小波变换对中长期入库径流预测的适应性研究

通过典型水库入库径流预测实例,分析了小波周期分析模型预测效果与径流系列长度、时段长及流域尺度之间的关系。初步结论为：①小波周期分析模型依据时间序列长度不能过短,但也不是愈长愈好,当时间序列长度超过一定限时,模型的预测效果将不会再改善;②月、旬两种时段长对比结果表明,时段长越短,径流序列奇异性将越显著,小波周期分析模型的预测效果越差;③小波周期分析模型对流域尺度反应灵敏,流域面积越小,径流序列变化就愈不规则,模型的预测效果愈差。     

基于小波变换的入库径流组合预测方法研究

应用小波分析理论中的多尺度分析,分析水库入库径流过程,采用àtrous算法分解原始径流过程,对分解后的系数组进行周期分析,利用周期均值叠加法作各级系数外延预测,重构预测的系数组,取得入库径流过程预测结果。利用该方法对三峡水库的实例研究取得了较满意的结果,结果表明组合方法比直接利用周期均值叠加法预测精度高。     

小波变换结合BP神经网络进行径流预测

对BP神经网络和小波变换结合BP神经网络这两种方法在径流预测方面做了一些比较,认为在缺乏降雨、温度等相关资料的情况下,单从径流资料出发用BP神经网络进行径流预测,效果并不理想;而通过小波变换把径流序列分解为多个频率成份的叠加,再由神经网络对小波系数进行预测,最后重构出预测的径流序列的方法取得的效果较好.同时还就小波变换结合BP神经网络方法,比较了不同网络结构对径流预测效果的影响,其结论可作为对径流序列预测研究的一种参考.     

小波神经网络在径流预测中的应用研究

将小波变换应用到径流序列分析中,获得了黄河陕县水文站109年径流序列的组成情况和变化趋势。用BP神经网络与小波变换相结合,对该站109年径流序列进行了研究,认为：①小波网络预测模型是综合小波变换与神经网络两者优点而形成的一种数学建模分析方法;②小波神经网络的建模算法可有效提高预测精度;③小波神经网络预测中一些数据的预测结果欠佳,其原因主要是由于不存在理想的数字滤波器和误差累积所致。对影响结果的因素进行了分析,并对神经网络、小波神经网络在径流分析中的应用做了评价。     

基于GWO-LSTM的丹江口水库入库径流预测

入库径流预测对丹江口水库调度及水资源利用具有重要的指示意义。基于灰狼优化算法（GWO）构建不同的预测模型,开展丹江口水库月入库径流预测研究,并探讨网络结构超参数的选取及验证GWO全局遍历性、收敛快的特点。结果表明:灰狼优化的长短期记忆模型（GWO-LSTM）的预测精度和泛化性能优于灰狼优化的人工神经网络模型（GWO-BP）和逐步回归模型,其验证期的纳什效率系数平均达到0.969,整体趋势预测较好,峰值捕捉略有不足,可适用于丹江口水库月入库径流预测;模型超参数依据经验取值时,其预测结果不如GWO优化,验证期的纳什效率系数不足0.5,未达到可接受范围,而且带有一定的偶然性,建议选用具有全局优化特性的优化算法进行超参数选取;验证了GWO算法全局遍历性和收敛快的特点,平均在3次迭代后可达到收敛状态。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

基于连续小波变换的径流分维研究

讨论了径流时间序列的统计自相似性描述指标——分形维数(分维)的连续小波变换系数估计思路,给出了其基本步骤。将该法运用于黄河流域主要水文站年径流的分维计算,同时与极差分析法估计值进行对比,研究表明,建议的连续小波变换分维估计法是可行的。     

基于小波分析的梧桐河径流深多时间尺度特征分析

根据小波分析理论,采用morlet小波函数对梧桐河径流深序列进行小波变换,进而分析其多时间尺度特性,揭示径流深在不同时间尺度下的小波变换时频特征、丰枯交替变化的周期规律。研究结果表明,不同的时间尺度分辨率下,径流深会表现出不同的周期交替现象,主要存在12～13 a和30 a左右的主周期。     

基于小波变换的韩江年径流多时间尺度演变特征分析

运用小波分析的多分辨率功能,对韩江近62年年径流多时间尺度演变特征进行分析。结果表明：韩江年径流演变过程存在明显的多时间尺度特征,在不同的时间尺度分辨率下,会表现出不同的周期交替现象,主要存在17年、12年、7年及4年左右的振荡周期。径流量在整个研究时域内主要经历了6次丰枯交替变化,从中尺度来看,未来几年可能会出现持续来水偏少的状况。     

小波网络模型在年径流预测中的应用

结合人工神经网络（ANN）的较强非线性逼近功能和自学习、自适应特点。充分发挥两者优势，将小波分析与人工神经网络进行耦合（即小波网络模型）。将非线性时间序列实行小波变换．再以小波变换序列作为ANN的输入、原始时间序列作为ANN的输出，最后训练网络并进行预测。     

基于回归分析和小波变换的边坡变形组合预测研究

为有效地判断边坡变形的发展趋势,基于边坡变形的现场数据,首先利用回归分析和小波变换分解边坡变形数据的趋势项和误差项,并选取若干最优的分解数据进行组合确定边坡变形数据的趋势项和误差项,再利用BP和RBF神经网络对趋势项和误差项序列进行预测,得到单项预测的结果,最后研究分析了定权组合预测和非定权组合预测的效果。结果表明在趋势项和误差项的分离过程中,不同分离方法的分离结果具有一定的差异,以6次多项式回归、5次及7次傅里叶回归和sym2小波变换的结果较好;同时,在单项预测中,分项预测的效果要优于传统的单项预测,验证了分项预测的有效性,并由组合预测的结果可知,2种组合预测的效果均较好,均很大程度上提高了预测精度,且非定权组合的预测精度要优于定权组合预测的精度。上述研究为边坡的变形预测提供一种新的思路。     

基于小波变换的开都河径流量多时间尺度分析

以开都河大山口站1956—2006年的年径流量资料为例,利用Morlet小波变换对其水文序列的多时间尺度演变特性进行了分析,并预测了开都河2006年以后的年径流量变化趋势。结果表明:开都河存在6 a、10 a、15 a和38 a等4个主周期,其中38 a和10 a分别为第一和第二主周期;2006年后的未来几年内开都河将处于偏枯期。     

基于遗传规划的径流预测新方法

应用遗传规划方法进行中长期径流预测,将预测模型视为遗传规划中的个体加以处理,依据生物界“优胜劣汰”的原则,运用复制、交叉和变异等遗传操作算子;根据历史样本数据自动生成最佳的径流预测模型,包括模型的函数形式以及模型参数;最后运用得到的预测模型对某水文站的年径流进行预测。仿真结果表明,基于遗传规划的径流预测模型可以明显提高径流预测精度,为解决中长期径流预测问题提供了一种行之有效的新方法。     

基于PSO的SVM年径流预报模型研究

为了使SVM具有更好的预测效果,考虑到人为选择参数的随机性,提出了应用PSO优化SVM参数的年径流预报模型,并将其应用于伊犁河雅马渡水文站的年径流预报。结果表明:与改进的最速下降共轭梯度法、进化单纯形法相比,经参数优化的SVM年径流预报模型能够较好地模拟年径流量与其影响因子之间的非线性映射关系,提高预报精度。     

塔里木河流域径流量预测分析

因径流量预测中伴随着随机性、灰信息性的特点,传统的数学模型难以解决复杂的非结构化问题。在参与塔河流域多个水文控制站点径流量预测的基础上,探讨了GM(1,1)与BP算法在径流量预测中的有效性及存在的一些问题。首先用灰色关联理论对相关序列的灰色绝对、相对、综合关联度进行了分析;然后建立了GM(1,1)模型,讨论了在原始序列准光滑条件满足、1-AGO准指数规律满足条件下GM(1,1)模型模拟随机振荡序列的局限;最后建立了神经网络模型,应用BP算法训练网络权矩阵和偏置,对径流量的历史演变进行了仿真模拟,对预留年份的径流量作了预测检验。     

基于小波消噪偏最小二乘回归模型的径流预测

小波消噪方法,可消除原始数据序列存在的噪声;偏最小二乘回归分析方法,可减弱自变量间多重相关性在系统建模中的不利影响。为此,引入基于小波消噪的偏最小二乘回归分析方法进行建模分析,对奴各沙水文站1960-2000年的径流序列进行拟合和预测。结果表明,该模型在径流的拟合和预测中表现较好,具有较高的精度和较好的稳定性,可作为径流预测的有效方法。     

基于自动服务的智能径流预测系统

为提高径流预测精度,减轻径流预测工作强度,基于Windows服务和优化技术,采用面向对象编程语言C#及ASP.NET开发工具,开发了扩展性好、移植性强的自动化、智能化径流预测系统.文中叙述了该系统的开发目标、结构功能及特点、采用的关键技术.该系统已应用于多个流域水电站,实际运行情况表明,系统运行稳定,效果良好.     

中长期径流预报研究进展及发展趋势

从中长期径流演变规律、径流预报因子识别、径流预报模型和径流预报系统4个方面阐述了中长期径流预报的研究进展,在此基础上分析了中长期径流预报面临的主要问题和发展趋势。未来中长期径流预报研究应更加注重多学科综合和跨学科交叉,更加注重预报方法的适用性及预报结果的可靠性、稳定性,更加注重高新技术的应用。