静电放电算法-混合核SVM的月径流预报模型及应用

为提高水文预测预报精度,构建基于多项式核与高斯核混合的支持向量机(SVM),利用静电放电算法(ESDA)优化混合核SVM关键参数和混合权重系数,提出混合核ESDA-SVM枯水期月径流预测模型,并构建高斯核ESDA-SVM、多项式核ESDA-SVM及ESDA-BP作对比预测模型,以云南省某水文站枯水期1—4月月径流预测为例进行实例研究,利用实例前24 a和后10 a资料对各模型进行训练和预测。结果表明,混合核ESDA-SVM模型对实例1—4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于多项式核ESDA-SVM等3种模型。混合核ESDA-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

退水曲线模型在金沙江流域枯期径流预测中的应用

分析了金沙江中游枯期径流退水的规律性,采用最小二乘法对金沙江中游石鼓水文站枯期径流样本系列分别求取了退水系数,然后计算出平均值,得到最终退水曲线模型,并将该模型应用于金沙江中游石鼓水文站2014、2015年枯期径流退水过程预测,应用结果表明:采用该方法所率定的退水曲线模型在石鼓水文站具有较好的适应性,可在该流域推广应用。     

基于拟合改进的径流灰色预测模型研究

经典灰色模型可用于水文径流预测,但其预测精度较差。为了提高模型精度,基于经典灰色理论,对累加后的数据进行精度更高的多项式拟合,建立基于拟合改进的径流灰色预测模型。该模型简单易行,且计算精度和效率较高。通过对三门峡水库的入库径流资料进行经典和拟合改进灰色预测,表明拟合改进灰色预测模型可有效地对径流进行预测,预测精度较经典灰色模型有较大提高。     

汉江上游区域枯季径流预报研究

本文依据枯季径流预报原理，分析了汉江上游退水规律，建立了汉江汉中站、洋县站退水曲线，并综合分析出江口等12个支流站以月为时段的前后期枯季径流消退系数，探讨了在汉江上游运用退水曲线法和前后期径流相关法作短期和中长期预报的可行性。     

基于率定量化标准系数的SPA年径流预测

针对集对分析(set pair analysis,SPA)在径流预测中径流集合量化标准仅根据主观经验确定的问题,提出了率定量化标准系数的SPA年径流预测模型,即首先对量化标准系数进行率定,再用SPA模型对径流进行预测。将该模型应用于长江宜昌站,并与经验标准预测结果进行对比。结果表明,率定量化标准后的预测结果能更好、更准确地反映原序列的变化,精度更高。     

免疫粒子群算法与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定以及基本粒子群算法(PSO)易陷入局部极值等不足,提出免疫粒子群算法(IAPSO),利用IAPSO算法搜寻SVM学习参数,构建IAPSO-SVM预测模型,并与PSO-SVM、GA-SVM模型作为对比,以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:IAPSO-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.32%、6.52%和6.55%,精度优于PSO-SVM和GA-SVM模型,表明IAPSO-SVM模型具有较高的预测精度和泛化能力。IAPSO算法利用浓度选择机制及免疫接种原理,改进了基本粒子群优化算法的全局寻优能力和收敛速度,具有较强的全局寻优能力。利用IAPSO算法优化得到的SVM学习参数可有效提高SVM模型的预测精度和泛化能力。     

基于遗传规划的径流预测新方法

应用遗传规划方法进行中长期径流预测,将预测模型视为遗传规划中的个体加以处理,依据生物界“优胜劣汰”的原则,运用复制、交叉和变异等遗传操作算子;根据历史样本数据自动生成最佳的径流预测模型,包括模型的函数形式以及模型参数;最后运用得到的预测模型对某水文站的年径流进行预测。仿真结果表明,基于遗传规划的径流预测模型可以明显提高径流预测精度,为解决中长期径流预测问题提供了一种行之有效的新方法。     

基于模拟退火算法支持向量机在枯水期月径流预测中的应用

鉴于支持向量机(SVM)最佳算法参数难以确定的不足,利用模拟退火算法(SA)搜索SVM学习参数,提出SA-SVM预测模型,并与基于遗传算法(GA)搜索SVM学习参数的GA-SVM模型作对比,以云南省龙潭站枯水期1-3月月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:SA-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.11%、4.93%和6.75%,精度优于GA-SVM模型,表明SA-SVM模型具有较高的预测精度和泛化能力。SA算法通过赋予搜索过程一种时变且最终趋于零的概率突跳性,有效避免了算法陷入局部极值并最终趋于全局最优。     

基于多种学习方案LSTM的信江流域径流预测

长短期记忆神经网络(LSTM)在径流预测中具有广泛应用,不同的输入使神经网络具有不同的学习方案,从而影响到模型性能。设置3种不同的LSTM学习方案,以前期径流预测当日径流(方案一)、以前期降雨预测当日径流(方案二)和以前期径流和前期降雨预测当日径流(方案三),比较其在相同模型结构下对信江流域丰水期和枯水期径流预测的性能。结果表明,丰水期和枯水期时方案三拟合度最高,平均绝对误差为0.012 6和0.007 6,纳什效率系数为0.94和0.96,对于信江流域基于LSTM的日径流预测,应当将前期降雨与前期径流结合起来作为模型输入。研究对基于数据驱动的径流预测输入集数据的选取有参考价值。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

沙颍河流域径流过程模拟与径流组分变化特征

采用线性关系和非线性关系对沙颍河流域的地下水退水曲线进行拟合对比,基于改进的SWAT(soil and water assessment tool)模型对沙颍河流域径流过程进行模拟,并采用Nash-Sutcliffe效率系数、百分比偏差及确定系数等3个指标对模拟效果进行评价,在此基础上,分析沙颍河流域径流过程的年内和年际变化特征。结果表明:沙颍河流域地下水退水曲线非线性关系拟合比线性拟合效果好,基于此建立的模型模拟结果较好;沙颍河流域地表径流、壤中流和基流分别占径流量的55.5%、25.4%和19.1%,冬季径流主要由基流补给,径流年内分配与降水变化基本一致,具有明显的季节变化和不均匀性;1961-2014年径流量呈上升趋势,地表径流和基流的波动与径流的变化基本一致,呈上升趋势;1961-2014年壤中流呈下降趋势。     

随机神经网络与支持向量机在枯水期月径流预测中的应用

针对支持向量机(SVM)最佳算法参数难以确定的不足,利用典型随机神经网络RNN—Boltzmann机能量全局最小状态对应待优化目标全局极小值原理,提出Boltzmann-SVM预测模型,利用Boltzmann机搜寻SVM学习参数,并与基于GA算法搜寻SVM学习参数的GA-SVM预测模型作对比,以云南省河边水文站枯水期1月径流预测为例进行实例研究,利用实例前40年和后6年资料对模型进行训练和预测。结果表明:Boltzmann-SVM模型对实例后6年枯水期1月月均径流预测的平均相对误差绝对值和最大相对误差绝对值分别为7.30%、9.01%,精度优于GA-SVM模型,表明Boltzmann-SVM模型具有较好的预测精度和泛化能力。Boltzmann机融合了模拟退火算法(SA)与BP、Hopfield神经网络在网络结构、学习算法和动态运行机制中的优点,在解决组合优化问题上具有全局寻优能力强、收敛速度快等特点。     

基于混合核SHTS-SVM的年径流预测

为提高年径流预测精度,利用同热传递搜索(SHTS)算法对混合核支持向量机(SVM)关键参数和混合权重系数进行优化,提出混合核SHTS-SVM年径流预测模型。通过6个不同维度的标准测试函数对SHTS算法进行仿真验证,并与当前寻优效果较好的教学优化(TLBO)算法、灰狼优化(GWO)算法进行对比验证。利用两个年径流预测算例对混合核SHTS-SVM模型进行实例验证,并与多项式核SHTS-SVM、高斯核SHTS-SVM及SHTS-BP模型预测结果进行对比。结果表明:SHTS算法寻优精度优于TLBO、GWO优化算法,具有较好的极值寻优能力和稳健性能。混合核SHTS-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

基于径向基神经网络模型的瀑布沟月径流预测

以前期1～6个月径流为影响因子,建立径向基神经网络预测模型,对大渡河瀑布沟水电站月入库径流进行预测,取得了满意的结果。枯水期月径流预测精度较高,表明采用前期月径流作为影响因子建立预测模型是可行的,可直接应用于实际工作;而平水期、汛期月径流预测精度较枯期稍低,表明仅考虑前期月径流作为影响因子还不够,可以适当加入降水等影响因子进行建模。     

西藏拉萨河径流预测方法研究

本文介绍了人工神经网络模型、分期平稳自回归模型、一阶季节性自回归模型这三种径流预测模型的基本原理,并且利用西藏拉萨河拉萨站1956至1968年,1973年至2000年41年的月平均流量资料对月径流进行预测和比较,得出BP-人工神经网络模型是相对于其它两种方法更适合对拉萨河径流进行预测的方法。     

杨房沟电站大江截流期径流预报

以杨房沟电站坝址下游6 km处麦地龙水文站2000~2015年16 a日径流资料作为典型流量系列历史数据库,采用基于退水系数随时间变化的退水曲线法及前后期径流相关法,对该电站2016年大江截流期间坝址径流情况进行预报,通过对比分析两种方法的预报精度可以看出,两种方法预报均为枯期径流预报的有效方法,但基于退水系数随时间变化的退水曲线法的预报精度、拟合度均好于前后期径流相关法。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

人工鱼群算法与支持向量机在枯水期月径流预测中的应用

支持向量机(SVM)学习参数存在选择范围大,盲目搜索花耗时间多、代价大,且难以获得最佳参数等问题.针对该问题利用人工鱼群算法(AFSA)搜寻SVM学习参数,提出AFSA-SVM预测模型,并与PSO-SVM、GA-SVM模型作对比.以云南省某水文站枯水期月径流预测为例进行实例研究,利用实例前30年、中间20年和后3年资料对模型进行训练、检验和预测.结果表明:AFSA-SVM模型对实例中间20年和后3年枯水期月径流预测的平均相对误差绝对值分别为5.04％、3.62％(5次平均),精度优于PSO-SVM和GA-SVM模型,表明AFSA-SVM模型具有较高的预测精度和泛化能力.AFSA算法具有全局寻优能力强、简单易实现、对初值参数选择不敏感等优点,利用AFSA算法优化得到的SVM学习参数有利于提高SVM模型的预测精度和泛化能力.     

基于改进支持向量机回归的日径流预测模型

日径流预测是水资源优化调度的重要组成部分,日径流预测精度的高低直接影响水资源优化配置的程度。针对日径流序列的特性,研究提出一种改进的支持向量机回归模型,并应用于日径流预测。与基本支持向量机和BP神经网络对比分析的实验结果表明,基于改进支持向量机回归预测模型的日径流预测精度明显高于BP网络,尤其是对于变化剧烈的径流序列表现出较基本支持向量机回归模型更优越的预测性能,为日径流预测分析提供了一种可靠、有效的途径和方法。     

几种智能优化算法与支持向量机相融合的月径流预测模型及应用

通过10个低维测试函数对混合蛙跳算法(SFLA)、入侵杂草优化(IWO)算法、帝国竞争算法(ICA)、生物地理学优化(BBO)算法和人工蜂群(ABC)算法进行仿真验证及对比分析。针对支持向量机(SVM)学习参数难以确定的不足,利用这5种智能算法搜寻SVM最佳学习参数,提出SFLA、IWO、ICA、BBO和ABC算法与SVM相融合的预测模型,以云南省某水文站枯水期1—3月月径流预测为例进行实例研究。结果表明:1对于低维函数极值寻优问题,SLFA、IWO、ICA、BBO及ABC算法均具有较好的收敛精度和全局寻优能力,尤以SLFA算法的寻优性能为最优;2SLFA-SVM、IWO-SVM、ICA-SVM、BBO-SVM及ABC-SVM模型对实例1—3月月径流均具有较好的预测效果,可满足枯水期月径流预测的精度需求。提出的模型及方法可为相关预测研究提供参考。