[发明专利]基于水文变量年际和月变化特性的径流预报方法和系统有效
| 申请号： | 201710498418.3 | 申请日： | 2017-06-23 |
| 公开（公告）号： | CN107274030B | 公开（公告）日： | 2019-03-05 |
| 发明（设计）人： | 周建中;朱双;李薇;许颜贺;张海荣;吴江 | 申请（专利权）人： | 华中科技大学 |
| 主分类号： | G06F17/50 | 分类号： | G06F17/50;G06Q10/04;G06N3/08 |
| 代理公司： | 华中科技大学专利中心 42201 | 代理人： | 李智;曹葆青 |
| 地址： | 430074 湖北*** | 国省代码： | 湖北;42 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 基于 水文 变量 变化 特性 径流 预报 方法 系统 | ||
1.一种基于水文变量年际和月变化特性的径流预报方法，其特征在于，包括：
(1)获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；
(2)将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流和预报月径流实测值作为训练样本，利用训练样本训练GRNN神经网络模型，直至GRNN神经网络模型的光滑因子寻找到最优解，得到训练好的GRNN神经网络模型，将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流
(3)对加权移动预报月径流和神经网络预报月径流采用最小二乘法进行加权耦合，得到最终的组合预报月径流。
2.如权利要求1所述的一种基于水文变量年际和月变化特性的径流预报方法，其特征在于，所述步骤(3)的具体实现方式为：
对加权移动预报月径流和神经网络预报月径流采用进行加权耦合，得到最终的组合预报月径流Ft，ωa为加权移动平均模型的权重，ωg为GRNN神经网络模型的权重，反映的是预报误差方差期望值，Qt为i＝t时刻的径流实测值，Fi为第i时刻的组合预报月径流，Qi为第i时刻的径流实测值，n表示总时刻，预报误差方差期望值最小时，应用最小二乘法，得到ωg,ωa的值。
3.一种基于水文变量年际和月变化特性的径流预报系统，其特征在于，包括：
第一模块，用于获取预报断面的历史径流数据，从历史径流数据中提取预报月年际径流和预报月前的月际降雨及预报月前的月际径流；
第二模块，用于将预报月年际径流输入加权移动平均模型，得到加权移动预报月径流将预报月前的月际降雨及预报月前的月际径流和预报月径流实测值作为训练样本，利用训练样本训练GRNN神经网络模型，直至GRNN神经网络模型的光滑因子寻找到最优解，得到训练好的GRNN神经网络模型，将预报月前的月际降雨及预报月前的月际径流输入GRNN神经网络模型，得到神经网络预报月径流
第三模块，用于对加权移动预报月径流和神经网络预报月径流采用最小二乘法进行加权耦合，得到最终的组合预报月径流。
4.如权利要求3所述的一种基于水文变量年际和月变化特性的径流预报系统，其特征在于，所述第三模块的具体实现方式为：
对加权移动预报月径流和神经网络预报月径流采用进行加权耦合，得到最终的组合预报月径流Ft，ωa为加权移动平均模型的权重，ωg为GRNN神经网络模型的权重，反映的是预报误差方差期望值，Qt为i＝t时刻的径流实测值，Fi为第i时刻的组合预报月径流，Qi为第i时刻的径流实测值，n表示总时刻，预报误差方差期望值最小时，应用最小二乘法，得到ωg,ωa的值。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于华中科技大学，未经华中科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201710498418.3/1.html，转载请声明来源钻瓜专利网。
