改进的EEMD-NNBR耦合模型在年径流预测中的应用

基于极值中心三次样条插值法对集合经验模态分解(EEMD)技术进行改进,在此基础上将改进的EEMD与最近邻抽样回归模型(NNBR)结合,提出了改进的EEMD-NNBR耦合模型。改进的EEMD能对上、下极值点进行较好的拟合,且将序列均值延拓到序列两端以减缓端点效应。首先由改进的EEMD分解年径流序列,得到各本征模函数IMF和趋势项,然后分别对各本征模函数和趋势项建立最近邻抽样回归模型得到各分解序列的预测值,最后将预测值累加即为年径流预测值。将改进的EEMD-NNBR耦合模型用于屏山站年径流预测,并与EEMD-NNBR耦合模型对比,其预测值的平均相对误差由10.08%提高到8.59%,表明建议模型能提高径流预测精度。     

基于VMD-EEMD-CNN-LSTM混合模型的月径流预测

针对传统径流预测模型对月径流序列尖峰点预测精度不足的问题,文章提出了一种VMD-EEMD-CNN-LSTM混合预测模型。首先,对原始月径流序列进行变分模态分解(VMD)处理,得到具有有限带宽的本征模态分量(VMF)和较高复杂性的残差项(Res)。然后通过集合经验模态分解(EEMD)对Res进行二次分解,有效挖掘原始径流的隐藏信息。把各分量作为卷积神经网络(CNN)-长短期记忆网络(LSTM)组合预测模型的输入,最后对各预测结果进行叠加重构,得到最终的结果。以乌江流域洪家渡水电站实测月径流数据为例,结果表明：VMD-EEMD-CNN-LSTM模型具有更高的精确度,能有效提高对月径流序列尖峰点的预测精度。     

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。     

基于EEMD的漳泽水库年径流周期分析

运用EEMD方法对漳泽水库水文站1956年~2008年的年径流量进行多时间尺度分解,并运用Hilbert变换对其进行周期分析。结果表明,漳泽水库的年径流序列可以分解为4个IMF分量和一个Res分量,并有效减小了模态混叠的程度;漳泽水库年径流序列可能存在2.42年,3.83年,7.09年,14.59年几个周期,并且可以推测其演化可能与大气低频振荡、厄尔尼诺现象、太阳黑子强弱变化及天体运动规律等有关。EEMD分解和Hilbert变换相结合的方法,在水文水资源系统领域具有广阔的应用前景。     

基于EEMD-RVM的土石坝渗流量时间序列预测模型

为避免常规时间序列模型因不考虑非线性环境量而出现过拟合及预测精度不高的现象,建立了基于EEMD-RVM的土石坝渗流量时间序列预测模型.该模型采用集成经验模态分解法(EEMD)对量水堰渗流量监测值进行分解,生成多组平稳本征模态函数(IMF)及剩余分量R,然后采用相关向量机(RVM)对若干组IMF序列和R进行训练拟合及预测...     

基于EEMD的区域地下水埋深PSO-ELM预测模型

针对区域地下水埋深时间序列预测问题,本文将集合经验模态分解(EEMD)、粒子群算法(PSO)和极限学习机(ELM)组合,构建了EEMD-PSO-ELM地下水埋深预测模型。选用黑龙江省三江平原友谊农场地下水埋深的时间序列数据,首先利用EEMD将地下水埋深时序数据分解成若干个IMF分量,根据各分量均值将IMF分量分组叠加为高频部分、低频部分和余项;然后针对3个新序列分别构建不同的PSO-ELM模型,进而得到3组预测值,最后将预测值叠加就得到原始地下水埋深序列的最终预测值。通过精度检验发现,该组合预测模型预测效果很好;与径向基网络(radial basis function neural network,RBF)、PSO-ELM模型和ELM模型对比分析,实验结果表明,EEMD和PSO均能有效改善ELM神经网络的预测精度,ELM神经网络在区域地下水埋深预测方面有很大的应用前景。     

水库流域年均径流模型的灰色神经网络分析

水库流域年均径流量受诸多因素影响，而年均径流量对水库流域水资源经济开发利用作用显著。利用改进后的灰色模型对某水库流域实测数据的年均径流模型进行了相关影响因子的建模分析，将预测值与实测值作为神经网络的训练样本，对网络进行训练并分别进行识别，同时进行误差分析对比。结果表明，灰色神经网络能对水库流域年均径流模型进行预测分析，精度较高，所得结果与实际观测数据基本相符。     

基于EEMD-GA-BP模型的大坝变形监测数据预测

针对大坝自动监测数据序列存在的不稳定性和测值漂移问题,提出了基于集合经验模态分解(EEMD)和遗传(GA)BP神经网络的大坝变形监测数据预测方法。采用EEMD技术提取反映大坝真实变形的低频信号,剔除自动监测系统数据中存在的噪声和野值,利用遗传算法优化的BP神经网络对真实信号进行学习与外推,据此构建EEMD-GA-BP模型。利用本文模型计算得到大坝变形的预测值,将其与实测变形值进行对比,并根据残差大小比较了本文方法与其它方法的预测效果。算例表明,本文提出的组合模型能有效地提高大坝变形预测精度。     

基于EEMD的黄河上游主要来水区年来水量预测

为了提高径流预测的精度,采用EEMD将非线性、非平稳的径流时间序列分解为若干固有模态分量和趋势项分量,高频分量采用GA-SVM模型进行预测,低频分量采用GA-BP模型进行预测,趋势项采用RBF模型进行预测,然后对各分量进行重构,从而建立了EEMD组合预测模型,并应用于黄河上游主要来水区年来水量预测。结果表明:黄河上游主要来水区年来水量预测误差小于20%的预报合格率为100%,预测精度高,具有较高的实用价值。     

基于优化算法的组合模型在水库年径流预测中的应用

为提高水库中长期径流预测精度,将灰色模型与BP神经网络模型进行组合,并采用马尔科夫链对组合模型误差序列进行修正,建立修正的中长期径流预测组合模型,此外利用SMA算法对组合模型参数进行优化,以白石和阎王鼻子2座水库为实例,选取常用5种模型进行精度对比。结果表明：相比于其他5种模型,参数优化后的修正组合模型其平均相对误差MAPE可降低约10%～13%,均方根误差RMSE平均可降低约34%～42%,预测精度更高。研究成果对于水库中长期径流预测方法具有重要参考价值。     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

基于VMD-LSTM的河流流量预测方法

为了提高径流预测的精度,文中提出了一种基于变分模态分解算法（VMD）的长短期记忆神经网络（LSTM）预测模型。文中通过对沙里寨水文站2010年至2019年的流量数据进行预测,并与其他模型对比预测效果。结果表明,VMD-LSTM模型能够有效提高径流的预测稳定性和精度。     

基于参数优化的EEMD-LSSVM年径流组合预测模型

径流预测是水资源管理的基础,其准确性直接影响水资源优化调度的成果。本文针对径流时间序列的内在周期特性,引入一种基于总体经验模态分解（EEMD）的LSSVM组合预测模型,并提出一种基于动态逼近局部搜索粒子群的LSSVM参数寻优方法。基于分解一重构原则,论文首先利用总体经验模式分解法对径流系列进行周期分量提取,然后应用基于参数寻优的LSSVM模型对各分量进行预测和重构。以澧水流域江垭站的年径流预测为例进行模型检验,通过三种预测模型的结果对比,验证了本文组合预测模型的可靠性。     

不同模态分解方法结合LSTM模型对日径流预报的影响

针对日径流序列不平稳性与波动性的特点，尝试将模态分解和深度学习组合预测方法引入至日径流预报。首先，采用完整集合经验模态分解方法对日径流时间序列进行分解，得到不同频率成分的模态分量；其次，为不同的模态分量构建长短期记忆神经网络日径流预测模型，并采用网格搜索参数寻优算法优化预报模型的超参数；最后将各模型预报结果进行模态重组获得日径流预报结果。以宜昌水文站日径流预报为研究实例，所构建的组合模型较单一长短期记忆神经网络的和分别降低了65.02%、58.35%与2.88%,且运用完整集合经验模态分解方法的分解效果优于传统的模态分解方法，为短时间尺度下的非线性和非平稳的日径流预报提供了新的方法和参考。     

基于黏菌算法优化VMD-CNN-GRU模型的年径流预测

为提高年径流预测精度,引入黏菌算法（slime mould algorithm,SMA）和变分模态分解算法（variational mode decomposition,VMD）,提出一种基于卷积神经网络（convolutional neural network,CNN）和门控循环单元（gated recurrent unit,GRU）神经网络的组合预测模型（VMD-SMA-CNN-GRU）。利用VMD对径流数据进行分解;采用SMA优化CNN-GRU模型参数,构建模型对每个分量进行预测;各分量结果相加得到最终结果。以兰西水文站为例,将所建模型与CEEMDAN (complete ensemble empirical mode decomposition with adaptive noise)-CNN-GRU、VMD-CNN-LSTM（long short-term memory）、VMD-LSTM、VMD-GRU、VMD-PSO (particle swarm optimization) CNN-GRU、SMA-CNN-GRU和CNN-GRU预测模型进行对比分析。结果表明：SMA优化的VMD-CNN-GRU模型预测精度不仅高于上述7种模型,而且避免了人工试算确定CNN-GRU模型参数效率低的不足,为年径流预测提供了一种新方法。     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于GA-Elman神经网络模型的年径流预测

针对传统神经网络模型静态性及训练算法易陷入局部极值的缺陷,为了实现神经网络训练全局寻优,提高模拟精度,并使网络结构能动态反映年径流系列的时变特性,本文以年降雨及气温作为输入因子、年径流量为模型预测对象,结合遗传算法和Elman神经网络各自的优点,采用遗传算法对网络权值阈值全局优化,通过二者的耦合构建了GA-Elman年径流预测模型。利用构皮滩站1961—2015年的径流系列对模型进行了训练及测试,并对各模型预测性能比较分析。结果表明:GA-Elman模型预测平均相对误差5.29%、均方根误差55.81 mm,效果良好,对于径流预测具有实用价值;神经网络模型预测精度优于基于线性方法的模型,预测平均相对误差从12.01%降至7.07%以下;采用遗传算法改进神经网络权值阈值优化过程,预测平均相对误差从7.07%降低到5.29%,可明显提高模型泛化能力,从而改善径流预测效果。     

基于二次模态分解和深度学习的大坝变形预测模型

为充分提取大坝变形监测数据的非线性和非平稳性特征,深度挖掘其前后信息的拓扑关系,有效提高预测精度,提出了一种基于二次模态分解和蜣螂优化算法的双向长短期记忆神经网络大坝变形预测模型。该模型引入融合自适应噪声完备集成经验模态分解和变分模态分解的二次模态分解对数据进行预处理,有效降低高频非平稳性分量对预测精度的不利影响,并利用蜣螂优化算法对双向长短期记忆神经网络进行超参数寻优以深度挖掘大坝变形数据的有效信息。以某水电站大坝为例,将该模型预测结果与多种常用模型的预测结果进行对比分析,结果表明该模型可有效挖掘大坝变形数据复杂的非线性特征,其预测精度明显优于对比模型,验证了该模型在大坝变形预测中的可行性与优越性。     

流域梯级水库联合实时优化调度模型研究

为了保障水库在汛期的自身安全以及合理利用流域水资源,以疏勒河流域3座水库为研究对象,在满足10个不同灌期的工农业供水需求和保证4个不同汛期间水库自身安全的前提下,以尽量维持高水位运行为目标,通过定义不同汛期的安全预警时间,提出了一种基于人工神经网络的实时优化调度模型。结果表明：在径流预测方面,径向基函数神经网络对入库径流的拟合效果优于误差反向传播神经网络。在库水位-库容关系预测上,回归型支持向量机对昌马和双塔水库的拟合效果比径向基函数神经网络好,径向基函数神经网络对赤金峡水库的拟合效果更好。模型的误差均控制在1%以内。最终建立的三库联合实时优化调度模型将昌马水库、双塔水库和赤金峡水库的调水量分别较原有年份提高了68%、41%和29%。     

基于多源时间序列的滑坡位移动态预测

位移预测在滑坡预警预报系统中有着重要地位，为了提高位移预测的精度，提出了变分模态分解和二次指数平滑法、神经网络结合的滑坡位移动态预测方法。首先对历史监测位移数据进行变分模态分解，产生多个模态分量，然后利用二次指数平滑法和极限学习机(ELM)模型进行预测。粒子群优化算法被用来优化ELM模型，最后累加各模态的预测值完成预测。以三峡库区白家包滑坡为例，将所建模型与最小二乘支持向量机(LSSVM)和卷积神经网络-门控递归单元(CNN-GRU)预测的周期项进行比较，结果表明：所用DES-PSO-ELM能够有效预测滑坡位移变化，其均方根误差、平均绝对误差、平均绝对百分误差和相关系数值分别为1.293、0.993 mm, 0.008 0、0.999 8,预测误差最小。研究结果可以为滑坡预警监控系统提供技术依据。