水库径流预报的递阶结构组合模型研究与应用

由于传统水库径流预报模型未充分考虑单个模型的预报信息,且缺乏对单一模型及其预报结果的前期预处理,为此引入预报精度和预报稳定性两个评价指标,基于对各单一模型及其预报结果的前期预处理,分步确定各单一模型的权重,建立了水电站水库径流预报的递阶结构组合模型。应用于三峡水库的计算结果表明,所建组合模型能够充分利用各单一模型的预报信息,其预报精度和预报稳定性较单一模型都有一定程度的提高,可为水电站水库入库径流预报提供多模型综合的预报信息,对水库调度运行计划的合理制定提供一定的技术支持。     

黄河上游月尺度径流量预报集成与决策方法探讨

根据预报信息来源不同,采用不同的预报模型进行计算,将不同预报模型的计算结果进行预报集成和预报决策,从而获得定量的月尺度径流量预报值.检验结果表明,预报集成和预报决策提高了预报的稳定性,预报精度令人满意.     

提高汤河水库后汛期产流预报精度研究

汤河水库洪水预报方案在主汛期的产流、汇流精度均在90％以上，应用效果较好。但在后汛期（8月21日～9月20日）发生的洪水预报径流量比实际入库径流量偏大，预报精度较低，不能满足水库调度的需要。对汤河水库建库后的洪水资料进行了全面计算分析，通过修订模型参数，可使平均预报精度达到82％。     

丹江口水库入库洪水概率预报及调度风险分析

为了科学表示洪水预报中的不确定性和风险信息，以丹江口水库为研究对象，基于Copula贝叶斯方法开展丹江口水库入库洪水流量概率预报，从概率预报期望值的精度、预报区间的优良性以及整体性能3个方面对概率预报结果进行评价，并在此基础上进行丹江口水库调度风险策略分析。结果表明：随着预见期的延长，丹江口水库流量概率预报的不确定性相应增加，精度有所降低；各预见期的概率预报区间总体合理可靠，区间覆盖率均超过0.87;概率预报期望值精度较确定性预报略有提升，不同预见期的连续概率排位分数CRPS始终小于相应的确定性预报的平均绝对误差MAE,较确定性预报MAE的降低幅度均超过25%。研究成果可提供不同方案下水库水位超目标水位的风险信息，为科学风险调度决策提供参考。     

神经网络技术在水文系列中长期预报中的应用

运用人工神经网络技术的基本原理，以降雨量作为基本影响因子，建立了流域年径流量的神经网络预报模型。在建模过程中，为保证计算快速收敛，重新定义了权重增量的计算公式。从两个流域的应用实例资料验证表明，模型基本合理、可靠，具有较好的适应性和预报精度。由模型计算结果可以看出，将人工神经网络技术应用于流域年径流量的预报研究，是以系统的观点将降雨与径流作为输入和输出联系起来，它可为流域径流的中长期变化预测提供一条崭新而有效的途径。     

门楼水库洪水预报及修正方法

由于流域下垫面条件、人类活动和水利工程影响,使得概念性流域水文模型更加难于全面地描述流域的产汇流特性,导致预报结果误差较大。研究以门楼水库为背景,分析流域入库洪水组成、水利工程分布、气候及下垫面等水文特点,采用大伙房模型(DHF)进行门楼水库以上流域的洪水预报方案研究,进而修正水库的入库洪水过程。研究结果表明,修正后的洪水预报结果精度比修正前有较大提高,可以为水库防洪调度决策提供依据。     

水库洪水预报实时校正方法的选择与确定

针对水库入库洪水过程预报中的偏差问题,应用现代随机系统理论,将现代系统理论中的实时校正技术与建立的水库洪水预报概念性水文模型相结合,探讨建立适应水库总体洪水预报方案的预报误差实时校正模型,为进一步提高水库洪水预报精度、指导水库进行科学的防洪决策提供可靠的依据.本文以枫树坝水库洪水预报实时校正方法的选择为例作一简要介绍.     

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。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

基于流溪河模型的乐昌峡水库入库洪水预报模型研究

采用流溪河模型构建乐昌峡水库入库洪水预报模型,通过"粒子群(PSO)"算法优选模型参数,并对实测洪水过程进行了模拟,对比模型性能。研究发现,采用流溪河模型的乐昌峡水库入库洪水预报性能优良,可满足乐昌峡水库入库洪水预报对精度的要求;模型参数优选可明显提高乐昌峡水库入库洪水预报流溪河模型的洪水模拟精度;"粒子群"算法具有很强的全局优化能力,快速的计算收敛能力,参数优选中种群进化次数在30次以内;乐昌峡水库的建成运行产生了一定的水库洪水效应,10场洪水平均峰现时间提前1.3 h,次洪径流系数增加1.596%,洪峰流量增加0.207%。该模型可用于同类水库入库洪水预报。     

基于四种方法的月径流预测研究

径流预测对于水资源的合理开发利用与统筹配置具有重要意义。根据黄土高原地区渭河支流-北洛河状头水文站和泾河张家山站的月径流资料,运用门限自回归模型、神经网络模型、方差分析外推法以及季节水平模型四种方法对其进行预测,观察模拟效果并比较各自优缺点。对于枯水期月径流,季节水平模型对于两站预测合格率均为100%;方差分析外推法对于状头站和张家山站预测合格率分别为90%,80%;门限自回归模型对于两站的预测合格率均为80%;神经网络模型预测两站汛期月径流合格率均为100%。表明季节水平模型适用于枯季月径流的预测,神经网络模型适宜于汛期月径流预测,并且精度良好。     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列；然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

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。     

数学模型在漫湾水电站中长期预报中的应用

水文中长期预报作为防灾减灾以及进行水资源优化调度、水电站运行管理的重要依据,一直是水文工作中的重点和难点。为了探究不同数学模型在漫湾水库的适用性,选定人工神经网络、最近邻抽样回归、线性回归3个模型对漫湾水库进行月径流模拟,并将各个模型的模拟径流进行对比和精度评价。最终选定模拟精度较高的最近邻抽样回归方法建立漫湾水库月径流来水预报方案。     

二滩水电站中期径流序列预测研究

分别利用门限回归模型（TR模型）和人工神经网络模型对二滩水电站的月平均径流量序列进行了预测。通过计算可知，门限回归模型和人工神经网络模型都可以很好地解决月平均径流的预测问题，相对误差总体上都比较小。但门限回归模型计算繁琐，不能及时、快速得到计算结果，而人工神经网络模型计算快速，占用内存小，还有很好的容错性，即使在数据不完全的情况下，也能及时准确地得到径流预报值。考虑到模型自身的特点和优势，在实际运行中推荐使用人工神经网络模型进行月平均流量的计算和预测。     

基于多元变量组合的回归支持向量机集成模型及其应用

为进一步提高径流预测的精度和泛化能力,提出基于多元变量组合的回归支持向量机(SVR)集成年径流预测模型,以云南省龙潭站年均径流预测为例进行实例研究。首先,以实例1—10月月均流量作为预测因子,采用相关分析法确定预测因子与年均径流量的相关系数,按照相关系数大小顺序依次选取预测因子,构建2维输入变量~10维输入变量的9种SVR模型对实例后12年的年均径流量进行预测。最后,采用简单平均(SA)和加权平均(WA)两种集成方法对具有较高预测精度的7种SVR模型的预测结果进行综合集成。结果表明:①SVR模型的预测精度随着输入变量维数的增加明显提高。②SA-SVR和WA-SVR模型对实例后12年年均径流量预测的平均相对误差绝对值分别为1.73%和1.79%,最大相对误差绝对值分别为6.34%和6.47%,精度和泛化能力均优于各SVR模型。相对而言,由于采用多个SVR模型进行集成,SA-SVR模型预测效果略优于WASVR模型。     

基于PSO-BP神经网络的西洞庭湖南咀站径流预测

为建立因子少、预报周期短、预报精度高的西洞庭湖控制性水文站南咀站的月平均径流量预报模型,通过对松滋-太平水系控制性水文站安乡、澧水控制性水文站石龟山站月平均水位、流量以及沙湾站月平均水位进行相关性、因子贡献率分析,确定输入因子,借助PSO-BP神经网络对南咀站1956年1月至2005年12月各月平均径流量进行训练,获取网络结构及参数进而预测2006年1月至 2008年12月各月径流量。结果表明：① 石龟山、安乡站水位对南咀站月平均径流量影响最显著;② 汛期、非汛期的划分一定程度上可提高南咀站月平均径流量预报精度;③ 以安乡、石龟山站月平均水位、流量以及沙湾站月平均水位作为输入因子,PSO-BP神经网络预报效果最好,合格率77.8 %,预报等级为乙级;④ 基于相关性、因子贡献率分析,将安乡、石龟山站作为输入因子,预报合格率降为61.1 %,预报等级降为丙级,但仍满足预报要求。     

基于灰色系统与RBF神经网络的中长期水文预报

及时、准确的中长期水文预报能有效促进水库管理优化。以非汛期各月径流量为预报因子,通过计算所需预报年份与已有径流资料历史年份的预报因子之间的灰色关联度,遴选出与该年灰色关联度较大的年份作为代表年份。采用MATLAB数学软件构建RBF神经网络预报模型,利用选定的代表年份径流量对目标年份汛期径流量进行预报。以清河水库为例,用该模型预报汛期径流量。结果表明,模型简单可操作、运行速度快、预报效果好。     

克鲁伦河月径流混沌时间序列的LS-SVM和RBF预测

采用相空间重构理论计算实测月径流的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明克鲁伦河月径流时间序列存在混沌现象。混沌时间序列的最小二乘支持向量机预测模型涉及参数较少,计算过程简便,训练速度快。RBF神经网络预测模型具有较快的训练速度和较强的非线性映射能力。同时,二者在建模中都引用了径向基函数,从而更加简化了非线性问题的求解。实例表明:将这两种模型应用在月径流时间序列预测上,其运算速度都很快,但在预测精度上,最小二乘支持向量机预测模型要优于径向基神经网络预测模型。