滑动自回归模型在洪水预报中的应用.docx

1998年9月Sept.1998JournalofHeilongjiangHydraulicEngineeringCollege滑动自回归模型在洪水预报中的应用王淑英(黑龙江水利高等专科学校水资源与农田水利工程系,哈尔滨,150086)摘要水文预报中一般是直接采用实测资料建立滑动自回归(ARMA)模型,现采用实测资料减去季节均值后的中心化变量作为模型中的变量,既可消除季节因素的影响,也可利用季节均值为预报服务。再辅以迭代最小二乘法使参数处于线估计状态。ARMA模型在雅砻江泸宁站至小得石站河段的应用效果很好。ARMA模型洪水预报迭代最小二乘法关键词这种作法不但有弊病,而且浪费了新的信息,同时外延范围也不能太大。在外延一定时间后,必须重新对参数进行调试,否则将不同程度地影响预报精度。从系统角度看,水文参数是时变的,通常的时不变假定并不符合实际。因此,在洪水预报中理想的作法是采用能够利用新信息的、时不变的、最优的参数。为达此目的,国内外已研制并运用了一些新的方法,例如卡尔曼滤波法〔2〕、仪器变量法〔4〕等。本文在考虑季节均值基础上,采用迭代最小二乘法,使ARMA模型参数处于时变或线估计状态,从而可以解决参数外延带来的诸多问题。0引言在河段洪水预报中,如遇到支流注入和区间降水加入与上断面洪水形成不同的遭遇组合情形(即多输入、单输出),问题就显得复杂。传统的方法如马斯京根法、特征长河法〔1〕在这种情况下往往无能为力。因此,近年来国内外逐渐从系统分析角度来解决有支流河段洪水预报问题。从所见报道来看,通常用于预报的这类模型是直接将实测输入和输出系列进行相关〔2〕,这就要求河段系统有高度线性特征,并且满足平稳的前提。另一方面,在随机水文学中,一般是用实测资料减去系列均值,从而作中心化处理〔3〕。事实上,水文系列一般呈现某些确定性的周期成份,例如年(逐日)流量过程线就呈明显的汛期和枯期。若在建立预报方案时能考虑这些信息,同时消除这类成份导致的不平稳的问题,无疑大有裨益。本文在滑动自回归模型(ARMA)中不采用实测值,也不采用扣除系列均值的中化变量,而是采用扣除季节均值后的变量。季节均值被当成相对稳定的成份在预报中加以利用,使这类模型适应性更强。洪水预报中常见的另一类问题是模型参数的外延使用,即在模型的调试期估计出最优参数后,往往假定在检验期乃至实用期也是最优的。1预报方案一般结构每个支流输入的是蒸发和降雨,加上独立随机变量Εt,经过ARMA模型演算得到本支流的流量过程。L个支流流量过程与上游断面流量过程经河段系统ARMA模型演算出下游断面流量过程。ARMA模型预报方案的一般结构见图1。2方法原理河段洪水预报中常见的ARMA模型形式为:Q(m+1)=a1Q(m)+a2Q(m-1)++apQ(m-p+1)(1)+w0I(m+1)++wqI(m-q+1)式中Q为出口断面流量;I为上断面流量;ai和wi均为系数。式(1)中是单输入、单输出类型,如果其输入是白噪声,则与随机水文学中的ARMA收稿日期:1998-06-13王淑英1滑动自回归模型在洪水预报中的应用第3期57模型重合,后者的一般形式为:输出的ARMA模型来实现。即py(m+1)=?1y(m)++?py(m-p+1)+Ε(m+1)-(2)∑ajy(m-j+1)+y(m+1)=Η1Ε(m)--ΗqΕ(m-q+1)j=1Q?,Q?为系列均Mjj式中y为中心化变量;y(i)=Qi-值;?、Η均为参数;Ε为随机变量。∑∑bj(k)xj(m-k-rj+1)(6)j=1k=1式中xj为第j个输入相应的中心化变量;Mj为相应于此输入所取的项数;bj为相应的参数;rj为相应滞时,j为输入系列的总数。在式(6)中等式右端y为实测值中心化变量,整个系统处于实时预报方式。从系统分析的角度看,仅仅让模型在流量预报方面处于实时预报方式仍不十分令人满意,还可以进一步对流量预报进行卡尔曼滤波,即针对流量建立状态方程和量测方程,采用状态递推的方式进行实时预报。甚至还可以采用两个平行的滤波器对流量和参数双双滤波校正。基于参数为时变的观点,采用迭代最小二乘法对参数进行在线估计。迭代最小二乘法的概念是在新的资料被测取后,利用这部分资料对原先估计的参数进行逐步校正递推,而不必重复进行普通最小二乘法的参数估计。这样就减少了大量计算工作量,同时利用了新的信息,避免了由于参数外延引起的风险。若式(6)写成矩阵形式,对于3输入、单输出的一阶模型,即ARMA(1,1)为:图1ARMA模型预报方案一般结构上述两式适用于平稳系列。如果在式(2)中扣除季节均值,则可望消除相应的影响,在预报中用类似于式(2)的估计值y(m+1)加上相应的季节均值就得到相应的预报值,从而达到双重目的。消除季节成份影响的日模型形式为:y(m+1)=a1y(m)++apy(