基于贝叶斯模型平均理论的水文模型合成预报研究

通过亚高斯模型分别对实测和水文模型预报的洪水序列进行正态分位数变换,并建立变换后的实测与预报时间序列的线性关系;然后根据贝叶斯模型平均理论,以实测序列条件下某一水文模型为最优模型的概率为权重,对各模型预报变量的条件概率密度甬数进行加权,得到预报变量的概率密度函数,即高斯混合模型,从而实现了不同水文模型预报的合成及概率预报;最后,采用期望最大化算法估计高斯混合模型的参数.以密赛流域为实例,对本文的方法进行了验证.结果表明,基于贝叶斯模型平均的水文模型的合成预报不仅可以提供精度较高的均值预报,而且可以通过置信区间估计,定量评价模型预报的不确定性.     

耦合集合预报信息的水库高效调度方法研究

预报不确定性是水库调度领域亟待解决的关键难题.集合预报能有效的刻画预报不确定性,但将其直接耦合在水库多目标优化调度模型中会极大地增加计算负担.为此,本文提出了一种耦合集合预报信息的水库高效调度方法.首先,采用同步回代缩减算法将集合预报样本缩减为几种典型场景及对应的发生概率;然后,基于典型预报场景构建水库多目标优化调度模...     

基于二分群体决策的水文预报择优组合方法

针对多种水文预报的组合问题,提出一种基于二分群体决策的水文预报择优组合方法。通过决策群体、决策断面、能力向量、预报收益等模型的建立,将水文预报择优问题转化为一个二分决策问题;根据决策质量给出择优求解和参数初值的率定方法,并将各参数对预报精度的影响加以分析。实验表明：该方法能够有效的从两种预报方案中选择出更加接近实测值的预报结果,且具有76%以上选择正确率和更高的预报精度。     

基于分期组合预报模型的水电站优调度及其模糊风险分析

针对年内不同时期径流成因与变化规律的差异,本文建立了月径流的分期组合预报模型,对不同时期径流成因特点选用相应的组合预报模型.针对过渡期与丰水期径流预报不确定件较大的特点,采用贝叶斯平均模型进行组合预报,能够发布概率预报.为量化预报误差对水电站发电调度造成的影响,建立了水电站预报优化调度的模糊风险分析方法,从而为科学决策提供参考依据.实例应用表明,分期组合预报模型优于单一模型,且发布的概率预报结合模糊风险分析对制定水电站的月测度计划具有一定的参考价值.     

数字水文模型在柘溪水库洪水预报中的应用

数字水文模型是一种先进的数字流域模型,它在柘溪水库的成功应用,将为柘溪水库的洪水预报发挥重大作用.     

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。     

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.     

基于自适应滚动优化的电力负荷多模型组合预测系统的研究与开发

该文提出了多模型组合预测等预测策略，采用了包括非线性优化组合模型、逻辑预测模型、组合自适应指数平滑模型和综合模型等多种组合模型来进行短期电力负荷的预测；并使用自适应波动优化技术保证每种模型能随负荷特性变化，调整模型参数；同时根据对每种模型在一段时间内的预测误差分析，选取最优的组合模型。基于该文预测策略和预测模型所开发的预测系统的预测结果表明，组合预测模型的预测结果优于单一模型的预测结果。     

基于径流和积雪资料的水文模型多目标率定

以雅鲁藏布江奴下水文站以上流域作为研究区，采用HBV水文模型（Hydrologiska Byr?ns Vattenbalansavdelning model）对研究区域的积雪和径流进行模拟。提出了一种同时考虑径流、雪深和积雪覆盖面积的多目标优化方法对水文模型的参数进行率定，并同仅考虑径流和雪深的率定结果进行了对比。结果表明，率定时仅考虑径流和雪深时，HBV模型能较好地模拟研究区的径流过程，但对雪深变化过程的模拟效果欠佳；率定时增加积雪覆盖面积目标函数后，模型能精确判断流域积雪覆盖情况，径流的模拟效率系数也有所提升，表明同时基于径流、积雪覆盖面积和雪深数据的HBV水文模型可以更好地预测和模拟研究区积雪和径流变化。     

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。     

基于马尔可夫链筛选组合预测模型的中长期负荷预测方法

在负荷预测的模型组合过程中,主要是根据历史数据的趋势恰当选择模型,再根据模型特点选择权重分配方法。针对灰色关联度满足要求的几种模型预测值分化较大的问题,从负荷数据的增长率无后效性这一特点出发,通过对原始数据增长率的分析,采用马尔可夫链划分区间,从几种满足精度要求的模型中筛选出两种进行组合预测,通过方差—协方差方法分配权重。经过该种方法的筛选,不仅可以更准确地选择组合预测模型的类型,而且具有较高精度。     

一种基于改进GPR和Bagging的短期风电功率组合预测方法

为提高短期风电功率的预测精度并对功率预测的不确定性进行量化,提出了基于高斯过程回归(Gaussian Process Regression,GPR)和Bootstrap Aggregation (Bagging)的组合预测方法。针对GPR的不稳定性和计算量大的特点,引入了Bagging和训练数据完全条件独立下的近似方法(Fully Independent Training Conditional Approximation,FITC)。同时,在贝叶斯决策 (Bayesian Committee Machine, BCM)的基础上,提出了一种新的权重组合策略。实验表明,基于Bagging和FITC的GPR方法在稳定性、预测精度和训练时间的消耗上都优于传统的GPR方法。在风电功率预测中,改进的GPR可以给出较准确的置信区间,且与极限学习机、最小二乘支持向量机相比较,该方法的预测精度也有明显提高。     

基于改进的预测有效度的中长期负荷组合预测

变权组合预测是负荷预测研究领域的热点,预测的关键是确定加权系数的原则。引入可信赖域α,改进了预测精度矩阵,推导了单个预测和组合预测的k阶改进预测有效度。通过拟合样本因子β,区分了样本区和预测区的加权系数。给出了基于一阶和二阶改进预测有效度最优级原则的中长期负荷组合预测模型。实际算例说明了预测模型的有效性。     

基于最小一乘法的组合赋权法在中长期负荷预测中的应用

中长期负荷预测是电网规划的重要依据和前提,出现了大量的算法模型,但每种模型都有自己的适用条件,采用组合预测能有效地组织各种模型做到扬长避短。组合预测法的关键是确定组合模型的权重,最小二乘法是应用较为广泛的确定模型权重的方法,但研究表明,该方法在确定负荷有突变情况的权重时存在较大的误差,因此,提出基于最小一乘法的权重确定方法,与最小二乘法相比,该方法以误差绝对值之和最小为优化目标,而非平方和最小,避免了误差的缩放,残差可以真实反映与真值的偏离程度,有利于权重的确定,最后通过实例验证了该方法的有效性和优越性。     

基于集合卡尔曼滤波与相空间重构的负荷预测方法研究

提出一种基于集合卡尔曼滤波和相空间重构的组合模型来优化预测结果。对于负荷数据时间序列,首先使用延迟坐标嵌入方法对其进行相空间重构。基于局部平均法对下一时刻的负荷状态进行预测,其中最临近向量的数目采用循环迭代的方式选取,以获得对不同负荷序列的自适应性。根据无迹变换理论,对负荷预测值选取合适数量的Sigma点组成集合并使用集合卡尔曼滤波器进行数据同化,从而能够在容忍采样噪声的同时给出负荷的最优估计。以非侵入式量测方式获取河北保定市50个家庭用户的负荷数据作为训练集进行试验,给出了电热水器和空调负荷以及家庭总负荷的预测结果和误差分析。结果显示,与单纯基于相空间重构的预测结果进行比较,该组合模型具有更好的预测性能,且对分项电器负荷和家庭总负荷均具有较好的适应性。     

一种改进的基于IOWA算子的组合预测方法及应用

按误差平方和准则建立的基于IOWA算子的组合预测模型并不能正确反映出各个时期观测点所引起误差对预测值的影响程度,在实际预测时预测期数据是未知的,无法直接利用该方法进行预测。针对以上缺陷,提出以单项预测模型中精度较高者的预测值为标准,计算其余模型的预测值与其偏差,再按各个时期各单项偏差绝对值和的平均值大小赋予权系数,建立按照加权误差平方和准则新的预测模型,并利用遗传算法求解最优权系数。通过实例验证,改进后的组合预测方法优于原来的基于IOWA算子的组合预测方法,有效地提高了预测精度。     

基于虚拟预测与小波包变换的风电功率组合预测

为了提高风电功率的预测精度,针对风机功率不稳定性和非线性强的特点,使用小波包变换将风机出力分解成多个频率的子序列,然后运用组合预测方法分别对各子序列进行提前24 h预测,叠加各子序列的预测值,得出实际预测结果。其中组合预测方法权系数是通过虚拟预测的方法由方差倒数法确定。选择广东某风电场实测数据作为案例,对连续7天风电功率进行了预测。结果表明:小波包变换能有效把握风电功率变化规律,对小波包变换后的各子序列的预测结果表明组合预测效果优于单一预测方法。     

基于支持向量机回归组合模型的中长期降温负荷预测

提出基于支持向量机回归组合模型的中长期降温负荷预测方法。其中,支持向量机模型以多种社会经济数据为输入参数,年最大降温负荷值为输出参数。在训练过程中采用网格搜索法对支持向量机回归模型参数进行优化;回归分析中,综合采用线性、二次和三次多元回归的组合模型;最后利用最优组合预测方法将二者组合。采用广东省2008~2011年实际负荷数据和社会经济数据为训练样本,2012~2014年数据为测试样本,对支持向量机回归组合预测模型进行验证,同时也对2015和2020年最大降温负荷进行预测。结果表明,预测值与真实值的误差控制在5%以下,验证了该中长期降温负荷预测模型的有效性。目前该预测模型已在广东电网得到实际应用。