排序方式: 共有10条查询结果,搜索用时 0 毫秒
1
1.
2.
3.
在Budyko假设的基础上,充分考虑土壤蓄水量的影响,利用量纲分析和数学推导,构造出基于傅抱璞公式的Budyko假设模型的蒸散发计算公式,并且运用改进前后的模型模拟京杭大运河后营水文站流域蒸散发过程,拟合了模型中的参数。验证结果表明:改进后的Budyko水热耦合模型模拟精度更高,可以用来预测实际蒸散发值;该模型具有一定的适用性,值得推广。 相似文献
4.
针对径流时间序列过程的高度非线性,将小波分析方法、粒子群优化算法与支持向量回归相结合,建立了小波-粒子群-支持向量回归耦合日径流预测模型(WPSO-SVR)。该模型充分挖掘小波分析的多分辨功能和支持向量回归的非线性逼近能力,应用小波分析方法将日径流时间序列分解为不同频段的子序列,将重构后的序列作为模型的输入,利用粒子群全局搜索能力实现模型参数寻优,得到最佳模型参数,构建模型,并将该模型应用于金沙江中游石鼓站日径流预测。结果表明,该模型的预测效果明显优于单一支持向量回归模型,在日径流预测中具有较强的适应性。 相似文献
5.
针对岩溶含水系统高度的非线性特征,在小样本时间序列条件下,引入了能较好解决小样本、非线性问题的支持向量回归方法,利用偏最小二乘回归对影响地下河流量的诸多因素进行综合分析,并提取主成分作为支持向量机的输入变量,采用遗传算法优化模型参数,建立了地下河日流量预测的偏最小二乘-遗传-支持向量回归模型;将该模型用于后寨典型岩溶地下河流域日流量模拟和预测,并与BP人工神经网络、多元线性回归模型预测结果进行对比.偏最小二乘-遗传-支持向量回归模型模拟期的均方误差(MSE)、平均绝对百分比误差(MAPE)分别为0.25%、6.89%,预测期为0.65%、6.03%;BP神经网络模拟期的MSE、MAPE分别为0.24%、7.30%,预测期为0.84%、7.39%;多元线性回归模型模拟期的MSE、MAPE分别为0.28%、9.30%,预测期为1.10%、10.54%.结果表明,偏最小二乘-遗传-支持向量回归模型预测精度明显优于BP人工神经网络和多元线性回归模型. 相似文献
6.
鉴于毛尔盖水库的特殊性和重要性,分析了毛尔盖水电站投产后在梯级联合运行情况下黑水河流域毛尔盖水库对下游梯级电站的调节增发效益,分别选择了丰、平、枯三个代表年进行径流调节计算,对联合运行和单独运行发电效益进行了对比分析。分析得知:毛尔盖水库对雅都电站的调节效益介于416.19~2 694.62万元之间,3年平均调节效益为1 713.92万元,比常规单独运行获得增发效益11.58%。对柳坪电站的调节效益介于328.63~2 067.15万元之间,3年平均调节效益为1 346.81万元,比常规单独运行获得增发效益9%。从三个代表年的平均电量成果看:毛尔盖水库对下游梯级的贡献主要体现在蓄丰补枯,减少汛期弃水,增加枯期发电量,使分期、分时电价得到最优化利用,增加了梯级水电站的发电效益。 相似文献
7.
8.
9.
10.
1