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...     

输入方式对BP模型年径流预测影响研究

针对输入方式对BP模型的影响问题,基于岚河流域降雨、蒸发、径流等资料,设置了不同的资料情况及数据输入方式,分别构建了BP模型。研究结果表明,与未同时考虑降雨、蒸发、径流等影响因素的模型相比,同时考虑了三者影响的模型精度更高;以各资料前三年数据作为输入量较以前两年和前四年的数据作为输入量,紧邻下一年的径流数据作为输出量的模型的精度更高;既考虑了降水、蒸发、径流等影响因素又选用上述最佳的数据输入方式的模型精度最高。BP模型适用于干旱半干旱地区的岚河流域,其预报结果可用于该流域的水资源规划管理。     

径流式水电站拦河栅改造

福建省平和县地处山区,水利资源丰富,沿河有很多径流水电站,发电机的出力是根据河水的大小来调节,随着降雨量的增加发电能量增加,没有可调节的库容。随着大雨,河水中也会增加大量的垃圾及树枝等,对径流式水电站影响很大。目前径流式的水电站是通过一个简单的固定式格栅作为拦河栅,能拦截而不能自     

基于相空间重构小波神经网络径流式水电站发电量预测

预测径流式水电站发量。针对径流式水电站发电量变化的随机性及水力发电系统的复杂非线性,提出一种基于相空间重构小波神经网络的径流式水电站发电量预测模型,并借助具有全局搜索能力的改进粒子群优化算法对小波神经网络特征参数进行优化,提高模型的精度和泛化能力。结果表明:相空间重构小波神经网络模型的预测平均相对误差约为8.7%,相关系数达到0.81,误差分析指标优于传统神经网络预测模型,在多步预测情形下模型的收敛性和稳定性得到较为明显增强,能够准确进行发电量预测。     

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。     

基于灰色动态模型群的需水预测研究

依据灰色系统理论,构造了一个由5个GM(1,1)模型组成的灰色动态模型群,并运用该模型对福建省泉州市用水量变化趋势进行了预测分析。研究表明,灰色动态模型群能够充分利用近期用水量信息预测未来用水量变化趋势;以模型群统计平均值作为最终预测值,避免了单一灰色模型容易利用不稳定信息的缺陷,使得预测精度更加准确,预测结果更为可信。     

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.     

基于人工神经网络模型的关中地区用水量的预测

未来用水量的预测对制定区域宏观经济发展规划、水资源规划以及水资源合理配置等具有重要的指导意义,为区域经济的可持续发展提供重要保障.在1986-2005年的用水量演变分析基础上,选取出城镇人口、灌溉面积、GDP、耕地面积、降水量和ET06个驱动力因素,建立了基于驱动力因子的用水量预测的人工神经网络BP模型,并对关中地区2006-2020年的用水量进行预测.     

基于随机森林模型的山体滑坡空间预测研究

滑坡灾害空间分布的准确预测是实现防灾减灾的重要途径。以2010年福建省顺昌地区滑坡资料为基础数据,分别应用随机森林模型和逻辑回归模型对福建顺昌地区山体滑坡发生与滑坡因子之间的关系进行实证分析,通过模型变量筛选、模型精度分析,探讨了随机森林模型在我国南方山体滑坡空间预测中的适应性。结果表明:随机森林模型对滑坡发生数据的拟合效果比逻辑回归模型好,其对顺昌地区滑坡发生数据的预测精度为90.8%,而逻辑回归模型的预测精度为81.8%;随机森林模型对研究区滑坡发生的泛化能力比逻辑回归模型好,其预测出高危险区和较高危险区所包含的滑坡比总和为66.05%,而逻辑回归模型为63.34%。研究结果表明随机森林模型的性能优于逻辑回归模型,可用于顺昌地区基于滑坡因子的未来滑坡发生的预测预报。     

基于损失模型法的多级泵性能预测

采用J kourokawa提出的计算模型计算了叶轮内的水力损失,借鉴蜗壳内水力损失模型计算了导叶内的损失,对MD40-6.3多级导叶式清水离心泵的性能曲线进行了预测,并与实验数据进行了比较.结果表明:在设计工况附近,预测值与实验值吻合较好,在其他工况点,特别是小流量工况点,误差也较小.说明损失模型法对实际的性能预测有着较高的实用性及准确性.     

基于LSTM-NeuralProphet模型的城市需水预测方法研究

城市水资源规划和管理是确保城市可持续发展和居民生活基本需求得到满足的关键环节,城市短期需水预测是城市水资源规划和管理的基础。由于气温、降水量和蒸发量等随季节变化明显,直接影响不同季节的用水峰值、高峰期,导致传统基于时间序列算法的固定时隙预测无法适应时隙的变化,从而不能保证预测精度。针对固定时隙预测精度低的问题,研究了基于四季24 h时间分辨率和夏季15 min时间分辨率的双时间尺度城市短期需水预测模型。该模型使用Anomaly-Transformer模型进行异常值检测,并通过分段曲线拟合对异常值校正,采用主成分分析法对城市短期需水影响因子进行分析提取主成分,在AutoML的标准模型分析中选取三个效果最好的模型作为Stacking模型的基学习器再结合长短期记忆网络（Long Short-Term Memory, LSTM）和Optune框架超参数优化后的NeuralProphet模型对双时间尺度的城市短期需水量进行预测,同时加入安全网机制,以保证LSTM-NeuralProphet模型的精确度。与其他模型（LSTM模型、NeuralProphet模型、BP神经网络模型）相比,LSTM-N...     

基于改进集对分析的新疆黄水沟年径流预测

本文提出了以几何形式表示集对的G-SPA模型,该模型以向量之间的夹角、相关系数、欧式距离以及向量的模为指标对径流集合建立对应的指标集合,将指标集合的相似度作为判断径流集合相似度的依据,其优点是不仅考虑了径流大小的相似性,而且考虑了径流变化趋势的相似性.将G-SPA预测模型应用于新疆黄水沟年径流量预测中,并分别与GRNN神经网络模型以及AR(2)模型的预测结果进行了对比.结果表明:G-SPA模型预测的平均相对误差为7.42％,预测结果优于GRNN模型和AR(2)模型.     

基于SWAT模型的西江流域径流模拟研究

采用SWAT(Soil and Water Assessment Tool)模型,在整个珠江流域构建分布式水文模型,对西江流域1951~2008年的月径流过程进行模拟。选取西江流域的迁江、柳州、武宣3个水文站的径流数据,利用SWAT模型自带的敏感性分析模块和自动率定模块,采用LH-OAT敏感性分析方法和SCE-UA算法分别对选取的各参数进行敏感性分析和参数率定,并对率定模型进行验证。敏感性分析结果表明,不同的参数对流域月径流过程表现出不同程度的敏感度,其中CN2、ESCO、SOL_AWC、CH_K2和ALPHA_BF的敏感度较高,是较敏感因子。从率定和验证结果来看,3个水文站的径流模拟效果均较好,Nash-Suttcliffe效率系数ENS均在0.75以上,其中柳州站和武宣站率定期和验证期的ENS在0.8以上。SWAT分布式水文模型在西江流域月径流模拟中的应用效果良好。     

基于神经网络灰色模型的农田土壤湿度预测研究

为了提高农田土壤湿度预测的效果,采用神经网络灰色模型。首先灰色模型对农田土壤湿度数据建模,神经网络对误差进行校正;然后神经网络灰色模型考虑湿度数据之间的关联度,只对关联度值较大的单个预测模型进行组合预测;最后给出了算法流程。实验结果表明,随着农田土壤深度的增加,湿度数据预测值的相对误差以及波动性都在增加;多模型对比实验显示:对垂直深度70 cm和80 cm的土壤湿度预测值接近真实值,剩余预测偏差指标最小值为2.69、平均值为2.75,模型判定系数为0.98,结果优于其他预测模型指标。     

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...