河川年径流量时间序列预测数量概率量化研究

针对由于非线性小样本河川年径流量预测难度较大的问题,可采用时间序列法的分段预测机制,为了消除预测模型选择的的误差,须考虑样本数据发生的概率因素考虑,鉴于此,基于数据量多少的原则可对概率进行量化,提出一种数量概率量化的方法,结合时间序列,进而可建立一种河川年径流量的预测方法,时间序列选用一次或二次函数相结合的分段模型。为了验证方法,基于开都河年径流量数据,作出考虑和不考虑数量概率量化两种方法的对比结果,结果表明考虑概率的预测准确性有较大提高,并基于其对该河未来数年的年径流量进行了预测。     

时间序列分段加权的引水量预测方法

结合新疆某水库,对引水量的线性预测模型与二次预测模型进行校验,证明了其可用性。通过建立的分段加权预测方法,得到了该案例中2017年的引水量的考虑数据量和考虑数据远近的预测值。     

基于遗传算法-支持向量机的水库叶绿素a浓度短期预测非线性时序模型

将支持向量机(SVM)法与遗传算法(GA)相结合,建立了基于GA-SVM的水库叶绿素a浓度非线性时间序列的短期预测模型。在建模过程中,采用遗传算法优化支持向量机的模型参数,同时利用相空间重构方法计算出时间序列的时间延迟和嵌入维数,确定出支持向量机的输入向量。最后将该模型用于对于桥水库的叶绿素a浓度时间序列进行短期预测。预测精度比单纯用人工神经网络方法有较大提高。     

中小型水库最大纳雨能力快速估算研究

中小型水库数量众多,为了在未来场次降雨中及时预判其最大纳雨能力,以便水库和防汛部门预先采取措施。该文结合工作实际提出一种基于实时水雨情信息预测水库最大纳雨能力的方法,利用该方法可以简捷地批量预测各水库最大纳雨能力,提前发出预警,并可以根据实际需求调整预测目标要素,为水库和防汛部门全面决策提供技术支撑。     

基于预测误差分布特性统计分析的概率性短期负荷预测

现有短期负荷预测方法一般只能给出确定性负荷预测结果，难以满足电力市场中不确定性风险分析决策的要求。文中提出了一种基于负荷预测误差特性的统计分析的概率性预测方法。该方法首先从时段与负荷水平2个联合维度上建立了对预测误差分布规律进行统计分析的模型，并提出了检验该统计规律有效性的原则和方法;将验证后的预测误差统计分布规律与确定性的负荷预测结果相结合，即可得到概率性的负荷预测结果。基于该结果，还能求取某一置信水平下的预测负荷曲线的包络线。结合实际电网数据验证了所提出方法的有效性和实用性，为概率性短期负荷预测提供了一条可行的新思路。     

基于混沌时间序列的大坝变形短期预测

将混沌时间序列预测理论应用到大坝变形预测中，根据非线性大坝变形时间序列，运用相空间重构理论，建立了加权一阶局域法、基于最大Lyapunov指数法大坝预测模型，对混沌的大坝变形数据短期预测模型进行了研究，对比分析了各自的特点，并结合实例完成了对大坝变形的预测。计算分析表明，该模型预测误差较小，与传统的自回归模型预测结果相比，基于混沌时间序列的预测方法在大坝变形的短期预测中具有更高的精度。     

多元非平稳时间序列分析的滑坡变形预测研究

目前滑坡变形预测的时间序列模型为单变量模型,仅考虑时间-位移关系,未能考虑诱发因素对滑坡位移的影响,因此,建立多变量的时间序列模型十分必要。应用多元非平稳时间序列分析方法,建立了滑坡变形趋势的误差修正模型(ECM),实现了滑坡诱发因素和位移动态变化的综合分析。以三峡库区秭归县白水河滑坡为例,取监测点ZG93为代表,建立了基于多元时间序列分析的误差修正预测模型,并计算预测误差,结果显示,除个别数据点之外,预测误差均在±2.3%以内。     

齐热哈塔尔水电站工程引水隧洞发生岩爆的概率模型计算

引用岩爆预测概率模型对齐热哈塔尔水电站工程引水隧洞的岩爆进行了量化预测分析,该计算模型反映了洞室随着围岩应力的增高,岩爆发生概率增大;且高烈度岩爆发生概率增大,而低烈度岩爆发生概率减小。并与规范岩爆判据结果较为一致,因此可以作为岩爆预测的一种方法。     

基于多因素长短时神经网络的日用水量预测方法研究

针对城市日用水量非线性变化问题,为实现水资源的优化调度和合理利用,提出一种深度学习的水量预测方法,建立多因素长短时神经网络模型预测日用水量。该方法选取影响日用水量的因素作为输入特征,日用水量时间序列数据作为训练样本,利用数据挖掘,输出用水量预测值。结合杭州示范区实际案例,与传统的人工神经网络方法进行对比,结果表明,长短时神经网络的预测结果优于传统的人工神经网络,并且基于多因素长短时神经网络模型的预测结果优于单因素长短时神经网络模型,预测结果具有较强的精度和稳定性。     

ARIMA模型在松华坝水库枯季入流预测中的应用

为探索ARIMA模型在水文中长期预报的适应性,以预报松华坝水库枯季入流为例,选取该水库主要入流控制站中和水文站枯季（11月-次年4月）径流建立数学模型进行分析预测,并与周期时间序列模型的预测结果进行对比,结果表明ARIMA模型预测精度优于周期时间序列模型预测成果,可应用于水文预报工作中。     

基于EMD-TAR组合模型的滑坡位移预测研究

针对非线性波动性发展的滑坡,为了提高其位移变化的预测精度,以经验模态分解(Empirical Mode Decomposition)方法对滑坡监测地表位移的时间序列进行处理,将不规律变化的位移序列转化为存在一定规律变化的模态分量,得到不同频率的位移分量,对每一分量单独预测,避免误差相互影响,通过预测所有分量的变化趋势来综合预测位移序列的变化趋势,利用改进门限自回归模型(Threshold Auto Regressive)对非稳态谐波描述性较好的优势预测滑坡位移分量,最后模态叠加得到最终预测位移,建立了基于经验模态分解和门限自回归模型的组合预测模型,结合白水河滑坡实例数据验证该模型的预测精度,通过与BP神经网络模型、长短时间记忆网络模型进行预测对比,提出的组合模型预测精度较高,为滑坡位移的预测提供了一种新的方法。     

时间序列分析在中长期径流预测中的应用

时间序列分析是数据挖掘技术在水文领域应用较为广泛的一种方法,它可以从大量的水文数据中提取一般性的规律,为中长期径流预测提供新的分析方法和科学的决策支持。文中采用时间序列分析方法对察尔森水库的中长期径流进行预测,为开展中长期径流预测研究提供借鉴和参考。     

基于朴素贝叶斯算法的流域降水预测方法

为了在降水成因尚不明确的情况下有效利用相关历史资料提高降水预报水平,提出了基于朴素贝叶斯算法的流域降水预测方法。以东江流域为例,通过构造不同降水数据特征集预测流域内降水情况,并与传统时间序列方法和BP神经网络方法进行预测准确率对比验证,结果表明,基于朴素贝叶斯算法的降水预测方法取得了比传统时间序列方法和BP神经网络方法更好的降水预测效果。     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

土石坝渗压水位极值预测

渗压水位极值预测是监控土石坝安全的主要途径之一,目前用于渗压水位极值预测方法需给出正确的自变量。渗压水位极值最主要的影响因素是上游水位,当渗压水位极值与上游水位相关性弱时,预测模型准确度低。提出一种仅考虑测值序列、不考虑自变量的渗压水位极值预测及评价方法。该方法基于最大Lyapunov指数建立预测模型,利用马氏链的遍历性和平稳分布对该无自变量模型进行评价。算例表明:对于与自变量相关性弱的渗压水位极值,预测模型的预测效果优于常规方法,误差评估模型评价合理。基于混沌理论和随机过程的预测模型及评价方法能形成一套精度较高、实用性强的序列预测及评价方法,覆盖常规预测方法的弱能力区域,可用于建立自变量不明确的测值序列预测模型。     

基于小波包分解的 LS-SVM-ARIMA 组合降水预测

针对降水量影响因素众多, 是一种复杂的非平稳、非线性且存在噪声问题的时间序列的特点, 提出一种基于小波包分解的 LS-SVM 与 ARIMA 组合模型的年降水量预测方法。利用小波包将降水序列分解成低频趋势序列和高频细节序列; 应用 LS-SVM 模型预测低频趋势序列, ARIMA 模型预测高频细节序列; 将两个模型的预测结果叠加, 得到年降水量的预测值。实例验证表明: 小波包对时间序列的分解比小波分解更精细, 组合模型预测能够全面的提取降水序列中所包含的信息, 更好地反映年降水量随时间变化规律, 提高了年降水量预测的精准度, 为降水量预测提供一种新方法。     

于桥水库来水量模糊推理预报及引水方式研究

在常规调度下,引滦入津工程由于缺乏对于桥水库引水方式和引水时机的研究,因此造成水库经多年运行后,存在本流域来水量充足而不得不弃水的现象。提出了利用单要素模糊推理的水文中长期预报方法,通过预测该水库入库水量,并根据已发生的降水量、水库当前来水及面临水位等因素滚动修正下一个月的预测值,确定水库的引水量,可以有效地减少弃水量,提高水库引水效益。     

白石水库大坝安全监测数据分析与预测

季节性和趋势性时间序列为水库大坝安全检测数据的典型特征,将非平稳时间序列数据利用ARIMA模型准确预测。文章采用差分法平稳化处理非平稳时间序列,并对模型利用偏自相关和自相关函数识别,从而获取多个初选模型,通过对模型参数的估计确定最终模型,依据贝叶斯信息准则拟合和预测了检测数据。以白石水库大坝为例,运用最终模型计算分析一组安全监测数据,在此基础上对比分析实际位移数据与模型拟合预测数据。研究表明:对于短期安全监测数据的分析和预测ARIMA模型具有较强可行性和较高精度,可为水库大坝安全运行和科学管理提供数据支撑。     

基于风涌浪分离理论的波浪能短期预测

近海可再生能源输出功率的预测对其控制与调度运行具有重要的意义。由于波浪的随机性很强,现有的时间序列法对波浪的短期预测不具有普适性。为此针对波浪能发电功率预测,基于波浪能原理提出了一种新的时间序列预测方法,即先将风浪与涌浪分离后再与时间序列法ARIMA结合进行波浪能的短期预测。依据具体波浪数据,对改进预测方法进行了有效性验证。结果表明:相比以往单独采用时间序列方法进行预测,该方法能够有效改善预测效果,提高预测范围和精度。     

基于多元分析的优化模糊神经网络太阳能辐射量短期预测

为准确预测太阳能辐射量,提出一种基于多元分析的优化模糊神经网络预测辐射量的方法。首先结合曲线拟合和拉依达准则对数据做粗大误差的剔除,然后运用主成分分析法提取影响太阳能辐射量的主要因素,最后结合定性分析和定量分析建立优化的模糊神经网络预测模型,并设计数据采集装置采集短期气象数据,以提高预测的实时性和准确性。通过与不同的预测模型对比,验证本文所提算法和模型的正确性,结果表明该模型有效提高了短期太阳能数据预测的精准度。