基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度，减小参数优化不当导致的非线性误差，研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合，构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年～2021年逐月径流过程，并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明，EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快，精度最高，预测结果最接近实测值，其决定系数R²为0.864 3。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测，在气温上升1℃,降水不变的情景下，年径流量将增加6.61%;在降水升高5%,气温不变的情景下，年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下，年径流量将增加22.16%。     

基于聚类分析的月径流预测模型研究

本文基于生产实践对高精度中长期径流预报提出的要求,对我国海河流域两大支流之一的滹沱河小觉水文站(岗南水库入库径流控制水文站)径流量进行预测研究。采用聚类分析方法将数据分为汛期(7—10月)和枯水期(11—次年6月),采用灰色关联分析法对汛期和枯水期的气象因子数据(五台山、原平两个气象站共16项气象因子)与径流量值的相关性进行分析,选取相关性强的气象因子作为输入、小觉站径流量值作为输出建立基于聚类分析的小觉站月径流预测模型,有效改善了神经网络对极值拟合差的特点,提高了预测精度。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

基于奇异谱分析的SPBO-ANFIS月径流组合预测模型

针对水文时间序列月径流多尺度非平稳性等特点,提出基于奇异谱分解（SSA）的学生心理学优化（SPBO）算法-自适应神经模糊推理系统（ANFIS）月径流组合预测模型,并应用于云南省某水文站月径流预报。首先通过SSA将实例月径流时序数据分解为若干独立子序列分量,以降低时序数据的复杂性;其次介绍SPBO算法原理,通过取8个标准函数对SPBO算法进行仿真验证及比较;最后采用SPBO算法优化ANFIS条件参数和结论参数,建立SSA-SPBO-ANFIS模型对每一个子序列进行预测,叠加后作为最终月径流预测结果,并与基于集合经验模态分解（EEMD）的EEMD-SPBO-ANFIS模型和未经分解的SPBO-ANFIS模型作比较。结果表明：SPBO算法具有较好的寻优精度;SSA-SPBO-ANFIS模型对实例月径流预测的平均绝对百分比误差5.57%,平均绝对误差0.20 m³/s,纳什系数0.994 8,合格率96.7%,预测效果优于EEMD-SPBO-ANFIS模型,远优于SPBO-ANFIS模型。模型及方法可为相关水文时间序列预测研究提供参考。     

冶勒水库年、月径流预测模型研究

电力市场环境下水电站入库径流预测对水电站安排发电调度计划，进行期货电量交易和竞价上网具有重要意义。基于历史径流序列，研究了冶勒水库年、月径流预测模型，并通过比较检验，筛选出较好模型，供电站生产使用参考。     

基于小波分解的AVOA-DELM月径流时间序列预测模型及应用

为提高月径流时间序列预测精度,提出小波分解(WD)-非洲秃鹫优化算法(AVOA)-深度极限学习机(DELM)组合预测模型,并应用于云南省丫勒水文站月径流预测。利用WD对月径流时序数据进行分解,以获得更具规律的子序列分量;通过AVOA优化DELM隐含层神经元数,建立WD-AVOA-DELM模型对各子序列分量进行预测,将预测结果加和重构得到最终月径流预测结果。同时构建基于支持向量机(SVM)、BP神经网络两种预测器的WD-AVOA-SVM、WD-AVOA-BP、AVOA-DELM、AVOA-SVM、AVOA-BP作分析对比模型。结果表明：WD-AVOA-DELM模型对丫勒水文站月径流预测的平均绝对百分比误差为3.02%,预测误差远小于WD-STOA-SVM、WD-AVOA-BP模型,预测精度较AVOA-DELM、AVOA-SVM、AVOA-BP提高1个数量级以上,具有较好的预测效果。WD能科学降低径流序列的复杂性,提高预测精度;AVOA能有效优化DELM关键参数,提高DELM网络性能。     

基于相关性检验的VMD-LSTM耦合模型月径流模拟研究

近年来,极端强降雨和干旱事件频发,流域水文过程的不确定性变化加剧,使得流域中长期径流预测的难度增加。为提升LSTM（长短期记忆神经网络）模型对径流时序变化的捕捉及拟合能力,以博阳河流域为研究区域,选取月降雨、蒸发及流量数据,利用VMD（变分模态分解）和相关性检验,排除无关频率分量对LSTM模型规律学习的干扰,以达到模型输入优选的目的;此外,还考虑了VMD与LSTM模型的不同耦合方式对模型精度和稳定性的影响,最终优选出二者兼具的VMD-LSTM月径流耦合模式。结果表明：VMD-LSTM耦合模型可显著提升模拟精度,但在模型稳定性方面有所欠缺;而基于相关性检验的VMD-LSTM耦合模型不仅能够进一步提高模型精度,并且在模型的稳定性方面也有所改进。在基于相关性检验的VMD-LSTM耦合模型的不同耦合方式对比中,对输入、输出均进行VMD分解且对输入变量进行优选的D₁耦合方案的模拟效果最好,其60次模拟计算的NSE均为0.98以上且稳定性极佳;另外,在分析方案D₁的可解释性时发现历史径流对于LSTM模型的影响要比降雨和蒸发大。该研究结论可为流域水资源管理提供精准可信的中长期径流模拟成果。     

混沌理论与BPNN耦合的径流中长期预测模型

受诸多因素的影响,径流时间序列具有非线性和混沌特征.单一的BPNN模型可以进行径流的中长期预测,但存在对径流影响因素量化不够的缺点;单一的混沌模型可以量化径流的影响因素,但只能实现短期预测.为此建立了混沌理论与BPNN耦合的径流中长期预测模型.针对黑河上游莺落峡水文站1944-2017年的径流序列,利用混沌理论计算了径...     

美国加州生态水文耦合径流预测模型

利用基于CASA(Carnegie-Ames-Stanford Approach)生态模型,结合地表水水文演算模型(HY-DRA)以及遥感数据和气候模型,成功地模拟了美国加州所有流域的径流。为了评估这种CASA-HYDRA模型预测在极端和非极端降水年份实际径流的能力,将模型的模拟结果与加州几百个测站的实测月流量进行了对比。以前,曾使用美国农业部(USDA)的融雪径流模型的方程对CASA-HYDRA进行修改,该模型是专门设计用于预测以融雪为主要径流补给的山区河流的日流量。模型通过对336个测站的月流量的模拟,其多年模拟值与实测值的相关系数为R2=0.72。1982~1990年间的月径流量模拟结果普遍比州内这些测站的实测值偏高15%,这是可信的,主要是因为该州大量引水用于发电或者灌溉。对于该州北部沿海地区和内华达山区径流的预测,其误差在各季节分布均匀,而对于中部沿海和南部地区的径流预测,夏季和秋季显示出较大的误差。对加州的地面覆盖和气候变化方面的模型应用也进行了探讨。     

自回归模型在月径流过程概率预报中的应用

把自回归模型用于月径流过程概率预报中。首先根据历史径流的概率分布利用自回归模型预报出一个概率，再根据这个预报出的概率进行径流概率预报。并把这种方法用于三峡电站的入库径流预报中，取得了较好的效果。     

Volterra模型在月径流预测中的应用研究

水文过程的月均径流序列存在着较明显的低维混沌特性,利用Volterra模型可以较好的预测低维混沌序列。引入低维混沌动力系统相空间坐标重构的Volterra自适应预测模型,对多年月均径流序列采用二阶Volterra自适应滤波器进行预测。以大渡河石棉站33年的月径流量为例进行验证,预测相对误差<10%的天数为73.3%,相对误差<20%的天数为90.0%,与人工神经网络预测结果对比表明该方法具有较满意的准确率。     

最近邻抽样回归模型及其在枯水期月径流预报中的应用

为合理调配水资源,做好枯季径流预报,可采用最近邻抽样回归模型进行预测。按照最近邻抽样回归模型的基本思路和实现算法,根据长江上游主要控制站——寸滩站1893年1月—2009年12月历史同期月整编资料,对该流域的枯季径流特性进行分析研究,通过建立模型,对模型预测效果进行验证。结果表明：该模型对枯季径流的预报精度较高,可用于作业预报。     

新丰江水库月径流长期预报方法研究

研究新丰江水库月径流长期预报方法，根据7种预报因子，建立7个预报方案，将不同预报方案的预报结果进行预报集成和预报决策，从而获得定量的月径流预报值。实测资料检验结果表明：方法可行，预报精度令人满意，可应用于生产实践。     

基于灰色—拓扑模型的玛纳斯河年径流预测研究

新疆缺水,其径流丰枯变化规律一直备受关注。以新疆玛纳斯河为研究对象,以年径流频率为变量,采用拓扑原理计算实测频率的拓扑值。将对应的拓扑值作为变量,建立灰色模型GM(1,1),寻找实测玛纳斯河年径流的变化规律。建立了基于关联度、光滑离散函数等概念以及有限范围内近似的关联度收敛原理、生成数、灰微分方程等观念和方法,进而建立了微分方程动态模型。根据新疆玛纳斯河肯斯瓦特水文站1963-2010年的平均径流量资料,建立河流年径流量灰色-拓扑模型,以年平均流量为预测检验值预测来验证模型的精度。预测结果的相对误差为21.5%,满足预测的精度要求。结果表明,灰色-拓扑模型对玛纳斯河的年径流结果是可行的。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

基于随机森林和RBF神经网络的长期径流预报

基于我国南方某河流1965—1999年每年7月的实测流量资料,首先采用随机森林模型筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对2000—2008年每年7月的流量进行了"滚动式"预报,并与实测结果进行了对比。结果表明:随机森林模型能有效地筛选影响因子,利用这些因子采用RBF神经网络进行径流预报的相对误差均在10%以内,拟合效果很好;"滚动式"长期径流预报结果相对误差的绝对值均在20%以内。     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。