黄河水量调度径流预报方法研究

介绍了服务于黄河水量调度的中长期径流预报技术方法、主要模型、预报系统及应用情况,并对未来黄河流域径流预报发展方向进行展望。黄河中长期径流预报模型从每个控制站点水文序列的影响因子和自身演变规律出发,根据各站点不同时期、不同影响因素,选择适当的统计方法分别建立。非汛期径流预报模型主要以前期径流、降水为预报因子,采用多元回归分析、门限回归分析和时间序列分析等方法建立;汛期径流受降雨影响强烈,流域降水主要受大气环流等因子影响,因此从前期环流因子中挑选预报因子,建立了汛期径流预报模型;天然径流量预报模型主要采用实测径流还原、时间序列分析及大气海洋物理因子相关等方法建立。黄河中长期径流预报模型及预报系统的建立,提高了黄河流域径流预报技术水平和能力,在1999—2018年20 a的水量调度中,提供了准确的年度水量预报和旬月径流预报,其中每年10月中下旬发布的花园口站年度天然径流总量预报平均误差为3.7%,最小预报误差为0.6%。     

基于改进模糊支持向量机方法的车尔臣河径流预报

针对径流时间序列固有的非线性和随机性特点,本文提出了基于灰色关联分析的模糊支持向量机预报方法。该方法在传统支持向量机任意逼近的非线性映射能力上,引入模糊隶属函数来考虑气候和流域下垫面变化下径流样本对预报结果的影响。此外,预报因子选取是中长期径流预报的一大难点,考虑到相关系数法只能衡量因子间线性相关程度的不足,本文采用灰色关联分析来量化预报因子与预报对象的关联程度,并按关联度大小挑选出对径流过程影响显著的预报因子。将该方法应用于新疆车尔臣河的月径流预报中,与GRNN神经网络模型和A-FSVM模型的预报结果比较表明:该方法能提高径流中长期预报精度,是一种有效的径流时间序列预测模型。     

中长期径流预报研究进展及发展趋势

从中长期径流演变规律、径流预报因子识别、径流预报模型和径流预报系统4个方面阐述了中长期径流预报的研究进展,在此基础上分析了中长期径流预报面临的主要问题和发展趋势。未来中长期径流预报研究应更加注重多学科综合和跨学科交叉,更加注重预报方法的适用性及预报结果的可靠性、稳定性,更加注重高新技术的应用。     

非线性混合回归模型在年径流预报中的应用探讨

在气候变化和人类活动等影响下,径流变化日益复杂,常用的流域径流预报方法有时间序列法、多元回归分析等,但这些方法预报精度较差,笔者建立起基于BP神经网络系统的年径流预报非线性混合回归模型,并以1961~2001年的数据为训练样本,以2002~2010年的数据为预测检验样本对新疆天山北坡昌吉州呼图壁县内的军塘湖流域年径流进行预报,结果表明,该预报方法具有较高的预报精度。     

潘家口水库枯水期月径流预报

在分析研究流域气候特征及枯季径流来水规律的基础上，用水文气象方法和水文方法分别建立了枯水期月径流预报模型。水文气象方法是先挑选出与预报对象关系最好的气象因子作为预报因子，据此建立预报模型和预报集成模型。水文方法是利用水文序列资料建立自回归模型和多元递推模型。用实测资料对预报模型进行了验证，结果表明：预报精度令人满意。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

新丰江水库月径流长期预报方法研究

研究新丰江水库月径流长期预报方法，根据7种预报因子，建立7个预报方案，将不同预报方案的预报结果进行预报集成和预报决策，从而获得定量的月径流预报值。实测资料检验结果表明：方法可行，预报精度令人满意，可应用于生产实践。     

超越概率贝叶斯判别分析方法及其在中长期径流预报中的应用

中长期径流预报是水文预报中的经典难题之一,其在防洪、水库调度及水资源管理中起着十分重要的作用。由于缺乏相应预见期的可靠气象预报资料,中长期径流预报一般采用统计方法。超越概率贝叶斯判别分析方法是一种数据驱动的非参数贝叶斯经验统计方法,通过设置不同的流量等级反复进行贝叶斯判别分析,对未来径流超过某一流量等级的概率 （超越概率） 进行预报。本文运用该方法对长江宜昌站、大通站的月、季径流预报进行了研究,其结果表明,超越概率贝叶斯判别分析方法能够有效实现宜昌站和大通站非汛期径流预报;对于汛期径流预报,采用厄尔尼诺和南方涛动等气象水文指标变量作为预报因子,是提高预报精度的可行途径。     

基于物理成因识别的第二松花江汛期径流预报

针对第二松花江流域中长期径流预测精度较低问题,为了分析物理预报因子的作用过程以提高汛期洪水预报精度,选取太阳黑子相对数为物理影响因素,进而识别其影响时滞,以影响时滞期内的太阳黑子相对数作为径流预报因子,以汛期(6—9月份)月平均径流为预报项目,采用BP神经网络识别映射关系,采用历史资料作为训练样本,完成网络训练和检验。以第二松花江干流控制性水利工程丰满水库为例,对2017年汛期月平均径流进行预报。结果表明:丰满水库汛期月平均入库流量为1 400 m~3/s,来水频率为11%,定性预报第二松花江流域2017年为丰水年;2017年丰满水库实际来水141.00亿m~3,为多年均值的112%,为偏丰来水年份,来水定性预报正确。该方法的创新点在于:采用全局敏感性分析方法识别太阳活动的影响时滞,以确定预报因子;采用BP网络模拟预报因子与预报项目的复杂非线性相关关系,以构建预报网络。研究成果为2017年吉林省水文预报和防汛决策提供了重要支撑。     

基于人工神经网络的黄河源区枯季径流预报

分析了黄河源区枯季径流的影响因素，并选取基于枯季径流形成机理的、与径流相关性高的因子作为人工神经网络模型的输入，运用误差逆传播算法的多层前向网络，利用VC^ 语言调用随机函数克服了网络全局寻优的缺陷，建立了黄河源区枯季径流预报的BP模型。对黄河源区枯季径流长期预报的结果表明，ANN(7，1，15，1)模型预报结果精度高，容错能力强，是枯季径流预报的有效手段。     

基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用

根据径流中长期预测的特点，将遗传算法和神经网络相结合，提出一种年径流预测新算法——遗传神经网络优化预测方法．该方法提高了径流中长期预测模型的优化能力，有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷．最后对实例分别用几种不同的模型进行预测，经比较分析，证明所提出的方法能有效地提高预测精度和速度     

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。     

基于多种混合模型的径流预测研究

变化环境下径流的波动不断加大,给径流的精准预报带来新的挑战。基于"分解-合成"策略的混合径流预报模型来提高预报精度是当前研究的热点之一。以往研究聚焦在单一的混合预报模型而忽视了它们的适用性研究。基于此,以渭河流域为例,在优选多元线性回归(MLR)、人工神经网络(ANN)和支持向量机(SVM)单一预报模型的基础上,分别基于经验模态分解(EMD)、集合经验模态分解(EEMD)和小波分解(WD)构建了多种混合模型,并融合了大气环流异常因子的信息。结果表明:(1)SVM模型预测精度高于ANN和MLR;(2)混合预测模型预测精度均高于单一模型,混合模型中WD-SVM的预测精度优于EMD-SVM和EEMD-SVM;(3)融合大气环流异常因子后WD-SVM模型预测精度最高,对极值预报精度的提高较为明显。     

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。     

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。     

Daily Runoff Forecasting Using a Hybrid Model Based on Variational Mode Decomposition and Deep Neural Networks

Accurate and reliable runoff forecasting plays an increasingly important role in the optimal management of water resources. To improve the prediction accuracy, a hybrid model based on variational mode decomposition (VMD) and deep neural networks (DNN), referred to as VMD-DNN, is proposed to perform daily runoff forecasting. First, VMD is applied to decompose the original runoff series into multiple intrinsic mode functions (IMFs), each with a relatively local frequency range. Second, predicted models of decomposed IMFs are established by learning the deep feature values of the DNN. Finally, the ensemble forecasting result is formulated by summing the prediction sub-results of the modelled IMFs. The proposed model is demonstrated using daily runoff series data from the Zhangjiashan Hydrological Station in Jing River, China. To fully illustrate the feasibility and superiority of this approach, the VMD-DNN hybrid model was compared with EMD-DNN, EEMD-DNN, and multi-scale feature extraction -based VMD-DNN, EMD-DNN and EEMD-DNN. The results reveal that the proposed hybrid VMD-DNN model produces the best performance based on the Nash-Sutcliffe efficiency (NSE?=?0.95), root mean square error (RMSE?=?9.92) and mean absolute error (MAE?=?3.82) values. Thus the proposed hybrid VMD-DNN model is a promising new method for daily runoff forecasting.

     

RBF神经网络在邯郸市东武仕水库流量预报中的应用

运用RBF神经网络模型对东武仕水库进行了径流预报,以上一时刻的降雨和径流作为神经网络模型的输入,以径流量作为神经网络模型的输出。结果表明,这样的预测方法是非常有效的并且有着更高的精确度。因此,RBF神经网络模型是一个有效的、高精确度的预测径流的方法,可为水资源管理提供可靠的数据支持。     

基于PSO的SVM年径流预报模型研究

为了使SVM具有更好的预测效果,考虑到人为选择参数的随机性,提出了应用PSO优化SVM参数的年径流预报模型,并将其应用于伊犁河雅马渡水文站的年径流预报。结果表明:与改进的最速下降共轭梯度法、进化单纯形法相比,经参数优化的SVM年径流预报模型能够较好地模拟年径流量与其影响因子之间的非线性映射关系,提高预报精度。