基于小波变换和人工神经网络模型的三峡入库月径流预报

为探讨小波变换中小波基函数对模型预报精度的影响,选取三个小波基函数haar、db10、sym8对原始序列进行小波变换预处理,并分别建立人工神经网络模型(ANN)和基于不同小波基函数的W-ANN(haar)、W-ANN(db10)、W-ANN(sym8)模型进行预报。以三峡水库月径流为例,采用纳什效率系数、平均绝对误差及平均相对误差对建立模型的预报效果进行比较。结果显示,采用三个小波基函数haar、db10、sym8对数据进行小波变换预处理后的模型精度均得到了不同程度提高,W-ANN(sym8)模型在各项指标上表现最好。表明小波基函数的选择对模型预报精度结果影响较大,选择合适的小波基函数至关重要。     

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.     

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。     

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。     

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。     

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.     

基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。     

基于多模型组合的淮河王家坝断面洪水预报

淮河息县、潢川、班台—王家坝(息潢班—王家坝)区间地处山区与平原的交替带,地形复杂,目前尚缺乏精度较高的洪水预报方案,为此采用API模型、新安江模型及分布式TOPKAPI模型模拟预报了息潢班—王家坝区间流域2003～2010年的10场洪水情况。结果表明,三种模型预报结果相近,以三组预报结果为基础数据,再采用贝叶斯模型平均(BMA)方法计算,得到新的预报值。与单模型相比,多模型组合预报方法整体上精度更高。     

三参数月水量平衡模型及其应用

在两参数月水量平衡模型基础上建立三参数月水量平衡模型并应用于汉江流域模拟月地下水位和径流过程,与实测月降水的变化趋势一致.计算结果表明,该模型效率高、效果好、参数少、易率定和检验,可供湿润地区地下水位动态监测借鉴.     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

改进的相空间模式及其在月流量预测中的试验研究

讨论了基于混沌理论的相空间近邻等距模式及该理论中的预见期T、延迟时间τ、相空间维数d等,提出了实际应用中根据预见期T建立的新时间序列,满足T=τ=sδt,消除了相空间时滞τ的变化对T的影响。应用改进前、后的预报模式以不同相空间维数d对水文月平均流量进行逐月的预报试验和检验。结果发现,改进后的模式提高了预报准确率,延长了预报时效,尤其是提前1 a的最佳预报效果。     

棉花滩水库分期设计洪水的研究及应用

结合棉花滩水库汛期洪水的变化规律,在分析年最大值法和分期设计洪水各自优缺点的基础上,采用成因分析法、变点分析法、数理统计法研究了棉花滩水库汛期的分期规律,并采用分期频率组合方法研究年最大值法频率分析计算结果与分期年最大值法的量化关系。结果表明,三种方法确定的棉花滩水库汛期分期是一致的,即5～6月为主讯期,7～8月为次讯期。     

大朝山电站入库径流变化及预测研究

采用希尔伯特-黄变换和Mann-Kendall非参数检验法对对澜沦江流域大朝山电站1961～2008年入库径流周期及趋势变化规律进行研究,根据分析结果建立BP神经网络-希尔伯特-黄变换耦合模型预测了未来5 a大朝山电站入库径流.结果表明,大朝山电站入库流量序列主要存在3、7、16 a近似周期成分,1961～2000年入库流量呈减少趋势,在进入21世纪后径流有所增加,未来径流量将继续保持递减趋势,2014年将达到最小值,之后径流有所回升.     

基于TRAMO-SEATS的月售电量预测方法及应用

为提高月售电量预测准确度,引入TRAMOS-SEATS季节调整方法和Hodrick-Prescott滤波法将月售电量分解为趋势分量、季节分量、循环分量和不规则分量,消除了各分量之间的相互影响。采用ARIMA方法对趋势分量进行预测,采用Holt-Winters加法模型对季节分量进行预测,采用历史同期同类平均值法对循环分量和不规则分量进行预测,最后得到月售电量预测结果。应用实际算例对月售电量进行预测并与实际数据进行对比,验证法方法的正确性与有效性。     

月降水序列混沌特性识别及预测

以泾河流域西峰镇站1951～2001年月降水时间序列为基础,利用互信息函数法求时间序列的时间延迟,引入伪邻近法求该序列的嵌入维数,计算结果显示其嵌入维数在[2,12]之间变化,再利用G-P算法计算该序列的关联维数,结果表明序列具有明显的混沌特性.用Volterra级数一步预测方法对混沌时间序列进行预测,实验表明,在训练数为220、样本数为392时预测结果较优.     

生活用水量组合预测模型及其应用

生活用水量是一个复杂的经济系统,采用单个预测模型很难准确地反映其实际情况,结合全国1998～2010年的生活用水量数据,分别采用自回归模型、指数平滑模型、改进的GM(1,1)模型预测全国生活用水量。通过冗余检验,自回归模型、指数平滑模型、改进的GM(1,1)模型均不是冗余方法,并对这三种预测模型采用极小化误差平方和的方法确定最优加权系数,建立了生活用水量的组合预测模型。结果表明,与单项预测模型相比,该组合预测模型具有更高的精度和更好的适应性,且预测结果更加可靠。     

城市用水量组合预测模型及其应用

针对城市用水量时间序列包含逐步增长趋势、季节性趋势及不确定性的非线性波动特点,单一预测模型往往很难充分反映原始数据中全部的有效信息,结合季节性时间序列模型(SARIMA)和BP神经网络二者优点,构建了一种新型的组合预测模型,对上海市用水量进行不同时间尺度的预测。结果表明,在不同时间尺度上组合预测模型均比单一预测模型精度高、预测质量稳定。     

负荷预测的变权重灰色模型及其应用

针对传统灰色预测模型GM(1,1)在电力负荷预测中存在的局限性,提出了电力系统中期负荷预测的变权重灰色模型.以河北承德为例进行负荷预测,并与指教平滑法、动平均法、二项式预测模型和GM(1,1)模型四种方法的预测结果及实际用电量进行分析比较.结果表明,该模型预测精度较高、简捷、合理、实用,可作为中期电力负荷预测的工具之一.