基于正则极限学习机的非平稳径流组合预测

针对径流时间序列固有的强非线性和非平稳性特征,提出了一种将集合经验模式分解（EEMD）、样本熵（SE）和正则化极限学习机（RELM）相结合的非平稳日径流预测方法（ES-RELM）。为充分提取径流序列的局部信息以提高预测精度,利用EEMD-SE将径流序列分解为一系列差异度明显的子序列,然后根据各子序列的迥异特征构建了不同的RELM模型对各子序列进行预测,最后将各个子序列的预测结果叠加从而得到最终预测结果。将该模型应用于金沙江下游控制站屏山站的日径流预报中,与九种模型对比结果表明,该方法能有效提高日径流预报精度,是一种高效稳定的径流预报模型,为实现高精度实时径流预报提供了可能。     

基于修正组合模型的河川径流中长期预报

为了充分发挥灰色模型在单变量预测及神经网络在处理非线性问题上的优势,同时降低二者的线性组合模型中组合权系数计算方法的不确定性对模型预测效果的影响,本文基于修正组合预测的思想,借助马尔科夫链对灰色GM（1,1）、BP神经网络及组合灰色神经网络模型预测的误差序列进行了修正处理,并通过分析比较修正单一模型与修正简单组合模型在中长期径流预测精度上的差异,提出了基于修正组合模型的河川径流中长期预报方法。将该方法应用于黄河中游区四条一级支流窟野河、秃尾河、无定河与孤山川的控制性水文站年径流预测中,结果表明基于马尔科夫链修正的组合灰色神经网络模型具有更好的拟合与预报精度,是一种更有效的径流预测方法。     

黄河上游径流动态变化趋势预测

本文在综合各种信息后 ,认为应当把水资源的有限性和径流过程的非线性作为径流长期预测的重要前提 ,并在此基础上首次建立了对径流进行长期趋势预测的生命旋回模型。通过黄河上游贵德站和兰州站实例验证表明模型预测精度较高 ,符合规范要求。利用该模型定量预测贵德站和兰州站未来 10 0年径流量 ,结果表明黄河上游径流变化有减小趋势 ,这一结论为黄河上游梯级电站的规划、设计和运行管理提供了科学的依据     

基于惩罚加权支持向量机回归的径流预测模型

径流预测是水文科学研究的重要内容。针对径流时间序列的特性,本文尝试建立了一种惩罚加权支持向量机回归的径流预测模型。通过与BP神经网络和标准支持向量机的结果进行比较,表明该模型预测精度更高,可以用于河川径流的中长期预测。     

河川径流中长期预测的支持向量机模型

径流预测历来是水利部门的一项重要工作,本文基于支持向量机（SVM）方法建立河川径流中长期预测模型,通过对1976-1994年黄河上游兰州站径流量历史数据分析处理后,得到年径流量增长的时间序列,利用所建模型对该序列值进行仿真模拟。在仿真实验后,用1995-1996年的增长量进行模型检验,并与RBF网络模型、BP神经网络模型预测结果进行对比,结果表明,应用SVM模型对年径流量进行预测,预测精度更高、效果更好。     

BP-马尔科夫组合预测方法在光伏发电量预测中的应用

为提高光伏发电量预测的精度,提出一种以马尔科夫方法进行修正误差的BP神经网络预测模型,模型契合光伏发电功率特点,兼具BP神经模型及马尔可夫模型优点,既能利用较少数据建模,预报总体趋势,又适合于波动性较大的随机序列预报。首先介绍基本原理和算法,在此基础上阐述模型建立的具体过程,最后运用该模型对徐州协鑫光伏电站进行预测,结果表明新建模型预报精度高于BP神经网络模型,且该模型简单、计算量小,具有较好的可行性。     

基于经验模态分解的非平稳水文序列预测研究

在全球气候变化和人类活动影响下,降雨和径流过程的非平稳特征日趋显化,如何通过有效的方法提高预测精度,准确地预测非平稳时间序列变化,为管理者提供决策支持至关重要。经验模态分解(EMD)是"分解—预测—重构"预测模式中的重要方法之一,通过其与径向基神经网络(RBF)的耦合,构建了改进RBF预测方法,研究了"分解—预测—重构"预测模式对渭河流域降雨(弱趋势)和径流(强趋势)两种非平稳时间序列的预测效果,总结了"分解—预测—重构"模式的适应范围。同时,针对重构过程中高频分量误差偏大的问题,提出了误差控制的改进措施。计算结果显示,RBF神经网络对具有弱趋势的非平稳时间序列(降雨)可获得比较满意的预测效果,平均相对误差为11%,是否分解预测对其预测精度影响不大;而对具有强趋势的非平稳时间序列(径流),RBF神经网络模型的预测效果并不理想,平均相对误差达到54%,而经过分解—预测—重构处理后,平均相对误差可降至30%,基本满足中长期水文预测精度要求。且若实施误差控制,平均相对误差可再减小2%。研究表明,"分解—预测—重构"的处理方法适用于具有强趋势变化的非平稳时间序列,其特点在于可有效分离时间序列中的周期和趋势变化成分,预测中使不同成分得到有效外延。同时,这种处理思路与径流序列基于物理驱动机制的普遍认识较为相符,更有利于开展有关水文过程的扩展性分析。误差控制方法在径流预测中能有效降低高频分量预测误差对整体预测效果的影响,可为其他类似的非平稳时间序列预测提供借鉴。     

基于小波分析的月径流ARIMA预测方法

将一种基于小波分析的自回归滑动平均求和（ARIMA）模型用于月径流的预测。首先利用小波变换良好的局部化特性，将月径流序列分解成不同时间尺度上的子序列;然后对各个子序列利用ARIMA模型进行预测。将采用基于小波分析的ARIMA模型的预测结果与直接使用ARIMA模型的预测结果进行比较，结果表明引入小波变换提高了月径流预报精度。     

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。     

基于小波广义回归神经网络耦合模型的月径流预测

针对中长期水文预报方法预测结果精度低的问题,将离散小波变换(DWT)与广义回归神经网络(GRNN)耦合,建立了月径流预测模型。通过DWT处理将原始月径流序列分解重构为确定性成分和随机性成分两个分量,对两个分量的GRNN模型预测结果叠加作为预测值的方法称为WGRNN1模型。将WGRNN1模型与剔除随机序列的GRNN模型(WGRNN2)和不进行离散小波变换的GRNN模型结果进行对比,采用平均绝对误差(MAE)、确定性系数(DC)和相关系数(R)为模型评价指标。将模型应用于黑河干流莺落峡站的月径流预测,结果表明:模型WGRNN2的评价指标优于WGRNN1,且这两个模型预测效果都优于GRNN模型。说明与离散小波变换的耦合可以提高GRNN模型对月径流的预测精度,同时剔除随机成分的小波广义回归神经网络模型有更好的预测效果,可应用于实际生产。     

基于马尔科夫链模型的小金川河流域径流形势预估分析[ 国家重点研发项目资助（2018YFB0905204）]

为了分析小金川河流域中长期径流形势,本文尝试利用马尔科夫链模型进行年径流形势预估,结合历史径流的丰枯变化,计算丰水年、平水年、枯水年相互转变的马尔科夫转移概率,在此基础上,可根据当年来水情况实现对木坡电站下一年径流形势的预估分析。以2018年木坡电站的丰枯形势预估为例,经验证,该径流形势预估分析方法具有较强的实用性,为径流形势预估分析提供了一种切实可行的思路和方法。     

径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解(ESMD)方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报.首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测...     

基于小波分解的投影寻踪自回归组合模型及其在年径流预测中的应用

为了进一步提高中长期径流预测精度,针对历史径流序列的非线性、随机性的特点,采用对原序列先处理再预测的研究思路,吸取小波分析的分频数据处理功能和投影寻踪自回归的高维数据逼近能力,构建基于小波分解的投影寻踪自回归模型。该模型首先利用小波分解方法将年径流序列分解为一个近似信号和多个细节信号,再对不同信号序列分别建立投影寻踪自回归模型进行预测,最后重构各序列预测结果。以长江宜昌站年径流为实例进行预测,同时探讨小波分解尺度数对组合模型预测结果的影响。结果表明:与投影寻踪自回归模型、BP神经网络模型和ARMA模型相比,新模型提高了预测精度,增强了预测稳定性,并且尺度数对组合模型的预测结果影响不大。     

基于量子粒子群优化最小二乘支持向量机的变电站全寿命周期成本预测研究

变电站的规划设计与建设是电力工程建设的重点内容,快速的对变电站全寿命周期成本进行准确预测对变电站的建设具有指导意义.本文建立基于量子粒子群优化最小二乘支持向量机的变电站全寿命周期成本预测模型,将变电站全寿命周期内相关特征指标作为模型的输入,输出为变电站全寿命周期成本.通过仿真算例对比了QPSO优化LS-SVM,PSO优化LS-SVM,传统LS-SVM,BP神经网络4种预测模型的预测结果与相关性能指标.仿真结果表明,QPSO优化LS-SVM模型具有更好的预测精度,在变电站设计建设时能够快速准确的对全寿命周期成本进行预测评估,提高变电站建设的经济性.     

二滩水电站水库径流描述与优化调度模型研究

针对二滩水电站的实际径流特性,提出了有、无时段径流预报相结合的马氏性径流描述模型;以兼顾保证出力要求的发电量最大为目标函数,建立了优化调度模型,并研究求解过程中的递推方程建立、保证出力约束的考虑、预报误差影响分析等相关问题;应用二滩电站的历史径流序列进行模拟优化调度,研究结果表明该模型比传统的有预报或无预报的马氏性随机径流描述方法能更好地描述径流,并且可作为进一步改进径流描述模型的比较基础.     

基于随机森林遥相关因子选择的月径流预报北大核心CSCD

流域径流过程与大尺度气候因子之间存在遥相关关系,如何从众多的水文、气象、大气环流及洋流等因子中找出与径流密切关联的因子,是中长期径流预报的一个难题。将基于贝叶斯优化的随机森林模型应用于对水文、气象、气候因子构成的高维度因子集进行因子选择,根据变量重要性评分挑选对月径流影响较大的预报因子,构建广义回归神经网络、极限学习机、支持向量回归径流预报模型。将该方法应用到金沙江流域,相较于线性相关法,基于随机森林输入因子选择的方法提高了模型泛化性能;遥相关因子的引入既实现了流域月径流高精度预报,又从物理机制上提供了支撑。     

基于贝叶斯模型加权平均法的径流序列高频分量预测研究

"分解–预测–重构"模式作为一种新的预测思路,已被广泛用于非平稳径流序列的中长期预测。但由于分解之后高频分量预测精度较差,致使该模式的预测效果并不理想。本文采用径向基神经网络(RBF)、自回归模型(AR)以及均生函数模型(MGF)分别对陕北无定河丁家沟站实测径流由经验模态分解(EMD)得到的高频分量进行预测,利用贝叶斯模型加权平均法(BMA)对其集成,着重分析比较了基于BMA的集成方法和单一模型的预测效果,验证了BMA方法在处理高频分量误差控制方面的可行性。结果显示基于BMA的高频分量预测的相对误差绝对平均值较单一模型有所降低,径流预测整体精度有显著提升。这表明BMA集成方法能够有效地降低径流序列中高频分量的预测误差,提高整体预测精度,可作为一种有效的方法,供其他类似非平稳预测问题所借鉴。     

基于数据挖掘技术的短期电支负荷预测

负荷预测是电力市场技术支持系统的一个重要组成模块,对电网的安全、经济运行具有重要的意义。负荷预测主要综合考虑系统的运行特性、社会影响、自然条件以及增容决策等因素,在历史负荷数据的基础上,进行一系列数学计算,在满足一定精度要求的情况下,得出未来某特定时刻的负荷值。传统短期电力负荷预测方法易受随机因素的干扰,尤其在小水电分布众多的地区预测精度不高。文章针对短期负荷预测的特点,将数据挖掘技术引入短期负荷预测中,并给出了系统的解决方案,可应用于小水电众多的电网环境或类似环境。实例运算表明该系统可有效地提高预测精度。     

大规模水电站群月度跨省外送能力分析

水电跨省外送能力与送端水电装机规模、调节性能、天然来水、输电通道容量等复杂因素相关。针对此问题,本文提出大规模水电站群跨省外送能力分析模型。该模型首先利用流域丰枯评价方法得到不同月份丰平枯来水过程;其次利用发电量最大模型评估不同来水频率下水电系统月度最大发电能力;然后对全网进行电力电量平衡分析,若系统每日发电量扣除省内和送国外负荷后剩余电量大于跨省直流输电通道总容量,则表明当前输电通道不能够满足跨省外送需求,需要新增更多的输电通道以避免弃水。云南电网实例结果表明,提出的方法能够定量分析不同来水情况下大规模水电站群跨省外送能力及潜力,对提升清洁能源消纳能力及新增输电通道规划建设具有重要理论与现实意义。