基于多模型组合方法的公平水库中长期入库径流预报

准确可靠的水库中长期预报结果对于指导受水区水资源优化配置等具有重要意义。本文首先选取SARIMA 模型、SVM 模型、XGBoost 模型与RF 模型分别构建公平水库月入库径流预报方案,以气象因子的物理机制为基础,在成因分析与随机森林重要性排序的基础上筛选关键预报因子并输入至4 个单一模型中。然后在对比分析各模型优劣的基础上,以线性与非线性组合2 种方式构建组合预报方案。结果表明：RF 模型在4 个单一模型中的模拟结果表现最优,SARIMA 模型的模拟精度随着入库径流量的增加而增加;组合预报模型较任一单一模型的模拟结果均更好,基于神经网络的非线性组合方式能够有效提高验证期的模拟精度,增加模型的泛化能力。     

寒冷地区月降雨径流预报模型研究

西沟水电站地处高寒地区，受冰雪和冻土影响，降雨径流关系有其独特的规律和特点。本文在编制月降雨径流预报方案中，考虑冻土的不透水作用和蓄水调节作用，分别确定相应的参数，用不同分层模型计算取得了满意结果，提示了寒区降雨径流规律，如果通过计算机优选拟合，准确度和精度会更高，值得进一步研究与推广。     

大伙房水库旬降雨径流非线性相关模型研究与应用

分析了大伙房水库引水工程实际调度需要,研究水库流域基于旬降雨、旬初径流的旬径流中期预报模型,通过对水库建库以来的47年旬降雨径流资料的模拟,确定了用于水库旬径流预报的各旬模型参数,参数拟合和检验模拟合格率都比较高。应用结果表明,模型结构简单,可操作性强,可为应用美国的GFS(Global Forecasting Sys...     

黄河干流水库联合调度径流预报模型研究

在简述线性水文系统中总径流线性响应模型ＴＬＲ与线性扰动模型ＬＰＭ以及时间序列的自回归ＡＲ模型、滑动平均ＭＡ模型和自回归滑动平均ＡＲＭＡ模型基础上，结合黄河干流水库联合调度研究阐明了黄河干流径流预报的构想及组合模型、并讨论了径流预报模型实时校正方法，同时分析了各模型的特点及其对水库优化调度的影响，这对黄河干流水库联合调度研究以及水库优化调度在实际中的应用具有重要意义．     

紫坪铺水库工程非汛期径流预报的研究

紫坪铺水文站非汛期划分为退水期和过渡期，前者的径流变化选用分级退水模型和季节性自回归模型描述，后者采用多元回归、灰色动态、非参数权重和模糊集预报模型等刻划。经优选后采用的预报模型，其评定和预报检验对旬、月径流都有令人满意的精度。     

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。     

时间序列模型在径流长期预报中的应用研究

自回归积分移动平均法(ARIMA法)通过对噪声概率分布的研究,可知道预测在各种概率下可能出现的偏差大小,能很好地处理随机干扰问题.随着计算机技术的发展,该方法的计算工作量大的缺点,也迎刃而解.介绍了ARIMA预测模型的建模原理和建模方法,并将该方法应用到塔里木河上游源流卡群水文站的年径流量预报中,以误差在±20%以内为全合格标准,合格率达到90%以上.     

三峡水库入库径流预报对年发电量的影响

根据入库径流预报资料对三峡水库进行中期优化调度.研究入库径流预报的质量对年发电量的影响.从总体上看,预报精度越高,年发电量越大.在3～7 d的时域内,预见期越长,年发电量越大.     

组合预报在乌江渡水文预报中的应用

利用1951-2006年乌江渡月径流量和74项气象因子建立逐步回归、时间序列、周期均值叠加、多元线性回归、岭回归模型,对2007年和2008年月径流量进行预报以检验效果。按要求将各水文模型进行加权组合预报,共五种组合均提高了拟合、预报结果的精度和稳定性。     

基于两阶段粒子群优化算法的新型逐步分解集成径流预测模型

传统分解集成径流预测模型首先将整个径流序列分解成若干个子序列,再将这些子序列划分为训练期和验证期进行建模,错误地将验证期内预报因子数据视作已知数据处理,难以应用于实际径流预报工作中。并且,这类模型的预测结果仅为一个确定数值,难以描述由于径流序列随机性和波动性而导致的预测不确定性。为解决以上问题,本文结合变分模态分解方法、支持向量机模型和核密度估计方法,提出了一种可同时进行点预测和区间预测的新型逐步分解集成(VMD-SVM-KDE)模型,并提出了一种两阶段粒子群优化(TSCPSO)算法来优化模型参数。选用黄河流域月径流数据评估模型性能,研究结果表明:(1)VMD-SVM-KDE模型将单一SVM-KDE模型的确定系数(R²)和纳什效率系数(NSE)值由0.145~0.630提升至0.872~0.921,区间平均偏差(INAD)值由0.046~95.844降低至0.005~0.034,说明VMD-SVM-KDE模型显著改进了单一SVM-KDE模型的点预测和区间预测性能;(2)相较于一阶段PSO算法,TSCPSO优化算法将单一模型的R²和NSE值由0.145~0.480提升至0.309~0.630,INAD值由48.813~95.844降低至0.046~0.195,将分解集成模型的R²和NSE值由0.872~0.912提升至0.876~0.921,INAD值由0.007~0.034降低至0.005~0.014,说明TSCPSO优化算法可以克服SVM的过拟合问题,并能提高单一模型和分解集成模型的预测精度;(3)VMD-SVM-KDE-TSCPSO有效解决了传统分解集成预测模型存在的错误使用验证期内预报因子数据的问题,并在各站的R²和NSE值均约为0.9,INAD值的范围为0.005~0.014,具有更高的点预测和区间预测精度。文中模型可为优化径流预测模型和非平稳非线性水文序列预报提供新思路。     

黄河流域水沙变化趋势多模型预测及其集合评估

黄河水沙变化情势深刻影响着黄河流域水沙调控工程布局、流域内外水资源配置和跨流域调水工程建设等黄河保护与治理开发重大问题的决策。但受研究时段、方法及其边界条件等影响,黄河水沙变化预测成果差异大,难形成共识。本研究基于水沙变化归因和预测结果的不确定性解析,构建了多模型预测成果集合评估技术,预测了黄河流域未来50 a水沙量。结果表明:既有流域水沙变化归因与预测成果差异大,原因在于不同方法因数据输入、变量构成及精度评价方法差异带来的不确定性;提出了基于输入-结构-输出的模型适用性判别准则和评价技术,并基于标准化的数据输入,从数据需求、物理基础、应用效率、输出尺度和预测精度等五个维度,集合评价了现有水沙变化预测模型的适用性;构建了流域水沙变化多模型集合评价-多结果加权融合-BMA集合预测的集合评估技术,根据9类模型预测成果,集合预测了黄河流域未来50 a年径流量为240亿m³,年均输沙量为2.5亿t。     

WPSO-SVR耦合日径流预测模型研究及应用

针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。     

丹江口水库来水情势分析与径流预测

基于丹江口水库1956—2016年逐月平均流量资料,采用数理统计手段分析丹江口水库年径流量的周期性和趋势性;从百项气候系统指数集和太阳黑子数中筛选出预测因子,构建月平均流量与预测因子间的多元线性回归模型和随机森林模型,实现丹江口水库月径流预测。结果表明,丹江口水库年径流量呈显著的减小趋势,并伴随有6～8 a、18～21 a两类尺度的周期振荡特性;以2017年逐月平均流量为例,随机森林模型和多元线性回归模型的预报合格率分别为83.3%、75.0%,预报精度均较好,且随机森林模型的预测精度优于多元线性回归模型,可用于丹江口水库月径流预测。     

SCS-CN模型改进及其径流预测

黄土高原的土壤侵蚀与水土流失程度都很严重,对其进行水土流失的预报有着重要的生态意义和经济意义。利用SCS-CN(soil conservation service curve number)模型进行地表产流预测。针对黄土高原特定的气候及下垫面条件,以陕西省榆林市绥德韭园沟典型小流域为研究区域,借助韭园沟流域次降雨径流资料,优化影响降水产流关系的相应参数(初损率和降雨强度)。结果表明:①使用反算法来优化初损率,确定初损率为0.075,模型效率系数为0.208;②使用MATLAB结合粒子群算法来进一步优化初损率,确定初损率为0.13,模型效率系数为0.504,相比于反算法提高了142%,模型预报精度得到了很大提高;③在黄土丘陵沟壑区引入雨强因子修正降雨量函数,改进后模型效率系数为0.652,确定性系数为0.753,利用雨强修正函数后的SCS模型相比于标准SCS模型,确定性系数和模型效率系数分别提高了101%和534%。通过预测流域径流深与实测流域径流深的比较,模型模拟精度较为理想,可用于黄土高原不同小流域场次降雨的产流预报。     

非稳态条件下的中长期径流耦合预报方法

气候变化会导致水文序列的非稳态性,从而给水文预报带来新的挑战。以疏勒河上游为例,提出了一种适于非稳态条件下的新的中长期径流预报方法。根据疏勒河径流的补给来源及其受气候变化的影响,按照时间序列模型的思路,依次提取趋势项和周期项,对剩余的随机项采用基于水文-气象遥相关模型,构建了时间序列与水文-气象遥相关的耦合模型。对比分析时间序列法、水文-气象遥相关法和耦合预报法对昌马堡站径流预报的结果,发现耦合预报方法不仅精度最高、模型可信度最高,而且可以描述非稳态的趋势性变化。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。     

Two-step daily reservoir inflow prediction using ARIMA-machine learning and ensemble models

The reservoirs play a crucial role in the development of civilisation as they facilitate the storage of water for multiple purposes like hydroelectric power generation, flood control, irrigation, and drinking water etc. In order to effectively meet these multiple purposes, the knowledge of the inflow in the reservoir is essential. Apart from the historical data, future prediction of the inflows is also necessary specially in context of climate change. A two-step algorithm for the prediction of reservoir inflow to enable meticulous planning and execution of daily reservoir operation keeping the historical variation of inflow in account has been proposed. The developed algorithm takes into account the patterns in the historic inflow data using the time series analysis along with the variability in the climatic patterns using the different predictors in the machine learning model. The first step uses time series model, ARIMA method to forecast the monthly inflows, which are then used as the targets in the second step for the month-wise daily forecasting of the inflows using the two types of ensemble models, namely, averaging and boosting models in machine learning. The test results show that for both the monthly models and daily models the NRMSE and NMAE values were low for the monsoon periods compared to the non-monsoon periods. The averaging ensemble models were found to perform better than the boosting ensemble models for maximum number of months. The yearly results show an error of less than 5% between actual and predicted values for all the test cases, showing the precision in the developed algorithm. Further, the uncertainty analysis shows that the prediction done using the weighted average of the different inflow scenarios performs better than the prediction against the single inflow scenario.     

基于ASWPD-BO-GRU的月径流量预测模型

为提高月径流量预测精度,并针对传统分解集成径流预测模型错误使用未来数据的问题,提出并建立了基于自适应小波包分解（ASWPD）和贝叶斯优化（BO）的门控循环单元（GRU）月径流量预测模型（ASWPD-BO-GRU）。首先,利用ASWPD对原始月径流量时间序列进行分解,在不使用未来数据的前提下得到4个相对规律的分解子序列,以降低预测难度;然后,利用BO优选分解后的子序列对应的GRU模型超参数;最终,对每个子序列进行预测,将预测结果相加重组得出月径流量预测结果。将提出并建立的模型应用于黑河流域莺落峡水文站月径流量预测中,并与GRU、BO-GRU、WPD-BO-GRU模型（基于传统分解思想对原始月径流量时间序列整体进行分解的预测模型）的预测结果进行对比。结果表明：ASWPD-BO-GRU模型的纳什效率系数（NSE）为0.89,在实例应用中预测精度最高,说明ASWPD-BO-GRU模型在正确分解的前提下具有较高的预测精度和更强的泛化能力。     

河道深泓线变化神经网络预报模型研究与应用

以来水来沙及河段上下游边界条件为基本因子，建立了基于BP神经网络的河道深泓线变化预报模型。经长江中游马宜咀和长江口南支河段实测资料验证，模型能较准确模拟两河段的深泓平面变化，而且也能准确预测河段深泓平面变化趋势，该模型的建立为河道深泓平面摆动的定量预报以及河道治理和航道整治等工程实践提供了一种新途径。