基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

DGA SVR日径流非线性预报模型及应用

实时而准确的日径流量预报在防洪减灾、优化调度等方面起到了巨大作用。将遗传算法(GA)与支持向量回归(SVR)改进模型耦合,同时对SVR三个重要参数(C,σ,ε)进行动态寻优,构建了动态三参数优化GA-SVR日径流非线性预报模型(DGA-SVR)用于黑水河流域日径流预报,通过与BP神经网络和多元线性回归预测结果进行对比分析,DGA-SVR模型预测精度明显优于BP神经网络和多元回归模型。     

MCEEMD-HGWO-MGU混合模型在径流预测中的应用

为分析径流非线性特征对预测精度的影响,在改良的互补集成经验模态分解(MCEEMD)基础上,建立混合灰狼优化算法(HGWO)与最小门控单元(MGU)混合的径流预测模型,并利用该模型预测黄河下游三个水文站处的月径流.选取纳什效率系数和合格率评价模型性能,并选择多个误差指标与其他模型进行比较.结果表明,与其他模型相比,MCE...     

WANN模型的改进及日径流预测中的应用

介绍基于小波分析建立的人工神经网络模型的方法原理,并给出构造模型的一般步骤及关键算法。针对一般BP算法收敛速度慢,易陷入局部极小值的缺陷,受Fletcher—Reeves线性搜索方法的启发．提出基于改进共轭梯度法的BP算法。利用此优化模型对日径流进行模拟与预测,实验表明,基于小波分析的人工神经网络模型在日径流模拟过程中具有很好的仿真能力．训练后的模型用于预测具有较高的精度。     

支持向量机回归模型在径流预测中的应用

为了探索提高径流中长期预测精度的有效途径,尝试建立了基于支持向量机的径流预测模型,并应用于西江流域梧州站的年、月径流预测中,取得了很好的效果。并与神经网络预测进行对比,结果表明该模型的预测精度要高于人工神经网络模型。     

灰色自记忆模型在年径流预测中的应用

为探索提高年径流预测精度的简单有效途径,以GM(1,1)微分方程为动力核建立了灰色自记忆模型,并应用于寸滩站年径流的拟合和预测中,取得了良好的效果。与组合模型相比,该模型结构简单并具有较高的拟合和预测精度,可应用于年径流序列的预测之中。     

生成日径流资料的散粒噪声模型

描述时间连续日径流过程散粒噪声过程是非正态随机模型。本文对G.weiss提出的单散粒噪声模型中的涨水退水曲线的形式改用为Γ-分布的密度函数表示,推导出改进后的散粒噪声模型的一、二阶矩的计算公式和以日平均流量资料为依据的离散序列的一、二阶矩的递推公式。并用物理-统计相结合的方法估计有关模型参数,改进拟合程度。本文还对weiss提出的单散粒噪声综合数据的生成方法上做了修正。最后通过潮白河密云水库等站的日平均径流资料说明这模型的应用。     

基于MI-KPCA与高斯回归过程的北汝河中长期径流预测

针对径流预测因子筛选常用的线性分析方法无法识别与径流存在非线性关系因子的局限性,基于互信息与核主成分分析,提出一种能同时遴选与径流存在线性与非线性关系的因子识别方法,来筛选径流预测因子,且将高斯回归过程拓展应用于北汝河的中长期径流预测.结果表明,构建的MI-KPCA因子筛选质量优于相关分析法与互信息法,不但能提高预测精...     

基于改进BP网络的日径流预报模型研究

针对常规BP算法收敛速度慢和难以获得全局最优的不足,将网络误差函数的改变量引入权值和偏移值的调整,采用自适应学习速率和自适应动量因子调整策略,建立了基于多层感知器神经网络(MLP-ANN)的水文预报模型.采用自相关函教(ACF)和交又相关函数(CCF)确定网络输入因子并使用试错法优化网络结构.以湖南省双牌水库日入库流量预测为应用实例,并将模拟结果与常规BP网络模型和新安江模型进行对比分析.结果表明,改进模型收敛速度快、预报精度高.     

流域径流趋势分析的随机模型及其应用

以流域一阶线性的径流模型为例，将模型中的各参数扩展为随机变量，推导出基于马尔柯夫过程的可用于流域径流趋势分析的随机模型，并由Ｆｏｋｋｅｒ－Ｐｌａｎｃｋ－Ｋｏｌｍｏｎｇｏｒｖ（简写ＦＰＫ）方程产生径流概率密度函数，模型应用于洵河柴坪流域的经济趋势分析，验证了该方法的实用性。     

基于PSO-LSSVM时序预测模型的管网漏失信号识别

为解决城市供水管网的漏失问题,基于在供水管网各测压点收集的压力数据,构建粒子群(PSO)算法优化LSSVM的时序预测模型来预测压力监测点下一时刻压力值,并提出了城市供水管网漏失识别模型,通过监测点压力值与预测值的残差值是否在阈值范围内来判断管网是否处于正常工况。测试分析结果表明,改进的时序预测模型预测精度较高,可确定各压力监测点阈值,识别管网是否发生漏失事故,为相似工程提供借鉴。     

基于PSO-LSSVM时序预测模型的管网漏失信号识别

为解决城市供水管网的漏失问题,基于在供水管网各测压点收集的压力数据,构建粒子群(PSO)算法优化LSSVM的时序预测模型来预测压力监测点下一时刻压力值,并提出了城市供水管网漏失识别模型,通过监测点压力值与预测值的残差值是否在阈值范围内来判断管网是否处于正常工况。测试分析结果表明,改进的时序预测模型预测精度较高,可确定各压力监测点阈值,识别管网是否发生漏失事故,为相似工程提供借鉴。     

梯级水电站群超短期入库流量滞时时间序列预报方法

超短期预报调度对于实现短期调度和实时调度无缝衔接、降低调度风险、提高水电调度水平意义重大。而实际超短期预报调度面临着有效预报信息短缺、实时采集信息错报漏报、支流小水电调节、模型通用性差等一系列问题,为此,提出了一种梯级水电站群超短期滞时时间序列预报方法,首先分析了上游电站历史出库和下游电站历史入库流量,利用相关系数找出最强滞时流量匹配关系,从而将上游电站出库流量从下游电站入库中分解出来,还原出有效的区间流量,再通过区间流量逐日化进行时间序列建模,最后与上游电站滞时出库合成为下游电站预报入库流量。以云南澜沧江干流梯级电站为例,取得了良好的预测效果,从而验证了该方法的合理性、准确性与通用性。     

基于时间序列模型的风电场风速预测研究

基于时间序列的方法,对风速的长期预测进行了研究,并在工程应用的基础上提出了新的预测思路:首先将风速信号分解成趋势信号和去趋势项随机信号,然后分别用滑动滤波和小波分析这2种方法对分解出的去趋势项随机信号进行数据处理并比较,再用时间序列的方法对趋势项信号和处理后的信号分别进行预测并叠加,得到最后的预测风速信号.结果表明:五项滑动滤波处理数据的方法与Daubechies小波分解法均能实现精度较高的风速长期预测;与小波分解法相比,滑动滤波方法算法的复杂性低,在工程应用上可行性更高.     

非线性时间序列的RBF神经网络预测方法及其应用

将一种基于自动增加隐节点数目训练算法的径向基函数（RBF）神经用于非线性时间序列预测。这种方法成功地解决了BP网络的局部极小、隐节点数目的选择和过拟合问题,并用于热电厂热负荷预测。预测结果表明,用本方法进行热负荷预测得到了十分满意的结果。     

采用遗传算法优化的煤粉着火特性BP神经网络预测模型

利用热分析（TG-DTG）数据建立了煤粉着火稳定性指数CI，它是煤粉着火温度与燃烧强度的综合反映。采用遗传算法（GA）对BP神经网络结构进行了优化，获得了影响煤粉着火稳定性指数CI的主要煤质指标（Mnd、And、Qnet、Qad、焦渣特征CRC）和最优BP神经网络的隐层数、神经元数、激活函数，建立了煤粉着火稳定性指数的优化BP神经网络预测模型。对20个校验样本进行了预测，得到了较高的预测精度。     

探求径流序列中的混沌特征

以葛洲坝、隔河岩、朝阳寺、龙洞电站的径流时间序列为例详细说明了求取时间序列中的混沌特征数的方法,并证明这些电站的径流序列中也含有混沌特征,这不但使我们加深对径流过程的认识,同时也对下一步的建模研究有一定的指导意义     

基于多亲遗传算法的渠道非恒定流糙率率定模型及其应用

为提高渠道糙率率定的精度和速度,基于多亲遗传算法智能寻优的特性,建立了渠道一维非恒定流糙率率定模型,并利用南水北调中线工程总干渠的部分渠道断面数据进行了模型的实际应用,所得水位拟合效果良好,表明此模型可应用于渠道糙率率定。