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。     

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。     

基于遗传程序设计的中长期径流预报模型研究与应用

应用遗传程序设计建立径流中长期预报模型,结合径流序列数据的特点通过自相关分析确定其滞时输入变量的个数,采用均方误差作为其适应度评价函数,以漫湾实测月径流序列(1953~2003年)和洪家渡实测月径流序列(1951~2004年)为例,通过与ARMA模型、人工神经网络模型的预报结果比较,显示该模型应用于径流中长期预报简单易行且精度较高。     

基于组合回归方法的尼洋河流域中长期径流预报

鉴于仅使用单一的中长期径流预报方法很难有效地拟合和预测整个径流过程,将逐步回归法和自回归方法相结合,对尼洋河流域1956~1999年逐年年径流序列进行非平稳序列逐步回归趋势分析、周期分析及平稳序列自回归分析,并与AR(1)模型的计算结果进行比较研究。结果表明,组合回归方法的预测效果较好。     

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。     

GFS可利用性研究及其在旬径流预报中的应用

分析了中长期降雨径流预报研究应用现状和存在的主要问题,研究了利用GFS降雨数值预报信息进行旬径流预报的方法,建立了旬降雨-旬初土壤含水量-旬径流预报模型(PSRM).通过对实例流域历史旬径流资料的模拟优选出模型参数,分析了GFS降雨数值预报信息的可利用性,并给出了利用GFS降雨预报信息和PSRM模型推求径流的方法.结果表明,基于GFS预报降雨信息和PSRM模型推求径流期望值和概率分布用于水库的实时调度可行.     

BP神经网络模型结构对漫湾径流预报精度的影响研究

以云南省漫湾水电站历史径流状况为研究对象，运用三层前馈反向传播神经网络模型对径流进行中长期预报。为解决神经网络预报模型结构难以确定的问题，尝试在预报过程中通过改变该网络模型的结构并对得到的结果进行比较，从而找到适合该径流序列的最佳神经网络模型结构。实际应用表明，使用该结构的模型在实际预报过程中取得了良好的效果。     

基于Web的径流中长期预报系统

以云南电网水调高级应用软件系统为工程背景,采用面向对象的编程思想开发了B/S模式下的径流中长期预报系统.系统涉及云南电网所属的5座主力水电站及其他重要的中小水电站,采用四种常用的中长期预报模型和频率分析方法进行径流预报.系统主要功能包括预报参数率定和检验、多种预报方法间的比较分析、与历史径流过程的对比分析、基础资料添加维护与报表生成等.系统操作简便、功能强大,同时具有良好的稳定性、移植性和可扩展性.     

金沙江下游—三峡梯级水库群调度运行补偿电量分配

为探究金沙江下游—三峡梯级水库群联合发电调度补偿电量及补偿规律,以溪洛渡、向家坝、三峡、葛洲坝水库为例,分别建立了单库优化调度和梯级水库联合调度模型,并以长系列历史径流为输入进行调度模拟,在此基础上,考虑各水库参与联合调度的贡献值,提出基于补偿电量贡献值的贡献系数计算方法,进行了水库间和梯级间联合调度补偿电量分配,获得了不同水库间的补偿电量,为金沙江下游—三峡梯级水库群管理决策提供理论支撑与技术支持。     

三峡水库蓄水后荆江三口分流变化及原因

三峡水库蓄水后荆江径流量比蓄水前减小,且受水库影响径流过程也发生变化,对三口分流产生影响。为此,分析了三峡水库蓄水后荆江三口分流变化及其影响因素,发现蓄水后枝城站同流量下三口分流比与蓄水前相比变化不大;而三口年均分流量小于蓄水前,这是由荆江径流量减少及径流过程变化所造成。同时,定量分析了三峡水库不同运行阶段径流变化对三口分流的影响,结果显示,三峡水库初期蓄水阶段水库调蓄对三口影响较小,高水位运行阶段则影响较大;蓄水后荆江三口年均分流量减小,即干流径流量连续枯水年是主要影响因素,三峡水库调蓄作用是次要影响因素。     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAPE)以及确定性系数(DDC)统计指标对模型进行评价。在三峡水库的径流预测研究中,经过与其他三种典型数据驱动模型的预测结果对比发现,DFA_VMD_LSTM组合日径流预测模型在不同评价指标上均有显著提升,说明该模型可充分挖掘径流序列组成特性,学习历史长程依赖,能有效提高径流预报精度。     

中小洪水调度对三峡水库泥沙淤积的长期影响

当前中小洪水调度对三峡水库淤积的影响尚局限在短期过程,且年内各种调度方式影响叠加,很难单独区分中小洪水调度的影响。为了解长期实行中小洪水调度对三峡库区泥沙淤积的影响,基于一维水沙数学模型,计算分析了有、无中小洪水调度情况下三峡库区泥沙淤积过程、分布特征及防洪库容保留状况。结果表明,长期实施中小洪水调度情况下,三峡水库泥沙淤积增加,影响集中在变动回水区下段及常年回水区,淤积三角洲向坝前推进较无中小洪水调度情况慢;水库达到初步淤积平衡的时间推迟约50年,平衡淤积量增加约19%,防洪库容损失约3%。     

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。     

基于最小二乘法及信息熵的短期水文预报组合模型的比较

为探讨组合预报中平均加权法的实用性,以三峡流域宜昌站为例,建立了基于最小二乘法和信息熵理论的两种径流组合预报模型,并将组合预报结果与原单一模型的预报结果做了对比,选取具有代表性的预报精度评定指标检验预报精度。结果表明,两种组合预报模型均显著改善了预报精度评定指标,提高了短期水文预报精度,突破了传统单一水文预报模型的局限性,实际应用时可根据预报精度评定的侧重点选择合适的组合预报模型。     

基于EEMD-ANN的水库年径流预测

以三峡水库为例,基于集合经验模态分解(EEMD)及人工神经网络方法对水库年径流进行预测。首先利用Mann-Kendall和Pettitt法对水库年径流序列进行突变检测,获得平稳径流序列,然后采取EEMD方法分解径流序列,得到固有模态函数(IMF)和残差,最后对不同IMFs和残差分别建立人工神经网络预测模型,叠加所有模型预测结果得到年径流预测值。结果表明,基于EEMD-ANN的年径流预测模型优于自回归模型和人工神经网络模型,其预测结果与实测值的相关性更强,预测误差分别减少了11.4%、8.7%。同时,构建EEMD-ANN预测模型时需考虑径流序列的突变特征,采取平稳径流序列的预测效果更优。     

基于物理成因的中长期径流预测模型研究

可靠的中长期径流预测对水资源开发等具有重要意义。为此,筛选了影响径流的主要物理因子,引入极端梯度提升(XGBoost)算法构建中长期径流预测模型,通过纳什效率系数评价模型精度,并与多元线性回归模型(LR)、梯度提升决策树模型(GBDT)进行比较。实例应用结果表明,该模型对月径流过程的预测精度较高,训练期和验证期的纳什效率系数均值分别达到了0.9和0.7,且泛化能力优于GBDT模型和LR模型,用于中长期径流预测具有一定的可靠性和稳定性。     

基于统计图形的入库流量预报误差分布规律

基于2003~2008年三峡水库汛期入库流量预报误差资料,分析了其正态特性,给出了通过K-S检验的分段入库流量预报误差统计图形,并利用统计图形比较了Laplace与Logistic分布拟合效果。结果表明,2003~2008年三峡水库汛期入库流量预报误差基本服从正态分布,且Laplace分布更适合描述其分布规律。     

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。