基于V/S分析的河川径流长记忆性研究

针对河川径流的复杂波动性,将V/S分析引入到河川径流中进行长记忆性研究。通过V/S分析计算黄河上游兰州站和贵德站年径流序列的Hurst指数,与R/S分析进行比较,并进行稳定性与短期相关性检验,结果表明：兰州站、贵德站年径流序列V/S分析的Hurst指数均大于0.5,表明两站均具有较强的长记忆性,相对于R/S分析不易受短期相关性的影响,是一种稳健有效的分形方法,为河川径流长记忆性分析提供一种新的思路和方法。     

河川径流中长期预测的支持向量机模型

径流预测历来是水利部门的一项重要工作,本文基于支持向量机（SVM）方法建立河川径流中长期预测模型,通过对1976-1994年黄河上游兰州站径流量历史数据分析处理后,得到年径流量增长的时间序列,利用所建模型对该序列值进行仿真模拟。在仿真实验后,用1995-1996年的增长量进行模型检验,并与RBF网络模型、BP神经网络模型预测结果进行对比,结果表明,应用SVM模型对年径流量进行预测,预测精度更高、效果更好。     

径流混沌时间序列局域多步预测模型及其在黄河上游的应用

近10多年来，许多学者相继开展了应用混沌理论对径流时间序列的预测研究，以Takens嵌入定理为理论基础的混沌局域法是一种简单、有效的预测方法。但是常用的零阶局域法、一阶局域法、加权零阶局域法和加权一阶局域法都是一种单步预测模型，进行多步预测时计算量大且存在误差累积效应。基于相空间重构技术的加权一阶局域法多步预测模型可以克服上述不足。因此，本文首先利用虚假邻域法选取相空间重构的参数时间延迟和嵌入维数，而后依据小数据量法计算最大Lyapnuov指数进行径流时间序列混沌特性的定量识别，最后建立了径流混沌时间序列加权一阶局域法多步预测模型，并将该模型应用于黄河上游贵德站1954年1月-2003年12月的实测径流时间序列预测。结果表明，该模型用于径流时间序列的短期预测是可行和有效的。     

基于混沌支持向量机的河川径流预测研究

以黄河上游兰州站月径流序列为研究对象,在介绍相空间重构原理的基础上,探讨了混沌分析的主要定量指标:饱和关联维数d,最大Lyapunov指数λ和Kolmogorov熵k。得到该时间序列的最佳嵌入滞时τ=3个月,饱和关联维数d=3.230,最小嵌入维数m=12和最大Lyapunov指数λ=0.241,Kolmogorov熵k=0.14,指出该序列的预测时限为4个月。在此基础上建立了基于混沌特性的支持向量机径流预测模型,用1995~2004年的月径流数据进行仿真试验后,用2005年1~12月的径流数据作为预测检验,结果表明,该模型可用于混沌时间序列的月径流预测,并验证了由最大Lyapunov指数所确定的可预报时限为4个月的结论。     

兰州站径流支持向量机预测

统计学习理论是研究有限样本情况下机器学习规律的理论.支持向量机是基于统计学习理论的一种新型的机器学习方法,可以解决样本空间中的高度非线性分类和回归等问题.建立了两种模型,模型Ⅰ将黄河干流兰州站的径流时间序列作为输入,模型Ⅱ将径流时间序列和太阳黑子作为输入,两种模型都应用支持向量机对次年的年径流进行预测.结果表明,SVM模型泛化能力强,具有较满意的预测效果.它较好地解决了小样本、过学习、高维数、局部最小等问题,同时模型Ⅱ的预测效果优于模型Ⅰ的,说明径流除了与径流时间序列本身有关外,与太阳黑子活动等有较密切的关系.虽然两者间的物理关系尚需进一步研究,但是支持向量机反映出两者间的非线性关系.     

融合改进灰狼算法的机器学习月径流预测方法

为提高径流预报的准确性，对黄河唐乃亥站和兰州站实测月径流序列，分别采用梯度提升树回归（GBDT）、反向传播算法（BP）、差分进化-灰狼算法（HGWO）优化的支持向量回归（SVR）算法，结合变分模态分解方法（VMD）和极点对称模态分解方法（ESMD），建立组合预报模型。结果表明，组合模型VMD-HGWO-SVR预测效果最好，与ESMD-HGWO-SVR、VMD-BP、VMD-GBDT相比，两站的预测结果的平均绝对误差分别平均降低53.38%、14.27%、6.8%，均方根误差分别平均降低53.66%、22.0%、11.54%，平均相对误差分别平均降低54.92%、12.0%、3.67%，纳什效率系数分别平均提高17.09%、3.26%、1.36%。可以看出，该方法在月径流时间序列预测中具有较好的效果。     

龙刘梯级水库群对黄河生态基流补偿效益

为完善水库对生态补偿效益计算,文章首先给出水库生态基流补偿效益概念和内涵.同时,提出河流径流生态积分概念和计算公式来度量河流径流生态效益大小;在此基础上,给出量化计算水库生态基流补偿效益计算方法和步骤.最后,以黄河龙羊峡和刘家峡水库2003年调度为例,计算结果显示:2003年龙刘梯级水库对兰州站和花园口站非汛期的生态基流补偿效益分别为177.7亿和289.4亿生态积分;龙刘梯级对兰州和花园口两站的生态补偿效益合计为467.1亿生态积分,龙羊峡对于兰州站和花园口站生态基流补偿效益为318.8亿生态积分,刘家峡对于兰州站和花园口站生态基流补偿效益为148.3亿生态积分.文章旨在通过对黄河生态基流补偿的定量分析,引起有关决策部门对河流生态基流补偿问题的重视,达到抛砖引玉的目的.     

径流对气候变化的响应研究-以黄河上游河源区为例

为了研究气候变化对径流的影响,选择黄河上游河源区为典型流域,构建多变量Copula联合分布模型,分析流域内主要气象要素与径流的相互响应关系。通过对多元相依结构分析,得到主要气候变化要素与径流变化的定量关系。结果表明,黄河上游吉迈水文站以上流域,径流受气候变化影响明显。长期以来主要气象要素,气温、降水、潜在蒸发能力(Penman-Monteith公式计算)与径流量的相依度指数分别为0.03、0.46、0.13,且在不同时期影响径流变化的主导因素各异。黄河上游径流受降水、冰雪、冻土融水和地下水共同补给,径流自演化过程复杂。     

黄河干流上游梯级水量实时调度自优化模拟模型研究

本文以黄河干流上游梯级为例,根据实时调度中用水计划和径流预报的时段滚动修正特点,研究了自优化模拟技术在水量实时调度中的应用,建立了黄河干流上游梯级水量实时调度自优化模拟模型,给出了求解方法,并进行了算例分析,该模型简单、灵活,有一定的实用性。     

解集模型在多站资料生成中的应用初探

本文采用空间解集的方法来研究一个 Y 形流域模型的多站水文时间序列模拟。以下游站水文时间序列作为高聚集水平序列,采用一阶自回归模型模拟其年径流序列;用空间解集模型将该模拟序列解集成上游各站的年径流序列。用典型解集方法将下游站年径流序列解集成月径流序列,并作为高聚集水平序列,进一步用空间解集模型将其解集成上游各站的月径流序列。最后对研究结果作出综合性评述。     

河川径流混沌特征分析

在对混沌理论及其在径流系统应用的适应性分析的基础上,提出河川径流混沌分析方法;以黄河为研究对象对月径流序列进行相空间重构,并进行混沌特征识别和分析,得到如下结论：天然月径流比实测月径流的饱和关联维数要大,要恰当描述实测月径流序列的变化特征,进行动力系统建模,最少需要4个独立变量,最多需要8个独立变量,要描述天然径流序列则最少需要5～6个,最多需要12个独立变量;同一水文站、同一时期的实测径流序列和天然序列的混沌特征不同;下游的混沌特征要强于上游;从上世纪五十年代到本世纪初黄河干流月径流的混沌特性比上世纪二十年代到上世纪七十年代月径流的混沌特性要稍强;所采用径流时间序列的长、短对混沌特征的识别有影响,序列越长,所表现的混沌特征就越强。黄河径流具有混沌特征,为径流系统的建模和混沌预测提供了依据。     

生命旋回-Markov组合模型在年径流预报中的应用

河川径流预测是一个十分复杂的问题,生命旋回模型在进行径流趋势预测时具有对资料要求少、计算简单等优点,但由于模型机理的限制,进行预测时得到的序列很难反映径流序列的随机波动变化,且存在预测结果精度不高的缺点。针对这一问题,文中提出了一种新的径流预报模型——生命旋回-Markov组合预测模型。该模型用生命旋回模型预报河川径流的趋势项变化,用周期修正方法反映其径流周期性特征,用Markov模型预报其径流序列随机变化,在此基础上对黄河龙门水文站年径流进行预测时,拟合精度为89.13%,合格率为90.22%,表明该模型精度较高,可为水利工程运行管理提供水文依据。     

基于多因素相似性的融雪径流预报方法研究

融雪径流是高寒山区水循环的重要组成,其预报对流域水资源综合利用具有重要意义.本文基于流域产汇流机理和冰川积雪融化相关研究,融合物理成因分析和数据挖掘技术的优势,建立基于多因素相似性的融雪径流预报模型,并提出滚动预报方案,实现了7日预见期内逐日径流滚动预报.研究成果在雅砻江干流新龙站的应用表明:对于考虑正积温方案,3 d...     

入库径流预报误差随机模型及其应用

为了在量化入库径流预报误差的条件下有效提高调度方案制作的精度，基于高斯混合模型（GMM）良好的自适应性，能更准确地描述单一预见期径流预报误差分布的特点，以及高维meta-student t Copula函数具有将多个类型边缘分布有机耦合的优势，建立了多个预见期入库径流预报误差的GMM-Copula随机模型。以雅砻江流域锦屏一级水电站水库为例，对预见期分别为6 h、12 h、18 h、24 h的入库径流预报误差进行了分析与随机模拟。结果表明，随着预见期的增加，模拟误差与实际误差的主要统计特征值相差不大，满足预设精度要求，且变化规律一致，验证了模型的可行性与有效性，为水库调度方案的编制与实施提供了参考依据。     

基于正则极限学习机的非平稳径流组合预测

针对径流时间序列固有的强非线性和非平稳性特征,提出了一种将集合经验模式分解（EEMD）、样本熵（SE）和正则化极限学习机（RELM）相结合的非平稳日径流预测方法（ES-RELM）。为充分提取径流序列的局部信息以提高预测精度,利用EEMD-SE将径流序列分解为一系列差异度明显的子序列,然后根据各子序列的迥异特征构建了不同的RELM模型对各子序列进行预测,最后将各个子序列的预测结果叠加从而得到最终预测结果。将该模型应用于金沙江下游控制站屏山站的日径流预报中,与九种模型对比结果表明,该方法能有效提高日径流预报精度,是一种高效稳定的径流预报模型,为实现高精度实时径流预报提供了可能。     

径流预报的极点对称模态分解-Elman网络模型

针对径流序列非线性、非平稳的特点,将极点对称模态分解(ESMD)方法与Elman神经网络模型相结合,建立了ESMD-Elman神经网络组合模型,并应用于长江上游干支流8站的年、月径流预报.首先利用ESMD方法将径流序列分解为各模态分量和趋势余项;然后利用Elman神经网络模型分别预测各平稳序列;最后加和重构得到最终预测...     

南水北调东线一期穿黄河工程安全监测设计

介绍了南水北调东线一期穿黄河工程各建筑物的安全监测项目及监测布置情况，以黄河隧洞和黄河险工大堤作为重点监测对象，监测工程施工期及运行期的安全;并介绍了监测站及监测系统的设计方案。