灰色系统方法在洪水径流预测中的应用研究与展望

概述了应用于洪水径流预报的灰色系统方法，包括灰色系统方法简介，区域水文模式与大气环流模式的耦合，因果序列的灰关联模式预测，全因果序列扩维的灰关联模式预测，微分动态（１，Ｎ）模型预测和灰色参数区间模型预测等，并对这些方法以及发展趋势进行了讨论，提出了初步建议。     

优化的灰色拓扑模型在年径流预测中的应用

由于河川径流具有变化剧烈、波动频繁的特点,采用常规水文预报方法的预测效果较差。为此引进灰色拓扑方法,在优化原始GM(1,1)模型的基础上,通过改进拓扑预测的矛盾点筛选方法,建立了优化的灰色拓扑预测模型群,对梨园河流域的实测年径流序列进行模拟和预测,发现所建模型的拟合曲线与实测序列的变化趋势一致,比传统的灰色拓扑方法具有更高的精度。结果表明,改进的灰色拓扑模型能够有效克服振荡序列的非线性影响,可作为研究区域的径流预报和水资源分析的参考依据。     

基于气象因子的汛期径流预报模型

针对现有汛期径流预报方法的缺陷,从物理成因出发,采用投影寻踪方法从74项大气环流因子中筛选出影响汛期总径流量的主因子,结合汛期前期降雨量进行相似分析获取相似年份,构建基于气象因子的汛期径流预报模型。以长江流域关键断面汛期来水预报为例开展了模型的实例研究,结果表明,该模型考虑了气象因子对长期径流变化的影响,对汛期总径流量的预报以及汛期月径流预报的精度均高于门限回归模型,是汛期径流预报的一种行之有效的方法。     

降雨径流模型及其应用

针对目前国内对降雨径流模型研究中存在的问题,介绍了降雨径流模型的原理与特点,以沙子岭流域为例对降雨径流模型实际应用效果进行分析,并用卡尔曼滤波方法对降雨径流模型的预报结果进行了实时校正。研究表明,该模型预报效果较好,经卡尔曼滤波后预报效果明显改善。     

GFS可利用性研究及其在旬径流预报中的应用

分析了中长期降雨径流预报研究应用现状和存在的主要问题,研究了利用GFS降雨数值预报信息进行旬径流预报的方法,建立了旬降雨-旬初土壤含水量-旬径流预报模型(PSRM).通过对实例流域历史旬径流资料的模拟优选出模型参数,分析了GFS降雨数值预报信息的可利用性,并给出了利用GFS降雨预报信息和PSRM模型推求径流的方法.结果表明,基于GFS预报降雨信息和PSRM模型推求径流期望值和概率分布用于水库的实时调度可行.     

二滩水电站中长期径流预报研究

针对二滩水电站的实际径流特性和水电站发电调度的要求,应用季节性自回归模型和人工神经网络模型对二滩水电站的月径流、汛期分段和年径流预报进行研究.结果表明,这两种模型对二滩水电站的月径流预报、汛期定性预报均达到了一定精度,可为二滩水电站优化调度的径流输入提供参考依据,尤其是AR(P)模型的非汛期月径流预测和BP模型年径流预测结果可在实际运行中使用.     

基于加权秩次集对分析法的年径流预报模型

针对秩次集对分析方法在年径流预报中存在的问题,对其历史集合中的各元素所在位置与后续值的位置之间的间隔赋予了不同的影响权重,构建了年径流加权秩次集对分析预报模型,给出了模型在年径流预报应用中的步骤,利用黑河干流莺落峡站1945～2009年的实测径流资料检验了该模型的有效性,并与秩次集对预报模型、ARIMA预测模型及BP预测模型的预测结果进行了比较。结果表明,加权秩次集对预报模型的平均误差为12.29%、合格率为100%,本文对秩次集对预报模型的改进有效、可行。     

基于改进杂草算法优化的神经网络模型在径流预报中的应用

针对BP神经网络在径流预报中易陷入局部最优解的缺陷及智能优化算法的优势,引入改进的杂草算法优化神经网络权值和阈值,将传统的杂草算法个体以正态分布空间扩散的方式改进为混合种群多种分布的方式产生子代个体。以金沙江流域中长期径流预报为例,将改进杂草算法优化的神经网络模型的径流预报结果与传统的BP神经网络和基于遗传算法优化的神经网络模型的预报结果进行对比。结果表明,改进杂草算法优化的神经网络应用到金沙江流域的径流预报精度较高,模型收敛更快,结果更加稳定,在实际预测中合理可行,具有一定的应用优势。研究成果为径流预报提供了新思路。     

BP神经网络模型结构对漫湾径流预报精度的影响研究

以云南省漫湾水电站历史径流状况为研究对象，运用三层前馈反向传播神经网络模型对径流进行中长期预报。为解决神经网络预报模型结构难以确定的问题，尝试在预报过程中通过改变该网络模型的结构并对得到的结果进行比较，从而找到适合该径流序列的最佳神经网络模型结构。实际应用表明，使用该结构的模型在实际预报过程中取得了良好的效果。     

熵权法并联组合建模在径流预测中的应用

针对径流预报的具体特征和相关问题,建立了多元时变灰色预测模型,并基于信息熵原理,用熵权法将多元时变灰色预测模型、非时变的免疫神经网络模型、最小二乘支持向量机模型三者进行并联组合集成建模,以充分发挥多种模型各自优点且相互补充,并将此组合模型应用于新疆伊犁河雅马渡水文站的年径流预测。结果表明,与三个单项模型的预测结果相比,并联组合预测模型更合理、普适和可靠。     

考虑预报因子选择的神经网络降雨径流模型

为优化神经网络模型的应用效果,研究了基于神经网络的降雨-径流模型,根据Copula熵法确定预报因子,并与传统的线性相关法进行比较分析,采用BP、RBF、GRNN三种神经网络建立降雨-径流模型,应用均方根误差、合格率、确定性系数三个指标为模型选取评价准则。通过对金沙江流域的径流预报,发现基于Copula熵法的BP模型预报结果更接近实测值,精度更高。     

基于Box-Cox算法的中期径流贝叶斯概率预报方法

为进一步降低中期径流预报信息受降雨不确定性和模型误差等因素的影响,采用贝叶斯预报处理器(BPF)对径流自身和预报过程的不确定性进行耦合,建立中期径流概率预报模型,对中期径流预报的不确定性进行描述。首先将Box-Cox正态变换引入BPF模型,建立基于Box-Cox变换的BPF模型;然后采用逐次优化算法(POA)对各时段的变换系数进行优化,并基于优化后的变换系数建立新的BPF模型;最后对变换系数优化前和优化后建立的BPF模型预报结果进行对比分析。实例应用表明,基于Box-Cox变换的BPF模型可较好地描述预报信息不确定性;变换系数经POA优化后,可进一步提高BPF模型的预报精度。研究成果可为中长期径流预报提供参考。     

基于相似过程衍生的月径流概率预报模型研究

针对传统月径流预报模型存在的缺陷,建立了相似过程衍生法与概率预报相结合的月径流概率预报模型。运用相似过程衍生法发布确定的预报结果,在定点预报的基础上利用概率预报提供一定置信水平下的预报区间作为模型预报结果。模型结构简单、易于构建且建模过程中无需考虑预报因子的选择问题。将该模型与BP神经网络模型进行对比仿真试验,结果表明该预报模型具有较好的预报精度,且合格率高于BP神经网络模型,可在水库月径流预报中推广应用。     

福建省电网中长期水文预报系统设计与开发

利用Java技术平台,采用双机群集数据库系统(Orade 10g)成功设计并开发了基于Web的福建省电网中长期水文预报系统.将长期预报和中期预报分离,前者采用多种数理统计模型,以月或旬为预报时段提供未来1 a的径流预报及相关的频率预报;后者采用考虑城市气象预报的人工神经网络模型,以日为预报时段提供未来7 d的自动、滚动式径流预报.重点阐述了系统架构设计、业务逻辑设计、功能模块设计和程序开发过程中的关键技术问题.     

基于遗传程序设计的中长期径流预报模型研究与应用

应用遗传程序设计建立径流中长期预报模型,结合径流序列数据的特点通过自相关分析确定其滞时输入变量的个数,采用均方误差作为其适应度评价函数,以漫湾实测月径流序列(1953~2003年)和洪家渡实测月径流序列(1951~2004年)为例,通过与ARMA模型、人工神经网络模型的预报结果比较,显示该模型应用于径流中长期预报简单易行且精度较高。     

基于BP神经网络的贝叶斯概率枯季径流预报研究

根据枯季径流的特点,采用多元线性回归模型模拟了先验分布和似然函数,建立了基于BP神经网络的贝叶斯概率枯季径流预报模型.与传统枯季径流预报方法相比,该方法预报精度高,能以概率分布形式定量描述预报的不确定性,为水量调度提供了科学的决策依据,实例应用表明,效果理想.     

基于改进Gibbs抽样的入库径流过程预报误差模拟

为更好地模拟入库径流过程预报误差系列,从而为水库优化调度提供更准确的输入条件,针对应用不同预见期的入库径流预报误差系列在拟合多元联合分布函数上的困难,将其视为随机过程的多个相互关联的时段变量,基于Gibbs抽样方法在多变量联合模拟上的优势,应用数据挖掘技术改进其满条件概率的前提条件,提出了基于改进Gibbs抽样的入库径流过程预报误差模拟方法。以雅砻江锦屏一级水库入库径流过程预报误差模拟为例,应用结果表明,相对于目前已有的多元联合分布函数拟合的模拟方法,改进Gibbs抽样对多个变量之间的相关关系的模拟更加准确,且生成相同数量的预报误差样本所需时间仅为目前已有方法的1/3,模拟效果和计算效率有较大提高,为入库径流过程预报误差模拟提供了一种更快速有效的方法。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

基于支持向量机的水电站中长期径流组合预报

中长期径流预报是充分利用水资源、实现水电站优化运行的重要环节。以金沙江中游龙盘电站为研究对象,分别采用自回归滑动平均模型、最近邻抽样回归模型、BP神经网络建立了该水电站月径流预报模型,在分析三种模型预报结果具有一定互补性的基础上进一步建立了支持向量机分月组合预报模型。统计结果表明,与单一预报模型相比,该组合预报模型具有更高的精度和稳定性,为寻求水电站径流预报规律和制定中长期调度计划提供了技术支持。     

基于小波-ANFIS的水库月径流预报模型

根据径流变化特性,提出一种基于小波-ANFIS的水库月径流组合预报模型.利用Mallat算法对月径流序列进行多尺度分解,得到对应尺度下的低频信号和高频信号,分别对这两种信号建立了ANFIS模型进行预报,将各模型预报结果叠加作为原径流的预报值.该模型用于淮河支流沙河上游年月径流变化幅度较大的昭平台水库月径流预报中,结果表明所建模型能够较好地预报原始信号的趋势,预报精度比单一ANFIS 预报模型有较大改善,但仍有待提高.对导致这一现象的主要原因进行了分析,并对模型的改进提出了合理化建议.