基于VMD-GRU与非参数核密度估计的月径流区间预测方法及应用

提高径流预测的适用性对水资源的合理开发和高效利用具有重要意义。针对传统点预测方法无法有效描述预测结果的不确定性问题,提出了基于VMD-GRU和非参数核密度估计的月径流区间预测方法。首先采用变分模态分解(VMD)将月径流序列分解为一系列相对平稳的子序列,然后利用门控循环单元(GRU)分别预测各子序列,叠加得到最终的点预测结果,最后在点预测的基础上,应用非参数核密度估计进行月径流区间预测,并将提出的VMD-GRU模型与GRU、极点对称模态分解-门控循环单元(ESMD-GRU)和完全集合经验模态分解-门控循环单元(CEEMDAN-GRU)模型进行对比。结果表明,该模型点预测精度明显高于其他模型,同时非参数核密度估计为径流区间预测提供了合理的波动范围,可为管理决策提供参考。     

基于VMD-SSA-LSTM的月径流预测模型及应用

为提高月径流预测精度,提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合,建立了月径流预测模型(VMD-SSA-LSTM)。首先利用VMD对历史径流数据进行分解,然后依据SSA对LSTM的参数进行寻优,并将分解出的月径流分量输入到LSTM神经网络,最后将每个分量的预测值相加,得到月径流预测值,并以福建池潭水库1950～2019年的月径流数据对模型进行验证。结果表明,与LSTM、VMD-LSTM模型相比,VMD-SSA-LSTM模型的预测精度更高,为开展月径流预测工作提供了一种新的选择。     

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.     

MCEEMD-HGWO-MGU混合模型在径流预测中的应用

为分析径流非线性特征对预测精度的影响,在改良的互补集成经验模态分解(MCEEMD)基础上,建立混合灰狼优化算法(HGWO)与最小门控单元(MGU)混合的径流预测模型,并利用该模型预测黄河下游三个水文站处的月径流。选取纳什效率系数和合格率评价模型性能,并选择多个误差指标与其他模型进行比较。结果表明,与其他模型相比,MCEEMD-HGWO-MGU模型在径流预测方面表现更好,其纳什效率系数达0.92,合格率达71%,所有误差指标均为最小。此外,考虑到气候变化对径流的影响,引入大气环流因子,筛选出对径流影响较大的因子融合到径流中进行预报,进一步提高模型精度。所构建的MCEEMD-HGWOMGU模型具有较高的稳定性和精度,可作为中长期径流预报和相关水文数据研究的有效工具。     

基于海鸥优化算法的相关向量机模型在径流预测中的应用

为提高径流预测精度,提出了基于海鸥优化算法(SOA)的相关向量机(RVM)径流预测模型(SOARVM)。选取4个标准测试函数对SOA进行仿真验证,并与PSO算法的仿真结果进行比较;通过主成分分析(PCA)对数据样本进行降维处理,利用SOA优化RVM核宽度因子和超参数,建立SOA-RVM径流预测模型,利用云南省龙潭站年径流及枯水期1～3月月径流预测对SOA-RVM模型进行验证,并将预测结果与RVM、SOA-SVM、SVM、SOA-BP、BP模型进行比较。结果表明,SOA在不同维度条件下仿真效果优于PSO算法,具有较好的寻优精度和全局搜索能力;SOA-RVM模型对实例年径流和1～3月月径流预测的平均相对误差分别为1.77%、4.46%、5.40%、4.03%,预测精度优于RVM、SOA-SVM、SVM、SOA-BP、BP模型。可见SOA-RVM模型具有更好的预测精度,可用于径流预测研究。     

基于物理成因的中长期径流预测模型研究

可靠的中长期径流预测对水资源开发等具有重要意义。为此,筛选了影响径流的主要物理因子,引入极端梯度提升(XGBoost)算法构建中长期径流预测模型,通过纳什效率系数评价模型精度,并与多元线性回归模型(LR)、梯度提升决策树模型(GBDT)进行比较。实例应用结果表明,该模型对月径流过程的预测精度较高,训练期和验证期的纳什效率系数均值分别达到了0.9和0.7,且泛化能力优于GBDT模型和LR模型,用于中长期径流预测具有一定的可靠性和稳定性。     

基于CMIP5变化条件下的清江流域径流响应研究

为预测气候变化和土地利用变化条件下清江渔峡口站以上清江流域未来径流变化情况,首先建立SWAT模型,采用CMIP5三种模式下2016~2100年月降水情景数据,经降尺度后预测月径流。结果表明,未来年内最大月降水和月径流出现时间提前1~2个月,经Mann-Kendall(M-K)检验,降水和径流在2016~2100年间均呈整体增强趋势,但在2016~2035年内的降水和径流量均较历史时期(1990~1999年)低。在空间优化配置土地利用情景下的平均年径流量相对基准期年径流的变幅较现有土地利用情况下有所减小。研究成果对长江防洪、梯级电站调度工作有积极意义。     

基于EEMD-Xgboost组合模型的渭北流域月径流序列模拟研究

为提升月径流序列的模拟精度,利用集合经验模式分解（EEMD）析出原始流量数据的模态分量,将极限梯度下降（Xgboost）作为预测函数,构建了基于EEMD-Xgboost的月径流预测模型,并应用EEMD-Xgboost模型训练了黄土坮塬区漆水站1951～1996年月径流序列变化规律,预测了1997～2020年的月径流量。结果表明,与单一Xgboost模型相比,EEMD-Xgboost模型的Nash-Sutcliffe效率(N_NSE)提升了20.27%、均方根误差(R_RMSE)减小了93.23%;且EEMD-Xgboost模型优于EEMD-ELM、EEMD-RF模型(N_NSE分别提高2.30%、3.49%;R_RMSE减小2.64%、11.75%)。EEMD-Xgboost混合模型集合了数据自适应分析与非线性映射的优点,改善了传统单一模型的预测能力。     

基于EEMD-ANN的水库年径流预测

以三峡水库为例,基于集合经验模态分解(EEMD)及人工神经网络方法对水库年径流进行预测。首先利用Mann-Kendall和Pettitt法对水库年径流序列进行突变检测,获得平稳径流序列,然后采取EEMD方法分解径流序列,得到固有模态函数(IMF)和残差,最后对不同IMFs和残差分别建立人工神经网络预测模型,叠加所有模型预测结果得到年径流预测值。结果表明,基于EEMD-ANN的年径流预测模型优于自回归模型和人工神经网络模型,其预测结果与实测值的相关性更强,预测误差分别减少了11.4%、8.7%。同时,构建EEMD-ANN预测模型时需考虑径流序列的突变特征,采取平稳径流序列的预测效果更优。     

基于EMD分解的AR模型在年径流预测中的应用

为提高年径流中长期预测的精度,提出了一种新的时间序列预测方法——基于EMD分解的AR模型,以汾河上游上静游、汾河水库、寨上和兰村四座水文站1956~2000年的年径流序列为例,首先利用经验模态分解(EMD)方法将四座水文站的年径流序列分解为若干个固有模态函数(IMF)分量和一个残余项分量,然后运用自回归(AR)模型分别对各阶IMF进行预测,最后将各阶预测值重构得到年径流量预测值与单独运用AR模型的预测结果进行比较。结果表明,运用基于EMD分解的AR模型对汾河上游年径流进行预测,其预测精度比单独运用AR模型的预测精度有明显提高,表明该方法可行、有效。     

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。     

基于遗传算法的参数投影寻踪回归径流预报模型及应用

为提高径流预报精度,采用单相关系数法挑选预报因子,建立了基于遗传算法的参数投影寻踪回归径流预报模型,利用该模型对雅砻江二滩水电站月平均流量进行了预报。结果表明,与BP神经网络模型预报结果相比,投影寻踪回归模型具有更好的预报结果和更高的预报精度。     

水电站水库预报发电调度的模糊风险分析

针对径流预报误差给水电站水库发电调度带来的风险,在采用组合模型对月径流进行预报和优化调度计算的基础上,构建了水电站水库预报发电调度的模糊风险分析模型框架,并在对入库径流进行随机模拟的条件下设计了模糊风险分析模型的求解流程。三峡水电站水库的实例应用表明,预报误差在5、10月对发电调度的影响较大,且水电站在枯水期的发电模糊风险比汛期高。     

呼兰河流域上游天然径流变化趋势及突变特征分析

鉴于呼兰河流域径流研究较少的问题,根据呼兰河流域上游铁力水文站1953～2014年天然径流资料,采用Db3小波分解法、Mann-Kendall法和R/S分析法分别研究了流域上游年径流量、月最小径流量的趋势性、突变性和持续性特征,并从气候变化和人类活动两方面定性讨论了径流发生变化的原因。结果表明,铁力气象站年降水量、铁力水文站年径流量变化特征一致,均呈不显著减少变化,未来将持续减少,突变点位于1965年;铁力水文站最小月径流量、铁力气象站春季月均最低气温变化特征一致,均呈不显著增加变化,未来将继续增加;降水变化是径流变化主因之一;春季月均最低气温升高会增加冰雪融水,加之各类水利工程建设的综合作用导致流域径流发生变化。研究成果可对合理开发利用呼兰河流域水资源起到一定积极作用。     

近50年来沭河流域天然径流演变特征分析

掌握沭河流域天然径流的演变特征是合理开发利用流域水资源的前提,基于沭河流域主要控制站——大官庄站1958~2000年的天然径流资料,采用差积曲线、趋势系数、基尼系数和Mann-Kendall法,并选取逐年累计均值、距平百分比、绝对变幅、绝对变化率等特征指标,分析了天然径流年际变化的丰枯性、阶段性、趋势性和年内分配的不均匀性、年内变化的趋势性。结果表明,大官庄站出现枯水年和丰水年的概率最大,出现平水年的概率最小;径流年际变化经历了3个丰水段、1个平水段和3个枯水段;年、汛期、非汛期及各月径流量均呈减少趋势,仅7月径流量减少趋势显著;20世纪70年代径流年内分配最不均匀,1980年代最均匀;1987年径流年内分配最不均匀,1974年最均匀;基尼系数、绝对变幅、绝对变化率呈减少趋势,但均不显著。     

近50年太子河南源河流径流年内分配特征及趋势预测

基于太子河南源南甸站1960~2011年逐月径流资料,采用余期望系数、集中度、集中期和绝对变化幅度等指标分析了径流年内分配特征,并采用Mann-Kendall法和R/S分析法预测了年内各月、4季径流及其特征指标变化趋势。结果表明,南甸站径流年内呈单峰型分布,最大、最小月径流分别出现在8月和1月;1~12月及4季径流量均呈减少变化,仅2、4、8月径流量呈不显著减少趋势;未来3月径流量呈增加变化趋势,其余月份及季节径流量将持续减少;目前和未来径流年内分配不均匀程度增加,但集中程度和变化幅度减少。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

河道生态基流量的年内同频率展布计算法

为更准确计算季节性强的河流的生态基流量,提出年内同频率展布法。该方法根据天然年径流资料,将一年划分为丰水期、枯水期、平水期,分别求取不同时期的同期均值比,并结合多月最小月均径流量,计算生态需水过程。将该方法应用于汾河干流,取其1965~2013年的天然径流资料,分别采用Tennant法、年内展布法和年内同频率展布法三种方法,计算汾河干流兰村、二坝、义棠三个测站的生态基流量。计算结果表明,年内同频率法相较其他方法更贴近天然状态下流量的年内丰枯变化,对河流生态治理有一定指导意义。