百色水库入库径流中长期预测方法比较研究

以郁江流域百色水库入库径流为研究对象，分别采用基于水文气象因子的逐步多元回归模型、人工神经网络模型（气象因子）和基于时间序列的混沌理论模型、最近邻抽样回归模型、小波分析法、神经网络—自回归模型共6个模型方法对百色水库年尺度、月尺度以及旬尺度入库径流进行中长期径流预报工作，随即采用平均相对误差、合格率、TS评分以及均方根误差4种评价指标对上述6个模型的预测结果进行精度评估，并依据熵权法的理论对上述4种指标进行客观赋权形成综合性指标分析体系，来确定最优模型以进行郁江流域百色水库不同尺度和预见期的入库径流中长期径流预报工作。结果表明：各模型预报结果中的平均相对误差相对较大，但其所对应的合格率以及TS评分指标均处于优良水平；月尺度预报过程中，各模型非汛期预报精度都要高于汛期预报精度。结合各模型自身特点以及综合性指标分析的基础上，可在年尺度中长期径流预报过程中采用神经网络—自回归模型、月尺度中长期径流预报过程中采用混沌理论模型，旬尺度中长期径流预报过程中依据不同的预见期分别采用人工神经网络模型（气象因子）以及小波分析法进行相关的中长期径流预报工作，从而为郁江流域百色水库制定未来中长期调度计划提供...     

基于小波ANFIS的诸暨站降雨量预测模型

【目的】建立适合诸暨站的降雨量预测的模型。【方法】采用小波分析和ANFIS相结合的模型预测方法,首先利用小波分析的多尺度分解功能,将诸暨站降雨量进行分解,然后利用ANFIS的自适应非线性逼近功能对分解后的序列进行预测,最后利用小波重构对预测的分解结果进行重构。【结果】小波ANFIS模型对诸暨降雨量的预测值与原始值相对误差在30%以内,精度达到要求。【结论】小波ANFIS模型可作为诸暨站的降雨量预测模型。     

基于小波支持向量机特征分类的日径流组合预测——以宜昌三峡水库为例

河流径流预测作为水库调度和发电的重要前提,其预测精度直接影响水利工程的综合效益。基于径流历史数据,针对其波动和随机性提出一种小波分析-支持向量机(SVM)特征分类组合预测模型。该模型首先利用小波分解提取原始径流序列的高低频能量谱作为SVM样本标记,并对原始序列进行特征分类,分为"平稳型"和"突变型"序列,对应不同类型序列的小波近似信号和细节信号分别采用自回归和滑动平均模型(ARMA)和BP神经网络模型进行预测,再重构各序列预测结果。最后采用平均绝对百分比误差(MAPE)、均方根误差(RMSE)、希尔不等式系数(TIC)作为模型评价指标。结果表明:在3个评价指标下,所提模型都优于ARMA和BP神经网络模型,并具有更好预测稳定性。     

基于BP、Elman、PSO-SVR三种预报模型在石羊河流域的应用比较

针对石羊河流域开展水量调度对中长期径流预报的迫切需求,以西营水库为研究对象,在分析石羊河流域径流特性的基础上,构建基于主成分分析法筛选预报因子的BP、Elman和PSO-SVR三种预报模型对西营水库进行年径流预报。结果表明,基于主成分分析的Elman和PSO-SVR中长期径流预报模型在率定期和检验期的合格率均满足相关规定对作业预报模型的精度要求,可为石羊河流域中长期径流预报提供实际支撑,为石羊河流域开展水资源优化配置和水量调度提供依据。     

基于多模型融合的中期径流预报

为提高流域中期径流预报精度，提出了一种基于机器学习的多模型融合的中期径流预报方法，并应用于桓仁水库流域。首先采用BP神经网络（BP）、多元线性回归（MLR）、支持向量机（SVM）构建旬尺度的单一径流预报模型；再基于信息熵和机器学习方法对上述单一模型的结果进行融合，分别建立基于信息熵、BP神经网络、SVM的信息融合预报模型；进一步考虑融雪影响，构建春汛期旬径流预报模型。引入平均绝对误差（MAE）、均方根误差（RMSE）和预报合格率（QR）三个误差评价指标，综合评定各模型在汛期和非汛期的径流预报精度。结果表明：(1)所有模型对径流变化趋势的模拟效果相对较好，单一模型对峰值的模拟表现较差；(2)基于机器学习算法的融合模型能很好结合不同预报模型的优势，模拟精度优于各单一预报模型和基于信息熵的融合模型，共提高汛期10个旬的径流预报精度，且将6个旬的预报合格率提升至100%，预报合格率的最大提升率达到24%；(3)考虑融雪影响的旬径流预报模型在3月和4月的预报合格率均在90%以上，提高了流域的非汛期径流预报能力。研究提出的基于机器学习的信息融合预报方法可得到准确性和可靠性较高的径流预报模型，为桓仁...     

基于小波分析-PSO优化ANFIS的径流组合预测模型研究

径流序列由于多种因素的影响,存在十分复杂的变化特性,如果利用常规方法直接进行预测,其预测精度一般不高.如果将径流序列分解成比较简单的序列,再利用非线性预测方法进行预测,其精度将会得到提高.利用小波分析的多分辨率分解功能对径流序列进行分解,降低了径流序列的复杂程度.利用PSO对自适应神经模糊推理系统的网络参数进行优化,提高模型结构参数的确定精度.将小波分析与PSO优化的ANFIS进行组合对径流序列进行预测,经实例验证:该模型能够提高径流预测的精度,预测效果较好.     

天一水电站汛前径流的年际增量预报方法初探

围绕南方电网辖区范围内天生桥一级水电站(天一电站)的汛前(4-5月)径流的预测问题,引入年际增量预报概念,并与传统的预报模型进行比较。分析表明,径流的原值序列同时包含年际和年代际信号,预报难度较大,而年际增量序列则以年际信号为主。相关分析表明,增量序列放大了影响径流的因子信号,更易找到具有物理意义的气象因子。对预报模型进行十年的试预报检验,结果表明增量预报的丰枯一致率达到80%,并且抓住了2010-2013年的连续偏枯现象。预报相对误差合格率达到70%,同时很好地再现了天一电站汛前径流的1991-2005的上升趋势和2006-2013年的下降趋势。究其原因,是由于增量预报模型既较好地捕捉到径流增量的年际信号,同时又保留了实测径流的年代际信号。     

基于马氏距离判别的丹江口水库长期径流分级预报

准确及时的长期径流预报对于水库安全和水资源调度具有重要意义。为提高丹江口水库长期径流预报精度,从影响长期径流的物理成因出发,选取1952-2008年的资料序列,将径流划分为丰、平、枯三个级别,利用相关系数法和AIC准则筛选出相关性高、独立性强的因子集,基于马氏距离判别分析原理,构建长期径流分级预报模型,并与逐步回归模型预报结果作比较。结果表明,在多年变幅10%的许可误差下,两种模型均取得较好的预报效果,基于马氏距离判别分析的长期径流分级预报模型的预报精度和稳定性优于逐步回归模型,研究成果可为丹江口水库调度工作提供参考。     

灌区与水库联调中基于GS的日径

日径流过程模拟预报的准确程度对于合理利用水资源于农业灌溉、工业生产、生活用水以及水力发电等具有很重要的意义。日径流预报有很多方法，分布式水文模型是国内外水文界的热门研究课题，将基于GIS的分布式水文模型应用于灌区与水库联合调度系统中，应用李兰教授开发的LL-Ⅱ型分布式水文模型对东风渠灌区白河水库日径流过程进行模拟预报，取得了较好的效果。     

基于神经网络的中长期径流预报时间尺度研究

为探究预报时间尺度选择对中长期径流预报精度的影响,以长江流域上游的寸滩站和宜昌站、中游的螺山站和汉口站以及下游的大通站各33年的流量资料为基础,采用人工神经网络方法,分别选取年、季、月、旬及3日五个预报时间尺度,以1981~2000年作为率定期,2001~2012年作为验证期,对五个水文站的径流进行模拟和预报,并比较其计算结果误差。研究结果表明,随着预报时间尺度的加大,径流模拟和预报的误差先增大后减小,从整体水平来看,月尺度的计算误差最大,3日尺度和年尺度的误差最小。研究结果对实际径流预报工作具有一定的指导意义。