基于MPGA-LSTM月径流预测模型及应用

鉴于径流预测在水利基础设施运行、防洪、航运规划等水资源规划管理中具有极其重要的意义,将长短时记忆神经网络(LSTM)和多种群遗传算法(MPGA)相耦合,构建了基于MPGA-LSTM的混合径流预测模型,并采用该模型对晋江上游控制性水文站石砻站2013～2017年逐月径流过程进行延时回归预测。同时,为了验证MPGA-LSTM模型在月径流预测方面的优越性,针对影响预测精度三个因素基础模型、控制参数和优化方法,分别设置三组对比模型。计算结果表明,MPGA-LSTM模型表现最优,合格率为85%,确定性系数R~2为0.953,达到预报甲等标准。因此,所提出的MPGA-LSTM模型为月径流预测提供了一种有效的方法。     

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PCA-MPA-ANFIS模型的年径流预测研究

为提高径流预测精度,提出一种将海洋捕食者算法(MPA)与自适应神经模糊推理系统(ANFIS)相结合的径流预测方法,选取6个标准测试函数对MPA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,使输入数据简洁且更具代表性;利用MPA优化ANFIS条件参数和结论参数,建立PCA-MPA-ANFIS径流预测模型,并构建PCA-MPA-支持向量机(SVM)、PCA-MPA-BP作对比模型;基于云南省革雷站、新疆伊梨河雅马渡站年径流预测实例对PCA-MPA-ANFIS、PCA-MPASVM、PCA-MPA-BP模型进行验证。结果表明,MPA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;PCA-MPA-ANFIS模型对两个实例年径流预测的平均相对误差分别为1.08%、4.49%,平均相对误差较PCA-MPA-SVM模型分别降低了32.5%、37.1%,较PCA-MPA-BP模型分别降低了58.2%、37.6%,具有较好的预测精度和泛化能力。可见将PCA-MPA-ANFIS模型用于径流预测是可行和有效的。     

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EMD和LS-SVM的中长期径流预报

提出将EMD与LS-SVM模型相耦合的新的径流中长期预测方法,采用EMD分解年径流序列,应用LS-SVM模型预测和重构IMF分量.基于岷江紫坪铺水文站年径流资料预测和检验该模型,并与单独的LS-SVM模型及BP神经网络模型比较.实例结果表明,该方法预报精度高,预测径流行之有效.     

灰色自记忆模型在年径流预测中的应用

为探索提高年径流预测精度的简单有效途径,以GM(1,1)微分方程为动力核建立了灰色自记忆模型,并应用于寸滩站年径流的拟合和预测中,取得了良好的效果。与组合模型相比,该模型结构简单并具有较高的拟合和预测精度,可应用于年径流序列的预测之中。     

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。     

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。     

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。     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAP...     

基于EMD与加权马尔可夫链QR法的风电功率区间预测

提出一种基于经验模式分解(EMD)、加权马尔可夫链与分位数回归(quantile regression,QR)的风电功率概率区间预测方法。由于风功率数据与风速显著相关,首先对历史风速进行经验模式分解,得到不同频率段的风速,再以不同频率段的风速为样本,分别对其进行加权马尔可夫链预测,相加得到最终预测风速。最后将所得的预测风速代入QR预测模型,得到一定置信水平下的风电功率概率区间的上下限。以区间覆盖率和区间平均带宽为评价指标,与马尔可夫链下的QR法和加权马尔可夫链下的QR法的对比仿真表明,提出的基于经验模式分解与加权马尔可夫链下的QR法具有风电功率概率预区间预测的覆盖率更高,平均带宽更窄,精度更好的预测效果。     

考虑预报因子选择的神经网络降雨径流模型

为优化神经网络模型的应用效果,研究了基于神经网络的降雨-径流模型,根据Copula熵法确定预报因子,并与传统的线性相关法进行比较分析,采用BP、RBF、GRNN三种神经网络建立降雨-径流模型,应用均方根误差、合格率、确定性系数三个指标为模型选取评价准则。通过对金沙江流域的径流预报,发现基于Copula熵法的BP模型预报结果更接近实测值,精度更高。     

不同相似指标下最近邻抽样回归模型在径流中长期预测中的应用比较

根据水文相似性建立的最近邻抽样回归模型(NNBR)是一种较优的中长期预测模型,模型的关键在于相似指标选择。在介绍欧氏距离、余弦距离、耦合序位值等现有相似指标的基础上,构建了一种新的相似指标——欧氏—余弦耦合距离,并将基于欧氏距离、余弦距离、耦合序位值、欧氏—余弦耦合距离四种不同相似指标的NNBR模型应用于长江宜昌站、雅砻江小得石站、黄河唐乃亥站、珠江梧州站年径流预测中。实例分析表明,基于欧氏距离的NNBR模型预测准确性最佳,其次为基于欧氏—余弦耦合距离的NNBR模型,基于余弦距离和耦合序位值的NNBR模型预测准确性次于前两者。     

基于Morris法的HBV模型参数敏感性分析

随着社会的发展和科技的进步,基于计算机运算的水文模型越来越多地应用于各个流域。为了提高水文模型的预测精度,选择误差平均值、均方根误差、相关系数、转换后的均方根误差和流量历时曲线斜率为目标函数,以绥芬河流域2009~2012年的降水径流资料为基础,通过Morris方法运行HBV模型,分析不同目标函数下参数敏感度指数的值及置信区间收敛情况,发现不同目标函数下参数的敏感性有差异,参数越敏感,达到收敛需要的样本数越多。     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

不同时间步长对淮河上游次洪产沙模拟的影响

为分析时间步长对次洪产沙模拟的影响,以淮河上游大坡岭水文站以上流域为研究区域,选取2001~2010年具有代表性的10场次洪降雨、径流和含沙量等资料,分别以0.5、1h为时间步长,利用泥沙负荷模型模拟计算了10场次洪产沙过程。结果表明,泥沙负荷模型的9个参数中参数b5、b6、b8随时间步长的变化而变化,且步长变化对b5、b8的影响最大;以沙峰相对误差、确定性系数和峰现时差三个指标综合衡量,时间步长为0.5h的模拟精度总体上高于时间步长为1h的模拟精度。研究成果可为淮河流域及湿润半湿润地区土壤侵蚀模拟提供参考。     

基于Elman神经网络的锦屏一级水电站年平均径流量集合预报研究

为预报锦屏一级水电站年平均径流量,根据其1960~1999年逐年年平均径流量与上年(1959~1998年)逐月74项大气环流指数的相关关系,选出相关性高且与年平均径流有物理联系的大气环流指数作为预报因子;利用多个Elman神经网络建立年平均径流量的集合预报模型,并采用锦屏一级水电站1960~1999年的逐年年平均径流量和筛选的预报因子数据对模型参数进行率定,2000~2011年的逐年年平均径流量对模型预报效果进行检验。结果表明,基于Elman神经网络的单一模型的范化能力较好,多模型的集合预报精度比单一模型的预报精度有进一步提高,可为锦屏一级水电站水资源调度提供参考。     

改进的SWAT模型在寒区水文循环模拟中的应用

针对SWAT模型在寒区水文循环模拟过程中存在的不足,对冻土条件下的地表径流模块和升华及土壤蒸发模块进行了改进,并以塔河流域为例,对模型改进前后的径流模拟结果进行了对比。结果表明,在全系列径流模拟中,改进后模型模拟精度有一定程度的提高;在春汛期径流模拟中,改进后模型模拟精度提高较明显,率定期和验证期相对误差绝对值分别下降12.57%、5.67%。对比研究结果证明,改进的SWAT模型在寒区水循环模拟中的适用性得到了进一步提高。