AREM模式预报技术在洪水预报中的应用

AREM是综合考虑中国区域的地形特点和复杂的水汽演变过程,建立的一个对中国区域暴雨有较强预报能力的暴雨数值预报模式.运用AREM模式预报的降雨过程作为预见期内的降雨,结合新安江蓄满产流模型和流域分散入流非线性汇流模型,作出考虑预见期降雨的洪水预报,并将该方法应用于湖北省白莲河流域.     

概念性水文模型参数多目标率定及参数组合预报

针对概念性水文模型参数优化率定问题,考虑流域水文系统不同产汇流特性,提出一种多目标文化自适应仿电磁学算法（multi-objective cultural self-adaptive electromagnetism-like mechanism, MOCSEM）,并基于MOCSEM的优化结果,提出了一种简便的自识别参数组合预报方法。该算法采用仿电磁学算法实现可行解集的进化,并置于文化进化的框架中,根据水文模型参数优化率定问题的特点构建了信息空间,并引入了基于个体聚集密度的信息空间更新方法,保证了非劣方案的多样性;同时,加入一种自适应的扰动因子对算法的局部随机搜索操作进行修正,改善了算法的全局寻优能力。在此基础上,将MOCSEM算法应用于概念性水文模型——新安江模型的参数多目标优化率定,与MOSCDE算法进行对比分析,应用本文提出的自识别参数组合预报方法,尝试找到一种能权衡流域水文系统不同水文特性的自识别参数组合方式,可以为水文预报人员提供更为精确的流域径流预报方法。     

集合神经网络的洪水预报

针对防洪减灾的问题,通过将集合预报概念应用于人工神经网络,综合考虑样本和参数等因素的影响,构建集合神经网络模型,以降低单一神经网络模型的不确定性.针对初始值扰动和样本重采样两方面分别产生集合成员,由简单平均和贝叶斯模型加权平均整合预报输出,构建龙泉溪流域预见期为1~3h的集合洪水预报.结果表明,相对于单一神经网络,集合神经网络模型有效地提高预测的精度.从均方根误差上看,集合神经网络模型性能比单一神经网络模型提升了15%~35%.在众多集合策略中,以初始值扰动和简单平均操作最简单,模型预报输出有16%~32%的提升,重采样和贝叶斯模型加权平均的组合效果使预报精度改进了22%~35%.     

基于LSTM误差校正蓄满-超渗兼容模型的山洪预报研究

为达到提高不同类型山区小流域洪水预报的适用性和运行效率的目的,以长江中游寿溪流域和黄河中游青阳岔流域为研究对象,建立了蓄满-超渗兼容洪水预报模型,并将预报结果与新安江模型的结果进行对比,此外建立自回归(auto-regressive, AR)和长短时记忆(long short-term memory, LSTM)误差校正模型,对洪水预报模型预报流量进行误差校正。结果表明：经LSTM校正后的蓄满-超渗兼容模型针对18场洪水验证集预报结果中的平均纳什效率系数为0.88,高出其他单一模型和集合模型0.11～0.26;平均洪峰误差绝对值为6.01%,低于其他单一模型和集合模型3.90%～18.50%,且各单场洪峰误差绝对值均在10%以内。该模型对峰现时差的校正效果不明显。整体来看,蓄满-超渗兼容模型预报性能高于新安江模型,LSTM模型校正效果优于AR模型,经过LSTM模型校正过的蓄满-超渗兼容模型预报结果最优,可有效提高洪水预报精度。     

改进的人工神经网络水文预报模型及应用

在人工神经网络水文模型的研究中,往往加入前期径流以提高模型的预报精度.针对由此带来的问题,通过耦合总径流线性响应模型,建立一种基于人工神经网络的实时预报模型.通过引入总径流线性响应模型的模拟径流作为模型输入,模型的模拟模式能够提供较长的预见期,同时加入误差校正模型的实时预报模式也能够取得较高的模型精度.采用3个不同流域的流量资料对模型进行率定与校核.结果表明,模型能够取得较高的预报精度,显示了良好的适用性.     

干旱半干旱地区流域水文模型的适用性

以干旱半干旱地区的辽宁省东白城子和叶柏寿流域为研究实例,通过建立新安江模型、辽宁西部非饱和产流模型和时变增益模型,利用场次洪水观测资料进行模型的率定与验证,比较分析场次洪水在率定期与验证期的模拟预报效果,最后讨论分析了3种水文模型在干旱半干旱地区洪水预报的适用性.结果表明,以蓄满产流为核心的新安江模型不适用于干旱半干旱地区,适用性最差;辽宁西部非饱和产流模型较新安江模型模拟效果有所提高,但仍无法满足洪水预报的精度要求;考虑降雨强度的时变增益模型模拟效果最优,在干旱半干旱地区的适用性最强,具有良好的发展潜力.     

基于Power Builder的流域洪水实时预报系统研究

应用面向对象的可视化开发工具PowerBuilder和二水源新安江模型 ,开发研制了流域洪水实时预报系统 .经唐河流域 1975年洪水资料进行检验表明该系统是有效的 ,其预报成果为流域洪水预报调度提供了重要的决策依据     

基于静态和动态权重的流域水文模型集合预报方法对比

为进一步探索提高模型精度的方法,比较不同集合预报方法的优劣,选择了4种水文模型(新安江模型、Simhyd模型、GR4J模型和人工神经网络模型)分别在浙江省西部山区的4个典型流域做模拟对比,分析这4个模型在流域上的适用性,并将模型的模拟结果作为集合成员,使用黑箱集合预报法和诱导有序二项式系数集合预报法对成员进行集合预报,研究模型的应用效果,并进行4种模型和2种集成方法的优势对比。研究结果表明,新安江模型和GR4J模型在研究区域的适用性方面较好。黑箱集合预报法和诱导有序二项式系数集合预报法分别代表固定权重和变动权重的两种集合预报方法,模拟结果显示,后者对集合成员的改进程度更高,说明其在动态权重方法下更能充分发挥各模型的优势之处,达到择优互补的模拟效果,从而提高预报精度。     

3S技术在流域产流量预报中的应用

降水量、蒸发量、土壤蓄水量及雪冰的融水量是流域产流量预报模型的输入值,它们的观测精度和预见期直接决定着流域产流量的预报精度和预见期.论述了3S技术在流域降水量、蒸散发量、土壤蓄水量、雪冰融水量观测方法中的具体应用情况,分析了3S技术在应用过程中相对于传统方法的优势及其应用前景.     

水文模型两种不确定性研究方法的比较

水文模型结构本身的缺陷、模型输入输出误差、水文模型参数冗余及其复杂的非线性联系等,导致了流域水文模型的不确定性.基于贝叶斯理论的MCMC方法及GLUE方法近年来被广泛应用于流域水文模型的不确定性研究工作中.为比较上述2种模型不确定性分析方法的分析效果及其优劣,以位于汉江流域的牧马河流域作为研究对象,采用集总式概念性水文模型SMAR模型作为实验模型,推求其模型参数的不确定性及参数的后验分布.采用基于实测流量资料估计的置信区间可靠性作为评判标准,实验结果表明:就SMAR模型而言,MCMC方法能够更好地推求模型参数的后验分布.     

三层耦合流域水文模型──(Ⅱ)应用比较与评价

选用世界上不同地区的１２个流域的降雨径流资料,率定和检验耦合模型,并与著名的新安江模型和ＳＭＡＲ模型进行比较．应用结果表明,耦合模型具有概念清楚,结构简单,假设合理,模拟精度较高等优点．     

基于PSO-Elman神经网络的短期电力负荷预测

为了解决BP神经网络在短期电力负荷预测中存在局部极小、收敛速度慢等问题,本文采用粒子群算法(Particle Swarm Optimization,PSO)优化Elman动态神经网络进行精准预测。根据输入输出参数个数确定Elman神经网络结构,利用PSO算法优化网络的权值和阈值,并将优化后的最优个体赋给Elman动态神经网络作为初始权值、阈值进行网络训练,从而建立基于PSO-Elman的电力负荷预测模型。采用某钢厂实测电力数据对该方法和模型进行验证,并与传统的BP、Elman网络模型预测方法进行对比,结果表明该方法和模型在有效缩短网络收敛时间的同时,具备更高的负荷预测精度和稳定性。     

受水库群影响流域产流模型的研究

本文从研究流域上大中型水库及小水库群(包括塘堰)在防洪、灌溉、发电中的调蓄作用及运用基本规律出发,在天然流域产汇流预报原理基础上,提出了一整套考虑上游水利水电工程影响的产流预报方法。该法应用于广东枫树坝流域,使产流预报方案的合格率从原来的85.1%提高到91.7%,并克服了原方案在汛初和久旱后预报洪水的产流量远远偏大的问题。     

基于非等间距灰色模型和Elman神经网络的轨道质量预测

轨道质量是影响行车安全的关键因素,合理预测轨道质量可以有效指导铁路工务部门进行轨道养护和维修.轨道质量指数(Track Quality Index,TQI)是综合评价单一区间段内轨道质量的参数.本文通过深入研究TQI的发展趋势,提出一种将非等间距灰色模型和遗传算法优化Elman神经网络相结合的预测方法.首先利用优化后的非等间距灰色模型GM(1,1)得到原始TQI序列的大致发展趋势,然后为了描述轨道质量发展中各因素之间复杂的函数关系,利用遗传算法优化后的Elman神经网络对初步预测结果进行残差校正,从而得到更为准确的TQI预测序列.新方法将轨道质量发展趋势中的随机波动成分纳入方法考虑范围,充分挖掘了历史数据的发展规律.利用沪昆线上行实测TQI数据对本文方法进行验证,实验结果表明:新方法对轨道质量发展中的随机波动趋势拟合效果较好;对于轨道质量预测,在利用非等间距灰色模型进行初步预测基础上,使用Elman神经网络进行残差校正,由此得到的预测结果在均方根误差、相对系数、决定系数等多个统计指标上均优于其他方法.     

一类洪水预报的非线性时序模型——指数自回归模型

作为雨洪系统的输出——洪水时间序列，它包含了系统中各种变量的过去信息，同时蕴含着大量关于系统演变的规律和趋势，这样的时间序列往往是不可逆的，非性线相依的偏态序列，并且存在着广泛的频幅相依特性。在进行洪水预报时，传统法多采用线性化技术，但预报精度并不理想，因此要提高预报精度，有必要考虑洪水的非线性特性。基于此，本文用指数自回归模型进行洪水预报研究，实例分析表明该模型可提高洪水预报精度。本文的尝试工作为洪水预报提供了一种可行的模型。     

BP神经网络在柳江径流预测中的应用

径流水位预测是进行洪水监测的重要手段,对于包含详尽信息的广西柳江日径流水位时间序列,采用基于BP神经网络模型进行预报可取得较好效果.如LMBPDH模型采用双隐含层BP网络能加强预测模型输入输出的非线性映射能力,采用Levenberg Marquardt （LM）算法对网络进行训练则能缩短BP网络的收敛时间,改善网络的收敛性能,同时采用实验法确定模型的其他参数使模型获取最佳预报性能.在对柳江近10年日平均水位的预测中,将LMBPDH模型与单隐含层BP神经网络、LM算法以及带适应学习率和动量因子的梯度递减法算法等组合构成的BP神经网络模型,以及遗传算法进化的神经网络模型比较,LMBPDH模型预报稳定性、预报准确率最佳.     

短时车流量组合预测模型

随着道路车量不断增多,由交通异常事件造成的非正常拥堵情况严重影响了出行者的出行效率和路网的整体运行水平.因此,需要准确及时地检测出非正常拥堵情况,通过诱导、疏通等方式改善拥堵状况.对车流量的准确预测是检测非正常拥堵的有效方法.根据交通流量的不确定性和非线性的特点,将改进的BP神经网络模型和ARIMA模型进行组合,建立组合预测模型.实验结果表明,组合模型的预测结果比单个模型的预测结果理想,且达到较高的预测精度.     

基于GAELM神经网络的日前电价预测

针对日前电价预测问题,利用极限学习机建立预测模型.鉴于极限学习机在训练前随机产生输入权重和隐藏节点偏置,可能导致预测结果不稳定以及预测精度太低的问题,提出了一种基于遗传算法(GA)和极限学习机(ELM)的预测方法.首先利用遗传算法对极限学习机随机生成的参数进行寻优,然后根据优化后的参数建立基于GA-ELM的电价预测模型.最后以此模型对PJM电力市场的日前电价进行预测.结果表明,相比ELM和BP神经网络,GA-ELM具有更高的预测精度.