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。     

潇湘水库入库径流随机模拟

针对潇湘水库的实测入库径流资料，采用了数学模型与模拟模型相结合的随机动态规划模拟模型，对萧湘水库的年径流的模拟采用了一阶自回归模型，对于月径流的模拟，则采用了相关解集模型来模拟，通过对水库入库径流的模拟，得到水库的入库径流过程。     

水电站初运期的入库洪水预报模型

水库形成后，江河洪水的流向，流速发生改变，使该流域的诸多水文特征值受到影响，无论是特征值的大小，还是出现的时间都有不得程序的变化，为此，应该建立水电站初运期的洪水预报模型，水电站的初运期入库洪水预报模型是以区间流量为基础条件，将降雨直接参加产汇流计算，这是既简单又可操作性强的洪水预报经验模型，该模型在雅垄江流域的二滩电站的洪水预报中经误差检验评定，精度较高，作业预报效果很好，为此，对二滩水电站在初运期资料短缺条件下的入库洪水预报具有较好的使用价值。     

三峡水库入库径流预报对年发电量的影响

根据入库径流预报资料对三峡水库进行中期优化调度.研究入库径流预报的质量对年发电量的影响.从总体上看,预报精度越高,年发电量越大.在3～7 d的时域内,预见期越长,年发电量越大.     

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。     

日径流过程随机模拟的FDR模型

本文根据对日径流过程变化特征的深入分析，提出了以日径流过程的一阶差分过程的轮次分析为基础的日径流过程随机模拟模型，简称为一阶差分轮次模型，简记为ＦＤＲ模型。根据长江宜昌站９０年日径流资料建立了宜昌站日径流过程随机模拟模型，并进行了实用性检验，取得了预期的成果。可以认为ＦＤＲ模型具有概念明确、模型结构简单和对资料适应性强的特点。因此，本模型具有较好的实用前景，是一个较好的日径流过程模拟模型。     

基于EEMD-AR模型的丹江口水库年径流随机模拟与预报

基于水库历史年入库径流序列组分分析和识别,采用线性趋势回归检验法、有序聚类法、方差线谱法等方法,推求出序列趋势项、跳跃项及周期项等确定性成分,提出基于集合经验模态分解法(EEMD方法)的水库年径流自回归随机模拟模型(EEMD-AR),并应用于丹江口水库的年径流随机模拟和预报中。通过EEMD分解,解决了当丹江口水库历史年径流序列为非平稳序列时不能直接应用自回归模型(AR)进行随机模拟和预报的问题。模拟结果表明,EEMD-AR模型能较好地模拟丹江口水库年径流序列并保持原历史序列的统计特性,且模型预报精度符合要求。     

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。     

安康水库入库洪水预报误差分布形式

为进一步探讨水库预报入库洪水误差可能服从的概率分布形式,在分析预报入库洪水、实测入库洪水和实际入库洪水之间关系的基础上,采用入库洪水误差的不同定义方式分别生成预报入库洪水误差序列,进而对误差序列的分布类型进行了假设检验和论证。以安康水库为例,分别对正态分布、对数正态分布、Gamma分布等十余种洪水预报误差可能服从的概率分布类型进行验证,结果表明:安康水库入库洪水预报误差序列符合Logistic分布规律,而不符合正态分布、皮尔逊Ⅲ型分布等其他类型分布。同目前广泛采用的正态分布相比,对于一些水库,采用Logistic分布类型可能会更好地表达其入库流量预报误差的概率特性。     

龙滩水电站入库洪水随机模拟研究

根据龙滩水电站所在流域的实际情况，建立多维自回归随机模型，由龙滩坝址以上流域内四个站区的日流量随机模拟入库设计洪水。通过对所建模型和模拟生成的洪水系列进行检验，表明利用多维自回归随机模型模拟龙滩水电站入库洪水是可行的。     

基于Web Service和ASP.NET的二滩电站中长期径流预测系统

采用ASP．NET为主要开发工具,开发了基于Web Service的二滩水电站中长期径流预测系统。该系统可以通过Internet远程访问和管理,具有很强的灵活性、开放性和可移植性。系统集预测、查询、分析、管理等功能于一体,实现了中长期径流预测和资料管理的各种要求,系统界面友好、操作方便、自动化程度高,是二滩水电站水库优化运行系统中的重要组成部分。     

二滩水电站中期径流序列预测研究

分别利用门限回归模型（TR模型）和人工神经网络模型对二滩水电站的月平均径流量序列进行了预测。通过计算可知,门限回归模型和人工神经网络模型都可以很好地解决月平均径流的预测问题,相对误差总体上都比较小。但门限回归模型计算繁琐,不能及时、快速得到计算结果,而人工神经网络模型计算快速,占用内存小,还有很好的容错性,即使在数据不完全的情况下,也能及时准确地得到径流预报值。考虑到模型自身的特点和优势,在实际运行中推荐使用人工神经网络模型进行月平均流量的计算和预测。     

基于降水一径流模型的中长期径流预测

通过物理成因分析确定了降水与径流的相关性,并采用相关概率法,利用卡方检验证明黄河上游贵德站降水与径流相关关系显著。在此基础上,采用最小二乘支持向量机方法建立了降水一径流预测模型。计算结果表明,预测的十个点位值,除一个不满足流量距平值小于10%的要求以外,余者的预测流量值与多年平均值相比均小于10%,预测精度相对较好。     

WPT-HPO-ELM径流多步预报模型研究

为提高径流时间序列多步预报精度,建立了小波包变换(WPT)-猎人猎物优化(HPO)算法-极限学习机(ELM)相融合的径流时间序列多步预报模型,并应用于云南省南康河水文站月径流和日径流时间序列多步预报。引入HPO算法原理,在不同维度条件下选取6个典型函数对HPO进行仿真验证;利用2层WPT将径流时序数据分解为4个子序列分量,达到降低径流序列数据复杂性和不平稳性的目的;采用HPO优化ELM输入层权值和隐含层偏值,建立WPT-HPO-ELM模型对实例月径流和日径流进行多步预报。结果表明：HPO算法具有较好的寻优精度和全局搜索能力;WPT-HPO-ELM模型对预见期为1～3个月的月径流具有理想的预报效果,预报的平均绝对百分比误差≤2.43%,合格率≥99.2%,确定性系数≥0.999;对预见期为4～6个月的月径流具有较好的预报效果,预报的平均绝对百分比误差≤15.0%,合格率≥73.3%,确定性系数≥0.991;当预见期≥7个月时,预报效果较差。对预见期为1～3 d的日径流具有理想的预报效果,预报的平均绝对百分比误差≤1.23%,合格率为100%,确定性系数≥0.999;对预见期为4～7 d的...     

新安江模型产流模式在山区型和平原型水库入库径流量中的模拟与应用

将新安江模型的蓄满产流模式应用于浙江省台州市山区型和平原型两个水库的入库径流量模拟之中,取得较好的效果。分析了山区型和平原型水库径流模型参数的取值规律,为台州市其他无资料地区的模型参数取值提供参考,为下一步该区域的水量水质耦合的水资源配置提供研究基础。     

石泉水库天气预报调度模型研究

为了充分利用洪水资源,增加发电量,结合石泉水库流域洪水、调度资料和陕西省气象台7日滚动天气预报,尝试建立可调节水库天气预报调度模型,延长洪水的预见期,提高水电企业的经济效益。此方法的创新在于天气预报和水文预报、调度的耦合,依据大量历史水雨情资料分析,将其建立关系,实际应用时直接采用该关系进行调度。成果丰富和发展了现有水库精细化调度的方法,为水库开展预报调度提供了科学依据。     

基于集成学习模型的非平稳月径流预报

针对变化环境下月径流序列的非平稳性日益加剧,传统径流预报模型采用普通学习算法的局限性,基于Bagging和Boosting集成学习算法,构建了随机森林(RF)、梯度提升决策树(GBDT)和轻梯度提升机(LightGBM)3种集成学习模型,融合弹性网(EN)和变分模态分解(VMD),建立VMD-EN-RF、VMD-EN-GBDT和VMD-EN-LightGBM非平稳月径流组合预报模型,并以黄河流域实测月径流为研究对象,评估预报结果的不确定性。结果表明：单一集成学习模型能够提供可靠的预报结果,适用于非平稳月径流预报;融合VMD和EN的集成学习模型预报性能较单一集成学习模型有了显著提高,纳什效率系数提升了15%～20%,均方根误差降低了30%～40%;基于Boosting集成方法构建的集成学习模型优于Bagging集成方法,其中VMD-EN-LightGBM预见期3月内的预报效果优于VMD-EN-RF和VMD-EN-GBDT,在90%置信度的区间预报覆盖率高于90%,表现出良好的性能。