FORE-002: 来水量预测

优先级: 🔴 高 (17.5分) | 技术复用度: 75% | 实施周期: 1-2个月

客户原话

"我们水库主要靠上游来水蓄水,但来水量很不稳定,丰水期多,枯水期少。每年都要预测来水量,制定供水计划。以前都是凭经验估计,经常不准。有一年估计来水多,结果来水少,水库蓄不满,影响了供水。如果能准确预测未来一周、一个月的来水量,我们就能提前做好调度安排。"

—— 某水库管理处调度科科长

业务场景描述

典型场景

场景1: 周来水量预测

• 每周五预测下周来水量
• 根据上游降雨预报、水库蓄水、历史数据预测
• 预测结果:下周来水量3500万m³
• 用途:制定下周供水计划、发电计划

场景2: 月来水量预测

• 每月底预测下月来水量
• 根据气象预报、历史同期数据预测
• 预测结果:下月来水量1.2亿m³
• 用途:制定月度供水计划、水库调度计划

场景3: 汛期来水量预测

• 汛期前(5月)预测汛期(6-9月)来水量
• 根据气象预报、历史统计预测
• 预测结果:今年汛期来水量偏多10%
• 用途:制定防洪预案、汛限水位调整

核心痛点

1. 预测不准确 - 凭经验预测,误差大,影响调度
2. 预见期短 - 只能预测几天,无法提前规划
3. 缺乏工具 - 没有预测模型和工具,全靠人工
4. 数据不足 - 缺少历史数据,难以建立模型
5. 气象依赖强 - 来水量受降雨影响大,气象预报不准影响预测

业务流程图

来水量预测整体流程

graph TB
    A[预测需求] --> B{预测时长}
    B -->|周预测| C[未来7天]
    B -->|月预测| D[未来30天]
    B -->|季预测| E[未来90天]

    C --> F[获取输入数据]
    D --> F
    E --> F

    F --> G[降雨预报]
    F --> H[历史来水数据]
    F --> I[上游水库蓄水]
    F --> J[流域特性参数]

    G --> K[预测模型]
    H --> K
    I --> K
    J --> K

    K --> L[降雨径流模型]
    K --> M[时间序列模型]
    K --> N[机器学习模型]

    L --> O[预测结果]
    M --> O
    N --> O

    O --> P[预测来水量]
    P --> Q[不确定性分析]

    Q --> R[预测区间]
    R --> S[最可能值]
    R --> T[上限值]
    R --> U[下限值]

降雨径流预测流程

graph LR
    A[降雨预报] --> B[流域面雨量]
    B --> C[扣除损失]
    C --> D[净雨量]

    D --> E[产流计算]
    E --> F[产流量 = 净雨量 × 流域面积]

    F --> G[汇流计算]
    G --> H[入库流量过程]

    H --> I[累计入库水量]
    I --> J[预测来水量]

    K[上游水库放水] --> L[加上放水量]
    J --> L
    L --> M[总来水量]

时间序列预测流程

graph TB
    A[历史来水数据] --> B[数据预处理]
    B --> C[去除异常值]
    B --> D[填补缺失值]

    C --> E[趋势分析]
    D --> E

    E --> F[长期趋势]
    E --> G[季节变化]
    E --> H[周期波动]

    F --> I[时间序列模型]
    G --> I
    H --> I

    I --> J[ARIMA模型]
    I --> K[指数平滑]
    I --> L[神经网络]

    J --> M[预测未来值]
    K --> M
    L --> M

    M --> N[预测来水量]

业务规则详解

规则1: 降雨径流预测

流域产流计算:

产流量 = 净雨量 × 流域面积

净雨量 = (降雨量 - 初损) × 产流系数

示例:
流域面积: 1000km²
预报降雨量: 50mm
初损: 5mm
产流系数: 0.6

净雨量 = (50 - 5) × 0.6 = 27mm = 0.027米
产流量 = 0.027 × 1,000,000,000 = 27,000,000m³ = 2700万m³

汇流时间计算:

汇流时间 = 流域汇流时间 + 河道演进时间

流域汇流时间 ≈ 流域面积^0.5 / 流速系数

示例:
流域面积: 1000km²
流速系数: 2
流域汇流时间 = 1000^0.5 / 2 = 31.6 / 2 = 15.8小时

河道演进时间: 5小时
总汇流时间 = 15.8 + 5 = 20.8小时

结论: 降雨后约21小时,洪峰到达水库

来水量预测:

预测来水量 = 产流量 + 上游水库放水量 + 基流量

基流量: 无降雨时的来水量,来自地下水

示例:
产流量: 2700万m³
上游水库放水: 500万m³
基流量: 300万m³
预测来水量 = 2700 + 500 + 300 = 3500万m³

规则2: 时间序列预测

历史平均法:

预测值 = 历史同期平均值

示例:
预测7月来水量
历史数据:
- 2021年7月: 1.5亿m³
- 2022年7月: 1.3亿m³
- 2023年7月: 1.4亿m³

预测值 = (1.5 + 1.3 + 1.4) / 3 = 1.4亿m³

移动平均法:

预测值 = 最近N期平均值

示例:
预测下周来水量,使用最近4周数据
最近4周来水量: 800, 850, 900, 950万m³

预测值 = (800 + 850 + 900 + 950) / 4 = 875万m³

指数平滑法:

预测值 = α × 本期实际值 + (1-α) × 本期预测值

α: 平滑系数,0-1之间,一般取0.3-0.5

示例:
本周实际来水量: 900万m³
本周预测值: 850万m³
平滑系数α: 0.4

下周预测值 = 0.4 × 900 + (1-0.4) × 850
           = 360 + 510
           = 870万m³

规则3: 丰枯水年判定

丰枯水年标准:

根据年来水量与多年平均值对比

特丰水年: 年来水量 > 多年平均 × 1.3
丰水年: 多年平均 × 1.1 < 年来水量 ≤ 多年平均 × 1.3
平水年: 多年平均 × 0.9 ≤ 年来水量 ≤ 多年平均 × 1.1
枯水年: 多年平均 × 0.7 ≤ 年来水量 < 多年平均 × 0.9
特枯水年: 年来水量 < 多年平均 × 0.7

示例:
多年平均来水量: 10亿m³
今年预测来水量: 12亿m³

判断: 10 × 1.1 = 11 < 12 ≤ 10 × 1.3 = 13
结论: 今年为丰水年

丰枯水年影响:

丰水年:
- 水库可多蓄水
- 供水保证率高
- 可增加发电

枯水年:
- 水库蓄水少
- 需要节约用水
- 减少发电

示例:
今年为枯水年,预测来水量8亿m³
措施:
- 提高汛限水位,多蓄水
- 限制非必要用水
- 优先保证生活用水

规则4: 预测不确定性分析

预测区间:

预测区间 = [预测值 - 误差, 预测值 + 误差]

误差 = 预测值 × 不确定性系数

不确定性系数:
- 周预测: 15%
- 月预测: 25%
- 季预测: 35%

示例:
预测下周来水量: 900万m³
不确定性系数: 15%
误差 = 900 × 15% = 135万m³

预测区间 = [900 - 135, 900 + 135] = [765, 1035]万m³

结论: 下周来水量在765-1035万m³之间,最可能值900万m³

置信度:

置信度: 预测值落在预测区间的概率

常用置信度:
- 80%置信度: 预测区间较窄
- 90%置信度: 预测区间适中
- 95%置信度: 预测区间较宽

示例:
90%置信度下,预测下周来水量在765-1035万m³之间
含义: 有90%的概率,实际来水量在这个区间内

规则5: 预测精度评估

预测误差计算:

相对误差 = |预测值 - 实际值| / 实际值 × 100%

示例:
预测来水量: 900万m³
实际来水量: 850万m³
相对误差 = |900 - 850| / 850 × 100% = 5.9%

预测精度等级:

优秀: 相对误差 < 10%
良好: 10% ≤ 相对误差 < 20%
合格: 20% ≤ 相对误差 < 30%
不合格: 相对误差 ≥ 30%

示例:
相对误差5.9%,精度等级:优秀

数据流转

输入数据

1. 气象预报 (来自气象部门)

   • 降雨预报
   • 气温预报
   • 蒸发预报

2. 历史数据

   • 历史来水量
   • 历史降雨量
   • 历史气温

3. 实时数据 (来自 MON-001)

   • 上游水库蓄水
   • 上游水库放水
   • 当前入库流量

4. 流域参数

   • 流域面积
   • 产流系数
   • 汇流参数

输出数据

1. 预测结果 (给 SCHED-001, SCHED-003)

   • 预测来水量
   • 预测区间
   • 置信度

2. 丰枯水判定

   • 丰枯水年类型
   • 与多年平均对比
   • 影响分析

3. 预测评估

   • 预测误差
   • 精度等级
   • 改进建议

关键业务问题

问题1: 如何提高预测精度?

场景:

• 预测经常不准,误差大
• 如何提高精度?

解决方案:

1. 多模型集成: 使用多个模型预测,综合判断
2. 实时校正: 根据实时来水,动态调整预测
3. 气象协作: 与气象部门合作,获取更准确的降雨预报
4. 机器学习: 积累数据后,使用机器学习模型

问题2: 如何延长预见期?

场景:

• 只能预测一周,时间太短
• 如何延长到一个月?

解决方案:

1. 气象预报: 使用中长期气象预报
2. 统计方法: 使用历史统计规律预测
3. 降低精度: 长期预测精度低,但可提供趋势
4. 滚动预测: 每周更新预测,逐步修正

问题3: 如何处理气象预报不准?

场景:

• 气象预报不准,影响来水预测
• 如何应对?

解决方案:

1. 预测区间: 给出预测区间,而非单一值
2. 多情景预测: 预测多种情景(多雨、正常、少雨)
3. 实时调整: 根据实时降雨,及时调整预测
4. 保守原则: 宁可预测保守,留有余地

问题4: 如何建立预测模型?

场景:

• 没有预测模型,如何建立?

解决方案:

1. 数据准备: 收集至少5年历史数据
2. 模型选择: 根据数据特点选择合适模型
3. 参数率定: 用历史数据率定模型参数
4. 模型检验: 用独立数据检验模型精度

实施要点

第一步: 数据准备

需要准备的数据:

1. 历史来水数据(至少5年)
2. 历史降雨数据
3. 历史气温、蒸发数据
4. 流域特性参数

第二步: 模型建立

需要建立的模型:

1. 降雨径流模型(短期预测)
2. 时间序列模型(中期预测)
3. 统计模型(长期预测)

第三步: 模型率定

率定方法:

• 选择典型年份数据
• 调整模型参数
• 使预测值与实际值吻合
• 多次迭代优化

第四步: 预测检验

检验内容:

1. 预测精度检验
2. 不同时长预测效果
3. 不同丰枯水年预测效果
4. 持续改进优化

预期收益

量化指标

指标	当前	目标	提升
预测精度	70%	85%	提升15%
预见期	7天	30天	延长4倍
预测时间	4小时	30分钟	缩短87%
相对误差	±25%	±15%	提升40%

业务价值

1. 提前规划 - 延长预见期,提前制定调度计划
2. 科学决策 - 准确预测,为调度提供依据
3. 优化调度 - 根据来水预测,优化水库调度
4. 提高效益 - 丰水年多蓄水,枯水年早准备

成功案例

案例: 某水库来水量预测系统

背景:

• 水库库容10亿m³,主要靠上游来水
• 凭经验预测,精度低,预见期短
• 2019年预测来水多,实际来水少,影响供水

实施效果:

• 建立降雨径流模型和时间序列模型
• 预测精度从70%提升至87%
• 预见期从7天延长至30天
• 预测时间从4小时缩短至30分钟
• 2020-2023年,预测误差<15%,调度效果显著提升

客户反馈:

"以前都是凭经验估计,经常不准。有一年估计来水多,结果来水少,水库没蓄满,影响了供水。现在系统自动预测,又快又准。去年是枯水年,系统提前预测,我们早做准备,提高了汛限水位,多蓄了水,保证了供水。"

相关场景

• MON-001: 多源水情数据采集 - 提供实时来水数据
• MON-003: 雨量实时监测 - 提供降雨数据
• FORE-001: 洪水预报与推演 - 洪水预报
• SCHED-001: 水库群联合调度 - 使用来水预测
• SCHED-003: 供水调度优化 - 使用来水预测

常见问题

Q1: 来水量预测和洪水预报有什么区别?

A:

• 来水量预测:预测一段时间的总来水量,用于调度规划
• 洪水预报:预测洪峰流量和到达时间,用于防洪
• 来水量预测时间长(周、月),精度要求相对低
• 洪水预报时间短(小时、天),精度要求高

Q2: 如何选择预测模型?

A:

• 短期预测(1-7天):降雨径流模型,精度高
• 中期预测(7-30天):时间序列模型,考虑趋势
• 长期预测(30-90天):统计模型,给出趋势
• 建议:多模型集成,综合判断

Q3: 预测不准怎么办?

A:

• 给出预测区间,而非单一值
• 实时监测,及时调整预测
• 制定多种调度方案,应对不同情况
• 持续积累数据,优化模型

Q4: 如何与气象部门协作?

A:

• 建立信息共享机制
• 实时获取降雨预报
• 定期会商,研判来水趋势
• 联合开展预测研究