综合约束线性系统模型及其实时校正方法的研究

本文根据概念性模型与黑箱子模型各自的优缺点,将二者结合起来构成了一个综合约束线性系统模型,并建立相应的实时校正模型,自动跟踪修正模型的预报误差,组成联机实时洪水预报系统。通过长江三峡风滩以上流域作实时洪水预报验证,取得了较好的精度。     

降雨径流模型及其应用

针对目前国内对降雨径流模型研究中存在的问题,介绍了降雨径流模型的原理与特点,以沙子岭流域为例对降雨径流模型实际应用效果进行分析,并用卡尔曼滤波方法对降雨径流模型的预报结果进行了实时校正。研究表明,该模型预报效果较好,经卡尔曼滤波后预报效果明显改善。     

洪水扩散波实时水位预报模型及其算法

运用洪水扩散波理论建立了河道水水位实时预报模型，改进了Ｔ．Ｋ．Ｆｏｒｔｃａｃｎｅ时变遗忘因子最不二乘估计时变参数的递推算法，经淮河河段的洪水实时水模拟预报应用，表明所建立的模型和实时递推算法对于河道洪水水位短期预报是有效的。     

基于集合卡尔曼滤波的实时校正技术在流域洪水预报中的应用

为提高金华江流域实时洪水预报精度，建立了耦合MIKE 11 NAM与MIKE 11 HD的流域洪水预报模型和基于集合卡尔曼滤波的实时校正模型，实现了金华江流域洪水预报实时校正。流域洪水预报模型对流域内主要站点的模拟效果较好，洪水流量和洪水水位模拟精度较高；实时校正模型在预见期10 h以内，校正效果随预见期增加而降低，在预见期前期可有效降低预报误差。整体上，建立的流域洪水预报模型和基于集合卡尔曼滤波的实时校正模型能够满足金华江流域洪水预报应用要求。     

长江河口段潮位预报及实时校正模型

针对长江河口段潮位周期性变化规律,采用调和分析法建立了潮汐预报模型,根据对分析期若干年潮位推算揭示了误差与上游径流闻关系,并建立了以上游大通水文站实测流量为输入的实时校正模型.潮汐预报模型与实时校正模型相结合,既可提前预知长江河口段的水情,又能根据动态掌握的大通流量信息对前期预报结果实时校正以提高预报精度,对类似河段的潮位预报具有参考价值.     

基于GBDT的实时洪水预报误差校正方法

洪水预报实时校正是提高预报精度的有效途径。通过研究实时洪水预报误差系列构建方法,引入GBDT方法建立误差校正模型,并采用粒子群算法优选模型参数,选用洪峰段洪量相对误差、洪峰流量相对误差、确定性系数等指标评估实时校正效果。对淮河流域王家坝站点的实例应用结果表明,无论是率定期还是验证期,基于GBDT的实时预报误差校正方法精度均优于经典AR方法和KNN方法,各项指标精度均有不同程度提升,可有效提高实时洪水预报效果,且稳定性较高。     

基于误差自回归的洪水实时预报校正算法的研究

根据三水源新安江模型洪水预报误差信息，探讨了三种基于误差自回归模型的洪水实时预报校正算法，即固定遗忘因子的递推最小二乘算法，可变遗忘因子的递推最小二乘算法和辅助变量法，并将其应用于鲇鱼山水库的实时洪水预报。通过对三种实时校正方法进行分析比较，认为具有可变遗忘因子递推最小二乘算法效果最好。     

组合预报方法在洪水预报模型中的应用

针对流域水文模型预报中的不确定性问题,采用简单平均、最优线性组合、最优非线性组合三类4种组合方法构建了新安江模型、垂向混合产流模型和Tank模型相结合而组成的组合预报模型,以日照水库和东张水库入库洪水的各种实测特征值作为评价各种组合预报模型计算结果精度的指标,进而优选出相对稳定且精度较高的2种组合预报方法。与新安江模型相比,该组合预报方法在降低水文预报不确定的同时,有效提高了洪水预报精度。     

基于水文—水力学耦合的淮河中游河道洪水预报及不确定性分析

淮河王家坝至鲁台子的中游干流,河道平缓,复式断面特征明显,单纯以传统的水文模型进行洪水预报难度较大。为此,利用新安江模型进行上游及区间入流预报,采用MIKE11水动力学模型进行主要支流及干流洪水演算,从而建立了淮河中游河道洪水预报方案。选取1990~2012年间的场次洪水资料,采用SCE-UA优化算法分别对新安江模型参数和MIKE11的糙率系数进行率定与验证,并使用水文不确定性处理器(HUP)对预报结果进行不确定性分析。结果表明,模型预报结果具有较高精度,不确定程度较小,并可提供某一置信度的预报区间,为实时作业提供参考。     

基于贝叶斯模型平均法的洪水集合概率预报

为提高洪水预报模型的精度和可靠性,基于贝叶斯模型平均方法(BMA),结合水动力学模型和统计相关模型,对秦淮河流域东山站水位进行多模型集合预报并进行模型率定与验证。结果表明,BMA的预报确定性系数CCE均高于水动力学模型和统计相关模型,且均方差RRSME最小;BMA法降低了单一水文预报结果的不确定性,保证洪水预报具备较高的精度,并提供了洪水水位的置信区间,为防洪规划提供了依据。     

基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报

为实现天山西部山区喀什河流域冰川融雪区域的水资源可持续开发利用,更好地支撑所在区域工农业生产发展,有必要开展融雪径流中长期水文预报研究。基于相关系数法、主成分分析法及两种方法相结合的综合方法优选预报因子,采用BP神经网络模型和组合小波BP神经网络模型预报径流。结果表明,采用综合方法筛选出的预报因子集合可以得到更好的预报结果;组合小波BP神经网络模型在3个不同方案中的预测效果均优于BP神经网络模型的预测结果,其预报精度更高。研究成果可为该区域融雪径流模拟研究及洪水预报提供参考。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

基于新陈代谢无偏灰色神经网络的水质预测模型

针对水质参数样本数据少且非线性的特点,建立了新陈代谢无偏GM(1,1)与BP神经网络的组合预测模型,将通过新陈代谢无偏GM(1, 1)模型得到的数据集作为BP神经网络的输入,原始序列作为神经网络的期望输出,训练得到最佳BP神经网络。将该组合模型应用于乐山岷江大桥断面溶解氧浓度的预测,结果表明,相对误差均在3%以下,与传统灰色神经网络水质预测模型相比,该模型具有实时性及预测精度更高的优点。     

城市需水量预测的混沌神经网络模型

将人工神经网络原理引入城市需水量预测中，针对BP网络收敛速度慢、易陷入局部极小的缺陷，提出了基于混沌神经网络的城市需水量预测模型，该模型简便易行，收敛速度快、预测精度高，具有良好的应用前景。     

基于模糊神经网络的电站燃煤锅炉结渣预测

综合运用模糊数学和神经网络知识构建了一个模糊神经网络模型,用以预测电站燃煤锅炉的结渣特性．通过引入反映煤灰特性的4个常用指标以及反映锅炉运行情况的两个指标,使所建模型综合考虑了煤灰特性和锅炉运行因素对结渣的影响．以实际电厂燃煤锅炉为样本,基于改进的BP(back-propagation)算法对网络模型进行了训练．为验证模型的准确性,对7台电站燃煤锅炉的结渣特性进行预测,并将该模型与只考虑煤灰特性指标的常规 BP网络模型进行比较．验证结果表明,模糊神经网络模型的预测结果与实际相符,效果优于常规BP网络模型．     

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。     

WANN模型的改进及日径流预测中的应用

介绍基于小波分析建立的人工神经网络模型的方法原理,并给出构造模型的一般步骤及关键算法。针对一般BP算法收敛速度慢,易陷入局部极小值的缺陷,受Fletcher—Reeves线性搜索方法的启发．提出基于改进共轭梯度法的BP算法。利用此优化模型对日径流进行模拟与预测,实验表明,基于小波分析的人工神经网络模型在日径流模拟过程中具有很好的仿真能力．训练后的模型用于预测具有较高的精度。     

基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

ARIMA-BP组合分析模型在某心墙堆石坝沉降量预测中的应用

针对大坝变形监测中存在的大量小样本时间序列所具有的强非线性特性,引入组合建模的思想,综合应用ARIMA时间序列模型和BP神经网络模型实现了小样本大坝变形监测数据序列的分析,即先利用ARIMA时间序列模型对大坝变形监测数据进行拟合和预测,然后依据时间序列残差建立BP神经网络模型对残差进行预测,最后将两者结合以获得大坝变形的预测。实例分析表明,ARIMA-BP组合模型较单一模型的预测精度高,预测值更接近实测值。