枫树坝水库洪水实时预报校正方法研究论文

《枫树坝水库洪水实时预报校正方法研究论文》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、枫树坝水库洪水实时预报校正方法研究论文.freel)为模型回归系数；m为模型的阶数。当m=1时，则为一阶自回归模型；当m=2时，则为二阶自回归模型；假定为模型的白噪声。利用1984～1988年五年汛期反推的入库洪水过程和水文预报模型计算的流量过程资料，由式（7），采用最小二乘法离线识别方法，从而求得洪水预报校正模型：一阶自回归洪水预报校正模型为：（10）二阶自回归洪水预报校正模型为：（11）4.自适应洪水实时校正方法自适应洪水实时校正，主要是采用一种可变遗忘因子递推最小二乘算法2，自适应地动态识别模型

2、的时变参数。这种算法比目前在洪水实时预报中采用的定常遗忘因子(衰减记忆)递推最小二乘方法，具有较强的实时跟踪水文系统的能力，无需率定、综合“最佳遗忘因子”的麻烦。它可以根据各场实际洪水的变化自适应地调整其遗忘因子，以达到最佳跟踪参数的效果，提高洪水预报精度。将定常参数的洪水预报校正模型改写为时变参数模型，其结构形式为：(12)其中,(13)采用洪水实时校正的可变遗忘因子最小二乘参数估计自适应递推算法，为预报：(14)参数估计：(15)增益因子：(16)协方差阵：(17)可变遗忘因子：(18)5.卡尔曼

3、滤波洪水实时校正方法卡尔曼滤波自从70年代被引入到洪水实时预报以来，人们进行了许多探索性的研究工作。应用卡尔曼滤波方法，一个重要前提是最优化系统中的数学模型和噪声统计是完全准确的，并且全部已知的，即数学模型所反映的动态特性与实际系统是相符的。只有在这种理想的情况下，利用卡尔曼滤波便可得到状态的最优估计。但由于现阶段水文科学尚无法利用物理方法来描述径流过程，在实际运用中又不得不采用许多简化的或近似的作法来表述水文系统，使得在应用卡尔曼滤波方法时难以满足系统数学模型和噪声统计完全准确的要求，致使卡尔曼滤波

4、在水文上的应用尚待进一步研究探讨。在应用卡尔曼滤波方法进行洪水实时预报计算时，首先要将水文预报系统模型表达成系统的状态方程和观测方程。以二阶洪水预报残差自回归方程式(11)为基础，建立的状态方程和观测方程的表达形式，有⑴状态方程（19）式中的状态变量、噪声分配矩阵、状态转移矩阵、系统噪声方差矩阵分别为：，，，⑵观测方程在t+1时刻流量是可观测的，此时可推求得到流量预报误差，由于测量的流量值受到误差影响，从而有：（20）式中，；观测噪声项的方差，根据资料计算可取R=388。以上的系统噪声和观测噪声，皆假

5、定为白噪声序列。采用卡尔曼滤波递推算法3，从而有状态预报值为：(21）观测预报值为：(22）预报误差协方差矩阵为：(23）增益矩阵：(24）状态滤波值：(25)滤波误差协方差矩阵：(26）洪水校正预报：(27)6.模拟结果与分析利用上述校正模型和相应的计算方法，对枫树坝水库1989年5月的一次洪水过程进行模拟预报校正计算，其统计结果列于表。表11989年5月洪水过程模拟预报校正统计结果校正模型计算方法流量效率系数(%)洪峰相对误差(%)峰现时差（时段数）直线相关相关分析59.36-12.596一阶自回

6、归离线识别92.28-0.226自适应递推92.23-0.356二阶自回归离线识别90.932.976自适应递推93.20-2.411卡尔曼滤波95.556.90校正前预报模型68.3825.566从表中模拟计算结果可以看到，建立的一阶、二阶自回归校正模型提高预报精度的效果比较明显，其中二阶自回归校正模型的自适应递推和卡尔曼滤波算法效果更好；而模型预报流量与实测流量相关校正计算方法，基本上没能提高洪水预报精度。参考文献1．雒文生等，受水利水电工程影响流域径流预报方法的探讨，水文，1991(3):13～

7、202．宋星原，河道洪水实时预报方法研究：博士学位论文，武汉水利电力大学，19953．文康等，地表径流过程的数学模拟，北京，水利电力出版社，1991，12AStudyonUpdatingTechniquesofTheFengshubaReservoirFloodForecastAbstract:Basedonthefengshubareservoirfloodforecasterrorseries,thispaperinvestigatesthevariousupdatingmethodsoffloo

8、dforecast.AcasestudyindicatesthatthemethodsoftheselfadaptingparametersestimationalgorithmandKalmenfilteringofAR(2)modelareefficientandaccurateforthethereservoirfloodforecast.Keyecorrection；auto-regressionmodel；variableforgettingf