丹江口水库秋汛期长期径流预报

针对目前长期径流预报中物理成因考虑较少的问题,以丹江口水库为例,在分析影响径流物理背景的基础上,研究前期气象因子与水库秋汛期入库径流过程的相关关系,识别影响径流的大气环流与海温等物理因子,利用主成分分析法提取主要预报信息,建立了包含大气环流因子、海温因子等气象物理信息以及前期降雨、径流等水文信息作为预报因子集的三层BP神经网络预报模型.利用1956~2008年秋汛期9、10月入库径流量进行模拟与试报,并与仅采用前期降雨径流的预测模型进行了比较,结果显示基于物理成因分析的预测模型稳定性良好,模拟及试报精度较高,9、10月试报精度平均提高约30%,分别达到87.5%和75%,并对预报年份中的丰枯特征有较好的体现.     

基于互信息量与BP神经网络的中长期径流预报方法研究

针对中长期径流预报因子的选择问题,采用互信息量方法筛选预报模型输入因子,在BP神经网络模型中,分别用均方误差和互信息量作为目标函数,衡量因子复合相关关系,优化选择最终预报因子并应用于碧流河汛期径流预报中。结果表明,基于互信息量筛选的预报因子与BP神经网络模型相结合,可有效识别多个预报因子与预报量间的复合相关性,对中长期径流预报因子的选择有很好参考价值。     

径流长期预报的人工神经网络方法

提出径流长期预报的人工神经网络方法。运用神经网络的一典型模型──“反向传播”模型,以大伙房水库在补水期的径流状况作为研究对象,尝试了神经网络方法的效果。结果表明,该方法预报成功率较高,容错能力较强,可望成为径流长期预报的有效的辅助手段。     

贝叶斯概率水文预报系统在中长期径流预报中的应用

采用贝叶斯概率水文预报理论制订水电站水库中长期径流预报模型,以概率分布的形式定量地描述水文预报的不确定度,探索概率水文预报理论及其应用价值。采用气象因子灰关联预报模型处理输入因子的不确定度,将实时气象信息和历史水文资料有效结合,突破传统确定性预报方法在信息利用和样本学习方面的局限性,以提高水文预报的精确度。以丰满水电厂水库为例对所建模型进行检验,模拟计算结果表明,该模型与确定性径流预报方法相比,不仅有利于决策人员定量考虑不确定性,而且在期望意义上提高了径流预报精度,具有较高的应用价值。     

基于改进的Elman神经网络的中长期径流预报

径流中长期预报长期以来一直都是人们关注的热点研究问题。现行的径流预报方法很多,传统的有时间序列法,多元回归分析法等,这些方法虽然简单易用,但是如果预报对象提供的样本容量偏小或者因子选择不够合理,都会造成预报精度偏差过大,难于有效的指导工程应用。鉴于此,本文提出一种改进的采用局部回归的Elman神经网络方法。并应用到凤滩水库优化调度的径流预报中。结果表明,与回归分析法、BP网络相比较,该方法不仅提高了算法的效率,而且提高了预报的精度,在径流预报中具有有效性和优越性。     

基于OSR-BP神经网络的丹江口秋汛期径流长期预报研究

针对丹江口流域秋汛期(9、10月)径流长期预报,为了消除网络输入的复共线性与网络训练的过拟合现象,将最优子集回归(OSR)和BP神经网络进行耦合,综合考虑训练误差和检验误差,来确定网络训练的最佳训练次数和终止务件,在此基础上提出基于OSR-BP神经网络的径流长期预报技术,并对丹江口秋汛期入库径流量进行了模拟和试报,结果表明:建立的模型稳定性良好,不论模拟还是试报精度均令人满意,特别是对预报年份中的丰枯特征均具有较好的体现.     

疏勒河昌马堡站年径流长期预报模型研究

通过分析疏勒河昌马堡站年径流变化规律,并将年径流系列按照频率25%及75%为界,划分成3种情况：即多水年Xi〉35.0,中水年24.5≤Xi≤35.0,小水年Xi〈24.5。计算其状态转移概率得出：年径流过程从某一状态转移至其他状态的可能性都有,但其转移概率的最大值达66.7%。由此可知,年径流的变化过程不仅有随机性,而且有很强的相依性。通过多年对站年径流预报工作的实践,经过各种方法的比较检验,认为建立年平均流量的时间序列组合模型,其逐年预报的精度较高,经过误差评定分析,该模型均为甲级方案,检验预报时性能较稳定,能对昌马堡站年平均流量进行有效预报,为疏勒河流域调水提供技术支撑。     

洮儿河镇西站径流长期预报研究

利用1958～2004年洮儿河镇西站47a的径流量资料和同一时期的北太平洋海温及环流特征量资料，分析了北太平洋海温和大气环流变化与镇西站年径流的关系，建立了基于物理成因概念的多元线性回归预报模型，并利用该模型对镇西站2005年的最大洪峰流量和峰现时间做了预报。结果表明，最大洪峰流量和峰现时间模型对历史样本的拟合合格率可以达到76．2％和92．9％。2005年的最大洪峰流量和峰现时间的预报误差均在允许范围以内，为当年该地区的洪水资源利用和防洪减灾工作起到了重要作用。     

中长期径流预报的一种灰关联模式识别与预测方法

基于时间序列多重信息利用的扩维原理和灰色系统理论的关联分析思想,提出一种应用于水文中长期预报的方法.它的特点是直接从径流序列的扩维相型关联分析中,寻求径流情势变化规律,较适合于缺乏输入因子资料或选择影响因子有困难条件下的水文中长期预报.利用海河、黄河和长江流域若干水文站的实测资料序列对该方法做了初步验证.     

嫩江流域径流的可预报性及其时间尺度分析

本文在阐述径流过程主要影响因素和表现特征基础上,采用混沌理论,对于嫩江流域月径流过程系统进行了延滞时间、嵌入纬度、关联维数等计算,进而进行相空间重构,计算出其最大Lyapunov指数为0.13,说明该系统具有混沌特征.初步得出如下结论:①嫩江流域中长期径流预报的预见期为7～8个月;②"数据驱动模型"对于中长期径流预报更有其方法的适用性;③中长期径流预报计算时段应以月为单位.     

耦合LASSO回归的HHO-LSVR中长期径流预报模型

为验证LASSO回归在剔除冗余预报因子中的高效性,并探讨基于LASSO回归的哈里斯鹰群算法(HHO)与支持向量回归(SVR)耦合的HHO-LSVR模型的年径流预报效果,利用LASSO回归分别求得各气象因子的拟合系数并以此作为优选预报因子的依据,采用HHO算法来优化选择SVR模型的控制参数进行年径流预报并设置对照模型,利...     

基于BP人工神经网络的枯水径流预报方案研究

介绍了BP人工神经网络的桔水径流预报方法,编制了锦屏一级水电站枯水径流预报方案.根据枯水径流预报方案的预报精度评定成果,总结了应用BP人工神经网络进行枯水径流预报的特点.研究表明基于BP人工神经网络的枯水径流预报方案能够满足水文情报预报规范,具有较好的实用性和可行性.     

基于相空间重构理论的时延神经网络应用于降雨径流预报

本文运用时延神经网络模型来模拟降雨径流过程,根据Takens相空间重构理论对前期影响雨量进行重构,并将其作为神经网络降雨输入结点.该方法可以有效改变以往神经网络输入结点主观性的问题,为正确确定神经网络输入结点提供了理论依据.通过计算实例表明,该方法的降雨径流预测精度较高.     

基于机器学习模型的淮河流域中长期径流预报研究

准确可靠的中长期径流预报是支撑水资源科学调配、提高水资源利用效率的关键。本研究采用AdaBoost模型(AdB)、随机森林模型(RF)和支持向量机模型(SVM)进行淮河流域王家坝和蚌埠站当年11月至次年10月共12个月的中长期径流预报研究。采用置换准确度重要性度量法从130项气象-气候因子及前期降雨/流量构建的1 562个因子变量中筛选出影响各月径流的关键因子,构建了基于AdB、RF和SVM模型的各月径流预报模型,模型参数采用随机搜索技术并结合交叉验证方式确定。采用变幅误差合格率和等级(五级)预报合格率指标对模型的预报精度进行了评估。变幅误差合格率指标表明,王家坝12个月的平均合格率分别为99.8%(AdB)、96.6%(RF)和95.9%(SVM),蚌埠站分别为100%(AdB)、94.8%(RF)和93.8%(SVM);等级预报合格率指标表明,王家坝12个月的平均合格率分别为79.0%(AdB)、76.4%(RF)和79.9%(SVM),蚌埠站分别为81.0%(AdB)、75.6%(RF)和76.6%(SVM)。模型均具有较好的预报效果,但RF和SVM模型对于高流量值的预报存在偏低现象,AdB模型整体上优于RF和SVM模型。     

大伙房水库年径流预报方法研究

通过分析大伙房水库所属流域的气候特征,找出合适的预报因子;采用平稳时间序列、逐步线性回归、BP神经网络作为几种典型中长期预报方法的代表,分别对大伙房水库进行年径流预报建模;综合比较三种方法的拟合与检验预报结果,可以得出BP神经网络法是最适合该流域的预报方法.     

GAS参数优化方法在黄河上游非汛期径流预报中的应用

本文采用相关分析与GAS参数优化相结合的方法,对黄河上游非汛期径流预报模型进行了研究,并对2000～2003年的径流进行了实时预报检验,从检验结果来看,这种预报方法具有较高的预报精度.本文为非汛期径流预报研究提供了参考和借鉴,同时,就计算分析手段而言,GAS在参数优化方面具有广泛的应用价值.     

堆叠集成模型径流预报效果的影响因素研究

为了研究堆叠集成模型预报效果的可能影响因素,以安墩水流域为例,选择支持向量回归、多元线性回归、长短期记忆神经网络、前馈神经网络、梯度提升回归树、自回归积分滑动平均模型以及自适应增强算法作为基学习器,选择多元线性回归、支持向量回归、多层感知机作为元学习器,建立多个堆叠集成模型,并基于平均绝对误差、均方根误差、纳什效率系数构建综合评价指标,对各集成模型的预报效果进行了对比分析。研究表明,堆叠集成模型的预测效果与基学习器的数量无关,与基学习器的质量呈正相关关系。此外,不同的元学习器选择也会对堆叠集成模型的预测效果产生影响。该研究可为利用堆叠集成模型进行径流预报提供科学指导。     

基于平均线性粒子群算法的人工神经网络在径流预报中的应用

人工神经网络具有很强的非线性处理能力,能够有效地模拟复杂的非线性径流预报过程。传统的基于BP训练算法的人工神经网络具有训练时间较长,容易陷于局部最优值等缺陷,本文对训练算法加以改进,分别使用平均线性粒子群,粒子群和BP算法来优化人工神经网络的各项参数,首先使用标准函数测试了3种算法的全局优化性能,然后用它们对三峡水库的入库径流进行预报,以比较它们的预报性能。结果表明,在3种算法中,平均线性粒子群算法全局寻优的速度最快,稳定性最高,基于平均线性粒子群算法的人工神经网络的径流预报的精度也最高。     

基于深度学习的流域洪水预报模型研究

随着水文信息系统的普及,水文数据的采集越来越方便。传统上依靠各类水文模型及参数率定以刻画水文数据和预报成果间的复杂关联,如何实现水文数据驱动的水文自动预报是当前面临的问题。近年来,人工智能技术蓬勃发展,深度学习技术开始应用于水文学领域,试图解决这一问题。本文以沮漳河西支峡口至远安区间流域为研究对象,结合分布式水文模型的原理及深度学习理论方法,基于流域多维度数据对流域产汇流特性进行提取,利用特征网络进行流域径流预报,构建基于卷积神经网络（CNN,Convolutional Neural Networks）的流域降雨径流预报模型。研究将模型模拟结果与前期影响雨量模型（API, Antecedent Precipitation Index）结果进行对比分析,结果表明,基于卷积神经网络的流域降雨径流预报模型模拟精度为90%,模型可靠,能满足大部分的降雨洪水预报,为流域降雨径流预报提供一种新的方法。     

基于交叉小波的天山乌鲁木齐河出山径流多尺度特征研究

运用连续小波对新疆天山北坡的乌鲁木齐河上游1958-2006年的月均气温(MMT)、月降水量(MP)和月均径流量(MMR)变化进行了多时间尺度特征分析. 结果表明：1960—2005年月均气温、月降水量和月均径流量三者始终存在着12个月左右尺度的主周期,并呈现出全局性特征,信号的强弱依次为MMT、MP 和MMR;同时,MMT存在66个月和96个月的次周期,MP存在6个月、30个月和72个月的次周期,MMR亦存在6个月、24个月、36个月和72个月的次周期. 在此基础上,对其进行交叉小波分析后发现,MMR与MMT、MP的相关程度除了表现为12个月的主周期和6个月的次周期外,MMT对MMR的影响还表现在34个月和72个月的次周期上,而MP对MMR的影响也表现在24个月、36个月和72个月的次周期上. MMT对MMR的影响除了12个月的主周期表现为正相关外,6个月的周期相位亦存在正负交错的现象,说明在该尺度上MMT对MMR的影响既有正面的也有负面的;MMT对MMR的影响在其他次周期上均表现为负相关或近似负相关;而MP对MMR的影响在主次周期上均表现为显著的正相关.