CN104090974A - 展延水库后续来水的动态数据挖掘方法及系统 - Google Patents

Abstract

本发明一种展延水库后续来水的动态数据挖掘方法及系统，所述方法包括如下步骤：对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级；对历史洪水资料作标准化处理；选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案；相似洪水动态识别，构建相似洪水集；相似洪水选取；相似洪水展延。本发明通过相似洪水的动态识别与展延预估了水库的后续来水过程和水量，有效地弥补了当前洪水预报预见期过短的问题。

Description

展延水库后续来水的动态数据挖掘方法及系统

技术领域

本发明属于水利工程领域中的水库实时防洪调度技术，尤其涉及一种展延水库后续来水的动态数据挖掘方法及系统。

背景技术

对于实时防洪调度而言，水库后续来水的预测对其具有重要意义，因此需要结合实时洪水预报的成果来指导防洪调度决策。然而限于技术水平，目前的洪水预报只能在有限预见期内给出满足精度的洪水预报结果，难以满足水库实时防洪调度的要求。

为了解决洪水预报预见期过短的问题，目前主要有两条途径：

第一条途径：采用短期气象预报与产汇流模型相耦合的方法进行洪水预报，该方法虽然能够在一定程度上延长洪水预报的预见期，但是考虑到降雨的时空分配具有较强的随机性特点，其应用效果欠佳。

第二条途径：对历史洪水进行归类和洪水相似性识别，已有的研究均基于洪水全过程，所选择的相似性评价指标(暴雨笼罩面积、暴雨总历时、洪水重现期、洪水组成等)都是在洪水全过程之后才能获得，无法满足水库实时防洪调度的要求，不具有实用价值。

此外，不同量级的洪水存在不同的内在机制差别，具体表现为不同量级的洪水在前期降雨时空分布、区间来水、前期土壤含水量等因素上具有较大的差异，而现有的技术均未涉及分量级的相似洪水识别研究。在部分缺资料地区，由于洪水相似性指标的资料不完备，因此缺资料地区的相似洪水的识别和展延也是亟需解决的问题。

发明内容

发明目的：一个目的是提供一种展延水库后续来水的动态数据挖掘方法，以解决当前洪水预报预见期过短而无法满足水库实时防洪调度的要求的问题。

进一步的目的是提供一种展延水库后续来水的动态数据挖掘系统，以实现上述方法。

技术方案：一种展延水库后续来水的动态数据挖掘方法，包括如下步骤：

对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级；对历史洪水资料作标准化处理；选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案；相似洪水动态识别，构建相似洪水集；相似洪水选取；相似洪水展延。

进一步的实施例中，包括如下步骤：

步骤1：对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级，将已经出现时长的时段累积水量在历史洪水数据库中同等时长的时段累积水量序列中排频，在相应的数据中进行相似洪水检索，获取相关历史洪水资料数据；

步骤2：对历史洪水资料做标准化处理，以每一场历史洪水降雨开始时刻作为原点，将历史洪水发生的绝对时间转换为时序；

步骤3：选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案，所述洪水相似形指标包括起涨流量、时段累积降雨量和时段累积水量；

步骤4：相似洪水动态识别，构建相似洪水集，将历史若干场洪水各自视为一类，计算各类之间的距离，将距离最小的两个类合并成一个新类，然后在新的类别的分化下，重新计算各类之间的距离，再将距离最小的两个类合并成一个新类，直到所有模式聚成两类为止；

步骤5：选取相似洪水；若处于涨洪段或仍有较大的后续降雨，则从相似洪水集中选择历时长、洪量大的相似洪水或取相似洪水集的外包线；若处于降雨过程的尾部，则从相似洪水集中选择历时短、洪量小的相似洪水或取相似洪水集的内包线；其他情况则选择相似洪水集的平均过程；

步骤6：相似洪水展延；在实时洪水预报预见期内，采用实时洪水预报的成果；在预见期外，从相似洪水集中选择相似洪水进行拼接。

构建相似洪水集的步骤进一步包括：

步骤41、初始化分类，选取历史N场资料较为齐全的洪水，计算各场洪水K个相似性指标数值，将历史N场洪水各自视为一类，记为：G_i ⁽⁰⁾＝{x_i}i＝1,2,…,N，N、K为自然数；

步骤42、计算各类之间的欧式距离D_i，j，生成一个完全对称的距离矩阵D^(K)＝(D_i，j)_m×m，其中，m为类的个数，初始时m＝N；欧式距离D_i，j可采用以下公式计算：

$D_{i,j}=\sqrt{{({Q_0}^i-{Q_0}^j)}^2+{({P_t}^i-{P_t}^j)}^2+{({W_t}^i-{W_t}^j)}^2}$

步骤43、计算步骤42中矩阵D^(K)中的最小元素，设它是G_a ^(K)和G_b ^(K)间的距离，将G_a ^(K)和G_b ^(K)合并成一类，则新的聚类记为：G₁ ^(K+1)，G₂ ^(K+1)…，令k＝k+1，m＝m-1；

步骤44、检查类的个数，如果类的个数m>2，转至步骤42继续进行聚类计算；否则，计算结束；

步骤45、构建相似洪水集，根据层次聚类分析的结果，取前若干场洪水构建相似洪水集。

所述相似洪水展延步骤进一步包括：

对于洪水拼接时刻实时预报值与相似洪水流量值不一致的情况，采用整体平移相似洪水过程的方法实现平滑衔接，可采用以下公式进行计算：

$Q_2\left(t\right)=\left\{\begin{array}{cc}Q\left(t\right)& t\≤t_0+\mathrm{\τ}\\ Q_1\left(t\right)+\mathrm{\ΔQ}& t>t_0+\mathrm{\τ}\end{array}\right.$

ΔQ＝Q(t₀+τ)-Q₁(t₀+τ)

Q₀为洪水起涨流量；

t₀为当前时刻；

τ为实时洪水预报预见期；

Q(t)为实时洪水预报的流量过程；

Q₁(t)为选取的相似洪水流量过程；

Q₂(t)为相似洪水展延流量过程；

ΔQ为t₀+τ时刻实时预报流量值与相似洪水流量值的差值。

在进一步的实施例中，还包括步骤7：

评价洪水展延效果；通过后续水量展延增益率和确定性系数增量评价洪水展延效果；

后续水量展延增益率采用以下公式进行计算：

其中，Q_实(t)为实测洪水过程；T为调度期，t₀为当前时刻，Q(t)为实时洪水预报的流量过程；Q₂(t)为相似洪水展延流量过程；

确定性系数增量采用以下公式进行计算：

ΔDC＝DC₂-DC

其中，DC₂为相似性展延洪水过程的确定性系数；DC为实时预报洪水过程的确定性系数；

分别采用以下公式进行计算：

其中，为实测洪水过程的平均值，T为调度期，t₀为当前时刻。

一种展延水库后续来水的动态数据挖掘系统，包括如下模块：

排频分类模块，用于对历史洪水按调度期内总水量大小进行排频，并根据总水量频率阈值将历史洪水分为若干个量级；

标准化处理模块，用于对历史洪水资料作标准化处理；

相似性指标选取模块，用于选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案；

相似洪水动态识别模块，用于相似洪水的动态识别，

相似洪水集构建模块，用于构建相似洪水集；

相似洪水选取模块，用于相似洪水的选取；

相似洪水展延模块，用于相似洪水展延。

进一步的技术方案为：

排频分类模块：用于对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级，将已经出现时长的时段累积水量在历史洪水数据库中同等时长的时段累积水量序列中排频，在相应的数据中进行相似洪水检索，获取相关历史洪水资料数据；

标准化处理模块：用于对历史洪水资料做标准化处理，以每一场历史洪水降雨开始时刻作为原点，将历史洪水发生的绝对时间转换为时序；

相似性指标选取模块：用于选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案，所述洪水相似形指标包括起涨流量、时段累积降雨量和时段累积水量；

相似洪水动态识别模块：用于相似洪水动态识别，构建相似洪水集，将历史若干场洪水各自视为一类，计算各类之间的距离，将距离最小的两个类合并成一个新类，然后在新的类别的分化下，重新计算各类之间的距离，再将距离最小的两个类合并成一个新类，直到所有模式聚成两类为止；

相似洪水选取模块：用于选取相似洪水，具体地，若处于涨洪段或仍有较大的后续降雨，则从相似洪水集中选择历时长、洪量大的相似洪水或取相似洪水集的外包线；若处于降雨过程的尾部，则从相似洪水集中选择历时短、洪量小的相似洪水或取相似洪水集的内包线；其他情况则选择相似洪水集的平均过程；

相似洪水展延模块：用于相似洪水延展，在实时洪水预报预见期内，采用实时洪水预报的成果；在预见期外，从相似洪水集中选择相似洪水进行拼接。

构建相似洪水集模块进一步包括：

步骤41、初始化分类，选取历史N场资料较为齐全的洪水，计算各场洪水K个相似性指标数值。将历史N场洪水各自视为一类，记为：G_i ⁽⁰⁾＝{x_i}i＝1,2,…,N，N、K为自然数；

步骤42、计算各类之间的欧式距离D_i，j，生成一个完全对称的距离矩阵D^(K)＝(D_i，j)_m×m，其中，m为类的个数，初始时m＝N；欧式距离D_i，j可采用以下公式计算：

$D_{i,j}=\sqrt{{({Q_0}^i-{Q_0}^j)}^2+{({P_t}^i-{P_t}^j)}^2+{({W_t}^i-{W_t}^j)}^2}$

步骤43、计算步骤42中矩阵D^(K)中的最小元素，设它是G_a ^(K)和G_b ^(K)间的距离，将G_a ^(K)和G_b ^(K)合并成一类，则新的聚类记为：G₁ ^(K+1)，G₂ ^(K+1)…，令k＝k+1，m＝m-1；

步骤44、检查类的个数，如果类的个数m>2，转至步骤42继续进行聚类计算；否则，计算结束；

步骤45、构建相似洪水集，根据层次聚类分析的结果，取前若干场洪水构建相似洪水集。

所述相似洪水延展模块进一步包括：

对于洪水拼接时刻实时预报值与相似洪水流量值不一致的情况，采用整体平移相似洪水过程的方法实现平滑衔接，可采用以下公式进行计算：

$Q_2\left(t\right)=\left\{\begin{array}{cc}Q\left(t\right)& t\≤t_0+\mathrm{\τ}\\ Q_1\left(t\right)+\mathrm{\ΔQ}& t>t_0+\mathrm{\τ}\end{array}\right.$

ΔQ＝Q(t₀+τ)-Q₁(t₀+τ)

Q₀为洪水起涨流量；

t₀为当前时刻；

τ为实时洪水预报预见期；

Q(t)为实时洪水预报的流量过程；

Q₁(t)为选取的相似洪水流量过程；

Q₂(t)为相似洪水展延流量过程；

ΔQ为t₀+τ时刻实时预报流量值与相似洪水流量值的差值。

在进一步的技术方案中，还包括洪水展延效果评价模块，用于通过后续水量展延增益率和确定性系数增量评价洪水展延效果；

其中，后续水量展延增益率采用以下公式进行计算：

其中，Q_实(t)为实测洪水过程；T为调度期，t₀为当前时刻，Q(t)为实时洪水预报的流量过程；Q₂(t)为相似洪水展延流量过程；

确定性系数增量采用以下公式进行计算：

ΔDC＝DC₂-DC

其中，DC₂为相似性展延洪水过程的确定性系数；DC为实时预报洪水过程的确定性系数；

分别采用以下公式进行计算：

其中，为实测洪水过程的平均值，T为调度期，t₀为当前时刻。

有益效果：本发明通过相似洪水的动态识别与展延预估了水库的后续来水过程和水量，有效地弥补了当前洪水预报预见期过短的问题。进一步地技术方案中，本发明考虑了暴雨洪水信息动态增长的特性，从逐步呈现的暴雨洪水信息出发，对水库后续的洪水演化趋势进行预估，能够较好地满足水库实时防洪调度的要求，具有重要的实用价值。另外，本发明将历史洪水分为若干个量级，考虑了不同量级的洪水存在不同内在机制的差别，考虑因素比现有技术更为全面。最后，本发明通过洪水相似性指标的组合优选，简化了洪水相似性指标体系，为缺资料地区的相似洪水识别和展延提供了一条新的途径，同时也减少了计算工作量。

附图说明

图1为本发明方法的流程图。

图2为本发明层次聚类法的洪水聚类图。

图3为本发明相似洪水拼接示意图。

其中：Q₀为洪水起涨流量；t₀为当前时刻；τ为实时洪水预报预见期；Q(t)为实时洪水预报的流量过程；Q₁(t)为选取的相似洪水流量过程；Q₂(t)为相似洪水展延流量过程；ΔQ为t₀+τ时刻实时预报流量值与相似洪水流量值的差值。

图4为相似洪水展延示意图。其中：T为调度期。

具体实施方式

结合图1至图4描述本发明。本发明将历史洪水分为多个量级，例如大、中、小三个量级，制定了历史洪水标准化的原则，构建了洪水相似性指标体系，基于层次聚类原理进行相似洪水动态识别与展延，通过评价洪水展延效果，对不同的洪水相似性指标的组合方案进行优选。

本发明展延水库后续来水的动态数据挖掘方法，包括以下步骤：

步骤1，对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值(如：85％、40％)将历史洪水分为大、中、小三个量级，将已经出现时长的时段累积水量在历史洪水数据库中同等时长的时段累积水量序列中排频(从大到小)，对应的频率记为P_t。若P_t＜40％，则在大量级历史洪水数据库中进行相似洪水检索；若40％≤P_t＜85％，则在中量级历史洪水数据库中进行相似洪水检索；若P_t≥85％，则在小量级历史洪水数据库中进行相似洪水检索。

步骤2，对历史洪水资料作标准化处理：

考虑到历史不同场次洪水发生时间、总历时和洪水形态的差异性，本发明方法采用了统一的相对时间坐标，以每一场历史洪水降雨开始时刻作为原点，并将历史洪水发生的绝对时间转换为时序。

步骤3，选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案：

根据产汇流理论，影响洪水过程的主要因素包括降雨量及其时空分配、前期土壤含水量和下垫面条件，本发明方法结合实际资料情况选择以下三个指标构建洪水相似性指标体系：

(1)起涨流量Q₀。前期土壤含水量是流域产流的重要参数，但是前期土壤含水量的监测资料十分缺乏，本发明方法选取的起涨流量指标在一定程度上可以间接表征前期土壤含水量的大小。

(2)时段累积降雨量P_t。降雨量及其时空分配在一定程度上决定了洪水大小和形态，时段累积降雨量能够同时反映降雨量的大小和降雨量的变化特征，可采用以下公式计算：

$P_t=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{P}_i---\left(1\right)$

其中，t为当前时刻的时序；P_i为时段降雨量；其它变量同前。

(3)时段累积水量W_t。流域下垫面条件决定了降雨过程和洪水过程的差异，并且水库实时防洪调度更关注洪量的大小，因此本发明方法选择时段累积水量来反映已经出现洪水的形态和流域的下垫面条件，可采用以下公式计算：

$W_t=\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{Q}_i\·\mathrm{\Δt}---\left(2\right)$

其中，Q_i为时段入库流量；Δt为时段长；其它变量同前。

针对缺资料地区部分洪水相似性指标的资料无法获得的情况，本发明将上述三个洪水相似性指标进行组合，共构成Q₀、P_t、W_t、(Q₀，P_t)、(Q₀，W_t)、(P_t，W_t)、(Q₀，P_t，W_t)7个不同的洪水相似性指标组合方案，通过展延效果评价对不同的洪水相似性指标的组合方案进行优选。对于缺资料地区，可以选用与全指标组合(Q₀，P_t，W_t)展延效果相近的简化指标组合(视具体的资料情况和展延效果而定)进行洪水相似洪水识别与展延。

步骤4，相似洪水动态识别，构建相似洪水集：

本发明方法基于层次聚类原理进行相似洪水的动态识别，首先将历史N场洪水各自视为一类，计算各类之间的距离，将距离最小的两个类合并成一个新类，然后在新的类别的分化下，重新计算各类之间的距离，再将距离最小的两个类合并成一个新类，直到所有模式聚成两类为止，具体包括以下五个子步骤：

(1)初始化分类。选取历史N场资料较为齐全的洪水，计算各场洪水K个相似性指标数值。将历史N场洪水各自视为一类，记为：G_i ⁽⁰⁾＝{x_i}i＝1,2,…,N。

(2)计算各类之间的欧式距离D_i，j，生成一个完全对称的距离矩阵D^(K)＝(D_i，j)_m×m，其中，m为类的个数(初始时m＝N)。其中，欧式距离D_i，j可采用以下公式计算：

$D_{i,j}=\sqrt{{({Q_0}^i-{Q_0}^j)}^2+{({P_t}^i-{P_t}^j)}^2+{({W_t}^i-{W_t}^j)}^2}---\left(3\right)$

(3)计算步骤(2)中矩阵D^(K)中的最小元素，设它是G_a ^(K)和G_b ^(K)间的距离，将G_a ^(K)和G_b ^(K)合并成一类，则新的聚类记为：G₁ ^(K+1),G₂ ^(K+1),…，令k＝k+1，m＝m-1。

(4)检查类的个数。如果类的个数m>2，转至步骤(2)继续进行聚类计算；否则，计算结束。

(5)构建相似洪水集。如图2所示为层次聚类法的洪水聚类图，根据层次聚类分析的结果，取前n场洪水构建相似洪水集。

步骤5，相似洪水选取：

相似洪水的选取主要以水库当前的防洪形势为依据，若处于涨洪段或仍有较大的后续降雨，则从相似洪水集中选择历时长、洪量大的相似洪水或取相似洪水集的外包线；若处于降雨过程的尾部，则从相似洪水集中选择历时短、洪量小的相似洪水或取相似洪水集的内包线；对于其他情况则可以选择相似洪水集的平均过程。

步骤6，相似洪水展延：

如图3所示为相似洪水拼接示意图，其中：Q₀为洪水起涨流量；t₀为当前时刻；τ为实时洪水预报预见期；Q(t)为实时洪水预报的流量过程；Q₁(t)为选取的相似洪水流量过程；Q₂(t)为相似洪水展延流量过程；ΔQ为t₀+τ时刻实时预报流量值与相似洪水流量值的差值。

相似洪水展延的原则为：在实时洪水预报预见期τ内，采用实时洪水预报的成果；在预见期τ外，从相似洪水集中选择相似洪水进行拼接。对于洪水拼接时刻实时预报值与相似洪水流量值不一致的情况，采用整体平移相似洪水过程的方法实现平滑衔接，可采用以下公式进行计算：

$Q_2\left(t\right)=\left\{\begin{array}{cc}Q\left(t\right)& t\≤t_0+\mathrm{\τ}\\ Q_1\left(t\right)+\mathrm{\ΔQ}& t>t_0+\mathrm{\τ}\end{array}\right.---\left(4\right)$

ΔQ＝Q(t₀+τ)-Q₁(t₀+τ)    (5)

步骤7，洪水展延效果评价：

通过以上步骤可以获得一定精度的水库后续来水过程，本发明方法对洪水展延效果的评价主要选择以下两个评价指标：

(1)后续水量展延增益率λ。后续水量的大小是水库实时防洪调度所关注的重要因素，后续水量展延增益率反映的是经过洪水相似性展延之后对后续水量预估能力的提升程度，可采用以下公式进行计算：

其中，Q_实(t)为实测洪水过程；T为调度期。

(2)确定性系数增量ΔDC。确定性系数反映了洪水过程之间的拟合程度，确定性系数增量反映的是经过洪水相似性展延之后确定性系数的提高值，可采用以下公式进行计算：

ΔDC＝DC₂-DC    (7)

其中，DC₂为相似性展延洪水过程的确定性系数；DC为实时预报洪水过程的确定性系数，分别采用以下公式进行计算：

其中，为实测洪水过程的平均值。

后续水量展延增益率和确定性系数增量均为越大越优型评价指标，指标计算值越大，表明相似洪水展延的效果越好，对水库实时防洪调度的意义越大。

为了实现上述方法，构建如下系统：

一种展延水库后续来水的动态数据挖掘系统，包括如下模块：

排频分类模块，用于对历史洪水按调度期内总水量大小进行排频，并根据总水量频率阈值将历史洪水分为若干个量级；

标准化处理模块，用于对历史洪水资料作标准化处理；

相似性指标选取模块，用于选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案；

相似洪水动态识别模块，用于相似洪水的动态识别，

相似洪水集构建模块，用于构建相似洪水集；

相似洪水选取模块，用于相似洪水的选取；

相似洪水展延模块，用于相似洪水展延。

进一步的技术方案为：

排频分类模块：用于对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级，将已经出现时长的时段累积水量在历史洪水数据库中同等时长的时段累积水量序列中排频，在相应的数据中进行相似洪水检索，获取相关历史洪水资料数据；

标准化处理模块：用于对历史洪水资料做标准化处理，以每一场历史洪水降雨开始时刻作为原点，将历史洪水发生的绝对时间转换为时序；

相似性指标选取模块：用于选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案，所述洪水相似形指标包括起涨流量、时段累积降雨量和时段累积水量；

相似洪水动态识别模块：用于相似洪水动态识别，构建相似洪水集，将历史若干场洪水各自视为一类，计算各类之间的距离，将距离最小的两个类合并成一个新类，然后在新的类别的分化下，重新计算各类之间的距离，再将距离最小的两个类合并成一个新类，直到所有模式聚成两类为止；

相似洪水选取模块：用于选取相似洪水，具体地，若处于涨洪段或仍有较大的后续降雨，则从相似洪水集中选择历时长、洪量大的相似洪水或取相似洪水集的外包线；若处于降雨过程的尾部，则从相似洪水集中选择历时短、洪量小的相似洪水或取相似洪水集的内包线；其他情况则选择相似洪水集的平均过程；

相似洪水展延模块：用于相似洪水延展，在实时洪水预报预见期内，采用实时洪水预报的成果；在预见期外，从相似洪水集中选择相似洪水进行拼接。

构建相似洪水集模块进一步包括：

步骤41、初始化分类，选取历史N场资料较为齐全的洪水，计算各场洪水K个相似性指标数值。将历史N场洪水各自视为一类，记为：G_i ⁽⁰⁾＝{x_i}i＝1,2,…,N，N、K为自然数；

步骤42、计算各类之间的欧式距离D_i，j，生成一个完全对称的距离矩阵D^(K)＝(D_i，j)_m×m，其中，m为类的个数，初始时m＝N；欧式距离D_i，j可采用以下公式计算：

$D_{i,j}=\sqrt{{({Q_0}^i-{Q_0}^j)}^2+{({P_t}^i-{P_t}^j)}^2+{({W_t}^i-{W_t}^j)}^2}---\left(3\right)$

步骤43、计算步骤42中矩阵D^(K)中的最小元素，设它是G_a ^(K)和G_b ^(K)间的距离，将G_a ^(K)和G_b ^(K)合并成一类，则新的聚类记为：G₁ ^(K+1),G₂ ^(K+1),…，令k＝k+1，m＝m-1；

步骤44、检查类的个数，如果类的个数m>2，转至步骤42继续进行聚类计算；否则，计算结束；

步骤45、构建相似洪水集，根据层次聚类分析的结果，取前若干场洪水构建相似洪水集。

所述相似洪水延展模块进一步包括：

对于洪水拼接时刻实时预报值与相似洪水流量值不一致的情况，采用整体平移相似洪水过程的方法实现平滑衔接，可采用以下公式进行计算：

$Q_2\left(t\right)=\left\{\begin{array}{cc}Q\left(t\right)& t\≤t_0+\mathrm{\τ}\\ Q_1\left(t\right)+\mathrm{\ΔQ}& t>t_0+\mathrm{\τ}\end{array}\right.$

ΔQ＝Q(t₀+τ)-Q₁(t₀+τ)

Q₀为洪水起涨流量；

t₀为当前时刻；

τ为实时洪水预报预见期；

Q(t)为实时洪水预报的流量过程；

Q₁(t)为选取的相似洪水流量过程；

Q₂(t)为相似洪水展延流量过程；

ΔQ为t₀+τ时刻实时预报流量值与相似洪水流量值的差值。

在进一步的技术方案中，还包括洪水展延效果评价模块，用于通过后续水量展延增益率和确定性系数增量评价洪水展延效果；

其中，后续水量展延增益率采用以下公式进行计算：

其中，Q_实(t)为实测洪水过程；T为调度期，t₀为当前时刻，Q(t)为实时洪水预报的流量过程；Q₂(t)为相似洪水展延流量过程；

确定性系数增量采用以下公式进行计算：

ΔDC＝DC₂-DC

其中，DC₂为相似性展延洪水过程的确定性系数；DC为实时预报洪水过程的确定性系数；

分别采用以下公式进行计算：

其中，为实测洪水过程的平均值，T为调度期，t₀为当前时刻。

以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。

另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。

Claims (10)

1.一种展延水库后续来水的动态数据挖掘方法，其特征在于，包括如下步骤：

对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级；对历史洪水资料作标准化处理；选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案；相似洪水动态识别，构建相似洪水集；相似洪水选取；相似洪水展延。

2.如权利要求1所述的展延水库后续来水的动态数据挖掘方法，其特征在于，进一步包括如下步骤：

步骤1：对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级，将已经出现时长的时段累积水量在历史洪水数据库中同等时长的时段累积水量序列中排频，在相应的数据中进行相似洪水检索，获取相关历史洪水资料数据；

步骤2：对历史洪水资料做标准化处理，以每一场历史洪水降雨开始时刻作为原点，将历史洪水发生的绝对时间转换为时序；

步骤3：选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案，所述洪水相似形指标包括起涨流量、时段累积降雨量和时段累积水量；

步骤4：相似洪水动态识别，构建相似洪水集，将历史若干场洪水各自视为一类，计算各类之间的距离，将距离最小的两个类合并成一个新类，然后在新的类别的分化下，重新计算各类之间的距离，再将距离最小的两个类合并成一个新类，直到所有模式聚成两类为止；

步骤5：选取相似洪水；若处于涨洪段或仍有较大的后续降雨，则从相似洪水集中选择历时长、洪量大的相似洪水或取相似洪水集的外包线；若处于降雨过程的尾部，则从相似洪水集中选择历时短、洪量小的相似洪水或取相似洪水集的内包线；其他情况则选择相似洪水集的平均过程；

步骤6：相似洪水展延；在实时洪水预报预见期内，采用实时洪水预报的成果；在预见期外，从相似洪水集中选择相似洪水进行拼接。

3.如权利要求2所述的展延水库后续来水的动态数据挖掘方法，其特征在于，构建相似洪水集的步骤进一步包括：

步骤41、初始化分类，选取历史N场资料较为齐全的洪水，计算各场洪水K个相似性指标数值，将历史N场洪水各自视为一类，记为：G_i ⁽⁰⁾＝{x_i}i＝1,2,…,N，N、K为自然数；

步骤42、计算各类之间的欧式距离D_i，j，生成一个完全对称的距离矩阵D^(K)＝(D_i,j)_m×m，其中，m为类的个数，初始时m＝N；欧式距离D_i，j可采用以下公式计算：

$D_{i,j}=\sqrt{{({Q_0}^i-{Q_0}^j)}^2+{({P_t}^i-{P_t}^j)}^2+{({W_t}^i-{W_t}^j)}^2}$

步骤43、计算步骤42中矩阵D^(K)中的最小元素，设它是G_a ^(K)和G_b ^(K)间的距离，将G_a ^(K)和G_b ^(K)合并成一类，则新的聚类记为：G₁ ^(K+1),G₂ ^(K+1),…，令k＝k+1，m＝m-1；

步骤44、检查类的个数，如果类的个数m>2，转至步骤42继续进行聚类计算；否则，计算结束；

步骤45、构建相似洪水集，根据层次聚类分析的结果，取前若干场洪水构建相似洪水集。

4.如权利要求1所述的展延水库后续来水的动态数据挖掘方法，其特征在于，所述相似洪水延展步骤进一步包括：

对于洪水拼接时刻实时预报值与相似洪水流量值不一致的情况，采用整体平移相似洪水过程的方法实现平滑衔接，可采用以下公式进行计算：

$Q_2\left(t\right)=\left\{\begin{array}{cc}Q\left(t\right)& t\≤t_0+\mathrm{\τ}\\ Q_1\left(t\right)+\mathrm{\ΔQ}& t>t_0+\mathrm{\τ}\end{array}\right.$

ΔQ＝Q(t₀+τ)-Q₁(t₀+τ)

Q₀为洪水起涨流量；

t₀为当前时刻；

τ为实时洪水预报预见期；

Q(t)为实时洪水预报的流量过程；

Q₁(t)为选取的相似洪水流量过程；

Q₂(t)为相似洪水展延流量过程；

ΔQ为t₀+τ时刻实时预报流量值与相似洪水流量值的差值。

5.如权利要求1至4任一项所述的展延水库后续来水的动态数据挖掘方法，其特征在于，还包括步骤7：

评价洪水展延效果；通过后续水量展延增益率和确定性系数增量评价洪水展延效果；

后续水量展延增益率采用以下公式进行计算：

其中，Q_实(t)为实测洪水过程；T为调度期，t₀为当前时刻，Q(t)为实时洪水预报的流量过程；Q₂(t)为相似洪水展延流量过程；

确定性系数增量采用以下公式进行计算：

ΔDC＝DC₂-DC

其中，DC₂为相似性展延洪水过程的确定性系数；DC为实时预报洪水过程的确定性系数；

分别采用以下公式进行计算：

其中，为实测洪水过程的平均值，T为调度期，t₀为当前时刻。

6.一种展延水库后续来水的动态数据挖掘系统，其特征在于，包括如下模块：

排频分类模块，用于对历史洪水按调度期内总水量大小进行排频，并根据总水量频率阈值将历史洪水分为若干个量级；

标准化处理模块，用于对历史洪水资料作标准化处理；

相似性指标选取模块，用于选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案；

相似洪水动态识别模块，用于相似洪水的动态识别；

相似洪水集构建模块，用于构建相似洪水集；

相似洪水选取模块，用于相似洪水的选取；

相似洪水展延模块，用于相似洪水展延。

7.如权利要求6所述的展延水库后续来水的动态数据挖掘系统，其特征在于，进一步为：

排频分类模块：用于对历史洪水按调度期内总水量大小进行排频，根据总水量频率阈值将历史洪水分为若干个量级，将已经出现时长的时段累积水量在历史洪水数据库中同等时长的时段累积水量序列中排频，在相应的数据中进行相似洪水检索，获取相关历史洪水资料数据；

标准化处理模块：用于对历史洪水资料做标准化处理，以每一场历史洪水降雨开始时刻作为原点，将历史洪水发生的绝对时间转换为时序；

相似性指标选取模块：用于选择洪水相似性指标，并将各个指标进行组合，形成不同的洪水相似性指标组合方案，所述洪水相似形指标包括起涨流量、时段累积降雨量和时段累积水量；

相似洪水动态识别模块：用于相似洪水动态识别，构建相似洪水集，将历史若干场洪水各自视为一类，计算各类之间的距离，将距离最小的两个类合并成一个新类，然后在新的类别的分化下，重新计算各类之间的距离，再将距离最小的两个类合并成一个新类，直到所有模式聚成两类为止；

相似洪水选取模块：用于选取相似洪水，具体地，若处于涨洪段或仍有较大的后续降雨，则从相似洪水集中选择历时长、洪量大的相似洪水或取相似洪水集的外包线；若处于降雨过程的尾部，则从相似洪水集中选择历时短、洪量小的相似洪水或取相似洪水集的内包线；其他情况则选择相似洪水集的平均过程；

相似洪水展延模块：用于相似洪水延展，在实时洪水预报预见期内，采用实时洪水预报的成果；在预见期外，从相似洪水集中选择相似洪水进行拼接。

8.如权利要求7所述的展延水库后续来水的动态数据挖掘系统，其特征在于，构建相似洪水集的模块进一步包括：

步骤41、初始化分类，选取历史N场资料较为齐全的洪水，计算各场洪水K个相似性指标数值。将历史N场洪水各自视为一类，记为：G_i ⁽⁰⁾＝{x_i}i＝1,2,…,N，N、K为自然数；

步骤42、计算各类之间的欧式距离D_i，j，生成一个完全对称的距离矩阵D^(K)＝(D_i，j)_m×m，其中，m为类的个数，初始时m＝N；欧式距离D_i，j可采用以下公式计算：

$D_{i,j}=\sqrt{{({Q_0}^i-{Q_0}^j)}^2+{({P_t}^i-{P_t}^j)}^2+{({W_t}^i-{W_t}^j)}^2}$

步骤43、计算步骤42中矩阵D^(K)中的最小元素，设它是G_a ^(K)和G_b ^(K)间的距离，将G_a ^(K)和G_b ^(K)合并成一类，则新的聚类记为：G₁ ^(K+1)，G₂ ^(K+1)…，令k＝k+1，m＝m-1；

步骤44、检查类的个数，如果类的个数m>2，转至步骤42继续进行聚类计算；否则，计算结束；

步骤45、构建相似洪水集，根据层次聚类分析的结果，取前若干场洪水构建相似洪水集。

9.如权利要求6所述的展延水库后续来水的动态数据挖掘系统，其特征在于，所述相似洪水展延模块进一步包括：

对于洪水拼接时刻实时预报值与相似洪水流量值不一致的情况，采用整体平移相似洪水过程的方法实现平滑衔接，可采用以下公式进行计算：

$Q_2\left(t\right)=\left\{\begin{array}{cc}Q\left(t\right)& t\≤t_0+\mathrm{\τ}\\ Q_1\left(t\right)+\mathrm{\ΔQ}& t>t_0+\mathrm{\τ}\end{array}\right.$

ΔQ＝Q(t₀+τ)-Q₁(t₀+τ)

Q₀为洪水起涨流量；

t₀为当前时刻；

τ为实时洪水预报预见期；

Q(t)为实时洪水预报的流量过程；

Q₁(t)为选取的相似洪水流量过程；

Q₂(t)为相似洪水展延流量过程；

ΔQ为t₀+τ时刻实时预报流量值与相似洪水流量值的差值。

10.如权利要求6至9任一项所述的展延水库后续来水的动态数据挖掘系统，其特征在于，还包括洪水展延效果评价模块，用于通过后续水量展延增益率和确定性系数增量评价洪水展延效果；

其中，后续水量展延增益率采用以下公式进行计算：

其中，Q_实(t)为实测洪水过程；T为调度期，t₀为当前时刻，Q(t)为实时洪水预报的流量过程；Q₂(t)为相似洪水展延流量过程；

确定性系数增量采用以下公式进行计算：

ΔDC＝DC₂-DC

其中，DC₂为相似性展延洪水过程的确定性系数；DC为实时预报洪水过程的确定性系数；

分别采用以下公式进行计算：

其中，为实测洪水过程的平均值，T为调度期，t₀为当前时刻。