水动力学模型卡尔曼滤波实时校正技术

本文采用卡尔曼滤波技术实现圣维南方程实时校正以提高水动力学模型应用于洪水预报的精度水平。首先利用有限差分方法将圣维南方程进行离散化并线性化,选择不同的状态变量组建了三种卡尔曼滤波状态空间方程。对预报进行实时校正。选择长江干流清溪场至万县河段进行试算,证实此方法对提高预报精度的效果显著。     

基于集合卡尔曼滤波的实时校正方法

为减少非恒定水流计算中的不确定性,基于集合卡尔曼滤波提出多变量交替校正的方法。该方法通过交替校正水位和流量,避开了滤波过程中的大矩阵计算,实现了利用观测信息直接校正非恒定流状态的目的;同时,应用尺度转换方法提高水位滤波精度。数值试验重点考察了观测误差和水位变换系数对模型计算精度的影响。结果表明:观测误差越小,模型的计算精度越高;水位尺度变换系数能显著增强多变量交替校正方法的效果,变换系数越大,计算精度越高;基于集合卡尔曼滤波的多变量交替校正方法具有良好的校正性能,能显著提高河道水流的预报精度。     

卡尔曼滤波对水箱模型的应用校正

采用粒子群法对水箱模型的参数进行了率定,并将该模型应用于长湖水库进行洪水模拟预报,对洪水验证时采用卡尔曼滤波进行校正,最终得到的验证结果证明卡尔曼滤波对于单独采用水文模型进行预报的精度有较大的提高。     

基于卡尔曼滤波的大型河网水动力模型实时交替校正方法

本文在单河道卡尔曼滤波实时交替校正研究成果的基础上,将河网分解成流量边界型、水位边界型、内河道型及节点型4类基本单元,并按基本单元类型将单河道交替实时校正模式扩展到河网水动力模型中,实现了河网水流与状态变量实时校正的联动计算。与河网信息资料类型及其系列长短各异的特点相匹配,模型中变量校正模式选择灵活,对每一校正模式依据基本单元类型自动切换到相应的处理模块,程序为每一校正时刻、每一校正模块动态地创建相应维数的卡尔曼滤波器。太湖流域平原河网实效分析表明,基于环状河网的求解机制,水位校正量通过节点逐渐扩散到局部河网,实现了对河网系统的校正,并着重分析了水位校正对局部河网水量不平衡、水流运动状态的影响,证明了在平原河网洪水预报中实施变量交替滤波校正的可行性。     

基于人工神经网络的卡尔曼滤波实时校正技术

针对人工神经网络技术在实际应用中常出现的过拟合现象，设计了以人工神经网络模型做初级预报，用卡尔曼滤波技术对初级预报结果进行二次预报的方法。该方法用于淮河王家坝水文站最高洪水位的预报和岷江上游段紫坪埔水文站的流量预报，并与标准的BP网络模型以及卡尔曼滤波模型进行了比较。两个应用实例的计算结果表明，以上两种技术的结合，不仅有利于预防过拟合问题，还可提高预报精度。     

一维非恒定流模型与卡尔曼滤波耦合的实时交替校正方法研究

本文从一维圣维南方程离散线性化后的差分方程组出发,结合河道水流计算的边界条件,分别以水位、流量及糙率为状态向量建立3种卡尔曼滤波状态空间方程,研发出河道水流计算与变量交替实时校正的耦合模型。与天然河道实测资料类型及系列长短各异的特点相匹配,模型中变量校正模式选择灵活,对每一种校正模式,依据边界条件的给定方式自动切换到相应的处理模块,程序为每一校正时刻、每一校正模块动态地创建相应维数的卡尔曼滤波器。基于环状河网的求解机制,实时交替校正模式被嵌入扩展到环状河网水动力学模型中,初步实现了环状河网水流计算与实时校正的联解。实例检验效果证明了分离变量校正思想的可行性及所建模型的合理性。     

水箱模型的在线实时校正

本文在水箱模型的拟线性状态基础上建立扩展的卡尔曼滤波方程，构造了水箱模型的实时校正模型实例表明，水箱模型的实时校正模型较不带校正的水箱模型，预报精度有很大的提高研究表明，水箱模型的实时校正模型对不良的母体模型参数有较强的适应性或容错性     

分布式流域水文模型的实时校正预报方法

文章将分布式子流域出流过程的时不变等权迭加因子改为时变迭加因子，应卡尔曼滤波理论对总出流过程进行实时校正预报。     

一维不恒定流与卡尔曼滤波耦合的河道实时洪水预报模型

对一维不恒定流方程组进行简化，导出扩散波的一维不恒定流方程，用有限差分对其进行离散化。考虑实时洪水预报的特点，上边界拟采用人流已知，下边界对于自然河段拟采用水位流量关系，对有闸、坝控制的拟采用相应的出流计算公式。对离散化的方程和边界条件进行线性化，得到系统方程。由于实际河道中实测变量的个数总少于待求变量的个数，为此，根据滤波方面的理论提出了一维不恒定流与卡尔曼滤波耦合的半自适应滤波模型。在该模型中量测误差系列的协方差矩阵可以通过信息更新系列实时地估计出来，只有模型误差系列的协方差矩阵需要预先给出。最后用实例对模型进行了检验并与其他方法进行了比较。     

实时洪水预报的反向传播模型研究

在降雨径流模型中，应用二水源蓄满产流模型与多输入、单输出的约束线性系统模型相结合制作预报方案。在实时校正方案中，对人工神经网络系统的反向传播模型的结构和算式作了一定的改进，使其与汇流系统有机地衔接，通过反馈系统的输出误差用有交物修改网络的权系数，以此来改进模型的计算效果，形成一个直观、简洁的校正算式。与传统校正相比，具有计算过程平稳、迭代易于收敛等优点，应用渠江巴河流域实际洪水资料作验证，取得了较     

卡尔曼滤波回归统计模型及工程应用分析

将统计模型的回归系数看做状态向量,统计模型视为观测方程,利用卡尔曼滤波算法实现了统计模型的建模.该建模方法不仅便于实时处理、计算机实现、节省机时,而且由于卡尔曼滤波属于线性最小方差估计,所以相比最小二乘建模方法可望获得更高的建模精度.工程实践也验证了卡尔曼滤波回归统计模型的上述特性.     

基于模型筛选法的卡尔曼滤波法在大坝变形分析中的应用

以模型筛选法为基础，将筛选出的变形误差最小的模型的模型参数作为状态向量，用卡尔曼滤波法进行大坝变形分析，实例计算表明，这种方法能够提高模型的拟合及预报精度。     

水力学模型实时校正研究进展

分析了水力学模型应用在洪水预报中遇到的主要难点,剖析了出现这些问题的原因,认为通过实时校正可以提高水力学模型预报洪水的精度.为此,对水力学模型实时校正方法的研究进展进行了较系统评述,并提出了进一步研究的建议.     

离散卡尔曼滤波在大坝变形监测中的应用

讨论了离散线性系统卡尔曼滤波模型和相应的递推公式,通过对某双曲拱坝的平面综合变形监测数据进行了卡尔曼滤波处理及经典平差,对比发现卡尔曼滤波对变形监测数据处理优于经典平差,而且由于其更新速度快、不依赖旧数据等特性使得此方法特别适合变形监测动态数据的处理。     

卡尔曼滤波-AR模型在大坝变形预测中的应用

基于某大坝拱冠梁处坝基2007年5月至2009年4月每月的水平位移观测数据,首先用卡尔曼滤波对建模数据进行处理,然后基于处理后的数据建立AR 4阶模型,利用卡尔曼滤波-AR模型对2007年9月至2009年4月每月的水平位移进行递推预报,并与实测值进行了对比。结果表明:卡尔曼滤波-AR 4阶预测模型的预测值明显优于一般AR 4阶预测模型的,更接近于实测值,预测精确度更高,更适用于大坝变形趋势的预测。     

枫树坝水库洪水实时预报校正方法研究

基于枫树坝水库洪水预报误差信息，探讨了多种洪水实地预报校正模型与计算方法，实际洪水模拟计算表明，AR（2）模型的自适应实时校正方法和卡尔曼滤波方法的预报校正效果较好。     

基于经验模式分解卡尔曼滤波的径流预报校正

针对水文径流预测过程中不可避免的误差,提出基于经验模式分解的卡尔曼滤波校正方法,采用经验模式分解理论将径流序列转变为平稳过程,并结合预报过程误差规律及不同物理背景,运用基于Sigma点的卡尔曼滤波校正的动态系统分析技术,对单个水文模型的输出资料进行同化操作,对状态方程进行多变量最优控制,实时修正径流预报误差。实时校正结果表明,基于经验模式分解的卡尔曼滤波校正方法能一定程度上提高径流预报精度。     

人工神经网络在水文实时校正中应用的探索

在水文学实时预报领域，大多采用卡尔曼滤波技术，其基本条件是流域内的上游干支流有水文站控制，利用这些站点的实时水文动态信息通过滤波技术修改方案中的参数，提高预报值的精度。本文研究了当上游缺乏干支流水文断面时，采用人工神经网络技术，利用单站实时信息进行实时校正，以提高预报精度的可行性，得出了一些初步的成果。     

基于卡尔曼滤波模型的时用水量预测

针对时用水量存在周期性特点,引入季节因子,鉴于时用水量是非线性非平稳系统,而采用卡尔曼滤波季节模型对时用水量进行模拟.以杭州市实测用水量为例,分别采用卡尔曼滤波模型和卡尔曼滤波季节模型进行时用水量预测,结果表明,季节模型预测精度相对较高,且预测误差相对稳定,较卡尔曼滤波常规模型更具有实用性.