基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

年均径流预测的遗传神经网络模型研究

为了进一步提高BP网络模型对径流预测的精度,采用遗传算法优化了BP网络初始的权值和阈值。实例研究结果表明:该方法克服了传统BP网络极易陷入局部极小值点等缺点,提出的遗传神经网络预测模型能够提高预测精度。     

基于人工神经网络的日径流预测

给出了用人工神经网络(ANN)对 三峡宜昌站的日径流预测模型建模的过程，对ANN输入变量的选择和个数的确定以及隐藏层 、输出层单元数的确定等关键技术问题进行了探讨。所建立的基于ANN的预测模型可以进行 提前7 d的日径流预测，预测结果令人满意。     

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。     

基于单位线法的城市降水径流预测方法

为提高城市降水径流短期预测和长期预测的精度,降低预测结果的绝对误差和相对误差,引入单位线法,开展对其预测方法的设计研究。为提供更可靠的预测依据,对城市流域河网水系信息进行提取,确定影响城市降水径流的各个因素;利用单位线法对城市降水径流过程进行数学描述,并完成对城市降水量的计算;引入GA-BP神经网络模型实现对城市年降水径流的预测。通过对比实验的方式,将新的预测方法与基于SCS-CN模型的预测方法应用到相同实验环境中,对同一城市降水径流进行预测。从实验结果得出,新的预测方法无论是短期预测还是长期预测,其预测精度均高于基于SCS-CN模型的预测方法,具有更高的应用价值。     

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.     

基于天文预测法的径流年型预测

采用天文学方法,提出太阳运动与流域来水预测研究预测法和月球赤纬角分布图预测法,并尝试应用两种方法对汉江丹江口水库以上流域径流年型进行预测。选取1956—2000年小寒农历时间、1956—2000年月球赤纬角角度,分别与丹江口以上流域年均流量建立关系,根据散点图的变化趋势及丰水线、多年平均线、枯水线划分枯水区、平水区、丰水区,使图表具有明确的来水定性功能。结果表明:2016年汉江丹江口以上流域平水及以下年份出现的概率分别为77.8%、91.7%,枯水年份出现的概率分别为55.6%、50.0%,因此定性汉江丹江口以上流域2016年为枯水年。     

基于QR-RBL的短期径流预测研究

【目的】针对当前径流预测中存在的预测精确度低、稳定性差、延时高,机理认识不深刻等问题,提出一种新的基于正交三角分解的宽度学习模型(QR-RBL)。【方法】该模型利用正交三角矩阵分解重新定义宽度学习输出层权重矩阵求解方案,可有效提高宽度学习模型的预测效率。同时,为提高宽度学习的泛化能力,将正则化方法引入QR-BL,进一步完成QR-RBL预测模型。最后,在QR-RBL的基础上,构建基于QR-RBL的径流预测方法。该方法首先基于径流自相关思想,动态化、智能化选择预测序列,然后通过设置滑动窗口,获取预测步长,最后通过QR-RBL进行未来预测。【结果】以黄河流域部分水文站试验数据为基础,结果表明,基于QR-RBL的径流预测模型相比于传统宽度学习模型,其效率提高0.68倍。相比于传统神经网络模型(ANN)预测精准度提高0.79倍,可信度提高1.1倍。【结论】综合以上分析,QR-RBL算法在径流预测方面有效的提高了模型的精准度,可信度和效率,为径流预报,灾害监管提供了一种新方法和新思路。     

径流式水电站年发电量的灰色预测

通过径流式水电站发电量变化及其预测问题的分析，建立了径流水电站年发电量预测的灰色数学模型，并就预测中样本序列的拓扑选择，预测的目标等问题提出了相应的策略，最后结合一个实例说明了本方法的应用。结果表明，本文的方法及分析思路，对径流式水电站年发电量的预测具有较好的应用和参考价值。     

基于遗传算法的神经网络优化预测模型及其在年径流预报中的应用

根据径流中长期预测的特点，将遗传算法和神经网络相结合，提出一种年径流预测新算法——遗传神经网络优化预测方法．该方法提高了径流中长期预测模型的优化能力，有效地克服了人工神经网络学习速度慢、存在局部极小点的固有缺陷．最后对实例分别用几种不同的模型进行预测，经比较分析，证明所提出的方法能有效地提高预测精度和速度     

回归支持向量机集成模型在年径流预测中的应用

为进一步提高径流预测精度和泛化能力,根据回归支持向量机(SVR)特性及基本原理,提出考虑不同影响因子(输入向量)的SVR集成预测模型,以云南省南盘江西桥站1961—2007年径流预测为例进行实例研究。首先,利用相关分析法选取年径流预测的若干影响因子,依次构建不同影响因子的SVR单一模型对研究实例进行预测,并构建对应的RBF模型作为对比预测模型;然后,采用加权平均和简单平均2种方法对具有较好预测精度和互补性的单一模型的预测结果进行综合集成。结果表明基于SVR的加权平均和简单平均2种集成模型径流预测的平均相对误差绝对值分别为1.27%和1.54%,最大相对误差绝对值分别为2.99%和2.74%,其精度和泛化能力均大幅优于各单一模型以及基于RBF的加权平均和简单平均集成模型,表明加权平均SVR和简单平均SVR集成模型具有较高的预测精度和泛化能力。相对而言,加权平均集成模型赋予了预测效果好的模型更大的权重,预测精度和泛化能力均优于简单平均集成模型。预测模型和方法可为相关预测研究提供参考和借鉴。     

改进的BP网络模型及其在日径流预测中的应用

尝试了基于MATLAB6.5的人工神经网络工具箱在水文日径流预测中的应用,并采用贝叶斯正则化方法改进BP网络算法,从而提高了BP网络的推广能力。将该模型应用于大渡河流域日径流的预测,取得了较好的预测效果。     

主成分回归在径流预测中的应用

采取主成分回归方法对具有多重共线性的湘江流域43 a径流资料进行了分析,以实测径流量、降水量和蒸发量等7个指标进行了样本预测。结果表明:主成分回归比多元线性回归的误差小,预测值更接近于实测值。     

季节性AR模型在葛洲坝月径流预报中的应用

自回归模型属于线性平稳模型，只能描述平稳序列的统计特性。当水文序列具有季节性变化时，其统计特性则随季节而变，即随时间而变。文章探讨了季节性自回归模型运用中需注意的一些问题．并将其用来做葛洲坝入库月径流预报，取得了较好的效果。     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。     

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。     

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。     

基于Logistic方程的多元回归径流预报模型及其应用

以大伙房水库为研究对象,运用主成分分析法提取影响径流变化的综合因子,然后对综合因子进行Logistic方程拟合,最后利用多元线性回归方法建立水库中长期径流预报模型.结果表明,该模型具有较高的模拟精度.