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。     

一种改进的混沌水文时间序列预报方法

提出了一种改进的应用于中长期水文预报的混沌预报方法，对水文时间序列进行周期性和混沌特性分析。利用傅立叶级数展开法分离出时间序列中的主要周期项，对时间序列与主要周期项的差值部分进行差分；利用相空间重构理论对此差分序列进行混沌预测，得到预报结果。实例计算表明此方法是可靠的。     

水文时间序列的混沌神经网络预报

简要介绍混沌和BP神经网络的理论，在此基础上阐述了水文时间序列预测中混沌同BP神经网络结合的可行性，提出了用最小嵌入维数作为BP神经网络输入节点数方法，并给出了计算的方法和步骤，用宜昌日径流时间序列资料进行了验证，分析结果表明：用混沌同BP神经网络相结合的办法做日平均流量时间序列的预测是可行的，嵌入维数作为BPNN的输入节点数是合理的，关于隐含层的节点数问题还有待进一步研究。     

基于改进的AR-LSSVM模型的河道水位预测研究

文章引入正交小波变化函数对传统AR-LSSVM模型进行改进,解决传统AR-LSSVM模型在非平稳时间序列计算中方程组求解出现无最优解的局限,并将改进的AR-LSSVM模型用于辽宁中部某河道水位预测研究中。研究结果表明:改进的AR-LSSVM模型可以求解非平稳时间序列变量的最优解,在河道水位预测中具有较好的适用性,相比于传统AR-LSSVM模型,改进的AR-LSSVM模型年和月尺度河道水位预测值和实测水位值相关系数分别提高0.5和0.3,适用于河道非平稳时间序列的水位预测。研究成果对于河道水位预测以及其他非平稳序列的水文系列预测提供参考方法。     

基于加权模糊度时间序列分析的大型变压器故障预报

分析了变压器油中溶解气体特性及其与故障的对应情况，确定了故障现象模糊集合和故障种类标准模型库（模糊集），根据现象子集对每个故障模型进行划分，形成多个模糊向量集合族；收集了大量故障变压器的历史数据，并用数理统计方法估算故障隶属度函数的参数；采用时间序列灰色预测法估计某时间内各故障隶属度及其发展趋势，对阈值原则进行改进，并根据改进后的阈值原则推断可能发生故障的种类及其发展趋势。最后，用实例验证了该方法的有效性。     

小波分解与变换法预测地下水位动态

通过小波分解方法将地下水位动态的非平稳时间序列分解为多个细节信号序列和逼近信号序列，然后运用时间序列自回归模型及人工神经元网络模型对各信号序列分别进行模拟预测，模拟结果比单纯用自回归法或人工神经网络模型更接近实测值，说明通过小波分解方法进行地下水位动态模拟和预测是适合的；同时用小波变换方法对地下水位动态进行了宏观分析，使隐藏的规律性显现出来，揭示出地下水位动态变化中除了具有一个水文年内的周期性变化规律外，还存在2～3年间隔的波幅强弱变化，可以推断未来短期内地下水位动态发展仍将延续当前总体下降的趋势，与小波分解方法得到的预 测结果相吻合。     

用时间序列预测电力系统负荷

对电力系统的负荷可用各种方法进行预测。本文应用时间序列的分析方法，即把负荷随着时间的变化看成一个时间序列，同时又把这时间序列分成确定的和平稳随机的两部分。在以最近的负荷历史资料的基础上，分别建立数学模型，前者为确定的时间函数方程，后者为自回归——滑动平均方程。最后用格林函数或条件期望方法进行负荷预测。本文以××系统的实际数据在DJS-131机上进行了二种情况的预测：一是预报后一天(提前24小时)；二是预报下一个月(提前一个月)。     

观测数据分析中几种方法的探讨(三)混沌时间序列的预测

介绍了混沌时间序列分析中根据单个时间序列重建相空间，用关联维方法和李雅普诺夫指数来辨识观测数据中存在混沌的可能性，以及全局和局部预测方法。这些概念与技术必将对大坝监测的非线性预测发挥重要影响。     

水文时间序列逐步回归随机组合预测模型及其应用

由于气候因素和下垫面因素的综合影响，水文时间序列表现出复杂的非线性，包括确定性成分和随机成分，如月径流序列、日均流量序列等。这些预报对象如果不加处理直接用AR（p）建模进行预测误差较大。文中介绍了通过对非平稳序列提取周期项和趋势项后的余差序列建立AR（p）模型进行水文中长期预报的组合预测方法，并以嘉陵江北碚站7月最大洪峰流量序列为例对组合模型进行验证，结果比较满意。     

小波消噪在枯水期来水量预报中的应用

根据小波理论,将枯水期来水量序列进行小波分解,并用软阈值方法进行消噪处理。用消噪后的小波系数进行序列重构,对重构后的序列进行时间序列分析,构建时间序列AR（p）模型,用AR（p）模型进行来水量的预测。     

复权马尔可夫链及其在怒江水沙预测中的应用

针对传统马尔可夫链及其改进的预测方法只能进行状态预测的局限,根据相依随机变量的特点,在以传统马尔可夫链预测方法求得各状态预测概率的基础上,进一步以状态预测概率为权重与状态平均值加权求和,实现了马尔可夫链预测方法从状态预测到数值预测的关键性改进。利用我国西南国际大河怒江干流道街坝水文站1957-2010年径流和1964-2010年悬移质输沙序列为分析期,2011-2015年径流和悬移质输沙为验证期,对所建立的复权马尔可夫链预测方法步骤进行验证表明,复权马尔可夫链预测方法具有较高的数值预测精度,能够满足随机时间序列短期数值预测的需要。     

多沙河流水沙变化特征小波分析

为了给多沙水库运行调度提供依据,降低水沙序列长度和随机性的影响,将小波变换应用于研究流域径流与含沙量的变化特性。采用db3小波对标准化径流与含沙量序列进行多分辨率分析,研究径流与含沙量变化的趋势性;选用复Morlet小波绘制出小波方差图,分析径流过程与含沙量过程存在的周期性。以崖羊山水电站所在的李仙江流域为例,针对电站坝址断面的月平均流量与含沙量序列进行小波分析,从低频重构序列的结果中可以看出该流域径流与含沙量的变化趋势;并结合当地的降雨量与水土保持状况分析,表明结果是合理的。根据小波方差图可以看出,崖羊山水电站所在流域径流过程与含沙量过程存在非常接近的显著周期,均为2 a左右,且两者变化周期具有同步性。研究结果表明小波分析是研究非平稳随机时间序列的有效方法。     

关于不确定因素在水沙分析计算中的影响

通过分析基本观测资料的精度，资料代表系列的选择以及泥沙数学模型的验证等几种不确定因素在水沙分析计算中的应用影响，建议采用试验法或称蒙特卡洛法来综合评价水沙计算的成果，即将各层次，各类型随机变量的概率分布曲线综合直组成一条能反映最终成果的概率分布曲线，得出一个比较确切的数字范围，成果可信，便于规划设计应用。     

影响水文神经网络预报精度的因素探讨

在运用神经网络来进行水文预报过程中,采用不同的参数,对预报效果是有影响的.通过对不同参数组合进行计算,来分析不同系列组合、训练系列长度、数据归一化等对神经网络预报效果的影响.研究发现,不同数据系列组合的预报效果有很大的不同,训练系列长度对预报精度是有影响的,训练数据与预报数据之间存在时间、空间的间隔对预报精度的影响是不确定的,输入数据的归一化处理对预报精度的影响与输入数据的分布区间存在一定关系.     

小浪底至花园口区间含沙量人工神经网络预报方法研究

本文对小浪底至花园口区间含沙量过程的人工神经网络预报方法进行了研究，主要内容有人工神经网络预报的基本原理、改进方法、人工神经网络模型的建立、样本数据的组织、网络的训练，以及对历史数据的验证等，并对预报结果进行了评定和系统分析，讨论了进一步的改进措施，该研究为含沙量过程预报探索了新的理论和方法。     

River Stage Forecasting using Enhanced Partial Correlation Graph

Various time series forecasting methods have been successfully applied for the water-stage forecasting problem. Graphical time series models are a class of multivariate time series to model the spatio-temporal dependencies between the sensors. Constructing graph-based models involve data pre-processing and correlation analysis to capture the dynamics of different water flow scenarios, which is not scalable for a large network of sensors. This paper presents a novel approach to model spatio-temporal dependencies across river network stations using a partial correlation graph. We also provide a method to enrich this partial correlation graph by eliminating the spurious correlations. We demonstrate the utility of enriched partial correlation graphs in multivariate forecasting for various scenarios and state-of-the-art multivariate forecasting models. We observe that the forecasting techniques that use information from the enriched partial correlation graph outperform standard time series forecasting approaches for river network forecasting.

     

小浪底水库2002年调水调沙下游河道洪水演进跟踪模拟计算

本文采用黄河下游河道洪水演进数学模型，开展了2002年汛期小浪底水库调水调沙下游河道洪水演进与河床冲淤演变时实跟踪计算，计算结果与调水调沙后整编的实测资料对比分析发现，该模型能够较准确复演天然河道的水沙演进与河床冲淤演变过程．可以在黄河下游河道洪水演进及河床冲淤演变预测中应用。     

Improved Wavelet Modeling Framework for Hydrologic Time Series Forecasting

The combination of wavelet analysis with black-box models presently is a prevalent approach to conduct hydrologic time series forecasting, but the results are impacted by wavelet decomposition of series, and uncertainty cannot be evaluated. In this paper, the method for discrete wavelet decomposition of series was developed, and an improved wavelet modeling framework, WMF for short, was proposed for hydrologic time series forecasting. It is to first separate different deterministic components and remove noise in original series by discrete wavelet decomposition; then, forecast the former and quantitatively describe noise’s random characters; at last, add them up and obtain the final forecasting result. Forecasting of deterministic components is to obtain deterministic forecasting results, and noise analysis is to estimate uncertainty. Results of four hydrologic cases indicate the better performance of the proposed WMF compared with those black-box models without series decomposition. Because of having reliable hydrologic basis, showing high effectiveness in accuracy, eligible rate and forecasting period, and being capable of uncertainty evaluation, the proposed WMF can improve the results of hydrologic time series forecasting.     

Simulation Modeling of Runoff,Groundwater Flow and Sediment Transport into Kastoria Lake,Greece

Kastoria Lake is located in northwestern Greece. The whole basin of the lake is about 253 km². For the computation of the surface water volume inflowing into the lake from the main streams of the sub-basins located around Kastoria Lake, a rainfall-runoff sub-model is used. A quasi-three-dimensional simulation model of the Kastoria basin aquifer is also realized, in order to estimate the groundwater contribution to the volumetric budget of the lake and the whole basin as well. For the computation of sediment load inflowing into the lake from the main streams of the sub-basins, the rainfall-runoff sub-model is combinedwith a soil erosion sub-model and a sediment transport sub-model for streams. A GIS was developed in the hydrologic basin with all data needed for parameter identification and model application. The data base was enriched by a series of on site measurements of water discharge made in all main streams for one whole hydrologic year. By means of the resulting mathematical sediment model, those sub-basins, which deliver most sediment load to the lake, are identified. On the basis of this identification, a series of control measures, for the reduction of sediment inflowing into the lake, at certain places of the above mentioned sub-basins is proposed.     

BMA方法在黄河龙门站含沙量过程 预报中的应用研究

以黄河流域吴堡站到龙门站为研究区域,建立龙门站含沙量过程的线性动态和BP神经网络两种统计模型,并结合BMA方法给出两种模型的综合预报结果。结果表明,在线性动态模型和BP神经网络模型的基础上,采用BMA方法进行含沙量预报模型的合成预报不仅可以提高预报精度,而且可以提供概率预报值。