基于CEEMD-BP模型的汾河上游月径流预测

为了减轻径流序列的非线性、非平稳性对径流预测结果的影响,针对汾河上游上静游站、汾河水库站、寨上站及兰村站1958—2000年的月径流序列,采用CEEMD法及BP神经网络,建立了汾河上游月径流预测的CEEMD-BP模型,并与单一BP模型及EMD-BP模型的预测结果进行了对比分析。结果表明:验证期CEEMD-BP模型径流预测的平均绝对误差、均方根误差与单一BP模型相比分别减小53%～62%、48%～65%,与EMD-BP模型相比分别减小34%～46%、30%～43%;CEEMD-BP模型模拟期、验证期的确定性系数均大于0.9,预测精度均为甲级,因此CEEMD-BP模型用于非线性、非平稳性径流时间序列预测是可行、有效的。     

汾河上游径流序列突变点及前兆信号检测

针对变化环境下径流序列的突变特征,采用多尺度直线拟合法对汾河上游4个水文站(上静游站、汾河水库站、寨上站和兰村站)年径流量序列进行突变点检测,并基于系统的恢复速率及恢复力、方差及自相关系数的演变规律检测突变前兆信号。结果表明：上静游站、汾河水库站、寨上站和兰村站年径流量序列的突变年份分别为1975年、1966年、1966年和1966年,径流量均呈减少趋势,突变后多年平均径流量较突变前分别减少了22.81%、19.75%、24.68%和31.14%;基于系统的恢复速率和恢复力检测到突变前兆信号分别发生于1973年、1958年、1958年和1958年,基于方差和自相关系数检测到突变前兆信号分别发生于1968年、1960年、1960年和1960年。突变前兆信号均提前于突变年份10 a之内,对突变具有可靠的预警作用。     

基于CEEMD-GRNN组合模型的月径流预测方法

针对径流序列的噪声因素与非线性特性,采用互补集合经验模态分解法(Complete Ensemble Empirical Mode Decomposition, CEEMD)与广义回归神经网络(Generalized Regression Neural Networks, GRNN)的组合模型,对汾河上游上静游站、汾河水库站、寨上站、兰村站1958～2000年的月径流序列进行实例研究,探究3种不同建模方式下的组合模型对预测精度的影响,其中组合模型1使用加权平均集成法将各分量预测结果相加,组合模型2去除高频分量后再使用加权平均集成法将剩余分量预测结果相加,组合模型3去除高频分量后将剩余分量预测结果直接相加;再将组合模型与单一GRNN模型进行对比。结果表明:各模型的确定性系数(NS)均大于0.5,预测结果均具有可信度;不同的月径流资料适用不同的建模方法,对于极差较小的月径流序列,组合模型1预测效果最好,与另外两种组合模型及单一模型相比,平均绝对误差(MAE)、平均绝对百分比误差(MAPE)、均方根误差(RMSE)分别平均减少26%,17%,23%;对于极差较大的径流序列,组合模型2预测效果最好,与另外两种组合模型及单一模型相比,MAE,MAPE,RMSE分别平均减少30%,28%,33%。组合模型2预测误差总小于组合模型3,即加权平均集成法对提高预测精度有一定作用。三种建模过程的CEEMD-GRNN组合模型预测误差均比单一GRNN模型小,说明组合模型较单一模型更适用于月径流预测。