基于随机森林和RBF人工神经网络模型的新丰江水库枯季入库径流中长期预报

基于随机森林和RBF人工神经网络构建了新丰江水库枯季入库径流中长期预报模型,首先采用随机森林模型从74个水文气象特征量和前期降雨、径流中筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对新丰江水库枯季入库径流每月的流量进行预报。结果表明,基于随机森林和RBF人工神经网络模型的枯季径流中长期预报模型精度较高,其中训练期平均合格率为91.24%,平均相对误差为7.80%,检验期平均合格率为67.31%,平均相对误差为26.73%,模型有较高的可靠性,预报结果可作为东江流域枯季径流预报重要参考依据。     

基于GEO-RVM模型的枯水期月径流预报研究

为提高枯水期月径流预测精度,研究提出金雕优化(GEO)算法与相关向量机(RVM)相融合的预测方法。基于云南省某水文站67 a的径流资料,选取预报月之前具有较好相关性的月径流作为预报影响因子,通过主成分分析(PCA)对影响因子进行降维处理,利用GEO算法优化RVM核宽度因子和超参数,建立GEO-RVM模型对该站枯水期11月、12月和次年1—4月月径流进行预报,预报结果与基于GEO算法优化的支持向量机(SVM)模型(GEO-SVM)作对比。结果表明：GEO-RVM模型对实例11月、12月和次年1—4月月径流预报的平均相对误差分别为8.59%、7.34%、5.97%、6.07%、5.99%、5.04%,预报精度优于GEO-SVM模型。GEO算法能有效优化RVM核宽度因子和超参数,GEO-RVM模型具有较好的预报精度,将其用于枯水期月径流预报是可行的。     

考虑上游来水影响的中长期径流预报

雅砻江流域地面气象站点不足、分布不均,难以获得精确的流域面降雨资料,加之传统中长期径流预报模型泛化能力有限,中长期径流预报存在较大瓶颈。充分考虑流域水库间的物理联系,基于上下游水库流量变化在时空上的相似性,对1957年～2020年锦屏一级水库和二滩水库的历史月径流数据进行主成分分析,使用BP人工神经网络、随机森林和支持向量回归3种机器学习方法建立3种径流预报模型,通过决定系数R²,合格率Q_R以及平均相对误差MRE三项指标构成的评价体系对预测结果进行评估。结果表明,上游水库对于下游水库的入库流量具有显著影响,且3种模型在二滩水库中长期径流预报上均具有较好的预报效果(R²>0.8、Q_R>0.7、MRE<0.2)。随机森林模型模拟效果整体优于BP人工神经网络和支持向量回归模型,3种模型均具有较好的实用性,能为流域水资源精细化调度及科学管理提供数据基础。     

基于GM-SVR耦合的月径流预测模型研究与应用

考虑到某月径流与该月历史同期径流以及临近月径流均有较强相关性,而通常预报方法只采用其中一种径流序列,导致了可用信息损失。为此,提出一种基于灰色理论和支持向量机回归的组合预报模型。提出的模型综合利用了径流年内变化和年际变化信息,与单一灰色模型和支持向量机模型进行预测对比,结果表明基于灰色支持向量机的月径流模型预测精度明显高于单一模型,尤其是对径流变化剧烈的汛期表现出更优越的预测性能。     

基于支持向量回归机的长期径流预报 及不确定性分析

根据汉江流域皇庄站1981-2008年逐月径流量与1980-2007年逐月74项环流指数、北太平洋海温场、500hPa高度场的相关关系,利用逐步回归挑选预报因子,构建基于遗传算法的支持向量回归机模型(GA-SVR),并对2009-2013年逐月径流量进行预报;结果表明,径流预报精度较高,汛期平均相对误差在30%以内,非汛期、年总量平均相对误差在20%以内,均优于随机森林和多元线性回归模型。将GA-SVR模型的预报结果作为概率预报的基础,采用贝叶斯理论中的水文不确定性处理器(HUP)对预报的可靠度进行分析;结果表明,HUP不仅可以提供精度更高的定值预报,还能以置信区间的方式量化预报的可靠度,提供更为丰富的预报信息。     

基于支持向量机模型的湘江枯水预报研究

随着枯水期水资源短缺问题日益突出,人们对枯水径流的研究也越来越重视.运用支持向量机模型对湘江湘潭站年最小7 d平均流量进行预测.为了检测预报效果,将其预报结果与投影寻踪模型、人工神经网络模型的预报结果进行比较,表明支持向量机模型的误差合格率最高,预报精度也最高.     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更好的应用价值。     

黄龙滩水库中长期径流预报方法研究

基于黄龙滩水库和潘口水库历史旬月径流数据,选取其2012年～2018年的径流、降雨数据进行灰色关联分析,筛选出与黄龙滩水库入库径流关联度最高的7个预报因子,建立深度神经网络(DNN)、Elman神经网络和支持向量机(SVM)径流预测模型,对模型参数进行训练,统计模型训练期和检验期的确定性系数、洪峰合格率、均方差和平均相...     

静电放电算法-混合核SVM的月径流预报模型及应用

为提高水文预测预报精度,构建基于多项式核与高斯核混合的支持向量机(SVM),利用静电放电算法(ESDA)优化混合核SVM关键参数和混合权重系数,提出混合核ESDA-SVM枯水期月径流预测模型,并构建高斯核ESDA-SVM、多项式核ESDA-SVM及ESDA-BP作对比预测模型,以云南省某水文站枯水期1—4月月径流预测为例进行实例研究,利用实例前24 a和后10 a资料对各模型进行训练和预测。结果表明,混合核ESDA-SVM模型对实例1—4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于多项式核ESDA-SVM等3种模型。混合核ESDA-SVM模型综合了多项式全局核函数和高斯局部核函数二者优点,在预测精度、泛化能力等方面均优于对比模型,具有较好的实际应用价值。     

长江上游水库入库流量的中长期预报EI北大核心CSCD

为分析数理统计模型与机器学习模型在中长期径流预报中的特点与适用性,挑选逐步回归与随机森林两种方法构建入库流量中长期预报模型,以气象因子的物理机制为基础,结合单相关系数及随机森林重要性分析识别关键气象因子并输入模型。利用长江上游乌东德、瀑布沟两个水库1959—1998年的入库流量训练了模型,并且预测了两个水库1999—2014年的入库流量。结果表明:两种模型的训练效果良好,稳定性强,随机森林的预测结果比逐步回归的精度高,但精度的差距较小;随机森林能减少预测因子值的异常变化带来的拟合误差,但过拟合问题更为明显。     

基于多模型组合方法的公平水库中长期入库径流预报

准确可靠的水库中长期预报结果对于指导受水区水资源优化配置等具有重要意义。本文首先选取SARIMA 模型、SVM 模型、XGBoost 模型与RF 模型分别构建公平水库月入库径流预报方案,以气象因子的物理机制为基础,在成因分析与随机森林重要性排序的基础上筛选关键预报因子并输入至4 个单一模型中。然后在对比分析各模型优劣的基础上,以线性与非线性组合2 种方式构建组合预报方案。结果表明：RF 模型在4 个单一模型中的模拟结果表现最优,SARIMA 模型的模拟精度随着入库径流量的增加而增加;组合预报模型较任一单一模型的模拟结果均更好,基于神经网络的非线性组合方式能够有效提高验证期的模拟精度,增加模型的泛化能力。     

基于KPCA-PSO-SVM的径流预测研究

为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。     

近期黄河上游气候变化对龙羊峡入库水量的影响

根据1956年以来气候资料,统计分析了黄河上游龙羊峡以上地区气温、降水分布规律及变化特点,并以各站气温、降水与唐乃亥站天然径流量关系为基础,建立天然径流量计算公式,计算分析了唐乃亥以上地区20世纪90年代(近期)以来气候变化对龙羊峡入库径流量的影响,以及唐乃亥站径流量对气候变化的敏感性.结果表明:①近期唐乃亥以上各区年平均气温均较常年平均偏高0.5℃左右,而比前期升温达0.7~0.8℃;降水量不仅较多年均值偏少,更比前期显著减少,其中玛曲一带最大减幅达15.8%;②平均天然年径流量与前期相比,近期减少了43.7亿m3,表明气候变化所引起的减幅达20.2%;③龙羊峡入库径流量对降水变化的响应要比气温更为显著.     

丹江口水库入库径流变化特征分析

为了揭示丹江口水库入库径流的变化特征及其对南水北调中线工程供水的可能影响,采用Mann–Kendall趋势检验方法、Markov过程和游程理论对丹江口水库实际入库径流序列的趋势性和丰枯变化特征进行了分析。结果表明:①丹江口水库入库径流呈下降趋势,1999～2017年年均径流量较1956～1998年减少了50.5亿m~3,主要是由于汛期径流减少导致的;②年入库径流出现丰水转丰水、丰水转枯水、平水转枯水、枯水转平水的状态居多,状态转移概率均大于40%;③入库径流发生连续4 a及以上丰、平、枯水年的概率较小,但仍需考虑水库遭遇连续枯水年的调度问题。     

丹江口水库入出库径流多时间尺度变化特征分析

为了认识丹江口水库运行对河道径流改变的影响,更好地指导汉江流域水资源利用,采用Morlet小波分析方法,对丹江口水库1956~2012年入库及出库径流序列进行研究,探讨了该水库入出库径流的丰枯变化情况及其准周期特征。研究结果表明,20世纪90年代以前,丹江口水库来水量经历了多次丰枯交替变化过程,其中,60年代中后期、70年代中期和80年代前期为丰水期,其余为枯水期;20世纪90年代以后,丹江口水库来水呈现出整体偏枯的趋势;水库运行对径流的影响主要体现在对年内分配过程的改变上,通过拦蓄汛期洪水,加大了枯期的下泄水量;水库的调蓄并未改变径流的主要周期,入库和出库径流均保持10个月尺度的主周期,其他时间尺度上的周期变化不太明显。     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

Correction of Reservoir Runoff Forecast Based on Multi-scenario Division and Multi Models

Accurate runoff forecast is very important for reservoir operation. In view of the shortcomings of the existing correction models for runoff forecast, including the influence of the difference of external factors on the forecast results is not considered, and the optimal situation adaptation of different forecast models is not considered, three models, i.e., long and short-term memory neural network model (LSTM), gaussian process regression model (GPR) and support vector machine regression model (SVR), are used to forecast the relative errors of runoff forecast under different scenarios in this paper. The classification of forecast scenarios is determined based on factors such as rainfall, inflow, and foresight period, and two scenario sets are given, i.e., 12 forecast scenarios and 24 forecast scenarios. Then, a multi-model coupled runoff forecast correction method considering forecast error and forecast scenario is proposed. Through the case study of the Three Gorges Reservoir (TGR), it is found that, when the analysis is carried out based on the forecast period, the SVR model should be used for forecast correction when the foresight period is 1–5 days, and the LSTM model should be used for forecast correction when the foresight period is 6 days. The application effect of SVR and LSTM is better than GPR in the scenario set of 12 forecast scenarios. LSTM model has the highest accuracy of forecast correction in the scenario set of 24 forecast scenarios, and the mean value of the coefficient of certainty (R²) changes from 0.919 of 12 forecast scenarios to 0.931 of 24 forecast scenarios, increasing by 1.31%. The mean value of mean relative error (MRE) changes from 6.80% of 12 forecast scenarios to 5.64% of 24 forecast scenarios, a decrease of 17.06%. Finally, the best model adaptation table corresponding to different forecast scenarios of TGR is established, which has an important guiding role in the actual runoff forecast of TGR.

     

丹江口水库中长期径流量的多模型预报结果分析及综合研究

水库中长期入库径流量的预报方法有多种模型,各有优缺点,预报结果也存在一定差异,应用过程中给实际决策造成了一定困难。本文以丹江口水库月径流量为研究对象,通过分析多种预报模型计算结果的变化规律,将精度和稳定性等作为性能指标,构建以加权平均和最小二乘法原理为基础的综合预报模型,并对丹江口水库月径流预报进行了建模计算。应用结果表明,该综合模型提高了预报精度,增强了预报稳定性,使其具有更高可信度,为入库径流量预报提供了一个有效的分析方法,为水库调度决策提供了便利。     

基于PCA-SHO-SVM和PCA-SHO-BP模型的径流预测

为提高径流预测精度,研究主成分分析(PCA)、斑鬣狗优化(SHO)算法与支持向量机(SVM)、BP神经网络相融合的预测方法.在样本数据筛选上选取PCA方法进行数据降维,使数据样本简洁且更具代表性.利用SHO算法优化SVM关键参数及BP神经网络权阈值,分别提出PCA-SHO-SVM、PCA-SHO-BP径流量预测模型,并...