洪水预报不确定性分析及其在水库调度决策中的应用研究

洪水预报是汛期水库调度决策的重要支持,其不确定性将直接影响到水库调度运行.传统的模型参数优选方法未考虑不确定性,得到的最优参数在一些场次洪水预报中精度不高,难以满足汛期水库调度要求,需要研究洪水过程预报的不确定性辅助水库调度决策.本文基于常用的水文预报模型和水文不确定性GLUE分析方法,对洪水预报的不确定性进行分析,并将其引入水库调度决策中,建立了应用不确定性分析进行水库调度的决策模型.结果表明,考虑洪水预报不确定性,将能在期望意义上提高洪水预报水平,更好地为水库调度提供决策支持,发挥水库综合效益.     

基于多模型随机组合的水文集合预报方法研究

准确、可靠的水文预报是水资源开发利用的基础.集合预报以概率或区间的形式表征预报的不确定性,是未来水文预报研究的重点发展方向.本文提出了一种基于多模型随机组合的水文集合预报方法.首先通过加权形式将多种预报模型进行组合;再采用多目标优化算法率定各成员模型权重的上、下限;最后在优化的上、下限内随机生成权重以构建集合预报.以汉...     

基于多种递归神经网络的海岛水库径流预报

海岛地区径流量偏小甚至出现断流,会极大影响短期径流预报精度。对海岛地区供水水库多组入库径流时间序列,基于三种递归神经网络（RNN）建立了不同预报因子组合和预见期的径流预报模型,探讨了RNN模型在海岛地区短期水文预报中的适用性。以舟山岛水库群为例,说明研究方法的有效性。结果表明仅考虑径流时间序列信息的预报精度最差,而耦合气象预报信息可提高径流预报准确性;随着预见期的增加,简单RNN模型的信息融合能力有限,而具有复杂神经元结构的基本长短时记忆神经网络和门控循环单元预报效果稳定;RNN模型对于平稳时间序列数据模拟效果优于非平稳序列,而气象信息的引入和参数优选能够改善其在处理非平稳时间序列中的缺陷。     

粗集-模糊推理技术在水文中长期预报中的应用研究

针对多因素中长期预报中预报因子的选择问题,本文结合预报因子与预报对象的相关性分析,利用粗集理论的属性重要性概念对预报因子进行优化和选择,对历史数据进行分析约简确定模糊推理的最小决策规则集,建立模糊推理中长期预报模型,并应用于大伙房水库的年径流预报中.结果表明,采用粗集理论对预报因子进行筛选,对推理预报规则进行简化,可提高模糊推理预报精度.粗集理论与模糊推理技术相结合是多因素中长期水文预报的一个有益的尝试.     

神经网络组合预报模型及其在汽轮发电机组状态检修中的应用

在组合预报模型研究基础上，提出基于神经网络的非线性组合预报模型，由神经网络给出常规预报方法的最佳组合。首先从函数逼近角度研究了这种模型的理论基础，在此基础上给出了实现策略和神经网络的有效训练算法，将该模型应用于发电机组状态检修的振动参数的趋势分析和故障预报，仿真结果表明该模型有更高的预报精度。     

自适应预报方法在入库流量计算中的应用

传统的入库流量计算是采用水量平衡方法由库水位反推，这一方法与坝前水位精度、开（关）闸门等关系很大，流量过程线容易出现锯齿形跳动，影响防洪、发电决策。作者采用自适应预报、动态参数辨识方法，将成安入库汉量计算转换成一个自适应预报问题取得了较好的效果。由于提高了预报合格率，可增加水库防洪与发电效益。研究表明，入库流量的精度不仅与模型阶数有关，还与系统各输入的时滞有较大的关系。     

基于蚁群算法的支持向量机中长期水文预报模型

支持向量机算法（SVM）具有可靠的全局最优性和良好的泛化能力,尤其适用于中长期水文预报中有限样本的学习,然而该算法的成功与否很大程度上取决于其参数的选择,而常规经验选取方法往往不能获得满意效果。本文建立基于蚁群算法参数优化的支持向量机模型（ACO-SVM）,利用蚁群算法（ACO）基于进化的随机搜索策略对支持向量机参数进行识别。以福建省安砂水库的月径流预报为例,进行建模仿真,将模拟结果与时间序列方法（ARMA）、人工神经网络方法（BP-ANN）所获得的预报结果进行对比分析。结果表明,在拟合精度方面,ACO-SVM模型相比ARMA模型和BP-ANN模型有不同程度的提高,且增幅较大,且具有较好的泛化性能。     

基于随机模拟信息的神经网络洪水预报模型

针对BP神经网络模型预报大洪水误差较大的问题,提出建立了一种基于概念水文模型随机模拟信息的神经网络洪水预报模型,该模型融合了概念水文模型和神经网络模型的优点.在实际应用中,首先利用概念水文模型(三水源新安江模型)随机模拟出占实测洪水一定比例的较大洪水,然后将这些随机模拟生成的较大洪水过程加入到神经网络模型的训练样本中,以增加训练样本中较大洪水的比重,从而提高洪水的预报精度.通过实例应用表明,模型预测效果较好.     

辽宁省资料短缺地区中小河流洪水预报方法

我国中小河流大多位于山丘区,水文站点稀少,资料短缺,而产生的洪水往往突发性强、破坏力大,中小河流洪水预报研究是重要课题。针对辽宁中小河流洪水预报特点,本文提出了一种资料缺乏地区中小河流洪水预报方法。首先收集与提取中小河流流域的下垫面、水文、气象等基本资料,采用主成分分析方法形成新指标,降低指标维数并减少相关性;利用可变模糊聚类方法对辽宁省中东部30个参证站和84个中小河流站进行水文相似性分类识别,划分为8个水文相似组;建立Topmodel洪水预报模型进行洪水模拟,对参数移植前后模拟精度进行对比分析,验证了方法的有效性与实用性。本文研究成果可为辽宁省中小河流洪水预报提供支撑,可为其他资料短缺地区洪水预报方案编制提供参考。     

洪水预报实时系统组态设计

为提高洪水预报软件的可靠性、稳定性及可维护性，从分析以新安江洪水预报模型为代表的概念性水文模型洪水预报系统的计算原理和参数特点出发，遵循组态设计的思路，设计了洪水预报实时系统所需参数及站网配置信息的存储方式和洪水预报系统软件。设计思路应用于柘溪水库调度自动化系统的洪水预报子系统中，并能将该软件配合相应流域的参数及站网配置信息推广到其他流域。     

基于优化决策树的短期电力负荷预测算法

考虑非负荷因素对短期负荷预测的影响,提出了基于优化决策树的短期负荷预测新方法。该方法先对样本数据进行预处理,利用粗糙集理论对决策树的测试属性约简;然后针对决策树ID3算法的缺陷,改进测试属性选择的方法,提出优化算法M ID3。通过2次优化建立的决策树短期负荷预测模型,在有更好的分类准确率的前提下具有较小的规模。结果表明,该方法可提高短期负荷预测的精度,具有一定的实用性和优势。     

短期电力负荷的灰色GM(1,1)模型群组合预测

组合预测方法是一种性能优越的预测方法.由于电力负荷具有很多不确定因素,用单一预测模型进行预测时,其预测精度不高,为提高预测精度,提出组合预测模型.灰色GM(1,1)模型群能够很好地反映电力负荷的周期变化特性,而用不同时期的历史数据可反映不同的信息特征,因此,提出了基于远近数据的GM(1,1)模型群预测组合预测法.利用此方法对某地区的日电力负荷进行预测的算例结果表明:此方法的预测精度高于各单一模型的预测精度,且能够很好地反映日负荷变化的随机性和周期性.     

采用面积灰关联决策的高斯过程回归概率短期负荷预测

为克服概率负荷预测各评价指标相互冲突,难以确定最优预测模型难题,提出采用面积灰关联决策的高斯过程回归(GPR)概率短期负荷预测新方法。首先,构建综合评价指标集合,全面评估基于不同协方差函数的GPR模型预测效果,得到综合评价矩阵。然后,采用熵权法对各指标客观赋权,并在此基础上,使用面积灰关联决策对各模型排序,确定最优GPR概率预测模型。最终,以该模型开展概率预测。实验表明,相较传统距离灰关联决策,面积灰关联决策更明确地分辨方案间差异,结论更可靠。最优GPR模型在保证确定性预测精度的同时,相较预测误差分布特性统计法,准确刻画了负荷的波动性,预测区间更加精确可靠,区间上限明显更低,有助于为决策提供更多有效信息。     

基于改进深度信念网络模型的中长期径流预测

为提高流域中长期径流预测效果,提出径流综合指数构建、因子筛选和改进深度信念网络模型相结合的预测方法。首先研究不同水文站点（细粒度）月平均径流的一致性,构造流域径流综合指数（粗粒度）,在较宏观层面研究流域水情丰枯变化;接着采用基于信息熵的因子筛选方法,获得影响流域水情丰枯变化的关键因子集,形成深度学习的输入;然后利用改进的深度信念网络（IDBN）模型进行预测。以雅砻江流域为例,将所建模型与多元线性回归、自回归移动平均、反向传播（BP）神经网络、支持向量机和传统深度信念网络等预测模型进行对比分析。结果表明：所提方法具有较好的实用性,且IDBN模型具有更好的预测速度和精度。研究结果可为流域中长期径流变化趋势预测提供参考。     

GMDH方法在中长期电力负荷预测中的应用

在时间序列预测法的基础上,将数据处理组合方法GMDH应用于中长期电力负荷预测。介绍了GMDH的基本原理,根据历史数据建立GMDH模型,通过某地区电力负荷预测实例,对电力负荷值进行了计算分析,结果表明该方法可获得较高的预测精度。     

组合预测方法在电力负荷预测中的应用

为了提高负荷预测的准确性,引入了组合预测模型,通过综合单一预测模型的优点,得出更为准确的结果.文中通过引入2个参数,将组合模型问题转化为极值问题,采用进化规划作为优化方法.最后运用文中所述的组合预测方法与传统的几种单一模型,分别对盐城市区的供电量和最高负荷的历史数据进行计算,比较发现组合预测模型的预测误差要小于任一单个...     

灰色Verhulst模型在中长期负荷预测中的应用

灰色系统预测模型用于中长期负荷预测是一种有效的方法。但是，当负荷按照“S”型曲线增长或增长处于饱和阶段时，采用灰色模型进行负荷预测的误差较大，预测精度不能满足实际要求。将灰色Verhulst模型引入到负荷预测中，可以很好地解决这个问题。作者通过典型的实例介绍了灰色Verhulst模型在中长期负荷预测中的应用。结果表明，此模型在负荷预测中是适用的，尤其对于负荷按“S”型曲线增长的情况，不但具有较高的预测精度，同时保留了灰色预测方法的优势和特点。     

基于决策树理论的风电功率实时预测方法

风电功率的不确定性会对电网造成冲击,风电功率实时预测是缓解电网调频压力,保证电网稳定运行的重要手段.通过分析两种单一预测模型的特点,提出一种基于历史数据和NWP数据相结合的组合预测模型.分析历史数据的序列特征和适用的预测方法,建立决策树分类模型,在预测时通过时数据序列特征分析,选择最佳预测方法.针对两不同风电场的数据进行预测分析,结果表明,组合模型预测精度高于单一模型,通过决策树模型进行实时序列特征分析,并选配最佳预测模型能有效提高预测精度.     

一种基于多神经网络的组合负荷预测模型

针对BP神经网络、RBF神经网络和小波神经网络应用于负荷预测时所遇到的问题,提出了一种基于各种神经网络的组合预测模型。该模型为单输出的3层神经网络,即将3种神经网络的预测结果作为神经网络的输入,将实际负荷值作为神经网络的输出,使训练后的网络具有预测能力。该模型能降低单个神经网络的预测风险,提高预测精度。仿真结果表明,所提出的组合预测模型的精度高于其中任一单一网络模型,也高于传统的线性组合预测模型。     

考虑流动相关性的风电场机组分组功率预测方法

风电固有的随机波动性对电力系统的安全稳定运行产生不利影响。风电场功率预测是缓解该问题的重要途径,但预测精度及计算效率制约其在电力系统运行中的应用效果。针对上述问题,提出一种基于流动相关性的风电场机组分组方法并运用于风电场功率预测中。针对传统大地平面坐标无法体现流动信息的缺陷定义了可以体现风电场流动特性的坐标体系——风电场主风向坐标系,以简单而直观的方式将流动特性与风电场机组组合方法、风电预测技术相结合。以中国西北某风电场为例,采用GABP预测模型进行验证,结果证明该方法有效利用了风电场流动相关性对风电场机组进行分组,在精度和效率之间寻求平衡,为电力系统和风电场经济运行提供保障。