基于GFS降水预报信息的洪水预报方法研究

本文以桓仁流域为研究背景,进行延长洪水预报预见期的研究。首先基于流域历史雨洪资料,运用数据挖掘的方法挖掘出一套选择单位线的规则,改进了原洪水汇流预报方案;应用统计学方法,对GFS降水数值预报信息进行频率修正释用,提高了GFS降水数值预报信息的精度。然后利用释用后的GFS降水数值预报信息与洪水预报方案耦合,使桓仁流域洪水预报预见期延长了30~72小时。     

三峡入库洪水概率预报的深度学习模型

将长短时记忆（LSTM）神经网络嵌套至编码-解码（ED）结构,构建了LSTM-ED深度学习模型,采用贝叶斯概率预报处理器量化洪水预报不确定性,提出了一种三峡入库洪水概率预报业务方法,并讨论了降雨预报对洪水概率预报性能的影响。选用向家坝—三峡坝址区间流域2010—2021年汛期6 h降水径流资料序列训练和检验模型,开展了1～7 d预见期入库洪水预报。结果表明：LSTM-ED模型的模拟预报精度优于LSTM模型,验证期1～7 d预见期纳什效率系数高于0.92;概率预报连续排位概率分数相对平均绝对误差降低26.82%～32.74%,考虑预报降雨可进一步提高概率预报性能,为调度决策者提供可靠的风险信息。     

集合卡尔曼滤波与神经网络融合的洪水预报研究

为了提高河道洪水预报精度,研究了集合卡尔曼滤波法与神经网络模型的河道洪水预报技术。利用龙门、白马寺实测洪水资料预报黑石关洪水并进行了对比检验,讨论了集合卡尔曼滤波与神经网络模型预报洪水的融合过程及其特点。试验结果表明,应用集合卡尔曼滤波技术优于神经网络的预报效果,集合卡尔曼滤波技术与神经网络模型融合可有效提高河道洪水预报的精度。     

水电厂气象水文综合预报调度模型的建立与应用

水电厂气象水文综合预报调度模型整合了降雨预报方案、中长期水文预报方案、洪水预报方案、水库优化调度方案等现有模型系统。降雨数值预报接入水库预报调度系统后,延长了来水预报预见期,结合文中研究的优化调度模型,使水电厂能够提前调整发电计划、调度方案,增加了水电厂的发电效益和水库的防洪减灾社会效益。     

沅水流域梯级电站洪水预报设计与应用

构建了沅水流域梯级电站洪水预报系统，实现了沅水流域5个电站的联合预报调度运行，增长了洪水预报的预见期，也为梯级电站的联合经济运行提供了条件。应用数字流域水文模型进行洪水预报，自2005年投入试运行以来，预报精度完全达到甲级标准，为调度提供了依据，减轻了防洪风险。     

数据挖掘技术在洪水预报实时校正中的应用北大核心CSCD

实时校正作为提升洪水预报精度的最后一道屏障,是洪水预报的重要组成部分。针对洪水过程与洪水要素校正效果较差的问题,以横江屯溪以上流域为例,在对流域历史洪水数据的降雨径流序列与洪水特征值遴选的基础上,构建了暴雨洪水特征库,提出了一种结合卡尔曼滤波和K最邻近结点算法的联合实时校正方法。结果表明:相较于模型未校正及单一校正方法,联合实时校正方法在减少洪水预报过程中的洪峰预报误差、洪量预报误差及峰现时间误差上更为有效,预见期在6 h及以下时仍可以保持较好的稳定性与准确性。此方法对于提高中小河流洪水预报精度、有效预警和防灾减灾等方面都具有重要作用,同时对研究区域洪水特征具有一定参考价值。     

基于洪水预报调度方式的汛限水位设计方法探讨

传统汛限水位设计是基于常规调度方式的,然而现在我国很大一部分水库在运行阶段采用洪水预报调度方式.和常规调度方式相比,洪水预报调度方式的优势是可以提前一个预见期获知水情判别指标.进而水库可提前一个预见期转入高一级泄量,即基于洪水预报调度方式的水库出流过程线可由基于常规调度方式的过程线向前平移一个预见期得到,且前移时需要满足一定的约束条件.这是一种面向对象的思想,利用了传统汛限水位设计方法的结果.而不是过程,基于此.本文提出了约束前移法设计汛限水位.经桓仁一回龙库群实例研究表明,经济效益显著.     

ECMWF降雨集合预报在水库优化调度中的应用研究

为了充分考虑降雨预报的不确定性,本文建立了基于降雨集合预报的径流描述模型,并在满足保证出力条件下,建立以水库在调度期内总发电量最大为目标的随机动态规划模型。以桓仁水库以上流域为研究实例,应用欧洲天气预报中心(ECMWF)的降雨集合预报信息进行水库优化调度。结果显示应用降雨集合预报信息的调度可提高发电量4%以上,表明利用降雨集合预报信息进行水库优化调度,对水库实际运行有一定的指导意义。     

基于预报难度的径流预报水平综合评定

本文在分析传统径流预报精度评定方法的基础上,给出了预报难度的概念和定义,并考虑有无降雨、不同预见期及不同预报流量级别等不同预报情景,提出了两种基于预报误差分布的预报难度计算方法,可实现不同预报情景及不同预报水平标准下的预报难度计算。将其与预报员预报水平评估相结合,建立了考虑预报难度的预报人员综合预报水平评定方法。实例研究结果发现,相比于传统方法,所提综合预报水平评定方法能有效考虑不同预报情景的预报难度,能够充分体现出大难度预报情形(例如长预见期预报)在预报精度提升时对于综合预报水平的贡献量,使所得结果更加科学、合理,可有效促进预报人员预报水平的自我提升。     

基于数值降雨预报信息的中期径流预报方法研究

随着数值气象预报水平的不断发展,考虑数值降雨预报信息有利于提高流域径流预报的精度,能够为水库未来的兴利调度决策提供可靠的信息支撑。为此,本文以浑江桓仁水库流域为研究实例,分别采用新安江模型和多元线性回归模型建立流域汛期和非汛期的中期旬径流预报模型,其中模型参数分别采用遗传算法和最小二乘法进行优化率定。在以上模型的基础上,采用美国全球预报系统发布的未来10 d数值降雨预报信息作为降雨输入,预报桓仁水库的中期旬径流。研究结果表明中期径流预报受降雨预报信息的不确定性影响,预报精度随预见期延长而降低,但仍高于传统不考虑降雨预报信息的中期径流预报。     

提高支持向量机洪水峰值预报精度研究

本文引入支持向量机算法进行流域洪水预报建模,同时针对训练样本的不平衡性,提出了一种能进行峰值识别的改进支持向量机算法(support Vector Machine with Peak Recognizer,简称SVMPR)。该算法在结构风险最小化准则的目标函数中适当加大峰值样本的权重,从而提高支持向量机洪水预报模型对洪峰的预报精度。分别采用SVM算法和SVMPR算法对沙溪口流域上洋口站建立洪水预报模型,对比分析表明了SVMPR算法的有效性。     

石板水库洪水预报软件开发与应用

龙河汛期洪水频繁，枯期来水少，中游的石板水电厂以发电为主、防洪为辅，为了协调石板水电厂水库防洪与发电用水矛盾，需建立一套完整的洪水预报系统。文中介绍了石板水电厂水情预报模型，根据模型原理开发了洪水预报软件。实践证明，开发出的洪水预报软件实用性强。对模型中的参数进行修改后，可用于不同河流的洪水预报。     

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。     

洪水预报模型的预评估机模型研究

洪水过程是一个高度复杂的过程,目前还没有一种水文模型是最优的,本文首次提出了洪水预报模型预评估机的概念,对给定的洪水预报模型的预报效果进行预评估,以作为是否采信该模型预报结果和选择洪水预报模型的依据之一。本文建立了基于相似系数和神经网络的预评估机模型,并通过对实例的分析,对它们实际应用的可行性进行了探讨,其中基于相似系数的预评估机模型尚有待改进;基于神经网络的预评估机模型有良好的应用前景。     

基于随机模拟信息的神经网络洪水预报模型

针对BP神经网络模型预报大洪水误差较大的问题,提出建立了一种基于概念水文模型随机模拟信息的神经网络洪水预报模型,该模型融合了概念水文模型和神经网络模型的优点.在实际应用中,首先利用概念水文模型(三水源新安江模型)随机模拟出占实测洪水一定比例的较大洪水,然后将这些随机模拟生成的较大洪水过程加入到神经网络模型的训练样本中,以增加训练样本中较大洪水的比重,从而提高洪水的预报精度.通过实例应用表明,模型预测效果较好.     

入库径流预报误差随机模型及其应用

为了在量化入库径流预报误差的条件下有效提高调度方案制作的精度，基于高斯混合模型（GMM）良好的自适应性，能更准确地描述单一预见期径流预报误差分布的特点，以及高维meta-student t Copula函数具有将多个类型边缘分布有机耦合的优势，建立了多个预见期入库径流预报误差的GMM-Copula随机模型。以雅砻江流域锦屏一级水电站水库为例，对预见期分别为6 h、12 h、18 h、24 h的入库径流预报误差进行了分析与随机模拟。结果表明，随着预见期的增加，模拟误差与实际误差的主要统计特征值相差不大，满足预设精度要求，且变化规律一致，验证了模型的可行性与有效性，为水库调度方案的编制与实施提供了参考依据。     

基于随机森林模型的长江上游枯水期径流预报研究

预报因子选取和预报模型构建是长期径流预报的两大难点。本研究采用随机森林模型从当年1月份至10月份长江干流的实测径流和国家气候中心74项水文—气象特征因子共750个变量中选取预报因子集合,对长江上游屏山站、寸滩站枯水期（当年11月～次年5月）径流预报进行了研究。结果显示,随预见期增加,径流自相关关系逐渐减弱,水文—气象遥相关关系逐渐强于径流自相关关系。在屏山站和寸滩站的径流预报中,预报结果与实测结果呈显著线性关系,平均相对误差在20%以内。月径流预报误差还较大,枯水期总径流预报精度优于单月径流预报。不确定性分析结果表明随机森林模型除了预报径流变化趋势,还可以用于预报径流丰枯概率。     

考虑误差异分布的洪水概率预报方法研究

提出一种考虑误差异分布的概率预报方法:根据实测及预报洪水信息,估计不同量级洪水预报误差的概率分布,推导了以预报值为条件的流量分布函数,实现洪水概率预报。以淮河王家坝断面为对象,采用经验预报模型对1996—2007年10场洪水进行预报并分析误差规律,发现不同量级洪水预报误差的均值差异显著,即误差具有异分布特征。为此,构建误差均值与预报值之间的函数关系,建立以预报流量为条件的误差概率分布。在此基础上,对2008年2场洪水进行概率预报,结果表明基于误差异分布的洪水概率预报模型简单实用;若以概率分布期望值作为定值预报,相较于经验预报结果,精度更高。     

基于采样贝叶斯方法的洪水概率预报研究

基于贝叶斯理论建立了新安江模型参数和降雨观测相对误差的联合概率分布函数,利用自适应马尔可夫链蒙特卡洛方法DRAM(Delayed Rejection Adaptive Metropolis)对联合分布进行采样,得到模型参数和降雨误差的后验分布样本,二者相结合模拟得出洪水的概率预报结果.根据对江西滁洲流域32场洪水的模拟,采用交叉验证方法对概率预报结果进行了评估.根据连续概率排位分数CRPS(Continuous Ranked Probability score),相对于确定性预报方法概率洪水预报结果的改善达到26%.P值分位数-分位数图同样表明,概率预报方法对洪水的不确定性有较好的估计,但仍存在低估的现象.     

小波变换与BP神经网络耦合的洪水预报方法

为了发掘小波变换与BP神经网络相耦合在洪水预报中的应用价值,提出了基于小波变换和BP神经网络耦合的洪水预报方法.根据小波变换与BP神经网络耦合方式的不同,分别构建了两种结构的网络模型:松散耦合与紧致耦合模型,并利用实测流量时间序列分别对这两种模型进行了训练与验证.计算结果表明,两种模型的预报效果与3层常规BP神经网络相比均得到了不同程度的提高,松散耦合模型的预报效果总体上最优.小波变换与BP神经网络相耦合在洪水预报方面有良好的应用前景.