基于VMD-EEMD-CNN-LSTM混合模型的月径流预测

针对传统径流预测模型对月径流序列尖峰点预测精度不足的问题,文章提出了一种VMD-EEMD-CNN-LSTM混合预测模型。首先,对原始月径流序列进行变分模态分解(VMD)处理,得到具有有限带宽的本征模态分量(VMF)和较高复杂性的残差项(Res)。然后通过集合经验模态分解(EEMD)对Res进行二次分解,有效挖掘原始径流的隐藏信息。把各分量作为卷积神经网络(CNN)-长短期记忆网络(LSTM)组合预测模型的输入,最后对各预测结果进行叠加重构,得到最终的结果。以乌江流域洪家渡水电站实测月径流数据为例,结果表明：VMD-EEMD-CNN-LSTM模型具有更高的精确度,能有效提高对月径流序列尖峰点的预测精度。     

基于月年混合径流量的预测控制模型

提出了一种用于长期水电调度的模型，该模型是在预测控制的框架下利用了月年混合径流的预报法，径流量的预报数据长达3 a，包括了在接近现实的较小的范围内波动的月径流量，以及在优化范围内的年径流量。该模型的仿真测试是以一个具有历史径流量的单一的热水库系统作为仿真环境。仿真结果与现有的基于月径流预测的随机动态规划方法相比后，显示出混合模型在长期水电调度的决策过程中是一种很有效的方法。图3幅，表2个。     

水库入库径流量的灰色预测模型研究

水库入库径流量的变化对于水库发电和下注重用水有着极大的影响。如果能对入库水量进行较准确的预测，可以提高水资源利用率和增加经济效益。     

基于EEMD和GRNN的降水量序列预测研究

为提高非平稳性、非线性降水序列的预测精度,利用基于集合经验模态分解和广义神经网络的预测模型对郑州市1951—2011年的年降水量序列进行了分析。结果表明:集合经验模态分解减弱了经验模态分解IMF分量的模态混叠现象,提高了广义神经网络的预测精度;相对于经验模态分解的广义神经网络和传统的ARMA方法,基于集合经验模态分解的广义神经网络的预测结果更加精确,具有收敛速度快及预测精度高等特点。     

高关水库入库径流状态预测

依据高关水库1971-2010年入库径流量资料,应用均值标准差法建立5级分级标准.针对径流量为相依随机变量的特点,以各阶自相关系数为权重,运用马尔可夫链模型预测未来一年的入库径流量状态.结果表明:该方法直观、预测准确、计算简便,为区域径流量的中长期预测提供了新的分析途径.     

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明：所构建的模型可以有效提高水文预报的精度。     

平原区水库入库设计径流量计算方法

平原区水库与山区水库最大的区别是:天然地表水不能直接引入水库,入库径流在时间分配上不均匀,水库入库径流的准确计算是水库设计的需要和水库安全运行的保障,本文根据平原区水库的特点,以新疆乌苏市乌苏水库为例,提出了平原区水库设计中入库径流量的计算方法。     

渔洞水库入库月径流过程的随机模拟

本文以实测４２年径流资料为基础，分别采用季节性ＡＲ（１）、季节性ＡＲ（２）、季节性ＡＲ（３）、季节性ＡＲ（１）－ＡＲ（２）混合和季节性ＡＲ（１）－ＡＲ（２）＿ＡＲ（３）混合模型对渔洞水库径流过程进行随机模拟，得出１００个样本，最后通过对所得径流样本中种参数的统计分析，推荐出最佳模型。     

基于CEEMDAN-LSTM模型的郑州市月降水量预测

降水预测对农业生产和水资源利用具有重要意义.由于单一模型难以准确预测降水量,文章建立了基于完全集合经验模态分解(CEEMDAN)和长短期记忆神经网络(LSTM)的耦合模型,对郑州市月降水量进行预测,并与LSTM模型、EEMD-LSTM模型和CEEMDAN-SVR模型的性能进行了比较.结果 表明,CEEMDAN克服了EE...     

BP神经网络预测河流月径流量

河流的月径流量是随机变化的，影响因素很多，如人类活动、降雨、下垫面的土壤、植被覆盖情况。利用人工神经网络理论建立BP（Back-Propagation，反向传播方法）网络预测模型，用该模型对河流的月径流量进行预测，BP神经网络模型计算快速，占用内存小，还有很好的容错性，可以得到比较理想的结果，精度高，可靠性好。模型建立之后，将其用于实例，通过对大量样本进行很多次的训练学习，得到训练好的BP网络模型，最后进行预测，得到令人比较满意的结果。     

A Hybrid Model Based on Variational Mode Decomposition and Gradient Boosting Regression Tree for Monthly Runoff Forecasting

Water Resources Management - Accurate and reliable monthly runoff forecasting is of great significance for water resource optimization and management. A neoteric hybrid model based on variational...     

基于奇异谱分析的SPBO-ANFIS月径流组合预测模型

针对水文时间序列月径流多尺度非平稳性等特点,提出基于奇异谱分解（SSA）的学生心理学优化（SPBO）算法-自适应神经模糊推理系统（ANFIS）月径流组合预测模型,并应用于云南省某水文站月径流预报。首先通过SSA将实例月径流时序数据分解为若干独立子序列分量,以降低时序数据的复杂性;其次介绍SPBO算法原理,通过取8个标准函数对SPBO算法进行仿真验证及比较;最后采用SPBO算法优化ANFIS条件参数和结论参数,建立SSA-SPBO-ANFIS模型对每一个子序列进行预测,叠加后作为最终月径流预测结果,并与基于集合经验模态分解（EEMD）的EEMD-SPBO-ANFIS模型和未经分解的SPBO-ANFIS模型作比较。结果表明：SPBO算法具有较好的寻优精度;SSA-SPBO-ANFIS模型对实例月径流预测的平均绝对百分比误差5.57%,平均绝对误差0.20 m³/s,纳什系数0.994 8,合格率96.7%,预测效果优于EEMD-SPBO-ANFIS模型,远优于SPBO-ANFIS模型。模型及方法可为相关水文时间序列预测研究提供参考。     

粒子群小波人工神经网络组合模型的径流预测

为了克服传统径流过程预测容易产生累积误差的缺点,提高径流预测精度,提出了一种基于粒子群小波人工神经嘲络组合模型的月径流过程预测算法,该算法具有原理简单、实用性强等特点.将该算法用于预测某电厂月径流过程计算,结果表明,其预测结果精度高,可为水电厂提供可靠的入库径流,对水电厂制定合理的运行方式有重要作用.     

Volterra模型在月径流预测中的应用研究

水文过程的月均径流序列存在着较明显的低维混沌特性,利用Volterra模型可以较好的预测低维混沌序列。引入低维混沌动力系统相空间坐标重构的Volterra自适应预测模型,对多年月均径流序列采用二阶Volterra自适应滤波器进行预测。以大渡河石棉站33年的月径流量为例进行验证,预测相对误差<10%的天数为73.3%,相对误差<20%的天数为90.0%,与人工神经网络预测结果对比表明该方法具有较满意的准确率。     

冶勒水库年、月径流预测模型研究

电力市场环境下水电站入库径流预测对水电站安排发电调度计划，进行期货电量交易和竞价上网具有重要意义。基于历史径流序列，研究了冶勒水库年、月径流预测模型，并通过比较检验，筛选出较好模型，供电站生产使用参考。     

新丰江水库月径流长期预报的EOF迭代方案

经相关普查发现，500hPa、100hPa高度场和北太平洋海温场与新丰江水库的月径流量有着一定的相关性，当环流异常发展，海温明显偏低时，降水较多，水库来水量偏丰.在统计分析的基础上，建立了该水库月径流预报EOF(Empirical Orthogonal Function)迭代方案。预报结果表明，EOF迭代方法在月径流长期预报中具有明显的应用价值．     

季节性AR模型在葛洲坝月径流预报中的应用

自回归模型属于线性平稳模型，只能描述平稳序列的统计特性。当水文序列具有季节性变化时，其统计特性则随季节而变，即随时间而变。文章探讨了季节性自回归模型运用中需注意的一些问题．并将其用来做葛洲坝入库月径流预报，取得了较好的效果。     

基于PSO的SVM年径流预报模型研究

为了使SVM具有更好的预测效果,考虑到人为选择参数的随机性,提出了应用PSO优化SVM参数的年径流预报模型,并将其应用于伊犁河雅马渡水文站的年径流预报。结果表明:与改进的最速下降共轭梯度法、进化单纯形法相比,经参数优化的SVM年径流预报模型能够较好地模拟年径流量与其影响因子之间的非线性映射关系,提高预报精度。     

基于EEMD的漳泽水库年径流周期分析

运用EEMD方法对漳泽水库水文站1956年~2008年的年径流量进行多时间尺度分解,并运用Hilbert变换对其进行周期分析。结果表明,漳泽水库的年径流序列可以分解为4个IMF分量和一个Res分量,并有效减小了模态混叠的程度;漳泽水库年径流序列可能存在2.42年,3.83年,7.09年,14.59年几个周期,并且可以推测其演化可能与大气低频振荡、厄尔尼诺现象、太阳黑子强弱变化及天体运动规律等有关。EEMD分解和Hilbert变换相结合的方法,在水文水资源系统领域具有广阔的应用前景。     

Daily Runoff Forecasting Using a Hybrid Model Based on Variational Mode Decomposition and Deep Neural Networks

Accurate and reliable runoff forecasting plays an increasingly important role in the optimal management of water resources. To improve the prediction accuracy, a hybrid model based on variational mode decomposition (VMD) and deep neural networks (DNN), referred to as VMD-DNN, is proposed to perform daily runoff forecasting. First, VMD is applied to decompose the original runoff series into multiple intrinsic mode functions (IMFs), each with a relatively local frequency range. Second, predicted models of decomposed IMFs are established by learning the deep feature values of the DNN. Finally, the ensemble forecasting result is formulated by summing the prediction sub-results of the modelled IMFs. The proposed model is demonstrated using daily runoff series data from the Zhangjiashan Hydrological Station in Jing River, China. To fully illustrate the feasibility and superiority of this approach, the VMD-DNN hybrid model was compared with EMD-DNN, EEMD-DNN, and multi-scale feature extraction -based VMD-DNN, EMD-DNN and EEMD-DNN. The results reveal that the proposed hybrid VMD-DNN model produces the best performance based on the Nash-Sutcliffe efficiency (NSE?=?0.95), root mean square error (RMSE?=?9.92) and mean absolute error (MAE?=?3.82) values. Thus the proposed hybrid VMD-DNN model is a promising new method for daily runoff forecasting.