基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。     

基于EEMD-Xgboost组合模型的渭北流域月径流序列模拟研究

为提升月径流序列的模拟精度,利用集合经验模式分解（EEMD）析出原始流量数据的模态分量,将极限梯度下降（Xgboost）作为预测函数,构建了基于EEMD-Xgboost的月径流预测模型,并应用EEMD-Xgboost模型训练了黄土坮塬区漆水站1951～1996年月径流序列变化规律,预测了1997～2020年的月径流量。结果表明,与单一Xgboost模型相比,EEMD-Xgboost模型的Nash-Sutcliffe效率(N_NSE)提升了20.27%、均方根误差(R_RMSE)减小了93.23%;且EEMD-Xgboost模型优于EEMD-ELM、EEMD-RF模型(N_NSE分别提高2.30%、3.49%;R_RMSE减小2.64%、11.75%)。EEMD-Xgboost混合模型集合了数据自适应分析与非线性映射的优点,改善了传统单一模型的预测能力。     

基于遗传程序设计的中长期径流预报模型研究与应用

应用遗传程序设计建立径流中长期预报模型,结合径流序列数据的特点通过自相关分析确定其滞时输入变量的个数,采用均方误差作为其适应度评价函数,以漫湾实测月径流序列(1953~2003年)和洪家渡实测月径流序列(1951~2004年)为例,通过与ARMA模型、人工神经网络模型的预报结果比较,显示该模型应用于径流中长期预报简单易行且精度较高。     

基于小波-ANFIS的水库月径流预报模型

根据径流变化特性,提出一种基于小波-ANFIS的水库月径流组合预报模型.利用Mallat算法对月径流序列进行多尺度分解,得到对应尺度下的低频信号和高频信号,分别对这两种信号建立了ANFIS模型进行预报,将各模型预报结果叠加作为原径流的预报值.该模型用于淮河支流沙河上游年月径流变化幅度较大的昭平台水库月径流预报中,结果表明所建模型能够较好地预报原始信号的趋势,预报精度比单一ANFIS 预报模型有较大改善,但仍有待提高.对导致这一现象的主要原因进行了分析,并对模型的改进提出了合理化建议.     

基于集合卡尔曼滤波的实时校正技术在流域洪水预报中的应用

为提高金华江流域实时洪水预报精度，建立了耦合MIKE 11 NAM与MIKE 11 HD的流域洪水预报模型和基于集合卡尔曼滤波的实时校正模型，实现了金华江流域洪水预报实时校正。流域洪水预报模型对流域内主要站点的模拟效果较好，洪水流量和洪水水位模拟精度较高；实时校正模型在预见期10 h以内，校正效果随预见期增加而降低，在预见期前期可有效降低预报误差。整体上，建立的流域洪水预报模型和基于集合卡尔曼滤波的实时校正模型能够满足金华江流域洪水预报应用要求。     

基于VMD-GRU与非参数核密度估计的月径流区间预测方法及应用

提高径流预测的适用性对水资源的合理开发和高效利用具有重要意义。针对传统点预测方法无法有效描述预测结果的不确定性问题,提出了基于VMD-GRU和非参数核密度估计的月径流区间预测方法。首先采用变分模态分解(VMD)将月径流序列分解为一系列相对平稳的子序列,然后利用门控循环单元(GRU)分别预测各子序列,叠加得到最终的点预测结果,最后在点预测的基础上,应用非参数核密度估计进行月径流区间预测,并将提出的VMD-GRU模型与GRU、极点对称模态分解-门控循环单元(ESMD-GRU)和完全集合经验模态分解-门控循环单元(CEEMDAN-GRU)模型进行对比。结果表明,该模型点预测精度明显高于其他模型,同时非参数核密度估计为径流区间预测提供了合理的波动范围,可为管理决策提供参考。     

福建省电网中长期水文预报系统设计与开发

利用Java技术平台,采用双机群集数据库系统(Orade 10g)成功设计并开发了基于Web的福建省电网中长期水文预报系统.将长期预报和中期预报分离,前者采用多种数理统计模型,以月或旬为预报时段提供未来1 a的径流预报及相关的频率预报;后者采用考虑城市气象预报的人工神经网络模型,以日为预报时段提供未来7 d的自动、滚动式径流预报.重点阐述了系统架构设计、业务逻辑设计、功能模块设计和程序开发过程中的关键技术问题.     

基于EEMD-ANN的水库年径流预测

以三峡水库为例,基于集合经验模态分解(EEMD)及人工神经网络方法对水库年径流进行预测。首先利用Mann-Kendall和Pettitt法对水库年径流序列进行突变检测,获得平稳径流序列,然后采取EEMD方法分解径流序列,得到固有模态函数(IMF)和残差,最后对不同IMFs和残差分别建立人工神经网络预测模型,叠加所有模型预测结果得到年径流预测值。结果表明,基于EEMD-ANN的年径流预测模型优于自回归模型和人工神经网络模型,其预测结果与实测值的相关性更强,预测误差分别减少了11.4%、8.7%。同时,构建EEMD-ANN预测模型时需考虑径流序列的突变特征,采取平稳径流序列的预测效果更优。     

基于GA-AHP法的径流组合预报

为进一步提高径流预报精度、增加预报结果的可靠性,提出了一种将遗传算法(GA)与层次分析法(AHP)相结合的优化组合预报权值方法(GA-AHP法),就是将小波分析法(WA)分别与自回归(AR)模型、人工神经网络(ANN)模型、支持向量机(SVM)模型进行耦合,选取MARE、SPR、REL、CPX四个评价指标量化单一模型的预报精度、泛化能力、结果可靠性、模型复杂度,依据GA-AHP法率定各模型的权值并进行组合预报。实例应用结果表明,该组合方法的预报精度更高,预报结果更可靠,对非一致性径流序列具有更强的适应性。     

基于多因子组合的SVR模型在松花江流域径流预报中的应用

为对数据驱动的径流预报模型的预报因子进行方案优选,利用相关系数法(CA)对松花江流域上游3个水文代表站(大赉站、扶余站、哈尔滨站)的月径流、佳木斯站的月降水和74项大气环流指数等潜在预报因子进行初筛,然后用主成分分析法(PCA)、互信息法(MI)进一步优选因子,最后基于支持向量机回归模型(SVR)结合选取的潜在预报因子(共9种组合方式)预报松花江流域佳木斯站的月径流,并采用均方根误差(R_(MSE))、平均相对误差(M_(RE))、决定性系数(R~2)、合格率(Q_R)评价不同预报因子组合间的SVR模型的预报性能。结果表明,SVR结合7因子的PCA模型与其他因子组合的SVR模型相比,更适用于松花江流域的月径流预报,其R_(MSE)、M_(RE)、R~2、Q_R分别为856.68m~3/s、31.4%、0.809 4、73.3%,各项评价指标均优于其他因子组合方案。     

基于EMD分解的AR模型在年径流预测中的应用

为提高年径流中长期预测的精度,提出了一种新的时间序列预测方法——基于EMD分解的AR模型,以汾河上游上静游、汾河水库、寨上和兰村四座水文站1956~2000年的年径流序列为例,首先利用经验模态分解(EMD)方法将四座水文站的年径流序列分解为若干个固有模态函数(IMF)分量和一个残余项分量,然后运用自回归(AR)模型分别对各阶IMF进行预测,最后将各阶预测值重构得到年径流量预测值与单独运用AR模型的预测结果进行比较。结果表明,运用基于EMD分解的AR模型对汾河上游年径流进行预测,其预测精度比单独运用AR模型的预测精度有明显提高,表明该方法可行、有效。     

基于广义回归神经网络模型的径流预测研究

为提高径流预报精度,构建了基于广义回归神经网络模型的径流预测模型并将其应用于浙江丽水小溪流域中,对白岩测站50年月平均径流资料进行模拟研究,并与BP神经网络模拟结果进行对比。结果表明,广义回归神经网络预测精度较BP神经网络模型高,更接近径流监测实测值,平均相对误差为11.06%,且预报结果比较稳定,为径流时间序列模拟提供了一种更优的建模方法。     

MCEEMD-HGWO-MGU混合模型在径流预测中的应用

为分析径流非线性特征对预测精度的影响,在改良的互补集成经验模态分解(MCEEMD)基础上,建立混合灰狼优化算法(HGWO)与最小门控单元(MGU)混合的径流预测模型,并利用该模型预测黄河下游三个水文站处的月径流。选取纳什效率系数和合格率评价模型性能,并选择多个误差指标与其他模型进行比较。结果表明,与其他模型相比,MCEEMD-HGWO-MGU模型在径流预测方面表现更好,其纳什效率系数达0.92,合格率达71%,所有误差指标均为最小。此外,考虑到气候变化对径流的影响,引入大气环流因子,筛选出对径流影响较大的因子融合到径流中进行预报,进一步提高模型精度。所构建的MCEEMD-HGWOMGU模型具有较高的稳定性和精度,可作为中长期径流预报和相关水文数据研究的有效工具。     

基于小波变换和人工神经网络模型的三峡入库月径流预报

为探讨小波变换中小波基函数对模型预报精度的影响,选取三个小波基函数haar、db10、sym8对原始序列进行小波变换预处理,并分别建立人工神经网络模型(ANN)和基于不同小波基函数的W-ANN(haar)、W-ANN(db10)、W-ANN(sym8)模型进行预报。以三峡水库月径流为例,采用纳什效率系数、平均绝对误差及平均相对误差对建立模型的预报效果进行比较。结果显示,采用三个小波基函数haar、db10、sym8对数据进行小波变换预处理后的模型精度均得到了不同程度提高,W-ANN(sym8)模型在各项指标上表现最好。表明小波基函数的选择对模型预报精度结果影响较大,选择合适的小波基函数至关重要。     

基于BVMD-Attention-GRU的中长期干旱预测

干旱是一种由长期缺水导致的现象,及早发现干旱现象并预测其程度,对于科学防旱抗旱至关重要。为此,提出一种基于变分模态分解算法(VMD)和融合注意力机制(Attention)的门控循环单元(GRU)的干旱指数预测方法。首先使用蝴蝶优化算法(BOA)对VMD进行参数寻优,将标准化降水蒸散发指数(SPEI)数据分解为一组波动性较小的子序列;然后将注意力机制引入GRU模型,对各子序列进行预测;最后将各子序列预测结果加和得到SPEI预测值。使用BVMD-Attention-GRU模型对乌鲁木齐市SPEI进行预见期为6个月的中长期预测,并构建GRU、VMD-GRU、BVMD-GRU模型进行对比试验。试验结果表明,BVMD-Attention-GRU模型具有更高的预测精度,适用于中长期干旱预测。     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAPE)以及确定性系数(DDC)统计指标对模型进行评价。在三峡水库的径流预测研究中,经过与其他三种典型数据驱动模型的预测结果对比发现,DFA_VMD_LSTM组合日径流预测模型在不同评价指标上均有显著提升,说明该模型可充分挖掘径流序列组成特性,学习历史长程依赖,能有效提高径流预报精度。     

一种多目标水库短期优化调度方法

与多目标水库短期调度中有关的几个问题中最主要的是未来径流预报的不准确性，而径流预报结果直接影响水库调度的效果，水库运行特性是调度线的函数，水库调度线与水库运行控制和入库径流预报的可靠性之间存在着密切关系，随着预报期的延长，径流预报的准确度降低，误差加大。在径流预报的时序过程中，随着预报期的延长，径流预报的准确度降低，误差加大，在径流预报的时序过程中，各时段预报值的误差是不相同的，愈接近面临时刻的值     

龙滩水电站相似性径流预报研究

针对岩溶地区产汇流机制复杂、地下水监测资料不足、径流预报精度低等问题，提出了融合物理机制和数据驱动的相似性预测方法，建立了不同流量量级、不同预报因子、不同前期影响滞时下最优组合预报方案，可实现不同水雨情条件下多模式的自适应匹配和智能切换，可生成具有可解释性的径流预报结果，并将该方法应用于龙滩水电站径流预报中。结果表明，该方法提高了岩溶地区的径流精度和有效预见期，对保障大型电站科学调度和安全运行具有科学意义和实际价值。     

基于相似过程衍生的月径流概率预报模型研究

针对传统月径流预报模型存在的缺陷,建立了相似过程衍生法与概率预报相结合的月径流概率预报模型。运用相似过程衍生法发布确定的预报结果,在定点预报的基础上利用概率预报提供一定置信水平下的预报区间作为模型预报结果。模型结构简单、易于构建且建模过程中无需考虑预报因子的选择问题。将该模型与BP神经网络模型进行对比仿真试验,结果表明该预报模型具有较好的预报精度,且合格率高于BP神经网络模型,可在水库月径流预报中推广应用。     

基于EMD和LS-SVM的中长期径流预报

提出将EMD与LS-SVM模型相耦合的新的径流中长期预测方法,采用EMD分解年径流序列,应用LS-SVM模型预测和重构IMF分量.基于岷江紫坪铺水文站年径流资料预测和检验该模型,并与单独的LS-SVM模型及BP神经网络模型比较.实例结果表明,该方法预报精度高,预测径流行之有效.