基于多重演化模式重构的水文预报模型及应用

因长期受人类活动、气候变化等多重因素作用,水文时间序列表现出多时间尺度、多频率、动态变化、自记忆性等复杂性特征,增加了水文预报结果的不确定性。本文将经验模态分解模型,核主成分分析模型和支持向量机模型耦合,建立了针对复杂性水文时间序列的预报模型,并采用NASH效率系数、自相关系数、相对误差作为模拟预测精度及参数率定的多目标判断标准。模型应用于黄河花园口水文站径流序列的长期水文预报中,结果表明:模型预报时段长,具有较好的预测准确性和实践应用价值。该模型为多重因素作用的复杂性水文时间序列预报提供了一种方法。     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

水文时间序列逐步回归随机组合预测模型及其应用

由于气候因素和下垫面因素的综合影响,水文时间序列表现出复杂的非线性,包括确定性成分和随机成分,如月径流序列、日均流量序列等。这些预报对象如果不加处理直接用AR（p）建模进行预测误差较大。文中介绍了通过对非平稳序列提取周期项和趋势项后的余差序列建立AR（p）模型进行水文中长期预报的组合预测方法,并以嘉陵江北碚站7月最大洪峰流量序列为例对组合模型进行验证,结果比较满意。     

ARIMA模型在松华坝水库枯季入流预测中的应用

为探索ARIMA模型在水文中长期预报的适应性,以预报松华坝水库枯季入流为例,选取该水库主要入流控制站中和水文站枯季（11月-次年4月）径流建立数学模型进行分析预测,并与周期时间序列模型的预测结果进行对比,结果表明ARIMA模型预测精度优于周期时间序列模型预测成果,可应用于水文预报工作中。     

一种改进的混沌水文时间序列预报方法

提出了一种改进的应用于中长期水文预报的混沌预报方法,对水文时间序列进行周期性和混沌特性分析。利用傅立叶级数展开法分离出时间序列中的主要周期项,对时间序列与主要周期项的差值部分进行差分;利用相空间重构理论对此差分序列进行混沌预测,得到预报结果。实例计算表明此方法是可靠的。     

非稳态条件下的中长期径流耦合预报方法

气候变化会导致水文序列的非稳态性,从而给水文预报带来新的挑战。以疏勒河上游为例,提出了一种适于非稳态条件下的新的中长期径流预报方法。根据疏勒河径流的补给来源及其受气候变化的影响,按照时间序列模型的思路,依次提取趋势项和周期项,对剩余的随机项采用基于水文-气象遥相关模型,构建了时间序列与水文-气象遥相关的耦合模型。对比分析时间序列法、水文-气象遥相关法和耦合预报法对昌马堡站径流预报的结果,发现耦合预报方法不仅精度最高、模型可信度最高,而且可以描述非稳态的趋势性变化。     

基于标准年和相空间重构的水文预报方法

文中提出了一种基于标准年和混沌分析的中长期水文预报方法。首先对最近若干年的水文时间序列进行标准年和剩余分量混沌特性分析;然后计算出时间序列与标准年差值余项的差分序列;最后利用相空间重构理论对此差分序列进行混沌预测,得到预报结果。实例计算表明此方法是可靠的。     

基于遗传算法优化的小波神经网络在中长期水文预报中的应用——以三门峡为例

造成中长期水文预报研究和预报困难的主要原因是水文现象本身的复杂性和不确定性,以及内部复杂的非线性关系,针对这些问题,本文建立了一种小波神经网络时间序列模型,并用遗传算法对小波神经网络的连接权值和伸缩变量、平移变量进行优化。使用这种模型对黄河三门峡站逐年月天然流量进行预报检验,并将检验结果与传统的小波神经网络和BP神经网络进行对比,从模型预报精度、趋势性和稳定性3个方面进行分析,分析发现,这种遗传算法优化的小波神经网络时间序列模型能够有效地克服传统的小波神经网络和BP网络容易陷入局部极小的缺陷,能够对水文现象的趋势性作出较精确的预测,具有良好的预报精度和稳定性。     

黄河水量调度径流预报方法研究

介绍了服务于黄河水量调度的中长期径流预报技术方法、主要模型、预报系统及应用情况,并对未来黄河流域径流预报发展方向进行展望。黄河中长期径流预报模型从每个控制站点水文序列的影响因子和自身演变规律出发,根据各站点不同时期、不同影响因素,选择适当的统计方法分别建立。非汛期径流预报模型主要以前期径流、降水为预报因子,采用多元回归分析、门限回归分析和时间序列分析等方法建立;汛期径流受降雨影响强烈,流域降水主要受大气环流等因子影响,因此从前期环流因子中挑选预报因子,建立了汛期径流预报模型;天然径流量预报模型主要采用实测径流还原、时间序列分析及大气海洋物理因子相关等方法建立。黄河中长期径流预报模型及预报系统的建立,提高了黄河流域径流预报技术水平和能力,在1999—2018年20 a的水量调度中,提供了准确的年度水量预报和旬月径流预报,其中每年10月中下旬发布的花园口站年度天然径流总量预报平均误差为3.7%,最小预报误差为0.6%。     

水利电力自适应控制系统ARMA模型的参数估计方法

一、引言 近年来,随着现代计算机工程的发展,时间序列分析方法在水利电力自适应控制系统的自适应控制、自适应调度和预报以及水文、地质等方面都得到了广泛的应用。例如,在水利系统自适应控制和预报中,水文序列就是一类周期性非平稳时间序列,为了进行中长期水文自适应控制和预报,就要建立其水文序列的非平稳部分确定性数学模型和平稳部分的随机数学模型。在电力自适应系统中,在线负荷自适应控制与短期负荷预报,同样也可以把负荷分成确定性分量和随机分量两部分,利用时间序列分析方法建立确定性分量的数学模型和随机分量部分的随机数学模型,等等。而时间序列分析     

基于云模型的非一致性年径流预测

采用云模型和非一致性水文计算法对岷江流域年径流建立预测模型,利用非一致性计算法将水文序列分成相对一致的随机性成分和非一致的确定性成分,再分别对确定性成分和随机性成分进行云模型的不确定性推理,最后根据时间序列分析的分解与合成理论进行数值合成,得到最终的预测值。通过与传统预测方法相比较,非一致性云预测方法有较高的预测精度和推广应用价值。     

水文时间序列预报的多维时间序列模型

1　引言 　　随着社会主义现代化建设事业的不断发展，国民经济各个部门对水文预报的要求越来越高，不仅要求有正确的短期预报，而且要求有预见期更长的中长期预报，不仅要求定性，而且还要求定量。但是，由于影响因素的复杂与目前科学技术水平的限制，中长期水文预报还处于探索、发展阶段。目前，中长期水文预报主要根据前期水文气象要素，用成因分析与数理统计的方法，对未来较长时间的水文要素进行预测。现在我们来探讨一下数理统计方法的多维时间序列法在中长期水文预报中的应用。     

水文时间序列AR(P)模型阶数的识别

介绍水文时间序列AR(P)模型的建立及其在中长期水文预报中的应用，并对确定模型阶数P的方法进行了总结和分析，力求进一步提高中长期预报的精度。     

小波水文分析在年降水量分析中的应用

水文工作一项重要任务就是对相关要素进行中、长期水文预报,目前采用的方法一般为参数估计法、多元回归法、线性相关法等。应用小波水文分析理论,探讨降水量时间序列的多时间尺度变化特征,寻找出降水量时间序列不同时间尺度下的演变规律和发展趋势,从而为降水量的中、长期预测提供分析依据。     

四棵树河中长期径流量预测浅析

本文利用了四棵树河吉勒德水文站（1955年～2008年）的水文、气象等资料,分析了径流中长期变化的规律和影响因素,把河流水量等预报对象作为随机变量,把分析得出的各个影响因素作为预报因子,然后应用回归分析或判别分析的方法对预报因子进行筛选。考虑到水文序列的非平稳性,把水文序列分解成趋势项、周期项、平稳项,然后分项预测,叠加后得到预报结果,以此来预测四棵树河流域2009年的水量趋势。     

随机水文学(五)

前面我们讨论了水文时间序列的特性,对于其变化的重要特性,可以用水文随机模型来表征。换言之,水文随机模型是以数学表达式对水文时间序列统计变化特性的概括。所以也可将水文随机模型理解为水文时间序列的估计总体。因此,只要对讨论的水文时间序列建立了随机模型,那么该序列的重要统计特性,不仅可通过模型获得,而且还可模拟出各种可能出现的水文时间序列样本。这在水资源规划设计中非常有用。 当水文时间序列中的趋势成分和周期成分排除以后,其余下的随机成分多应用简单的一阶自回归模型和最简单的自回归滑动平均模型来表征。当序列中无趋势成分和周期     

水库中长期水文预报方案的编制

水文预报,是在一定时间范围内对水域水文现象的预报,其对于水利建设、浇灌、防洪等工作有着重要的意义,直接影响人们生命安全,因而需要重视水库中长期水文预报方案的编制。文章分析了水库中长期预报的意义和主要的原则,并且进一步地阐述了水文预报方案编制的主要步骤,预测了水文预报领域未来的发展趋势,希望为相关工作者提供参考,具体内容如下。     

深度学习水文预报研究进展综述 II −研究进展及展望

深度学习在数据驱动水文模型方向的应用研究是当前水文预报的研究热点。综述近期深度学习模型在水 文预报中的应用研究进展,归纳以往数据驱动模型未表现出的新特点,分析深度学习在水利工程影响下水文建模、 不确定性分析等问题中的应用潜力以及深度学习水文预报模型解释的知识发现作用。从物理机制模型中融入深 度学习和物理机制指导的深度学习两方面讨论深度学习与水文物理机制整合的研究实例。总结深度学习水文预 报研究仍面临的重要挑战,展望可能的发展趋势,以期为深度学习在水文预报中的研究发展提供有效参考。     

潘家口水库枯水期月径流预报

在分析研究流域气候特征及枯季径流来水规律的基础上，用水文气象方法和水文方法分别建立了枯水期月径流预报模型。水文气象方法是先挑选出与预报对象关系最好的气象因子作为预报因子，据此建立预报模型和预报集成模型。水文方法是利用水文序列资料建立自回归模型和多元递推模型。用实测资料对预报模型进行了验证，结果表明：预报精度令人满意。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。