位预测有利于掌握水位信息及洪涝情况，提前做好预警工作，最大限度降低洪涝灾害造成的损失。同时，水位监测设备昂贵，水文监测站建设和管理需要耗费大量的资金和精力。结合上游水位数据预测下游水位信息，有利于指导水文站网的合理规划和优化配置，将大大减少水文监测站的建设和维护费用。

河流水位信息受到气候气象、地形地貌、植被覆盖和人类活动等多种因素的影响，具有复杂多变的特点，因而往往难以确定。对于同一河流，下游水位直接受到上游水位的影响。分布滞后模型(DLM)是基于时间序列的回归模型，可反映变量之间的滞后效应，广泛应用于经济、环境、地学等领域，为确定上下游水位的滞后值提供了一种有效的方法。

河流水位预测主要包含数据获取和方法建模两个环节。目前，水位预测对于数据源的选择主要从两个方面入手：(1)从水位的时间序列出发，通常是日水位、月水位时间序列，通过挖掘时间序列的多层次特征，建立水位预测数值模型。(2)从影响水位变化的因素中，寻求有效因素，如河流流量、降雨量、蒸发量等，建立与水位信息相关的经验、物理模型。然而，影响水位变化的因素众多，难以完全覆盖，且加入这些复杂的因素易导致模型的构建难度增大。

水位预测的方法通常有数理统计和智能方法两种。相比于数理统计，人工智能具有适用面广、预测精度较高的优点，成为目前研究的热点。为了提高水位预测精度，通常需要集成多种方法模型。Seo和Kim结合小波分解和数据驱动模型预测河流水位，结果表明小波分解提高了人工神经网络和ANFIS模型预测河流水位的精度。但小波分解的缺点之一是不同的母小波具有不同的分解性能。变分模态分解(VMD)在一定程度上克服了小波分解存在的问题，逐渐应用于分析非线性随机信号，其最大的特点是可以将信号分解为固定数量、包含原信号特征信息的有限宽带的本征模态函数(BLIMF)，降低信号的波动性。

发明内容

本发明通过分析河流上下游水位之间的关联性和滞后性，提出了一种集成分布滞后模型、变分模态分解和BP神经网络的水位预测方法。该方法通过分布滞后模型分析上、下游水位的关联性和滞后性以确定模型的输入数据，并利用变分模态分解方法对数据序列进行平稳化处理，降低数据波动性，再利用BP神经网络进行训练及预测，实现基于上游水位对下游水位的预测和预报。

本发明中，分布滞后模型是基于时间序列的回归模型，可反映变量之间的滞后效应，可作为确定上下游水位的滞后值的有效方法。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，具有易于构建、自适应和实时学习的特点，适合处理复杂、非线性的水位数据。VMD模型是一种新的信号分析方法，将复杂的、非线性、不对称的序列数据分解为多个相对平稳的、频率逐级变化的本征模态函数(BLIMF)，适用于处理水位数据的波动性。

为解决上述技术问题，本发明公开的一种考虑时滞效应的河流水位预测方法，其特征在于，它包括如下步骤：

步骤1：基于分布滞后模型确定上下游水位的滞后值；