基于VMD-PSR-BNN模型的月径流预测方法研究

径流过程是地球上水文循环中的关键一环,科学准确地预测月径流的来水量对于流域的水量调度、水资源规划及管理具有十分重要的意义。然而由于径流过程的复杂性以及人类活动的影响,在变化环境中精准捕捉月径流时间序列的变化规律变得十分困难。针对月径流时间序列预测中存在的对于样本数据中先验信息识别不够彻底以及对时间步长嵌入维度难以有效地自适应选取这两点问题,设计了基于VMD-PSR-BNN的月径流时间序列预测模型。基于变分模态分解（VMD）算法对噪声良好的鲁棒性和对时序信号精确分解的特性,将月径流时间序列视为一种时序信号,利用VMD方法将月径流时间序列分解为多个相对平稳的固有模态函数（IMF）,再基于相空间重构（PSR）理论对各个IMF分别进行重构,对各个重构后的IMF分别采用基于变分推理的贝叶斯神经网络（BNN）进行预测,最后将各个BNN的预测结果进行聚合重构得到月径流时间序列的最终预测结果。选取渭河流域咸阳和华县两个水文站1953-2018年的月径流时间序列进行实例分析。结果表明：VMD对月径流时间序列具有很好的分解效果,两个水文站基于VMD-PSR-BNN模型的月径流预测结果均可达到水文预报的甲级...     

基于CEEMDAN-WD-PSO-LSSVM模型的月径流预测研究

针对径流序列的非线性、非稳态化的特点导致直接预测精度低的问题,提出了一种二次分解径流时间序列,再经过最小二乘支持向量机(LSSVM)模型进行月径流预测的新途径.该方法首先利用自适应噪声的完整集成经验模态分解(CEEMDAN)算法来分解原始径流时间序列,得到一系列本征模态分量(IMF).再利用小波分解(WD)对高频分量进...     

基于VMD-LSSVM的月径流预测方法研究

针对月径流序列包含多种复杂频率信息的特性,为提高预测精度,对上静游站、汾河水库站、寨上站和兰村站1958-2000年月径流序列资料进行分析并预测。提出变模态分解(Variational Mode Decomposition,VMD)和最小二乘支持向量机(Least-Square Support Vector Machines,LSSVM)(VMD-LSSVM)组合模型,并与单一LSSVM模型、基于经验模态分解(Empirical Mode Decomposition,EMD)的EMD-LSSVM组合模型和基于完备总体经验模态分解(Complete Ensemble Empirical Mode Decomposition with adaptive noise,CEEMDAN)的CEEMDAN-LSSVM组合模型进行预测结果对比,采用纳什效率系数NS、均方根误差RMSE、平均绝对误差MAE和平均绝对百分比误差MAPE 4个误差指标评定各模型的预测精度。结果表明:组合模型较单一模型预测效果好,其中以VMD-LSSVM模型精度最高,2个站点精度达到甲级,MAE、MAPE和RMSE比CEEMDAN-LSSVM分别减少了50%～75%、40%～70%、40%～70%,比EMD-LSSVM分别减少了70%～80%、60%～85%、50%～80%,比LSSVM分别减少了80%～90%、75%～90%、50%～90%。因此VMD-LSSVM模型能适用于复杂的多频月径流预测,并能达到较高精度。     

基于CEEMD-TD模型的月径流随机模拟

针对典型解集(TD)模型只适用于平稳随机序列而存在的局限性问题,提出一种新的月径流随机模型—互补式集合经验模态分解-典型解集(CEEMD-TD)模型.以黄河流域的3个典型水文站为例,建立CEEMD-TD模型的月径流随机模型,通过检验截口的主要统计参数来评价随机模型的模拟效果.结果表明:各典型水文站中CEEMD-TD模型...     

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法,量子粒子群优化算法（Quantum Particle Swarm Optimization,QPSO）、宽度学习系统（Broad Learning System, BLS）模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流...     

基于改进布谷鸟搜索算法优化的SVM月径流预测

为提高水文预测预报精度,提出基于Mittag-Leffler、Pareto、Cauchy3种重尾分布改进的布谷鸟搜索算法(MLCS、PCS、CCS)优化的支持向量机(SVM)月径流预测模型。选取6个典型测试函数对MLCS、PCS和CCS算法进行仿真验证,并与基本布谷鸟搜索算法(CS)的仿真结果进行比较。利用MLCS、PCS、CCS、CS算法优化SVM关键参数,建立MLCS-SVM、PCS-SVM、CCS-SVM、CS-SVM模型对云南省姑老河站枯水期月径流进行研究,并利用实例前40年和后13年资料对各模型进行训练和预测。结果表明,MLCS、PCS、CCS算法寻优能力优于标准CS算法,具有较好的寻优精度和全局搜索能力。MLCS-SVM、PCS-SVM、CCS-SVM模型对实例1-3月月径流预测的平均相对误差分别在4.89%～4.94%、6.87%～7.07%、6.87%～7.09%之间,预测精度较CS-SVM模型分别提高了34.5%、8.30%、23.6%以上,具有较好预测精度和泛化能力,表明MLCS、PCS、CCS算法能有效优化SVM相关参数。模型及方法可为水文预测预报及其他相关预测研究提供参考。     

基于SSA-ARIMA模型的青弋江干流径流预测

传统自回归滑动平均模型对非平稳和非正态分布的径流时间序列处理能力有限,很大程度限制了该方法在径流预测中的应用。基于青弋江西河镇站1970-2010年的逐月径流资料,利用奇异谱分析技术对1970-2007年逐月径流量进行分解,提取径流显著振荡的时间主分量序列,重构趋势序列、多年变化序列、年际变化序列和年内变化序列,运用ARIMA模型对各显著分量序列进行模拟预测,在对所有分量进行序列重构时,进行误差校正,同时利用传统ARIMA模型进行预测,将两者结果与实测值进行比较,检验其精度。结果表明:奇异谱分析技术能有效地从原始序列提取可靠的信息,通过分序列ARIMA模型预测重构后的径流序列与实测值更为接近,提高了传统ARIMA模型的预报精度。     

基于小波云模型的年径流预测

为研究年径流的变化规律,采用小波理论和云模型相结合的方式建立预测模型。先运用小波分析对径流时间序列进行消噪,获得主时间序列,在此基础上对时间序列进行云推理,得到相应的预测值。以岷江流域年径流为例进行研究,通过与直接预测的方法相比较,发现此方法有较高的预测精度和推广应用价值。     

基于经验模态分解与Elman神经网络的月径流预测

针对径流序列的弱相关,非线性特征,直接预测会导致精度低,建立基于经验模态分解(empirical mode decomposition,EMD)与Elman神经网络的模型进行月径流预测,选取黄河上游唐乃亥水文站1979-2009年的月径流资料为研究对象。首先利用EMD对月径流资料进行处理,得到5个固有模态函数(intrinsic mode function,IMF)和1个趋势项。为了避免分量太多导致误差过大,将分量进行重组之后得到3个子序列,然后对3个子序列进行Elman神经网络预测。结果表明,EMD与Elman神经网络组合预测精度更高,更加适合复杂的水文序列。该方法可用于径流的中长期预测中。     

基于TVF-EMD与LSTM神经网络耦合的月径流预测研究

为了有效提高非平稳非线性径流序列的预测精度,采用具有自适应序列特征的时变滤波经验模态分解(TVF-EMD)与长短期记忆神经网络(LSTM)耦合,构成TVF-EMD-LSTM预测模型.首先利用TVF-EMD方法自适应地将径流序列分解为高频序列和低频序列;进而,利用LSTM神经网络对分解后的序列分别预测;最终,将预测结果加...     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列，对这些子径流序列分别建立局部神经网络模型，而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时，首先用分类器判别其类别，以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比，结果表明这种基于径流分类的降雨－径流模型表现出了更优良的性能，可以较大地提高径流模拟精度。     

基于径流分类的日径流量预测神经网络模型

利用聚类分析法将径流序列分解为若干个子径流序列 ,对这些子径流序列分别建立局部神经网络模型 ,而后把这些局部模型合并成一个混合模型。当新的信息进入该模型时 ,首先用分类器判别其类别 ,以确定用混合模型中的何种局部模型加以模拟。通过与不加分类的总体神经网络模型的模拟结果加以对比 ,结果表明这种基于径流分类的降雨 -径流模型表现出了更优良的性能 ,可以较大地提高径流模拟精度。     

基于Prophet模型的湖北省月降水量预测

为提高降水量的预测精度,建立了基于Prophet算法的降水量时序预测模型.使用湖北省1960年1月-2006年5月的月降水量资料,对2006年6月-2017年12月共139个月的月降水量进行预测,并与传统的SVR、BP以及ARIMA预测模型进行对比,以探讨该模型在降水量预测中的可行性.实验结果表明:在湖北省各站点降水量...     

基于ESMD-LSSVM模型的径流式水电站出力预测研究

针对径流式水电站日出力随机性强,直接预测精度低的特点,采用极点对称模态分解（ESMD）对出力序列进行平稳化处理,结合最小二乘支持向量机（LSSVM）,建立了基于ESMD-LSSVM的组合预测模型。选取西北某省径流式水电站2020年的日出力时间序列进行实例分析,并与单一模型SVM,LSSVM,BP及组合模型ESMD-SVM,ESMD-BP预测效果进行比较。结果发现：(1) PACF分析得到ESMD分解后的各子序列的特征向量不同,反映了径流式水电站日出力的复杂性和多变性的特征。(2)与单一模型相比,组合模型泛化能力更强,对时间序列中出力突变点的预测更准确。(3)ESMD-LSSVM组合模型日出力预测效果较好,为径流式水电站日出力时间序列预测提供了新的方法参考。     

基于SWAT模型和降水随机模拟的径流预测

降水为气象数据中对径流模拟结果影响最大的因素,对径流过程造成的影响较大,为预测未来不同量级降水情景下的径流过程,将SWAT模型和耦合Markov链-Gamma分布的降水随机模拟相结合.以王快水库以上流域为研究区域,构建SWAT模型并进行参数率定和验证.以阜平站60 a逐日降水资料为基础,通过构建不同量级降水下的随机模拟...     

基于RAGA-Shepard模型的滦河大河口站年径流预测

应用基于RAGA的Shepard相似模型,在实测径流统计特性分析的基础上对内蒙古滦河上游主要测站大河口站的年径流进行了预测.为科学调度水资源,最大限度地满足各方面的用水需求,提供有效依据.     

基于1stOpt神经网络模型的年均径流预测与应用

针对年均径流预测问题,首先利用1stOpt软件进行逐个影响因子拟合,得到相关影响因子的主次顺序,提取关键因子在基于L-M算法和UGO算法下进行多元非线性曲线拟合;另外结合基于L-M算法的改进BP神经网络将所提取的关键因子进行径流预测,以北方某河流径流实例进行计算,两种方法效果均优于传统模型,且在多影响因子的情况下,组合模型精度和效果更好,为径流预测提供了一个新的更实用的方法。     

河川径流预测方法比较研究

通过实际算例分析比较了灰色预测模型、小波分析法、小波神经网络和模糊神经网络河川径流预测方法,结果表明：灰色预测模型和小波分析法预测结果误差比较大且分布不均匀,小波神经网络和模糊神经网络预测结果明显好于灰色预测模型和小波分析法。     

黄河三门峡水库凌汛期入库月径流预报模型研究

在分析黄河凌汛期的主要影响因素的基础上,建立了黄河三门峡水库入库凌汛期(11～翌年3月)径流预报模型,并对模型进行评定、检验,成果均高于预报规范要求的合格率.为解决黄河水资源供需矛盾,为编制三门峡水库调度和黄河下游多库联合调度方案提供重要的参考依据.