基于BP算法的龙门站含沙量预报模型

针对目前各种传统水文含沙量预报方法的不足,考虑吴堡至龙门区间入流的影响,建立了基于神经网络的BP预报模型,对龙门站最大含沙量进行了预报,并利用实测资料对模型的模拟效果进行了验证,预报精度比较理想.     

基于误差修正的BP神经网络含沙量预报模型

以黄河龙门—潼关河段作为研究区域,在分析区间来沙来水对含沙量影响的基础上,建立了基于BP神经网络的潼关站含沙量过程预报模型。同时,为提高预报模型的预报精度,利用误差序列建立了相应的误差自回归模型对预报结果进行校正。校正前后泥沙过程的对比分析表明,校正后的泥沙过程预报精度有较显著的提高,5场验证泥沙场次的平均确定性系数由校正前的0.35提高到校正后的0.76。     

基于PSO-BP模型的黄河兰州站含沙量预测

为了提高BP模型对含沙量预报的精度,采用PSO算法优化了BP神经网络的权值和阈值参数,并用黄河兰州站的含沙量资料进行了验证。结果表明:该方法能克服传统BP模型易陷入局部收敛的缺点,提出的PSO-BP模型能够提高含沙量预测的准确度。     

秦淮河流域东山站水位预报研究

为提高秦淮河流域东山站水位预报的精度,基于BP神经网络算法建立经验预报模型,分别根据降雨历时、起涨水位两种模式对水位涨幅进行预报。分析了两种模式预报结果,选出最优的预报模式,并用混合线性回归模型作为预报精度的参考验证。结果显示,BP神经网络模型的预报精度高于混合线性回归模型,而且BP神经网络模型两种预报模式的结果都达到了乙级标准以上,根据起涨水位的预报模式效果更好。     

基于k-最近邻筛选的BMA集合预报模型研究

针对冗余训练样本会降低BMA参数求解效率与精度问题,本文提出在BMA运算之前采用k-最近邻(k-nearest neighbor)算法筛选有价值训练样本,并用于BMA参数求解的改进模型。模拟试验在淮河王家坝站进行,分别以k-最近邻筛选、不筛选两种方案为BMA提供训练样本,统计分析两种方案中王家坝站流量模拟结果,评价BMA改进法的性能。模拟结果显示,采用k-最近邻样本筛选方法后,BMA模型对洪水过程以及洪峰的预报精度提升明显;概率预报结果的离散程度降低的同时,可靠性程度获得提升。k-最近邻样本筛选方法的引入,能够有效去除BMA模型训练样本中的冗余数据,以少量的样本获得更可靠的模型参数,改善集合预报性能。     

黄河中游龙门站洪水最大含沙量预报方案的建立及应用研究

选用黄河中游龙门站1956～2003年洪峰流量在起报标准5 000 m3/s以上的洪水85场,以吴堡含沙量、输入站合成含沙量、Qmα龙ρβ吴和Qmα龙ρβ合为自变量,区分洪水不同来源,建立并优选出龙门站基于统计途径的最大含沙量预报方案.方案在"03.7"山陕区间洪水中进行了应用,实测值为127 kg/m3,预报值为140 ks/m3,其结果合格.     

BP与LSTM神经网络在福建小流域水文预报中的应用对比

LSTM(长短期记忆)神经网络作为一种具有记忆能力的循环神经网络,能够学习时间序列数据间的状态特征,特别适合用于流域降雨径流预报。利用福建省延寿溪流域渡里水文站逐时降雨数据和逐时流量数据,分别采用模块化建模方法构建BP神经网络和LSTM神经网络,并采用集合预报均值的形式以避免模型训练中的参数局部最优解问题,进行未来1～24 h的逐时流量滚动预报。对比2个神经网络模型预报结果表明,LSTM模型整体预报效果优于BP模型,在滚动预报过程中预报精度的衰减速度大大慢于BP模型,1～24 h逐时预报的Nash效率系数为0. 968～0. 740,能够满足短期洪水预报精度要求。     

基于遗传算法优化的小波神经网络在中长期水文预报中的应用——以三门峡为例

造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。     

石羊河流域中长期径流预报模型应用

以石羊河流域西营水库为研究对象,采用时间序列模型(逐步回归自回归组合模型、ARMA模型)和改进的人工神经网络模型(逐步回归BP神经网络模型、逐步回归RBF神经网络模型)进行中长期径流预报并对比分析,为石羊河流域水量调度系统设计提供参考。结果表明:4种预报方法都达到预报精度要求,其中RBF神经网络方法合格率最高,但耗时长,逐步回归自回归预报精度和模型耗时都比较合理,可为石羊河流域水资源调度提供参考。     

梯级-关联算法在多泥沙河流含沙量预报中的应用

本文借助历史加成法处理样本数据，并分别利用梯级-关联算法(CC)和误差反馈传播算法(BP)建立模型对黄河下游夹河滩水文站汛期含沙量进行预报。传统BP网络需要预先设定网络结构，预报过程虽利用了神经网络的内插特性，但其样本的处理方式和网络构建方式使得运算效率较低；CC算法仅要求初始网络含有输入层和输出层，通过运算不断向网络增加隐含节点，从而最大限度的减少了在网络构建过程中的主观因素。本文比较了当预报的峰值超出训练样本取值范围时两种算法的表现，结果显示：当预报的峰值为训练样本峰值的2.45倍时，二者均能实现较为准确的预报，BP网络在预报精度上要略高于CC网络，但CC网络在运算速度上要明显快于BP网络。     

中长期水文预报方法应用研究

文章采用传统预报方法——多元线性回归和新方法——BP网络和投影寻踪技术,分别建立预报模型.利用长江宜昌站8-12月径流资料来研究预报模型的可行性和实用性.研究表明,3个预报模型的精度均在20％以内,尤其是BP模型预报精度均在10％以内,效果较好,具有一定的实用价值.     

基于小波分析—模糊神经网络的径流预报模型

根据不同的小波分解及重构技术及不同的模糊神经网络模型训练周期,本文提出了四种小波分析与模糊神经网络相结合的径流预报模型,即：基于Mallat算法的母周期径流预报模型、基于Mallat算法的子周期径流预报模型、基于小波包算法的母周期径流预报模型、基于小波包算法的子周期径流预报模型,并阐述了模型建立的原理、结构及步骤。而且,以黄河源区出口水文站——唐乃亥站月径流量为应用实例,采用周期分解系数及模拟效率系数对上述四种模型进行对比评价。结果表明：基于Mallat算法的母周期径流预报模型预报效果最好,基于小波包算法的子周期径流预报模型则模拟效果最差。文中对导致这一现象的主要原因进行了分析, 并对小波分析及模糊神经网络在水文模型中的应用提出了合理化建议。     

基于多组群教学优化的随机森林预测模型及应用

为有效提高水文预测预报精度,提出了一种基于多组群教学优化(MGTLO)的随机森林(RF)预测方法,利用MGTLO算法对RF两个关键参数进行优化,构建MGTLO-RF预测模型,并与基于MGTLO算法优化的支持向量机(SVM)、BP神经网络两种常规预测模型作对比分析。以云南省龙潭站月径流和年径流预测为例进行实例研究,利用前44 a和后10 a资料对MGTLO-RF等3种模型进行训练和预测。结果表明:所提出的MGTLO-RF模型具有更好的预测精度和泛化能力,可作为水文预测预报和相关预测研究的一种有效工具。     

岩溶地区径流预报中BP网络的改进

岩溶地区下垫面复杂,各种岩溶管道、裂隙、溶洞发育使得流域不闭合,地下暗河存在水量交换,而地下水库的调蓄作用,使得流域出口断面总流量与降雨量不成绝对的线性关系。为了克服上述问题带来的岩溶地区降雨径流预报精度低问题,提出了改进的BP网络方法,并通过实例验证了此方法的可行性。以六冲河七星关站断面以上流域的平均日降水量、平均日蒸发量、前期流量作为影响因子,建立了2种预报模型：①传统BP网络模型;②运用SPASS软件筛选BP的影响因子数和调整输入层初始权值,并对逐日径流量资料进行对数处理建立改进的BP网络模型。通过实例分析发现改进的BP网络模型预报效果更好,可以有效地提高大洪峰和小洪峰的预报精度。     

不同组合小波神经网络模型对径流预测的适用性

针对水文时间序列的非平稳性特征,以长江三峡宜昌站1904~2003年年平均流量为例,分别建立了小波分析（WA）与BP神经网络和径向基函数神经网络（RBF）耦合的预测模型,探究了两种组合模型的预测效果,并与传统的单一人工神经网络模型对比;并采用5种常见的预测性能评价指标分析预测效果。结果表明：组合模型预测成果的精度较单一模型显著提高;组合和单一模型中RBF网络模型均优于BP网络模型;小波径向基函数神经网络组合模型具有较优的预测精度和泛化能力,是提高预测精度的有效方法,在径流预测中具有可行性。     

基于VMD-BP模型的河流流量预测方法

河流流量是水文监测和水资源管理的重要指标,流量预测对于水利建设、航运规划和水资源调度等方面具有重要的指导意义和参考价值。结合变分模态分解(VMD)处理非平稳序列的优势以及BP神经网络(BPNN)处理非线性拟合的能力,提出和构建了基于VMD-BP模型的河流流量预测方法。以长江宜昌水文站为实例,基于1998年和1999年的日水位和日流量数据,对方法模型进行了验证。结果表明:VMD-BP模型在一定程度上解决了水位和流量的多值关系,降低了数据的波动性,预测结果优于线性拟合的回归模型和BPNN模型,预测误差仅为1.61%,为河流流量预测提供了一种有效的方法。     

Monthly Streamflow Forecasting Using Convolutional Neural Network

Monthly streamflow forecasting is vital for managing water resources. Recently, numerous studies have explored and evidenced the potential of artificial intelligence (AI) models in hydrological forecasting. In this study, the feasibility of the convolutional neural network (CNN), a deep learning method, is explored for monthly streamflow forecasting. CNN can automatically extract critical features from numerous inputs with its convolution–pooling mechanism, which is a distinct advantage compared with other AI models. Hydrological and large-scale atmospheric circulation variables, including rainfall, streamflow, and atmospheric circulation factors are used to establish models and forecast streamflow for Huanren Reservoir and Xiangjiaba Hydropower Station, China. The artificial neural network (ANN) and extreme learning machine (ELM) with inputs identified based on cross-correlation and mutual information analyses are established for comparative analyses. The performances of these models are assessed with several statistical metrics and graphical evaluation methods. The results show that CNN outperforms ANN and ELM in all statistical measures. Moreover, CNN shows better stability in forecasting accuracy.

     

基于互信息与神经网络的天山西部山区融雪径流中长期水文预报

为提高天山西部山区融雪径流的预报精度,更好地指导所在区域的工农业生产发展,针对影响预报精度的关键问题(预报因子的选择),基于互信息法、相关系数法、主成分分析法对研究区的预报因子进行优选,采用RBF神经网络以及组合小波BP神经网络模型进行径流预报研究,并进行不同方案的比较。结果表明:①互信息法优选出的预报因子作为模型输入可以提高预报精度;②采用不同优选预报因子作为RBF神经网络以及组合小波BP神经网络模型的输入变量,结果表明RBF神经网络模型的预测精度要好于组合小波BP神经网络模型;③以相对误差作为评价模型精确度的标准,预测效果最好的是基于互信息方法挑选出的预报因子作为RBF神经模型输入数据的模型预测结果。     

人工神经网络与遗传算法在多泥沙洪水预报中的应用

由于水沙作用机制和演进规律的复杂性，以及河道形态变化等因素，多泥沙洪水预报一直是洪水预报的难点，对高含沙洪水快速、准确的预报是多年来国内外专家十分关注的课题。作者采用具有高度非线性识别能力的人工神经网络与遗传算法相结合的方法，探讨了建立智能预报模型的基本方法，进一步对如何提高预报精度的问题进行了研究，并结合黄河洪水预报实例检验了神经网络模型的可行性。检验结果表明，该方法能够较好地识别多泥沙洪水的演进规律，对水位、流量和含沙量都能进行合理预报。