BP神经网络在柏叶口水库中长期径流预报中的应用

中长期径流预报是水资源进行合理开发利用的前提和基础。文章通过比较3种不同预报方案在BP神经网络模型下对柏叶口水库非汛期月径流预报效果,找出了在非汛期月径流预报中预报效果最好的方案。     

时间序列分析在中长期径流预测中的应用

时间序列分析是数据挖掘技术在水文领域应用较为广泛的一种方法,它可以从大量的水文数据中提取一般性的规律,为中长期径流预测提供新的分析方法和科学的决策支持。文中采用时间序列分析方法对察尔森水库的中长期径流进行预测,为开展中长期径流预测研究提供借鉴和参考。     

欧氏距离与趋势值在中长期径流预报中的应用

中长期径流预报在水利部门的日常工作中占有重要的地位,及时、精确的预报结果可为兴利除害决策提供重要依据。清河水库通过计算欧氏距离选出与预报年份前期水文信息数值接近的年份,通过计算趋势值选出与预报年份前期水文情势变化规律相似的年份,以上两种方法选取出可以作为预报的参考年份,最终的预报结果与原预报方法的预报结果相比,精度提高较大。     

Matlab软件在中长期水文预报中的应用

文中简要介绍了M ATLAB语言和BP神经网络并运用于中长期水文预报中,运用M ATLAB神经网络工具箱免去了繁琐的编程工作,取得了良好的效果。     

中长期径流预报研究进展与展望

概述了中长期径流变化的主要影响因素,从发展历程和研究方法两个角度总结了中长期径流预报方法。从研究技术、径流成因、数据驱动模型、预报不确定性4个方面综述了中长期径流预报的研究进展,分析了在径流关键驱动因子及其驱动机制、数据驱动方法的物理可解释性、预报结果的不确定性认识等方面研究的不足,指出未来应注重对中长期径流物理成因、预报方法适用性和可靠性、中长期径流演变相关研究成果的应用等方面的研究。     

支持向量机在中长期径流预报中的应用

本文探索了支持向量机在中长期径流预报中的应用。在支持向量机建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识支持向量机的参数。在SCE-UA搜索过程中进行了指数变换,以快速准确的找到最优参数。与人工神经网络模型预报结果比较显示,该模型能提高径流中长期预报的精度。     

玛纳斯河中长期径流预报研究

随着统计学的不断完善,利用时间序列和回归分析理论来预报各种水文变量的未来变化已得到越来越广泛的应用。本文基于1955年--2008年玛纳斯河实测年径流量、蒸发量、平均气温资料分别建立了时间序列模型和多元回归模型,并进行了预报拟合及精度检验。结果表明玛纳斯河时间序列模型虽然预报精度较低,但有较好的适应性;而多元回归模型精度较高,完全可以达到实用要求,可为新疆北疆各地区抗旱、年用水计划、水库的兴利调度等提供较好的参考。     

超越概率贝叶斯判别分析方法及其在中长期径流预报中的应用

中长期径流预报是水文预报中的经典难题之一,其在防洪、水库调度及水资源管理中起着十分重要的作用。由于缺乏相应预见期的可靠气象预报资料,中长期径流预报一般采用统计方法。超越概率贝叶斯判别分析方法是一种数据驱动的非参数贝叶斯经验统计方法,通过设置不同的流量等级反复进行贝叶斯判别分析,对未来径流超过某一流量等级的概率 （超越概率） 进行预报。本文运用该方法对长江宜昌站、大通站的月、季径流预报进行了研究,其结果表明,超越概率贝叶斯判别分析方法能够有效实现宜昌站和大通站非汛期径流预报;对于汛期径流预报,采用厄尔尼诺和南方涛动等气象水文指标变量作为预报因子,是提高预报精度的可行途径。     

流域中长期径流分类预报方法

以水文循环基本原理为基础,从流域径流水汽来源影响因素角度明确了中长期径流预报基本概念及分类,即以气象(中期)、气候(长期)和天文因素(超长期)为预报因子,针对流域出口断面(或典型断面)的旬、月、季(汛期)或年径流,以及流域旱涝趋势进行预报。通过比较不同时间尺度下的水汽系统物理运动机理,论证了"短期气候预测"作为中长期径流预报理论基础的合理性,并将流域径流来源影响因素及其表现概括为三大规律:天文因素表现出的周期性是主要规律,反映了水文气候过程的基本状态;大气环流表现出的随机性对水文气候基本状态存在干扰,导致了波动;流域特征性规律反映了各种因素综合作用结果,具有流域的特殊性。最终,将流域中长期径流预报分为正常年份的径流过程预报和异常灾变年份的大旱大涝预测,其中前者的预报因子为水文气象与气候要素,后者为天文因素;在服务对象上,前者为水利工程常规运行调度服务,后者为防洪抗旱部门防灾减灾提供灾情预测;在结果发布上,前者提供定量的径流过程预报,后者提供丰、平、枯等3级(或5级)定性预测,并给出相似年份;在预报方法上,前者采用数理统计方法或物理成因相关分析法,后者采用周期性、随机性和流域特殊性识别等综合预报方法。     

基于组合预测模型的水库径流长期预报研究

以丹江口水库为例,先通过时间序列分析模型和神经网络模型分别对入库径流进行了预测,在此基础上又构建组合预测模型进行了预测.结果表明:时间序列模型预测结果中最大相对误差为46.64%,平均误差为22.76%;人工神经网络预测结果中最大相对误差为33.21%,平均误差为23.91%;组合预测模型预测结果中最大相对误差为20.50%,平均误差为12.06%,组合预测技术不仅提高了整体预测水平,而且还有效避免了单一预测模型个别年份预测效果明显不达标的问题.     

小波变换对中长期入库径流预测的适应性研究

通过典型水库入库径流预测实例,分析了小波周期分析模型预测效果与径流系列长度、时段长及流域尺度之间的关系。初步结论为：①小波周期分析模型依据时间序列长度不能过短,但也不是愈长愈好,当时间序列长度超过一定限时,模型的预测效果将不会再改善;②月、旬两种时段长对比结果表明,时段长越短,径流序列奇异性将越显著,小波周期分析模型的预测效果越差;③小波周期分析模型对流域尺度反应灵敏,流域面积越小,径流序列变化就愈不规则,模型的预测效果愈差。     

Medium and Long-term Precipitation Prediction Using Wavelet Decomposition-prediction-reconstruction Model

Water Resources Management - To improve the accuracy of medium and long-term precipitation prediction, we propose an innovative application of the wavelet decomposition-prediction-reconstruction...     

年径流预测的G-SPA模型及其应用

提出了以几何形式表示集对的G-SPA模型,该模型以向量之间的夹角、相关系数、欧式距离以及向量的模为指标对径流集合建立对应的指标集合,将指标集合的相似度作为判断径流集合相似度的依据,其优点是不仅考虑了径流大小的相似性,而且考虑了径流变化趋势的相似性。将G-SPA预测模型应用于沱江三皇庙站年均流量预测中,并分别与GRNN神经网络模型以及AR(2)模型的预测结果进行了对比。结果表明:G-SPA模型预测的平均相对误差为16.42%,预测结果优于GRNN模型和AR(2)模型。     

嘉陵江中游段中长期径流预报研究

通过对嘉陵江流域中游段的径流特性及变化规律进行研究,应用目前较为成熟的人工神经网络模型、最近邻抽样回归模型、自回归模型和均生函数模型,对嘉陵江流域中游段年径流进行预报。实例分析和预测结果比较表明:人工神经网络模型与最近邻抽样回归模型能更好地预测嘉陵江中游段的年径流。     

数据挖掘技术在径流预报中的应用

介绍了基于数据挖掘技术的径流预报方法,建立了以人工神经网络(ANN)为挖掘工具的水文预报模型,利用反向传播(BP)模型进行挖掘工作,通过权系数修正提高收敛速度.结合工程项目进行了模型的实际预测,并与普通模型相比较.实测结果和分析说明,该模型有较好的预测精度,有实际应用价值.     

LM-BP算法在径流预测中的应用

为改善常规BP神经网络的性能,根据Nguyen-Widrow初始化规则对网络层的权值和阈值进行了初始化,利用黄金分割法对隐层节点数所在区间进行了寻优,并采用Levenberg-Marquardt优化算法改进了BP神经网络模型,然后利用经隐层单元优化的LM-BP网络模型对某流域的年径流量进行了预测检验。结果表明:经隐层单元优化的LM-BP网络收敛速度快;2001—2010年年径流量预测结果的相对误差均小于20%,合格率为100%。     

小波神经网络在径流预测中的应用

将小波分析与传统的BP神经网络模型进行组合,提出了一种新的径流中长期预测方法。该方法对年径流序列进行Mallat小波分解,将分解后得到的不同尺度下的低频成分和高频成分分别进行Mallat算法重构,对重构系列采用BP神经网络模型进行预测。采用黄河三门峡站1470-2002年的年径流资料进行模型的预测和检验,并与传统的BP神经网络模型进行比较,研究结果表明小波神经网络在径流预测中具有较好的预报精度,可以成功地用于径流模拟和预测。     

改进RBF-Adaboost模型及其在年径流预测中的应用

为提高径向基神经网络(RBF)在年径流预测中精度,提出基于Adaboost算法及线性递减算法改进的RBF-Adaboost预测模型,以云南省姑老河站年径流预测为例进行实例研究,并构建RBF、GA-BP及BP模型作为对比模型.利用实例前34年和后20年资料对所构建的模型进行训练和预测.结果表明:改进RBF-Adaboost模型对实例后20年年径流预测的平均相对误差绝对值和最大相对误差绝对值分别为4.83％、9.51％,预测精度优于RBF、GA-BP及BP模型.RBF-Adaboost模型集成了多个基于扩展系数及期望误差线性递减改进的RBF神经网络弱预测器,有效提高了RBF神经网络模型在年径流预测中的精度,模型具有预测精度高、泛化能力强等优点.     

石羊河流域中长期径流预报模型应用

以石羊河流域西营水库为研究对象,采用时间序列模型(逐步回归自回归组合模型、ARMA模型)和改进的人工神经网络模型(逐步回归BP神经网络模型、逐步回归RBF神经网络模型)进行中长期径流预报并对比分析,为石羊河流域水量调度系统设计提供参考。结果表明:4种预报方法都达到预报精度要求,其中RBF神经网络方法合格率最高,但耗时长,逐步回归自回归预报精度和模型耗时都比较合理,可为石羊河流域水资源调度提供参考。     

灰色拓扑预测方法在补远江年径流量预测上的应用

灰色系统理论是以"部分信息已知,部分信息未知"的"小样本"、"贫信息"不确定型系统为研究对象,并形成了以灰色模型为核心的模型体系。通过对澜沧江一级支流补远江出口控制站曼安水文站年平均径流量资料的分析,在考虑径流量和时间关系的基础上,建立了灰色拓扑预测GM(1,1)模型群,并将其应用于年均径流量的拟合和预测,效果良好,说明可将此方法应用于补远江年径流的预测上。