基于随机森林和RBF人工神经网络模型的新丰江水库枯季入库径流中长期预报

基于随机森林和RBF人工神经网络构建了新丰江水库枯季入库径流中长期预报模型,首先采用随机森林模型从74个水文气象特征量和前期降雨、径流中筛选预报因子,之后利用筛选的预报因子作为RBF神经网络的输入层,利用RBF神经网络对新丰江水库枯季入库径流每月的流量进行预报。结果表明,基于随机森林和RBF人工神经网络模型的枯季径流中长期预报模型精度较高,其中训练期平均合格率为91.24%,平均相对误差为7.80%,检验期平均合格率为67.31%,平均相对误差为26.73%,模型有较高的可靠性,预报结果可作为东江流域枯季径流预报重要参考依据。     

基于多模型组合方法的公平水库中长期入库径流预报

准确可靠的水库中长期预报结果对于指导受水区水资源优化配置等具有重要意义。本文首先选取SARIMA 模型、SVM 模型、XGBoost 模型与RF 模型分别构建公平水库月入库径流预报方案,以气象因子的物理机制为基础,在成因分析与随机森林重要性排序的基础上筛选关键预报因子并输入至4 个单一模型中。然后在对比分析各模型优劣的基础上,以线性与非线性组合2 种方式构建组合预报方案。结果表明：RF 模型在4 个单一模型中的模拟结果表现最优,SARIMA 模型的模拟精度随着入库径流量的增加而增加;组合预报模型较任一单一模型的模拟结果均更好,基于神经网络的非线性组合方式能够有效提高验证期的模拟精度,增加模型的泛化能力。     

考虑上游来水影响的中长期径流预报

雅砻江流域地面气象站点不足、分布不均,难以获得精确的流域面降雨资料,加之传统中长期径流预报模型泛化能力有限,中长期径流预报存在较大瓶颈。充分考虑流域水库间的物理联系,基于上下游水库流量变化在时空上的相似性,对1957年～2020年锦屏一级水库和二滩水库的历史月径流数据进行主成分分析,使用BP人工神经网络、随机森林和支持向量回归3种机器学习方法建立3种径流预报模型,通过决定系数R²,合格率Q_R以及平均相对误差MRE三项指标构成的评价体系对预测结果进行评估。结果表明,上游水库对于下游水库的入库流量具有显著影响,且3种模型在二滩水库中长期径流预报上均具有较好的预报效果(R²>0.8、Q_R>0.7、MRE<0.2)。随机森林模型模拟效果整体优于BP人工神经网络和支持向量回归模型,3种模型均具有较好的实用性,能为流域水资源精细化调度及科学管理提供数据基础。     

基于随机森林与支持向量机的水库长期径流预报

水库长期径流预报对于研判水文情势变化和指导水库调度管理具有重要意义。针对云南龙江水库年、汛期和枯水期平均入库径流,利用随机森林从环流指数、海温、气压和前期月径流中选取关键预报因子,基于粒子群与交叉验证相结合的算法优选参数,建立随机森林与支持向量机模型,开展龙江水库入库径流预报研究。结果表明:太平洋中北部与西部气候因子对径流预报的影响较大,前期月径流对年、汛期径流的重要性偏低,但对枯水期的影响程度与部分气候因子相当。随机森林与支持向量机模型总体精度较高,模拟与预报的合格率均达到85%以上,平均绝对百分比误差均低于15%,支持向量机的泛化能力强于随机森林,但二者在局部极值流量处的预报精度尚有待提升。     

基于Copula熵-随机森林的中长期径流预报研究

预测因子作为中长期预报模型的输入项,是影响预报结果精度的关键要素。为进一步提高预报精度,提出了一种Copula熵与随机森林模型相结合的中长期径流预报方法。该方法首先采用Copula熵指标对预测因子进行筛选,然后将选取的预测因子作为输入项,导入随机森林模型中对月径流进行相应预测。将该方法应用于汉江流域丹江口水库的逐月入库径流预报中,并与相关系数筛选法进行对比。结果表明:基于Copula熵指标筛选出的预测因子对应的模拟结果具有更高的精度,尤其对于汛期而言,其模拟值与实测值的拟合优度显著优于比选方法,说明其筛选出的预测因子具有更好的合理性。     

尼尔基水库中长期径流预测分析及影响因子研究

本文根据嫩江尼尔基水库逐月入库流量与提前1～5年的88项大气环流指数、26项海温指数、16项遥相关指数的相关关系，挑选出相关性较高的气象因子作为关键影响因子，利用逐步回归方法建立逐月入库流量预报模型。结果表明，影响尼尔基水库逐月入库流量的气象因子主要有北非副高脊线位置指数、极涡指数等，基于气象因子建立的逐步回归模型在尼尔基水库逐月入库流量的预报中具有较好的适用性，可为尼尔基水库水资源调度提供依据。     

基于聚类分析的月径流预测模型研究

本文基于生产实践对高精度中长期径流预报提出的要求,对我国海河流域两大支流之一的滹沱河小觉水文站(岗南水库入库径流控制水文站)径流量进行预测研究。采用聚类分析方法将数据分为汛期(7—10月)和枯水期(11—次年6月),采用灰色关联分析法对汛期和枯水期的气象因子数据(五台山、原平两个气象站共16项气象因子)与径流量值的相关性进行分析,选取相关性强的气象因子作为输入、小觉站径流量值作为输出建立基于聚类分析的小觉站月径流预测模型,有效改善了神经网络对极值拟合差的特点,提高了预测精度。     

黄龙滩水库中长期径流预报方法研究

基于黄龙滩水库和潘口水库历史旬月径流数据,选取其2012年～2018年的径流、降雨数据进行灰色关联分析,筛选出与黄龙滩水库入库径流关联度最高的7个预报因子,建立深度神经网络(DNN)、Elman神经网络和支持向量机(SVM)径流预测模型,对模型参数进行训练,统计模型训练期和检验期的确定性系数、洪峰合格率、均方差和平均相对误差。预报效果表明,3种模型在黄龙滩水库中长期径流预测上效果较好,精度较高,误差较小,预报结果对于黄龙滩水库水文预报上具有重要意义。相比于深度神经网络和Elman神经网络,支持向量机在洪峰预报上误差更小,且具有更高的预测精度。     

BP神经网络在密云水库入库水量预测中的应用

水库入库水量预测是水库调度和水资源优化配置的重要依据。密云水库是华北地区最大的水库,是确保首都供水安全和社会经济发展的重要水源地。反向传播BP神经网络由于具有高维性、自适应、自组织及自学习等优点,被广泛应用于水文预报中。基于BP神经网络模型对密云水库入库水量进行模拟预测,将入库流量分为汛期（6—9月）和非汛期,非汛期又分为1—5月和10—12月,不同时段分别建立BP神经网络模型,共建立3种BP神经网络模型,利用1960—2004年共45年系列样本数据分别训练3个BP网络模型,用于预报入库水量,并利用2005—2021年共17 a资料检验样本,分别代入3个BP网络模型,对预报结果进行验证,最后得到模型预报及检验结果。结果表明,利用BP神经网络进行汛期和非汛期入库水量预报,误差小,精度高,应用BP神经网络对2022和2023年入库水量进行预报,可为水资源合理优化配置提供重要依据。     

酒埠江水库中长期预报方案研制与应用

文章论述了如何利用酒埠江水库的各项水文、气象要素资料作逐渐回归计算，研制中长期入库流量预报方案，提出了预报因子挑选的新思路，增强了预报因子的显著性和独立性，改善了回归效果，提高了预报精度，并对预报成果进行了初步的分析和评价。     

中长期水文预报方法的探讨

介绍了中长期水文预报的模型、方法及其在江西部分河流的实践应用.预报模型是根据地理气候特征及水文变化规律,挑选出与预报对象相关密切的气象、水文因子作为预报因子,再采用统计及经验方法建立的.实例研究表明,逐步回归模型、冬季降雨相似在预报对象的定量分析上较为实用.     

逐步回归和BP神经网络模型的枯季月径流预测

枯季径流是工农业用水的重要来源,分析和预报流域枯季来水情况,可为科学制定用水方案、合理调配水资源提供依据。运用逐步回归模型和BP神经网络模型分别对盘龙河流域枯季月径流进行拟合和预报分析,并采用相关系数、相对误差、合格率对两个模型预测精度进行比较。结果表明BP神经网络模型预测精度更高,预测结果精度满足规范要求,更适用于盘龙河流域枯期月径流的预测。     

用聚类预报模型预报三峡水库来水量的探讨

为了开展三峡水库入库来水量长期预报,从北半球500 hPa高度场、太平洋海温场、北半球100 hPa高度场、北半球地面气压场与74项环流特征指数作为预报因子,采用回归方程求解和回归效果检验,建立回归聚类预报物理模型,对三峡水库6～8月各月平均来水量进行了长期预报分析。结果表明,三峡水库6~8月份各月来水量回归聚类预报的技术路线是可行的,正、负距平符号一致的概率能达到80%以上,效果较好,基本上可以满足生产需要。回归聚类预报物理模型具有一定的应用推广价值。     

基于数值预报模式的柘溪水库流域径流预报系统

水库的优化调度运行需要依赖预报准确率高、预见期长的径流预报结果。现有的柘溪水库流域径流预报系统由于未考虑水库流域未来时段的降水过程,径流预报的预见期和准确率无法满足汛期优化调度的要求。为此,在分析柘溪水库流域的水文和气候特征基础上,提出了数值预报模式和水文模型的耦合预报框架,设计了基于数值预报模式的柘溪水库流域径流预报系统架构,阐述了系统的主要功能与逻辑结构。通过系统的应用,可为提高汛期洪水的利用率、减少弃水、提高发电和防洪效益提供重要决策支撑。     

Correction of Reservoir Runoff Forecast Based on Multi-scenario Division and Multi Models

Accurate runoff forecast is very important for reservoir operation. In view of the shortcomings of the existing correction models for runoff forecast, including the influence of the difference of external factors on the forecast results is not considered, and the optimal situation adaptation of different forecast models is not considered, three models, i.e., long and short-term memory neural network model (LSTM), gaussian process regression model (GPR) and support vector machine regression model (SVR), are used to forecast the relative errors of runoff forecast under different scenarios in this paper. The classification of forecast scenarios is determined based on factors such as rainfall, inflow, and foresight period, and two scenario sets are given, i.e., 12 forecast scenarios and 24 forecast scenarios. Then, a multi-model coupled runoff forecast correction method considering forecast error and forecast scenario is proposed. Through the case study of the Three Gorges Reservoir (TGR), it is found that, when the analysis is carried out based on the forecast period, the SVR model should be used for forecast correction when the foresight period is 1–5 days, and the LSTM model should be used for forecast correction when the foresight period is 6 days. The application effect of SVR and LSTM is better than GPR in the scenario set of 12 forecast scenarios. LSTM model has the highest accuracy of forecast correction in the scenario set of 24 forecast scenarios, and the mean value of the coefficient of certainty (R²) changes from 0.919 of 12 forecast scenarios to 0.931 of 24 forecast scenarios, increasing by 1.31%. The mean value of mean relative error (MRE) changes from 6.80% of 12 forecast scenarios to 5.64% of 24 forecast scenarios, a decrease of 17.06%. Finally, the best model adaptation table corresponding to different forecast scenarios of TGR is established, which has an important guiding role in the actual runoff forecast of TGR.

     

基于KPCA-PSO-SVM的径流预测研究

为提高径流预测模型的准确性与稳定性,对KPCA-PSO-SVM的径流预测方法进行了研究。在分析径流影响因素的基础上,利用核主成分分析(KPCA)法对径流影响因子进行非线性特征提取,获得主成分作为支持向量机(SVM)的输入变量,建立了径流预测SVM模型,其中模型参数通过粒子群算法(PSO)进行优化。模型建立后,以新疆伊犁河雅马渡站中长期径流预测为例进行分析。预测分析结果表明,在拟合和检验阶段模型的平均相对误差分别为0.77%和7.64%,与其他预测模型比较,基于KPCA-PSO-SVM方法建立的径流预测模型有较好的预测和泛化能力,是一种行之有效的中长期径流预测方法。     

珠江梧州水文站枯季月径流预报

梧州站流量作为珠江下游河口地区压咸控制流量,其上游来水的丰枯直接关系到珠江流域枯季水量统一调度的成功实施。基于梧州站枯季(10月-3月)月径流资料,采用逐步回归法提取径流序列的趋势项、周期项,自回归方法预测随机项的组合预测方法建立了梧州站枯季径流预报模型。结果表明:逐步回归与自回归组合的方法在径流预报中取得了较好的预报效果,1月径流预报精度达到甲等,10月、11月、12月、2月以及3月预报精度均达到乙等,可用于实际水文预报工作中。     

气候因子对宜昌站冬季径流量的影响分析

本文利用长江宜昌站1955～1990年冬季径流量和气候资料,采用单相关系数法,挑选出了影响宜昌站冬季各月径流量的气候因子,并采用逐步回归方法筛选因子,建立预报模型,预报效果比较好具有一定的实用价值。     

基于EEMD-AR模型的丹江口水库年径流随机模拟与预报

基于水库历史年入库径流序列组分分析和识别,采用线性趋势回归检验法、有序聚类法、方差线谱法等方法,推求出序列趋势项、跳跃项及周期项等确定性成分,提出基于集合经验模态分解法(EEMD方法)的水库年径流自回归随机模拟模型(EEMD-AR),并应用于丹江口水库的年径流随机模拟和预报中。通过EEMD分解,解决了当丹江口水库历史年径流序列为非平稳序列时不能直接应用自回归模型(AR)进行随机模拟和预报的问题。模拟结果表明,EEMD-AR模型能较好地模拟丹江口水库年径流序列并保持原历史序列的统计特性,且模型预报精度符合要求。