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。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

BP神经网络模型结构对漫湾径流预报精度的影响研究

以云南省漫湾水电站历史径流状况为研究对象，运用三层前馈反向传播神经网络模型对径流进行中长期预报。为解决神经网络预报模型结构难以确定的问题，尝试在预报过程中通过改变该网络模型的结构并对得到的结果进行比较，从而找到适合该径流序列的最佳神经网络模型结构。实际应用表明，使用该结构的模型在实际预报过程中取得了良好的效果。     

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.     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

ENSO事件影响下长江大通站汛期径流预测建模分析

从环流指数和ENSO事件指数出发,考虑到大尺度环流系统和海温影响的长期性,使用滑动平均方法对预报因子做前期处理,计算了预报因子在2、3、6月尺度的滑动平均值。在此基础上采用BP神经网络建立了长江大通站汛期径流预测模型（BP-Pre）,重点对ENSO事件影响下的径流极值进行预测。为验证模型可行性,采用均生函数模型和利用传统因子建立的BP模型（BP-Ori）作对照分析并进行精度评价。结果表明,部分因子在滑动平均处理下Spearman秩相关系数得到提高;历史平均上,大通站汛期径流与前年发生的ENSO事件关系密切;事件类别不同,对应径流也相对偏大或偏小;BP-Pre模型在率定期拟合效果不及均生函数模型和BP-Ori模型,但从多方法综合评价分析来看其检验期的预测精度更高,对径流极值预测更为精准。     

基于改进杂草算法优化的神经网络模型在径流预报中的应用

针对BP神经网络在径流预报中易陷入局部最优解的缺陷及智能优化算法的优势,引入改进的杂草算法优化神经网络权值和阈值,将传统的杂草算法个体以正态分布空间扩散的方式改进为混合种群多种分布的方式产生子代个体。以金沙江流域中长期径流预报为例,将改进杂草算法优化的神经网络模型的径流预报结果与传统的BP神经网络和基于遗传算法优化的神经网络模型的预报结果进行对比。结果表明,改进杂草算法优化的神经网络应用到金沙江流域的径流预报精度较高,模型收敛更快,结果更加稳定,在实际预测中合理可行,具有一定的应用优势。研究成果为径流预报提供了新思路。     

基于支持向量机的水电站中长期径流组合预报

中长期径流预报是充分利用水资源、实现水电站优化运行的重要环节。以金沙江中游龙盘电站为研究对象,分别采用自回归滑动平均模型、最近邻抽样回归模型、BP神经网络建立了该水电站月径流预报模型,在分析三种模型预报结果具有一定互补性的基础上进一步建立了支持向量机分月组合预报模型。统计结果表明,与单一预报模型相比,该组合预报模型具有更高的精度和稳定性,为寻求水电站径流预报规律和制定中长期调度计划提供了技术支持。     

基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报

为实现天山西部山区喀什河流域冰川融雪区域的水资源可持续开发利用,更好地支撑所在区域工农业生产发展,有必要开展融雪径流中长期水文预报研究。基于相关系数法、主成分分析法及两种方法相结合的综合方法优选预报因子,采用BP神经网络模型和组合小波BP神经网络模型预报径流。结果表明,采用综合方法筛选出的预报因子集合可以得到更好的预报结果;组合小波BP神经网络模型在3个不同方案中的预测效果均优于BP神经网络模型的预测结果,其预报精度更高。研究成果可为该区域融雪径流模拟研究及洪水预报提供参考。     

基于均生函数模型的杭州市年降雨量预测

采用均生函数模型对杭州市1956～2008年年降雨量进行预测模拟,并对模型进行了修正.实例结果表明,修正模型具有较强的预报精度,可为类似时间序列要素的中长期预测研究提供借鉴.     

三峡水库中长期径流预报方法研究

中长期径流预报是充分利用水资源、发挥电站经济效益的有力手段。以三峡水库为研究对象,分别采用周期外延叠加技术、人工神经网络模型、投影寻踪自回归模型和支持向量机回归模型对三峡水库逐月入库径流进行预报。从不同侧面比较分析了这四种方法优劣,并总结各预报模型计算结果的特征及规律,为三峡水库寻求径流预报规律和制定未来中长期调度计划提供了技术支持。     

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。     

支持向量机回归模型在径流预测中的应用

为了探索提高径流中长期预测精度的有效途径,尝试建立了基于支持向量机的径流预测模型,并应用于西江流域梧州站的年、月径流预测中,取得了很好的效果。并与神经网络预测进行对比,结果表明该模型的预测精度要高于人工神经网络模型。     

应用小波-人工神经网络组合模型研究电力负荷预报

针对负荷时间序列的非线性和多时间尺度特性．提出了将小波分析与人工神经网络相结合进行负荷预报的方法——小波-人工神经网络组合模型。该模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。以月、日平均负荷预报为例对模型进行验证．结果表明：该模型的拟合、检验精度较高。     

基于Box-Cox算法的中期径流贝叶斯概率预报方法

为进一步降低中期径流预报信息受降雨不确定性和模型误差等因素的影响,采用贝叶斯预报处理器(BPF)对径流自身和预报过程的不确定性进行耦合,建立中期径流概率预报模型,对中期径流预报的不确定性进行描述。首先将Box-Cox正态变换引入BPF模型,建立基于Box-Cox变换的BPF模型;然后采用逐次优化算法(POA)对各时段的变换系数进行优化,并基于优化后的变换系数建立新的BPF模型;最后对变换系数优化前和优化后建立的BPF模型预报结果进行对比分析。实例应用表明,基于Box-Cox变换的BPF模型可较好地描述预报信息不确定性;变换系数经POA优化后,可进一步提高BPF模型的预报精度。研究成果可为中长期径流预报提供参考。     

白山水库径流中长期预报研究与应用

基于时间序列和物理成因分析，将成因分析，统计方法与人工神经网络相结合，挑选出影响白山水库汛期入库流量的前期大气流影响因子，建立了逐步周期分析模型和逐步多元回归与人工神经网络的耦合模型。预报实践表明，所建模型合理，预报效果好，精度高，具有较高的推广和应用价值。     

基于长短期记忆神经网络的地表太阳辐照度预测

针对地表太阳辐照度(GHI)短期预测问题,提出一种基于长短期记忆神经网络的短期太阳辐照度预测模型。采用递归结构的训练样本,以保证训练样本内部的时间耦合性。为验证所提模型预测GHI的有效性,采用算例与传统人工神经网络模型预测结果进行对比分析。结果表明:基于长短期记忆神经网络预测模型将均方误差降低88.48%,表明所建模型更适用于GHI预测。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。