基于气象因子的汛期径流预报模型

针对现有汛期径流预报方法的缺陷,从物理成因出发,采用投影寻踪方法从74项大气环流因子中筛选出影响汛期总径流量的主因子,结合汛期前期降雨量进行相似分析获取相似年份,构建基于气象因子的汛期径流预报模型。以长江流域关键断面汛期来水预报为例开展了模型的实例研究,结果表明,该模型考虑了气象因子对长期径流变化的影响,对汛期总径流量的预报以及汛期月径流预报的精度均高于门限回归模型,是汛期径流预报的一种行之有效的方法。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

我国西南地区气象要素变化特征及预测

基于我国西南地区112个测站1961~2012年的逐月降水和气温观测资料,采用趋势系数法、线性倾向估计法、Mann-Kendall突变检验法、相关分析及逐步回归周期分析法等分析了我国西南地区近52年降水量和气温的时间变化特征,并在深入分析影响该地区年平均降水量的大气环流因子的基础上,建立了年平均降水量的多因子逐步回归周期分析预报模型,对当前及未来5年西南地区年平均降水量进行了预测。结果表明,西南地区年均降水量和秋季平均降水量呈显著下降趋势,年均降水量在2003、2009年出现突变,秋季平均降水量在1990年存在突变点;年均及四季平均气温都呈显著上升趋势且存在明显的突变点;副高、欧亚经向环流和极涡强度指数对我国西南地区年平均降水量影响较为显著;年平均降水量的多因子逐步回归周期分析预报模型的拟合预报合格率为100%,预测结果可信。     

基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报

为实现天山西部山区喀什河流域冰川融雪区域的水资源可持续开发利用,更好地支撑所在区域工农业生产发展,有必要开展融雪径流中长期水文预报研究。基于相关系数法、主成分分析法及两种方法相结合的综合方法优选预报因子,采用BP神经网络模型和组合小波BP神经网络模型预报径流。结果表明,采用综合方法筛选出的预报因子集合可以得到更好的预报结果;组合小波BP神经网络模型在3个不同方案中的预测效果均优于BP神经网络模型的预测结果,其预报精度更高。研究成果可为该区域融雪径流模拟研究及洪水预报提供参考。     

基于支持向量机的水电站中长期径流组合预报

中长期径流预报是充分利用水资源、实现水电站优化运行的重要环节。以金沙江中游龙盘电站为研究对象,分别采用自回归滑动平均模型、最近邻抽样回归模型、BP神经网络建立了该水电站月径流预报模型,在分析三种模型预报结果具有一定互补性的基础上进一步建立了支持向量机分月组合预报模型。统计结果表明,与单一预报模型相比,该组合预报模型具有更高的精度和稳定性,为寻求水电站径流预报规律和制定中长期调度计划提供了技术支持。     

基于Elman神经网络的面板堆石坝沉降预测模型

分析了某面板堆石坝运行初期坝体的监测资料,选择水压分量与时效分量为影响因子构建逐步回归分析模型,应用反馈神经网络理论建立Elman神经网络模型,并与逐步回归模型预测精度做了对比分析.结果表明,Elman神经网络模型预测精度高、可靠,有助于分析大坝的安全性态.     

ENSO事件影响下长江大通站汛期径流预测建模分析

从环流指数和ENSO事件指数出发,考虑到大尺度环流系统和海温影响的长期性,使用滑动平均方法对预报因子做前期处理,计算了预报因子在2、3、6月尺度的滑动平均值。在此基础上采用BP神经网络建立了长江大通站汛期径流预测模型（BP-Pre）,重点对ENSO事件影响下的径流极值进行预测。为验证模型可行性,采用均生函数模型和利用传统因子建立的BP模型（BP-Ori）作对照分析并进行精度评价。结果表明,部分因子在滑动平均处理下Spearman秩相关系数得到提高;历史平均上,大通站汛期径流与前年发生的ENSO事件关系密切;事件类别不同,对应径流也相对偏大或偏小;BP-Pre模型在率定期拟合效果不及均生函数模型和BP-Ori模型,但从多方法综合评价分析来看其检验期的预测精度更高,对径流极值预测更为精准。     

水电站年平均径流量的灰色模型

本文根据我国学者邓聚龙于1982年建立的灰色系统理论,对水电站的年平均径流量作了灰色模型分析并提出了径流时间序列的模糊周期概念,讨论了该模型周期与模型精度的关系.     

结合均生函数的神经网络在中长期水文预报中的应用

针对中长期径流预报在水库中长期运行方案制定及调度决策形成中的作用,基于传统和智能预报方法各自的优势,利用均生函数模型记忆时间序列的内在规律,采用偏最小二乘方法对预报因子进行降维处理,建立了结合均生函数的神经网络预报模型,并利用神经网络模型修正预报结果。实例计算表明,该模型不仅可提取径流序列的特征,且预报精度也较单一的均生函数模型和神经网络模型有所提高。     

基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。     

牛栏江中上段枯季径流分析及月径流模拟

为分析牛栏江中上段中长期径流特征,基于牛栏江中上段七星桥水文站1990～2016年降水、蒸发、径流实测资料,使用一元线性回归、退水系数、离散系数等分析了牛栏江枯季径流特点及趋势。结果表明,牛栏江中上段枯季径流量、降水量无明显变化趋势,但蒸发量有明显减少趋势,枯季径流量占年度径流量的比例有增加趋势,11月至次年4月,月径流量逐步大幅减少,但趋势分析表明,11月径流量有明显减少趋势,12月无明显变化趋势,1～4月径流量呈增加趋势,枯季各月径流量总体趋向于均衡。使用Pearson相关分析法识别枯季月径流预报因子,基于二次回归正交旋转设计,构建了枯季各月预报模型,模型模拟检验表明,11月径流预报模型精度为丙级,12月至次年4月径流预报模型精度为乙级。研究成果可为牛栏江—滇池补水工程枯季水资源调度提供依据。     

基于小波变换与Elman神经网络的短期风速组合预测

风速的准确预测对风电场发电系统的经济和安全运行有着重要的作用。为了克服风速随机性强的缺点,提高短期风速预测的精度,提出了一种将小波变换与Elman神经网络相结合的短期风速组合预测模型。该模型由小波预处理模块和神经网络预测模块组成。首先利用小波预处理模块将风速序列作多尺度分解,重构得到不同频段的子序列,然后利用Elman神经网络模块分别对其训练和预测。实际风速预测结果表明,与单一的Elman和ARMA法相比,该组合预测模型的预测精度有较大的改善,可以用于风电场短期风速的预测。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

基于小波变换和优化的Elman神经网络的光伏功率预测

准确地预测光伏发电功率,有利于提高电网系统运行的可靠性和经济性。分析各个气象因素对光伏发电功率的影响,确立了关键的气象因素,并利用小波分析获得气象因子样本集和光伏功率样本集不同频带下的小波系数作为神经网络的输入训练集,结合Elman神经网络建立不同天气条件下的光伏功率预测模型。提出基于自适应遗传算法优化的Elman神经网络模型,优化后的Elman神经网络在晴天、阴天、雨天3种情况下预测值的平均相对误差率分别为5.43%、8.26%、14.15%,相较于Elman神经网络分别降低了13.16%、16.61%、17.33%,改善了Elman神经网络的预测精度,提高了Elman神经网络的学习能力和泛化能力,验证了所提方法的有效性。     

基于COA-LSSVM模型的边坡位移时序预测

鉴于预测边坡位移变化对边坡稳定性的重要意义,利用布谷鸟优化算法(COA)对最小二乘支持向量机(LSSVM)的核函数参数和惩罚因子进行寻优,从而建立了边坡位移时序预测的COA-LSSVM模型,并将该模型应用于锦屏一级水电站左岸高边坡变形预测中。与PSO-LSSVM模型的预测结果对比表明,COA-LSSVM模型具有更高的预测精度,预测结果更接近于实际的监测数据。     

尼尔基水库上游融雪径流模拟及预报

准确可靠预报融雪径流对寒区洪旱灾害的监测及水资源管理具有重要意义。根据尼尔基水库上游季节性融雪产流特点,结合蓄满产流理论,考虑寒冷地区冻土的不〖JP2〗透水、蓄水调节、蒸发抑制等作用及冻土融冻期水文特性,构建了耦合度-日融雪模型、径流系数法及新安江模型的分散式融雪径流预报模型,采用1979~〖JP〗1988年的水文气象资料对模型进行了率定,并根据2000~2003年相应资料验证了模型合理性。通过对5个不同时间尺度径流量的模拟与验证结果表明,模型具有较好精度,在研究区具有较强适用性,可为尼尔基水库春、夏两季入库径流预报提供参考。     

ARIMA-RBFNN组合模型在白城市降水量预测中的应用

针对降水受大气环流、地形、气压等诸多环境因素影响致使准确预报降水量较为困难的问题,结合ARIMA模型和RBFNN模型各自优势,提出了ARIMA-RBFNN组合模型,对白城市2001~2010年降水量进行了预报,并与ARIMA模型和RBFNN模型预报结果进行了对比分析。结果表明,ARIMA-RBFNN组合模型在预测降水量时最大相对误差为27.33%,最小相对误差为0.70%,平均相对误差为8.54%,预测精度明显优于ARIMA模型和RBFNN模型,可见该组合模型发挥了ARIMA模型和RBFNN模型各自的优点,为精确预测降水量提供了一种有效方法。     

基于GA-BP神经网络的未来时期水电工程造价指数预测

水电工程造价指数是反映市场价格变动对水电工程造价影响的综合性指数,准确有效地预测水电工程造价指数可提高建设管理部门的管理水平。以2004~2013年的水电工程造价指数为基础,建立BP神经网络模型,通过训练集输入网络,测试集检测网络,构建人工、材料、机械单一造价指数与综合造价指数的关系,并运用遗传算法根据误差反向传导的原理调整BP神经网络的权值与阈值,预测2014~2016年的水电工程造价指数,预测精度达98.4%,表明GA-BP神经网络模型在水电工程造价指数的预测应用上具有一定的参考价值。     

基于遗传算法的参数投影寻踪回归径流预报模型及应用

为提高径流预报精度,采用单相关系数法挑选预报因子,建立了基于遗传算法的参数投影寻踪回归径流预报模型,利用该模型对雅砻江二滩水电站月平均流量进行了预报。结果表明,与BP神经网络模型预报结果相比,投影寻踪回归模型具有更好的预报结果和更高的预报精度。