非平稳水文时间序列的随机向量模型

本文对一类具有一般性质的周期性非平稳水文时间序列的建模提出一种随机向量模型及建模方法,讨论了这种随机向量模型的辨识和参数估计问题,并对红水河的龙滩、天生桥、大藤峡、岩滩水文站分别建立了月平均流量随机数据,分别产生了200年月平均流量随机数据,以历史序列和人工序列的统计值(均值、标准差、变差系数、偏态系数、相关系数)的比较作为判别模型优劣的依据。     

小波分析方法在水文径流模拟中的应用

利用小波分析识别年径流周期得到年径流周期成分,再对剔除周期成分的剩余序列进行小波消噪,消噪后的序列作为平稳随机成分建立自回归模型,并把噪声序列作为独立随机成分进行模拟,最后把周期成分、相依随机成分和独立随机成分组合建立随机模拟模型。实例研究表明,基于小波分析的水文随机模型比传统随机模型的模拟效果好,统计参数更接近实测序列的统计参数。     

梯级水库日洪水过程的随机模拟研究

为建立梯级水库日洪水随机模拟模型,本文采用了多维平稳自回归模型并在模拟过程中采用了一种新的基本资料预处理方法——对数指数变换方法,推导了多维AR(P)模型的参数估计的计算公式,对所建模型及其各种水文特征值进行了全面的检验。通过对长江上游梯级水库系统日洪水过程随机模拟的实际应用,论证了本随机模型的实用性及可靠性。     

风力发电随机风速时间序列生成方法分析与评价

本文介绍了分别基于威布尔分布模型、组合风速模型和风轮等效风速模型的风力发电随机风速时间序列生成方法,给出了3种随机风速生成方法的详细过程并计算了给定参数下随机风速时间序列结果。为了对3种不同方法所获得的随机风速时间序列数据进行评价,采用风功率谱密度分析技术对随机风速时间序列进行分析,分析结果说明风轮等效风速模型不仅能够较为准确地体现自然界风速功率谱的分布,而且还能体现三叶片风电机组旋转作用的等效效果,在研究风电场电能质量以及并网运行方式对电网影响的场合具有很好的适用性。     

降水时间序列挖掘模型的建立和应用

针对时间序列分析涉及的主要内容将水文时间序列分解为趋势项、周期项、随机项,研究及汇总了各个组成项的变化规律,分别建立了各个组成项的数学模型,再将分解模型合成为水文时间序列的预测模型,并利用此模型预测和分析了柳州市水文时间序列的未来值.     

基于随机分形搜索算法的马斯京根模型参数优选

马斯京根模型在河道洪水演算中发挥着重要作用,该模型参数优选对提高洪水演算准确性至关重要。提出利用随机分形搜索算法(SFS)解决非线性马斯京根模型参数优选问题,同时将混沌序列替代SFS更新操作中的随机数。对算例进行洪水演算仿真分析并与多种优化算法比较,结果表明,随机分形搜索算法对非线性马斯京根法模型参数优选问题求解行之有效,且算法实施过程简便、参数解算精度高。     

基于随机理论的Nash单位线研究

应用随机理论对Nash单位线进行分析研究，把模型参数Ⅸ看作是随机变量，推导出Nash随机S曲线的公式并应用于沿渡河流域的汇流计算中。应用这种方法模拟降雨径流过程能同时给出出流过程均值和方差。     

基于随机理论的汇流计算方法研究

把随机微分方程理论引入到汇流计算中,以线性水库汇流系统为例,建立了一个计算汇流过程的随机微分方程模型。该模型将输入过程和模型参数均视为随机变量,采用建立矩方程的方法求解相应的随机微分方程,得到一个简单的计算汇流系统出流过程的统计矩公式。研究表明,随机微分方程理论应用到汇流系统是一种值得深入研究的方法。     

随机参数汽轮机叶片频率的随机有限元分析

汽轮机叶片的材料特性、结构参数以及汽轮机转速都存在随机性,从而导致叶片的频率存在分散性,随机有限元方法可以考虑叶片参数的随机性,并得到频率的随机特征.将叶片的材料特性和结构参数处理为随机参数,基于随机变分原理推导了旋转叶片的随机有限元方程,建立了质量矩阵、线弹性刚度矩阵、几何刚度矩阵、动力刚度矩阵的均值和一阶变异矩阵,给出了固有频率均值、协方差和变异系数的计算方法.最后对432叶片的静动频率进行了随机有限元分析,定量给出了叶片参数随机变异导致频率的变异程度,为高可靠性叶片设计提供了分析工具.     

活塞热冲击集总参数模型的随机温度分析

将随机过程理论与热传导理论相结合，分析了内燃机随机热冲击的随机成分对活塞温度场的影响，建立了热冲击试验台加热环境相适应的矩形热冲击模型和集部参数导热模型，求得了相应的解析解，并利用迭代法求得其随机解及其均值，均方值和方差。在试验台上的活塞温度场测试结果表明随机热激励模型可以更精确地模拟活塞的受热响应。集总参数模型给出了活塞随机温度随时间变化的基本规律，为定性分析活塞温度场随机变化规律提供了依据。     

基于Holt-Winters方法的年径流序列周期识别

针对小波分析法在年径流序列周期识别方面存在的不足,以长江支流乌江水系武隆站为例,利用Holt-Winters模型固有结构模拟水文时间序列,根据拟合精度来判断年径流序列周期出现的可能性,以达到周期识别的目的,并与小波分析法识别的序列周期进行比较。结果表明,Holt-Winters模型很好地捕捉到了小波分析法中的所有周期成分,且模型结果很好地验证了所提假设,可确定原序列存在5.6年的主要周期项。     

流域径流演变多时间尺度特征探讨

采用Morlet子波变换等分析方法,结合逐月实测径流资料分析了大沽夹河流域径流演变的多时间尺度变化特征.结果表明,流域径流演变过程存在明显的多时间尺度特征,具有18～32 a,8～17 a和3～7 a的3类尺度的周期变化规律.流域径流的演变过程在一定程度上受降水控制,但其变化趋势和降水的变化趋势并不能完全吻合,同时还受人类活动的影响.在不同的时间域和时间尺度内,气候变化和人类活动对流域径流变化的影响同时存在.     

水文资料长度对隐随机优化调度规则的影响研究

针对水库调度隐随机问题中所需水文资料长度问题,以三峡水库为例,基于1882~2001年径流资料划分率定期与检验期,并在率定期中抽取一定长度的连续水文资料系列编制隐随机调度规则,在检验期中予以评价。结果表明,采用70 a以上的水文资料编制调度规则可获得较稳定、可靠的水库调度规则,30 a以上资料即可满足工程需求。     

基于小波分析的BP网络预测模型及其在年径流预测中的应用

鉴于小波变换序列中尺度系数系列和小波系数系列变化特征存在较大差异,提出了一种新的小波分析与BP网络结合方式,即建立两个BP网络分别对两类系数系列进行预测,再对各小波变换系数的预测值进行小波重构,获得原序列的预测值。将该模型应用于二滩电站入库年径流量预测,结果表明该模型预测精度高,可为水电站提供可靠的入库年径流预测结果。     

Stochastic modelling of daily global solar radiation measured in Marrakesh, Morocco

Two stochastic models are presented of the daily global solar radiation obtained from three years of data measured on a horizontal surface in Marrakesh, Morocco (latitude 31°37′N, longitude 08°02′W, elevation 463 m). The development of these models is based on the removal of the annual periodicity and seasonal variation of solar radiation using two types of normalisation. The first model is developed using a classical decomposition of the daily radiation as the sum of two components: a trend component and a stochastic component. This model is most useful for long simulated sequences. The second model is developed using a non-dimensional variable, the clearness index, which is modelled as a stochastic process after a preliminary transformation leading to a stationary time series. Both models have satisfactorily passed validation tests for forecasting and simulation of daily global solar radiation data.     

基于Wavelet-Anfis模型的陈家湾水库长期径流预测

针对径流序列特性变化复杂且难以预测的问题,提出了基于Wavelet-Anfis的径流预测模型。首先对长期径流序列进行拟合得到原始信号,通过Sym8小波对该信号进行尺度为4的分解,得到对应的低频信号A4和高频信号D1~D4,利用Anfis对这些分解信号逐步训练以确定最佳模型,从而预测出低、高频信号预测期的序列值,最后将各预测序列重构回原尺度生成径流预测值。将该方法应用于陈家湾水库年径流序列中,并与直接Anfis预测结果进行对比。结果表明,Wavelet-Anfis模型预测值的相对误差较小,且具有较快的收敛速度,既有效又准确。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。     

Stochastic modelling of daily beam irradiation

A dynamical statistical analysis of the daily sum of the beam irradiation measured, on a horizontal surface, in Genoa, Italy, has been done using a 9-year time series, with two substantially different methods: the Markov chain model and the first order autoregressive model. In the first case, the data range has been divided into five different equiprobable classes or “states”. The sequential characteristics of the obtained discrete time series have been described by four “seasonal” 5 × 5 transition matrices between the states of the process. Yearly series of daily beam irradiation have been simulated by associating suitable values of irradiation to every state of the chain. In the second case, data have been first modified in order to obtain a standard Normal frequency distribution; an autoregressive process of order 1 has been fitted to the transformed series. The autoregressive parameter has been estimated keeping it time invariant. Synthetic sequences of daily solar irradiations have been generated with the fitted model. The reliability both of the Markov chain model and of AR(1) model has been verified by comparing the artificial series to the empirical one. The autoregressive model has shown an appreciable superiority in reproducing the stochastic law of the daily sums of beam irradiation with respect to the Markov chain model.