不同土壤湿度和雨强下径流曲线模型的改进

前期土壤湿度条件和降雨强度是影响径流曲线（SCS-CN）模型径流量预测精度的重要因素。分析不同流域下二者对SCS-CN模型性能的影响,对提高模型预测精度至关重要。基于5个半干旱半湿润和湿润流域的降雨径流资料,利用偏相关分析和K-均值聚类改进SCS-CN模型。结果表明：在重新划分前期土壤湿度条件区间后,模型预测能力大幅度提升,有效降低模型平均偏差,纳什效率系数平均提高42.8%。基于最大10 min雨强对SCS-CN模型改进后,纳什效率系数得到一定提高,且半干旱半湿润流域的提升幅度略大于湿润流域。改进的模型在研究流域都取得较好的效果,平均偏差均低于7 mm;除呈村流域非汛期外纳什效率系数均达到0.93,平均提升89%;均方根误差平均降低29.2 mm。     

多源数据融合的深度学习径流预测模型

为探究深度学习结合多源数据融合算法在流域径流预测中的效果,采用双向长短期记忆神经网络模型,选取汉江上游区域长序列水文气象资料及大气环流因子数据集,结合集合卡尔曼滤波数据融合算法,构建研究区域内5个流域径流预测模型并进行验证。结果表明,在相同预见期内该模型相比于传统长短期记忆神经网络模型,各项预测指标均有提高且能较好捕捉径流序列极值。采用数据融合算法加入大气环流因子数据集后,不同流域模型评价指标可进一步提升且随着预见期延长模型评价指标变化更为平稳。此预测模型可有效提升流域径流预报效果,为基于深度学习的径流预测提供参考。     

基于随机森林模型的长江上游枯水期径流预报研究

预报因子选取和预报模型构建是长期径流预报的两大难点。本研究采用随机森林模型从当年1月份至10月份长江干流的实测径流和国家气候中心74项水文—气象特征因子共750个变量中选取预报因子集合,对长江上游屏山站、寸滩站枯水期（当年11月～次年5月）径流预报进行了研究。结果显示,随预见期增加,径流自相关关系逐渐减弱,水文—气象遥相关关系逐渐强于径流自相关关系。在屏山站和寸滩站的径流预报中,预报结果与实测结果呈显著线性关系,平均相对误差在20%以内。月径流预报误差还较大,枯水期总径流预报精度优于单月径流预报。不确定性分析结果表明随机森林模型除了预报径流变化趋势,还可以用于预报径流丰枯概率。     

基于模糊集合理论和集对原理的径流丰枯分类方法

在分析现有基于集对分析的年径流丰枯分类方法不足的基础上,考虑径流等级划分的模糊性和径流的年内分布特性,提出模糊化径流分级标准,并引入基于径流分布的年内丰枯贡献权重因子,得到年径流对于各个等级的综合隶属度,进而利用集对分析方法判断年径流的丰枯等级。利用所提方法对溪洛渡径流丰枯等级进行分析,结果表明该方法较于单一的集对分析方法能更好的描述径流丰枯状态。     

基于马尔科夫链模型的小金川河流域径流形势预估分析[ 国家重点研发项目资助（2018YFB0905204）]

为了分析小金川河流域中长期径流形势,本文尝试利用马尔科夫链模型进行年径流形势预估,结合历史径流的丰枯变化,计算丰水年、平水年、枯水年相互转变的马尔科夫转移概率,在此基础上,可根据当年来水情况实现对木坡电站下一年径流形势的预估分析。以2018年木坡电站的丰枯形势预估为例,经验证,该径流形势预估分析方法具有较强的实用性,为径流形势预估分析提供了一种切实可行的思路和方法。     

基于随机森林遥相关因子选择的月径流预报北大核心CSCD

流域径流过程与大尺度气候因子之间存在遥相关关系,如何从众多的水文、气象、大气环流及洋流等因子中找出与径流密切关联的因子,是中长期径流预报的一个难题。将基于贝叶斯优化的随机森林模型应用于对水文、气象、气候因子构成的高维度因子集进行因子选择,根据变量重要性评分挑选对月径流影响较大的预报因子,构建广义回归神经网络、极限学习机、支持向量回归径流预报模型。将该方法应用到金沙江流域,相较于线性相关法,基于随机森林输入因子选择的方法提高了模型泛化性能;遥相关因子的引入既实现了流域月径流高精度预报,又从物理机制上提供了支撑。     

降水丰枯及下垫面变化对滦河干流径流量的影响

在收集滦河干流上游流域1961—2011年51年间的月降水和月径流实测资料的基础上,运用降水–径流双累积曲线和Kolmogorov-Smirnov双样本检验,将该流域的降水–径流回归关系划分为1961—1983年、1984—1999年和2000—2011年三个阶段,并分别建立了三个阶段丰水期和枯水期的降水–径流多元回归模型。三个阶段的多元回归模型均通过显著性检验,对实测年径流拟合的平均残差均小于15%,决定系数均大于68%。采用所建模型,定量分析了三道河子水文站控制流域内降水丰枯变化对径流的影响程度和流域下垫面改变对径流的影响程度。结果表明:在1961—1983年的下垫面条件下,相对于1961—1983年间的降水丰枯特征,1984—1999年、2000—2011年间降水的丰枯变化使得流域径流分别增加了8.08%和减少了25.34%;在1961—1983年的降水条件下,相对于1961—1983年的下垫面条件,1984—1999年、2000—2011年间的下垫面的改变使该流域径流分别减少了19.40%和43.16%。这对潘家口水库的入库流量势必产生一定影响。     

基于概率分布模型的流量预报及参数动态识别

概率分布模型（PDM）在国内流域的适用性及参数在不同径流阶段的变化研究较少。本文以浙江省两典型流域为例,建立PDM流量预报对比模型,根据参数动态识别分析确定不同时间窗口下参数变化,从而推断关键影响因子。研究结果表明：（1）PDM模型在两流域模拟结果较为满意,纳什效率系数均可达到0.7以上,且低流量为主的龙泉溪流域模拟效果明显优于高流量主导的金华江流域;（2）在不同洪水事件下PDM参数（经验参数α、b和最大蓄水能力Smax）均与前期土壤湿度显著负相关,与退水斜率有关的参数b在金华江流域与蒸发量显著正相关,而在龙泉溪流域与平均降雨负相关性显著;（3）受地表以下28 cm土壤湿度变化控制的参数α在洪峰及退水阶段识别度最大。     

基于灰色关联分析的模糊支持向量机方法在径流预报中的应用研究

针对径流时间序列固有的非线性和随机性特点,提出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条件变化下不同时期径流样本对预报结果的影响。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,并按关联度大小从众多的相关因子中挑选出对径流过程影响显著的预报因子。将该方法应用于金沙江上游控制站石鼓站的月径流预报中,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的精度,是一种有效的径流时间序列预测模型。     

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。     

基于深度递归信念网络的风电功率短期预测方法

风能的随机性和波动性严重影响风电功率的预测精度.通过挖掘风速在不同波动程度和预测功率之间的高阶特征可以提高预测精度.文中首先采用摇摆窗算法识别风速的波动过程,并通过广义优先搜索邻居算法对不同的波动程度进行聚类,然后将不同的波动过程作为深度递归信念网络的分类训练数据,其中,深度递归信念网络由前向生成网络和横向及纵向2个误差反馈网络构成.最后,以误差分布的交叉熵作为损失函数,有效控制了误差迭代方向和模型的训练规模.算例结果表明,文中所提预测方法可以改善波动过程存在的预测误差.     

基于多种递归神经网络的海岛水库径流预报

海岛地区径流量偏小甚至出现断流,会极大影响短期径流预报精度。对海岛地区供水水库多组入库径流时间序列,基于三种递归神经网络（RNN）建立了不同预报因子组合和预见期的径流预报模型,探讨了RNN模型在海岛地区短期水文预报中的适用性。以舟山岛水库群为例,说明研究方法的有效性。结果表明仅考虑径流时间序列信息的预报精度最差,而耦合气象预报信息可提高径流预报准确性;随着预见期的增加,简单RNN模型的信息融合能力有限,而具有复杂神经元结构的基本长短时记忆神经网络和门控循环单元预报效果稳定;RNN模型对于平稳时间序列数据模拟效果优于非平稳序列,而气象信息的引入和参数优选能够改善其在处理非平稳时间序列中的缺陷。     

改进的电量灰色预测方法实证对比研究

伴随电力工业的快速发展,科学的中长期电力电量预测成为一项非常重要的基础性工作。在研究传统中长期灰色预测模型的基础上,介绍了2种背景值重构方法以及基于马尔可夫链的处理手段,对模型的构造环节进行改进;然后引入拟合精度指标和预测精度指标,从不同角度检验模型的优劣;最后根据中国实际电量数据,分2种情景进行了定量横向对比,验证了改进模型的有效性。     

基于GIS的小波神经网络库区径流预报模型研究

提出了一种基于GIS与小波神经网络方法相结合构建而成的水库日径流预测模型(GWNNR),通过模糊C均值聚类分析将水库历史径流数据分成4类,并分别建立相应的小波神经网络预测模型,应用遗传算法(Genetic algorithm)和误差反传递(Back-propagation)算法对模型的参数进行优化,对某水库2005年日平均来流进行分类预测,结果表明,该方法具有较好的训练速度和较高的预测精度.     

基于贝叶斯模型加权平均法的径流序列高频分量预测研究

"分解–预测–重构"模式作为一种新的预测思路,已被广泛用于非平稳径流序列的中长期预测。但由于分解之后高频分量预测精度较差,致使该模式的预测效果并不理想。本文采用径向基神经网络(RBF)、自回归模型(AR)以及均生函数模型(MGF)分别对陕北无定河丁家沟站实测径流由经验模态分解(EMD)得到的高频分量进行预测,利用贝叶斯模型加权平均法(BMA)对其集成,着重分析比较了基于BMA的集成方法和单一模型的预测效果,验证了BMA方法在处理高频分量误差控制方面的可行性。结果显示基于BMA的高频分量预测的相对误差绝对平均值较单一模型有所降低,径流预测整体精度有显著提升。这表明BMA集成方法能够有效地降低径流序列中高频分量的预测误差,提高整体预测精度,可作为一种有效的方法,供其他类似非平稳预测问题所借鉴。     

基于天气分型的短期光伏功率组合预测方法

由于光伏功率波动特征与天气类型紧密相关,且光伏功率短期预测存在功率波动过程预测精度低、气象因素与功率波动过程相关性弱的问题,文中提出了一种基于天气分型的短期光伏功率组合预测方法。首先,基于气象因素与光伏功率波动特征的关联性,将天气过程划分为5种类型,并基于变分模态分解算法将光伏功率分解为类晴空过程和波动过程。然后,利用Granger因果关系算法筛选出与各天气类型下光伏功率波动过程密切相关的关键气象因子。最后,建立基于天气分型的短期光伏功率组合预测模型。模型充分考虑了深度学习算法的特异性,对光伏功率类晴空过程与各天气类型下的光伏功率波动过程进行分类预测。仿真结果表明,文中所提出的短期光伏功率预测方法能够显著提升短期光伏功率预测的精度。     

电力市场中的边际电价预测

在分析了系统边际价格(SMP)形成机理和影响因素的基础上,分别提出了基于累计式自回归滑动平均模型（ARIMA）和人工神经网络（ANN）的SMP预测方法,在这2种方法中都引入了市场供求指数(SDI)作为影响SMP的因素。通过对某省级发电市场真实数据的仿真结果表明,在引入SDI后,ARIMA模型和ANN模型的预测精度都得到了提高;同时,ANN模型比ARIMA模型更易于处理多种市场因素,若在模型中考虑更多的市场因素,则SMP预测的精度可进一步提高。     

基于变分模态分解和复合变量选取的短期负荷预测

精准的短期负荷预测是实现电网精益化运行和管理重要保障,但存在短期负荷波动性强、负荷预测关键影响因素选取困难等精准预测难题。本文利用变分模态分解将原始电力负荷数据分解为多个子序列,挖掘短期负荷波动特征的同时避免模态混叠问题,提出复合变量选取算法分析筛选影响负荷波动的关键因素,有效去除预测干扰信息并进一步简化预测模型的复杂度,通过兼顾数据短期依赖和长期依赖的长短时记忆神经网络对各子序列进行预测,并将各子序列预测结果进行叠加实现最终的短期负荷预测,据此建立基于变分模态分解和复合变量选取的短期负荷预测方法。选取2019整年长沙市实际数据验证结果表明,本文提出算法在复杂外部影响因素下,能准确筛选负荷预测的关键影响因素,相比传统预测模型,提出模型结构更简单、预测精度更高。     

非线性季节型电力负荷灰色组合预测研究

短期电力负荷同时具有增长性和季节被动性的二重趋势，这使得负荷的变化呈现出复杂的非线性组合特征。对于这种具有复杂的非线性组合特征的序列，使用某一种模型进行预测，结果往往不理想。为了提高短期电力负荷的预测精度，提出了具有季节型特点的电力负荷灰色组合预测模型。在此模型中，灰色模型处理非线性问题具有一定的优势，它可以很好地反映电力负荷的增长性特点。季节变动指数(SVI)用来拟合电力负荷的季节性趋势。最后对季节型灰色预测的残差建立时间序列的AR(p)模型。由于综合考虑了电力负荷的多种特征，此组合预测模型明显地提高了预测精度。