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。     

基于Elman神经网络的锦屏一级水电站年平均径流量集合预报研究

为预报锦屏一级水电站年平均径流量,根据其1960~1999年逐年年平均径流量与上年(1959~1998年)逐月74项大气环流指数的相关关系,选出相关性高且与年平均径流有物理联系的大气环流指数作为预报因子;利用多个Elman神经网络建立年平均径流量的集合预报模型,并采用锦屏一级水电站1960~1999年的逐年年平均径流量和筛选的预报因子数据对模型参数进行率定,2000~2011年的逐年年平均径流量对模型预报效果进行检验。结果表明,基于Elman神经网络的单一模型的范化能力较好,多模型的集合预报精度比单一模型的预报精度有进一步提高,可为锦屏一级水电站水资源调度提供参考。     

WEP模型参数自动优化及在汉江流域上游的应用

本文将全局参效自动优化算法-复形进化算法,引入WEP-L模型,并成功应用于汉江上游流域.通过复形进化算法参数自动优化,可找到WEP-L模型的一套较优的参数.同时,为比较不同目标函数对参数敏感性与自动率定的影响,分别对8种目标函数进行了参数敏感性分析及自动率定.结果显示,如果以水量误差和纳什效率系数为评价标准,排序后的残差平方和及其变化形式的效果较好.WEP-L模型参数敏感性分析及参数自动化率定的实现,可提高WEP-L模型参数率定的科学性和客观性,从而方便WEP-L模型的推广与应用.     

基于MOSCEM-UA算法的水文模型参数优化

详细阐述了水文模型参数多目标自动优化过程,并以此来评估水文模型在率定过程中所体现出来的异参同效性。采用集总式Hymod模型研究海河流域宽城水文站以上流域。在模型参数优化率定过程中涉及到的主要模型参数有:土壤最大持水量,土壤持水量空间分布指数,快、慢速流分水系数以及快、慢速流退水系数。采用了两个对立目标,通过MOSCEM-UA算法的多目标参数优化,可以得到多个目标空间的Pareto解集、径流预测区间和相对应的参数范围。     

城市社区尺度降雨径流快速模拟——以福州市一排水小区为例

随着城市化进程的不断加快,我国城市正面临着越来越严峻的洪涝问题。本文在社区尺度上构建雨洪管理模型（SWMM）,使用遗传算法率定SWMM模型参数;在对研究区降雨分析的基础上,采用模糊识别法筛选出最具代表性的两种雨型;基于不同的降雨情景与SWMM模拟值组成的数据集,建立长短期记忆神经网络（LSTM）模型模拟研究区降雨径流关系,并使用不同工况评估了LSTM模型效果。结果表明,LSTM模型对降雨径流的模拟与SWMM模型基本吻合,而其对洪峰流量的拟合略有偏差。在较小降雨下,LSTM模型模拟洪峰流量较SWMM输出结果偏小;在较大降雨下,模拟结果偏大;在中等降雨时,模拟效果最好。此外,50个隐含层单元的拟合效果更好,但同时更多的隐含层单元对洪峰流量拟合效果更好。     

Seq2Seq 模型的短期水位预测

为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq) 的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM 作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM 模型和人工神经网络(ANN)模型进行了对比。结果表明:Seq2Seq 模型对连续6 h、12 h 和24 h 水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6 h 时,LSTM 和Seq2Seq 模型预测结果相似,ANN 模型精度较低;当预测长度为12 h 和24 h 时,Seq2Seq 模型相比LSTM 模型和ANN 模型预测效果更好,收敛速度更快。     

LSTM神经网络和量纲分析法在弧形闸门过流计算中的对比

为保障工程建筑物的合理设计、输水渠道的科学调控及调水系统的安全运行,需对弧形闸门过闸流量进行精确计算。以南水北调中线工程干渠59座节制闸为研究对象,建立基于量纲分析法和长短期记忆神经网络两种不同的弧形闸门流量计算模型,选取2018—2019年2 h时间尺度的原始观测数据作为模型输入,对比分析两种模型闸门流量计算的平均绝对误差、平均相对误差、均方根误差及纳什效率系数。结果表明：对于工程整体而言,长短期记忆神经网络方法的误差结果略优于量纲分析法,两者流量平均相对误差分别为2%~2.5%和3%~4%。另外,量纲分析法受水位波动影响较大,更适用于中线工程中下游（中、小流量）的闸门过流计算;长短期记忆神经网络方法受水位波动的影响相对略小,更适用于中线工程中上游（大、中流量）的闸门过流计算。该研究为南水北调中线工程闸门水力计算及调度运行提供了科学依据。     

考虑湖泊调蓄的引江济淮工程旬水量调度方案

为挖掘引江济淮工程沿线湖泊调蓄能力在保障供水、降低泵站输水能耗方面的潜力,开展考虑湖泊调蓄的 跨流域调水工程旬水量调度研究,构建考虑湖泊调蓄的泵站-湖泊多目标旬水量优化调度模型,并采用遗传算法进 行求解,以制定满足用水单元缺水量最少、泵站能耗最小和湖泊不平衡量最小的泵站-湖泊联合调度方案。分析 引江济淮工程调度运行的不同典型运行工况,以自流引江工况为例讨论考虑湖泊调蓄的旬水量调度方案的优势。 结果表明,考虑湖泊调蓄的调度方案能有效提高供水保证率、降低泵站总输水能耗,可为引江济淮工程运行调度 提供决策支撑。     

基于GRA-NARX神经网络的泵站站前水位预测模型

针对多种水工建筑物相互作用和影响下的泵站水位预测难题,提出基于GRA-NARX（grey relation analysis-nonlinear autoregressive model with exogenous inputs）神经网络的泵站站前水位预测模型。该模型包括灰色关联分析(GRA)和NARX神经网络两部分,利用3种训练算法和不同时间延迟分别对密云水库调蓄工程屯佃泵站站前水位进行2 h预测,并与NARX模型和GRA-BP(grey relation analysis-back propagation)模型的预测结果进行比较。研究结果表明,GRA-NARX-BR(grey relation analysis-nonlinear autoregressive model with exogenous inputs-bayesian regularization)模型用于水位预测能够比较全面地考虑影响因子,预测精度高,相关系数最高达0.986 62,均方根误差最小为0.008 6 m,预测效果比NARX模型和GRA-BP模型好,且时间延迟越长,均方根误差越小。模型也可在其他调水工程中推广使用。     

通用水资源调配模型WROOMⅡ：应用

本文以南水北调中线水资源调配为实例,采用通用水资源优化调配模型WROOM进行45年长系列建模、求解及结果分析。首先,根据南水北调中线水资源系统特点,提出了WROOM模型在南水北调中线水资源调配中系统概化的指导思想;然后,阐述了模型设置方案的基本思路,采用多种优化方法,以供水优先级与是否考虑农业生态供水为控制参数选取了5种方案,并进行建模求解。通过对不同控制参数下供需平衡的对比分析,说明了不同方案的特点,可以为中线水资源实时调度方案的制定提供参考。