径流预测

摘要： 为提高径流时间序列预测精度,提出小波包分解(WPD)与奇异谱分解(SSA)-鼠群优化(RSO)算法-回声状态网络(ESN)相混合的径流时间序列预测方法。分别利用WPD和SSA将非平稳径流时间序列分解为若干子序列,有效降低径流时间序列的复杂性;介绍RSO算法原理,在不同维度条件下选取6个典型函数对RSO算法进行仿真测试;利用RSO算法对ESN储备池规模、稀疏度等超参数进行优化,建立WPD-RSO-ESN、SSA-RSO-ESN模型,并分别构建WPDRSO-SVM、WPD-ESN、WPD-SVM和SSA-RSO-SVM、SSA-ESN、SSA-SVM作对比分析模型;利用云南省江边街水文站1957-2014年逐月径流时间序列数据对8种模型进行检验及对比分析。结果表明:RSO算法在不同维度条件下均具有较好的寻优精度和全局搜索能力。WPD-RSO-ESN、SSA-RSO-ESN模型对实例后10年120个月月径流时间序列预测的平均绝对百分比误差分别为2.73%、3.90%,预测精度优于同一分解条件下的其他模型。RSO算法能有效优化ESN网络超参数,提高ESN网络的预测性能。WPD对径流时间序列数据的分解效果优于SSA方法。

摘要： 针对水文时间序列月径流多尺度非平稳性等特点,提出基于奇异谱分解(SSA)的学生心理学优化(SPBO)算法-自适应神经模糊推理系统(ANFIS)月径流组合预测模型,并应用于云南省某水文站月径流预报。首先通过SSA将实例月径流时序数据分解为若干独立子序列分量,以降低时序数据的复杂性;其次介绍SPBO算法原理,通过取8个标准函数对SPBO算法进行仿真验证及比较;最后采用SPBO算法优化ANFIS条件参数和结论参数,建立SSA-SPBO-ANFIS模型对每一个子序列进行预测,叠加后作为最终月径流预测结果,并与基于集合经验模态分解(EEMD)的EEMD-SPBO-ANFIS模型和未经分解的SPBO-ANFIS模型作比较。结果表明:SPBO算法具有较好的寻优精度;SSA-SPBO-ANFIS模型对实例月径流预测的平均绝对百分比误差5.57%,平均绝对误差0.20 m^(3)/s,纳什系数0.9948,合格率96.7%,预测效果优于EEMD-SPBO-ANFIS模型,远优于SPBO-ANFIS模型。模型及方法可为相关水文时间序列预测研究提供参考。

摘要： 准确可靠的径流预报在水资源的优化管理中发挥着越来越重要的作用。为了提高预测精度,提出了一种神经网络模型,来进行日径流预报。此模型将经验模态分解(EMD)方法、注意力机制、BiLSTM神经网络相结合,并且对输入数据采用了插值方法来提升精确度。EMD方法能够将非稳态非线性的径流时间序列分解成多组本征模态分量和趋势项,实现输入时间序列的稳态化,再经过注意力机制赋予时间序列不同关注度,然后通过BiLSTM分别预测再重构。将该模型应用于四川省宣汉县的清溪河站点的每日径流数据上,与另外三种神经网络模型即LSTM、ATT-LSTM和ATT-BiLSTM模型进行对比,其结果证实了该模型的优越性。结果表明,提出的组合模型具有更好的性能,其纳什效率系数为0.957,平均绝对误差为1.73,均方根误差为2.88。因此,EMD-ATT-BiLSTM模型是一种可行的日径流预报方法。

摘要： 为提高径流预测精度,采用径向基神经网络(RBFNN)数据延拓技术处理完全集合经验模态分解(CEEMDAN)方法中的端点效应问题,并根据分解结果特点构建RBFNN-ARIMA组合预测模型。以1957—2013年黄河源区唐乃亥水文站年径流数据为例,先将选定的序列采用RBFNN进行延拓,然后进行CEEMDAN分解,对得到的分解分量运用RBFNN-ARIMA组合模型进行预测重构得到年径流量预测结果。研究表明,原始序列经过RBFNN数据延拓后再进行CEEMDAN分解,其所得分量可以有效反映不同时间尺度上的波动特征;ARIMA模型对高频IMF1分量的拟合效果较差,对其他中低频分量拟合效果较好;RBFNN-ARIMA组合模型预测结果的平均相对误差为5.23%,相较于RBFNN模型和ARIMA模型预测精度分别提高了9.88%和5.62%。因此,运用基于CEEMDAN方法的"分解-预测-重构"模式进行水文预测,对原始序列进行合理延拓并针对各分量特点进行组合预测可有效提高预测精度。

摘要： 径流中长期预测对防洪减灾和提高水资源利用效率极为重要。为解决预测模型参数对预测精度的影响,提出一种基于黏菌算法(SMA)优化LSSVM的径流中长期预测模型。首先,选取5个标准测试函数,对比在不同维度条件下SMA和PSO算法的仿真结果;其次,利用SMA优化LSSVM的惩罚参数和核参数,并构建LSSVM、PSO-LSSVM对比模型;最后,通过漫湾水电站水库入库月径流和莺落峡水文站月径流预测实例对各模型进行验证。结果表明,SMA-LSSVM模型相比LSSVM、POS-LSSVM模型,对漫湾站月径流预测的均方误差分别降低了29.26%、7.42%,对莺落峡站月径流预测的均方误差分别降低了32.61%、6.61%,预测精度更高。提出的SMA-LSSVM模型综合预测性能更好,也为中长期径流预测提供了一种新方法。

摘要： 为提高径流预测精度,提出基于经验模态分解(EMD)和法务侦查(FBI)算法、极限学习机(ELM)相融合的径流预测方法。首先采用EMD将径流序列数据分解成多个更具规律的分量序列,基于自相关函数法(AFM)、虚假最邻近法(FNN)对每个分量序列进行相空间重构;其次利用FBI算法优化ELM输入层权值和隐含层偏值,建立EMD-FBI-ELM径流预测模型,并构建EMD-FBI-SVM、FBI-ELM、FBI-SVM作对比预测模型;最后通过云南省姑老河水文站年径流预测实例对EMD-FBI-ELM、EMD-FBI-SVM、FBI-ELM、FBI-SVM模型进行验证分析。结果表明:EMD-FBI-ELM模型对实例年径流预测的平均相对误差为3.97%,平均相对误差较EMD-FBI-SVM、FBI-ELM、FBI-SVM模型的预测结果分别降低了53.9%、81.7%、86.5%,具有较好的预测效果。EMD-FBI-ELM模型用于径流预测是可行的,模型及优化方法可为相关预测研究提供参考。

摘要： 为了探明气候变化下叶尔羌河径流演变的趋势,积极应对径流量变化可能为当地带来的影响,基于SWAT分布式水文模型,选用CMIP5数据集建立未来时段的全球气候模式,对研究区2020—2100年径流进行模拟预测。结果表明:SWAT模型在研究区适用性良好;在不同CO_(2)浓度路径下,卡群站在未来80年年径流量均值分别为204.37、203.67、202.63m^(3)/s,相比历史基准期分别减少了0.21%、0.55%、1.06%,且在RCP 4.5/8.5情景下年径流量呈现显著减小的趋势。研究结果可为流域水资源科学管理提供依据与参考。

摘要： 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。

摘要： 长短期记忆神经网络(LSTM)在径流预测中具有广泛应用,不同的输入使神经网络具有不同的学习方案,从而影响到模型性能。设置3种不同的LSTM学习方案,以前期径流预测当日径流(方案一)、以前期降雨预测当日径流(方案二)和以前期径流和前期降雨预测当日径流(方案三),比较其在相同模型结构下对信江流域丰水期和枯水期径流预测的性能。结果表明,丰水期和枯水期时方案三拟合度最高,平均绝对误差为0.012 6和0.007 6,纳什效率系数为0.94和0.96,对于信江流域基于LSTM的日径流预测,应当将前期降雨与前期径流结合起来作为模型输入。研究对基于数据驱动的径流预测输入集数据的选取有参考价值。

摘要： 针对水文预报中径流预测数据序列具有非线性和非平稳性等特点,将一种新型智能优化算法——人工电场算法AEFA与LSTM神经网络结合进行参数优化,建立AEFA-LSTM预测模型,并以赵口大型灌区涡河玄武水文站实测年径流量作为样本数据进行网络优化训练和预测分析,同时与传统优化算法(遗传算法GA和粒子群算法PSO)建立的GA-LSTM和PSO-LSTM预测模型进行对比。结果表明:AEFA-LSTM模型预测值的平均相对误差相较于GA-LSTM模型和PSO-LSTM模型分别降低了7.59%和5.22%,且平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中最小,说明所建立的AEFA-LSTM模型可以更高精度地预测径流量,为水文预报提供一种新型高精度径流预测方法。

摘要： 径流预测是梯级电站优化调度的基础。目前已广泛应用的BP网络径流预测模型的参数确定多采用“试错法”，具有较大的不确定性，影响到模型的收敛速度和精度。本文利用粒子群收缩因子算法(CFPSO)对BP模型的初始权重及偏值、学习率、动量因子和训练次数等参数进行优化，并利用电站年径流预测实例进行检验，计算结果表明该优化方法能够提高BP模型的收敛速度和精度。

摘要： 本文介绍了一种从遗传算法改进而来的算法——育种算法，它将遗传算法中的选择、交叉、变异三个过程简化为一个过程，并将该算法应用于BP网络模型，对模型参数进行优化来提高模型的收敛速度和精度，对比了参数优化前后的BP模型径流预测结果。结果表明，模型优化后收敛速度和精度明显提高。

摘要： 随着长江上游水库建设以及自然条件气候变化的影响,近些年长江上游各支流水文条件发生了较大变化,长系列历史资料以及基于天然河道所编制的水文预报方法不能完全适应新形势下生产调度的需要.必须开展三峡水库上游流域自然条件、流域径流等多方面变化的总结分析工作,建立考虑受气候变化和人类活动影响的流域水文预报模型,解决变化条件下的三峡入库径流预测问题,为实现流域梯级水电站群的安全高效运行和洪水资源化利用,提供科学和技术支撑.

摘要： 径流时间序列在一定程度上可看作是一种被噪声污染的一些准周期信号的组合.为了提高径流预测精度,利用奇异谱分析方法对三峡水库1882～2010的入库径流资料进行预处理,得到重建序列,并分别运用季节性一阶自回归、小波神经网络和混沌支持向量机模型对原始和重建序列进行模拟预测,分析比较三个模型的预测精度.结果表明奇异谱分析法不仅可以浓缩主要信息和减小误差,也能够明显地提高月径流预测精度;基于奇异谱分析方法的混沌支持向量机模型的模拟预测精度最高,检验期模型的确定性系数高达86.9％,年均最大、最小月径流相对误差分别为9％和-7％。

摘要： 为了提高径流预测的精度,选择合适的组合预测方法非常重要.通过对单项预测方法的误差序列平稳性的判断以及系统偏差校正,选择组合预测方法.应用八种组合预测技术组合了四种单项预测模型,通过相对偏差和相对均方根误差指标比较各种单项预测模型和组合预测模型的预测精度.以石羊河流域东大河的年径流预测为例,结果表明:1)单项预测模型SVM模型和RIM模型效果较好;2)通过偏差校正后的组合模型的精度普遍比未校正的组合模型预测精度高;3)WA组合方法优于SA组合方法;4)Regression和ANN组合方法能去除单项预测中的偏差,可以显著地降低组合预测的偏差.

摘要： 本文尝试应用模糊C均值聚类(FCM)划分马尔可夫链模型的径流状态区间,再针对径流量随机变量特点,以各阶自相关系数为状态权重,应用该加权马尔可夫链模型预测径流量状态.依据青海省达日县吉迈水文站55年(1950～2004)年径流量资料,预测了2001～2004年的径流状态,预测结果均与实际情况相符合.说明用FCM确定状态区间的马尔可夫链模型对吉迈水文站的径流状态预测是可行的、有效的.

摘要： 应用可变下渗能力模VIC(wariable infiltration capacity)与区域气候变化影响模式PRECIS(providingregional climate for Impacts studies)耦合,对气候变化情景下的太湖流域径流变化趋势进行预测.结果表明:未来时期(2021-2050年)太湖流域径流对气候变化的响应较明显,A2和B2情景下径流较基准期(1961-1990年)都增加,尤其是在汛期径流增加显著,并且径流深的时空变化特征与降水的变化特征具有较好的一致性,预示太湖流域未来发生洪水的可能性将增大,将增加未来防洪工作的难度和强度.

摘要： 应用可变下渗能力模VIC(wariable infiltration capacity)与区域气候变化影响模式PRECIS(providingregional climate for Impacts studies)耦合,对气候变化情景下的太湖流域径流变化趋势进行预测.结果表明:未来时期(2021-2050年)太湖流域径流对气候变化的响应较明显,A2和B2情景下径流较基准期(1961-1990年)都增加,尤其是在汛期径流增加显著,并且径流深的时空变化特征与降水的变化特征具有较好的一致性,预示太湖流域未来发生洪水的可能性将增大,将增加未来防洪工作的难度和强度.

摘要： 应用可变下渗能力模VIC(wariable infiltration capacity)与区域气候变化影响模式PRECIS(providingregional climate for Impacts studies)耦合,对气候变化情景下的太湖流域径流变化趋势进行预测.结果表明:未来时期(2021-2050年)太湖流域径流对气候变化的响应较明显,A2和B2情景下径流较基准期(1961-1990年)都增加,尤其是在汛期径流增加显著,并且径流深的时空变化特征与降水的变化特征具有较好的一致性,预示太湖流域未来发生洪水的可能性将增大,将增加未来防洪工作的难度和强度.

摘要： 应用可变下渗能力模VIC(wariable infiltration capacity)与区域气候变化影响模式PRECIS(providingregional climate for Impacts studies)耦合,对气候变化情景下的太湖流域径流变化趋势进行预测.结果表明:未来时期(2021-2050年)太湖流域径流对气候变化的响应较明显,A2和B2情景下径流较基准期(1961-1990年)都增加,尤其是在汛期径流增加显著,并且径流深的时空变化特征与降水的变化特征具有较好的一致性,预示太湖流域未来发生洪水的可能性将增大,将增加未来防洪工作的难度和强度.

摘要： 本发明提出了中长期径流的预报因子识别方法、中长期径流的预测方法。该中长期径流的预报因子的识别方法包括：(1)标准化处理；(2)设定预见期，将一系列不同滞后期的标准化后的径流序列Q和气候因子集序列F组成的备选预报因子集合X，并将对应标准化后的径流序列Q作为Lasso回归中的集合Y；(3)给定一个参数λ，交叉验证并计算出预报集合Y’，将集合Y’与集合Y进行对比获得参数λ的第一评价指标；(4)选取M个不同的参数λ，对其第一评价指标进行归一化处理并对其结果相加作为评分；(5)统计每个参数λ的总评分，选出总评分最高的参数λ作为最优参数；(6)根据最优参数在步骤(3)中获得的各个气候因子的回归系数，非零的回归系数对应的气候因子被识别为预报因子。

摘要： 一种径流式小水电集群发电功率短期预测方法及预测系统，属于水力发电功率预测技术领域。该方法将接入同一变电站的若干个小水电视为一个集群，分别对集群内所有单个小水电功率数据和集群整体功率数据进行预测，然后将两方面预测结果相融合获得最终的集群发电预测数值。本发明还提供一种径流式小水电集群发电功率短期预测系统。本发明将分散的多个径流式小水电归为一个集群，充分考虑径流式小水电的累积效应和滞后效应，计算未来时刻功率预测数值时将单点功率变化率与平均功率变化率相结合，集群功率预测结果融合了整体功率预测结果和所有单个小水电功率预测结果，针对径流式小水电功率输出规律性差而无法准确预测技术问题，本发明预测准确性较好。

摘要： 本发明提出了中长期径流的预报因子识别方法、中长期径流的预测方法。该中长期径流的预报因子的识别方法包括：(1)标准化处理；(2)设定预见期，将一系列不同滞后期的标准化后的径流序列Q和气候因子集序列F组成的备选预报因子集合X，并将对应标准化后的径流序列Q作为Lasso回归中的集合Y；(3)给定一个参数λ，交叉验证并计算出预报集合Y’，将集合Y’与集合Y进行对比获得参数λ的第一评价指标；(4)选取M个不同的参数λ，对其第一评价指标进行归一化处理并对其结果相加作为评分；(5)统计每个参数λ的总评分，选出总评分最高的参数λ作为最优参数；(6)根据最优参数在步骤(3)中获得的各个气候因子的回归系数，非零的回归系数对应的气候因子被识别为预报因子。

摘要： 一种径流式小水电集群发电功率短期预测方法及预测系统，属于水力发电功率预测技术领域。该方法将接入同一变电站的若干个小水电视为一个集群，分别对集群内所有单个小水电功率数据和集群整体功率数据进行预测，然后将两方面预测结果相融合获得最终的集群发电预测数值。本发明还提供一种径流式小水电集群发电功率短期预测系统。本发明将分散的多个径流式小水电归为一个集群，充分考虑径流式小水电的累积效应和滞后效应，计算未来时刻功率预测数值时将单点功率变化率与平均功率变化率相结合，集群功率预测结果融合了整体功率预测结果和所有单个小水电功率预测结果，针对径流式小水电功率输出规律性差而无法准确预测技术问题，本发明预测准确性较好。

摘要： 本申请公开了一种缓冲带植被‑土壤系统去除径流污染物的预测方法，包括：监测降雨事件的动态降雨量、缓冲带的入流径流量及径流浓度、出口径流量及径流浓度、出口渗流浓度，通过晴天土壤含水量监测，分析获得土壤含水量与前期晴天时间的关系，预测目标降雨下的雨前土壤初始含水量；构建径流量预测模型，预测目标降雨下的径流量和渗流量；构建径流去除浓度、渗流去除浓度预测模型，结合径流量、渗流量，预测目标降雨下的缓冲带径流去除负荷、渗流去除负荷。该方法输入参数获取容易，计算简单方便，可在不同降雨条件下快速得到植被缓冲带的径流削减量、渗流量、径流去除负荷、渗流去除负荷的预测结果，为有效设计农田径流污染工程措施提供技术支撑。

摘要： 本发明公开了一种基于改进SCA和QRGRU的径流区间预测方法及系统，包括：(1)对预先获取的原始数据进行预处理，并将处理后的各项数据按时间转换成为矩阵型序列；(2)利用PSR方法与RF模型对时间训练进行特征选择，挑选出RF中重要性高的时间序列与PSR重构出的多维序列组成数据集；(3)采用混沌Tent映射和非线性因子对SCA算法进行改进，并利用改进后的SCA算法对GRU模型的隐藏层单元数目与学习率进行寻优；(4)构建QRGRU模型，初始化模型的参数；(5)建立QRGRU的径流区间预测模型，对径流时间序列进行预测，输出误差与区间预测的结果。本发明用QRGRU模型的对径流进行区间预测，预测结果能够描述确定性预测难以反映的不确定性问题，且其结果具有更高的可信度。

摘要： 本发明公开了一种基于改进联邦学习的径流预测方法及预测系统，通过联邦学习的方法将包含径流和气象数据的多个流域一起联合训练，从而可以捕获到多个流域的水文信息特征，并通过改进传统联邦学习的学习过程，一定程度上解决了水文信息孤岛问题，提高了预测精度，并且为少资料或者无资料地区实现水文水资源信息分析提供了参考。

摘要： 本发明公开了一种基于随机森林和IFDA优化CNN‑GRU的中长期径流预测方法，包括以下步骤：(1)预先获取旬径流历史数据以及历史旬降雨数据，对数据进行预处理，并分为训练集和测试集；(2)构建CNN‑GRU混合预测模型，并确认卷积神经网络门控循环单元的结构；(3)使用改进后的流向算法IFDA优化CNN‑GRU混合预测模型：先采用混沌算法对流向算法进行初始化，然后使用改进好的流向算法优化CNN‑GRU模型的学习率以及隐含层节点个数，最后建立基于改进的流向算法IFDA优化CNN‑GRU的混合模型IFDA‑CNN‑GRU；(4)使用训练集对建立好的IFDA‑CNN‑GRU模型进行训练，将测试集送入训练好的模型中运行，得到预测结果。本发明能够有效地进行中长期径流预测，并且比其他模型具有更好的准确性。

摘要： 本发明公开了一种基于小样本学习和LSTM的缺资料地区径流预测方法。首先获取流域内与径流强相关的影响因子的时序数据，然后进行特征提取，构建特征和预测径流相对应的时序数据集；建立基于小样本学习原型网络和LSTM融合的径流预测模型，进行模型训练和验证；之后，输入影响因子即可对径流进行预测。考虑到缺资料地区数据缺乏的现状以及传统机器学习对大量标签数据的依赖，本发明使用数据驱动的深度学习策略，结合小样本学习算法，融合原型网络和LSTM以降低模型对于数据的依赖性，保证在输入较少训练样本的情况下，模型也能取得较高的预测精度，为缺资料地区径流预测提供了一种新方法。

摘要： 本发明提供一种基于数值降雨预报的中长期径流预测方法，是基于预测精度高的欧洲中期天气预报中心未来6个月的数值降雨预报产品，并融合了短期径流预报模型，大大的增加了径流预测的预见期和径流预测的预报精度。