您现在的位置: 首页> 研究主题> 水位预测

水位预测

水位预测的相关文献在1994年到2022年内共计207篇,主要集中在地球物理学、水利工程、自动化技术、计算机技术 等领域,其中期刊论文95篇、会议论文18篇、专利文献113900篇;相关期刊77种,包括河海大学学报(自然科学版)、地下水、湖泊科学等; 相关会议16种,包括2013第九届海峡两岸地工技术/岩土工程交流研讨会、2013年中国水利学会勘测专业委员会年会暨技术交流会、第十六届海峡两岸水利科技交流研讨会等;水位预测的相关文献由620位作者贡献,包括陈友武、雷晓辉、马森标等。

水位预测—发文量

期刊论文>

论文:95 占比:0.08%

会议论文>

论文:18 占比:0.02%

专利文献>

论文:113900 占比:99.90%

总计:114013篇

水位预测—发文趋势图

水位预测

-研究学者

  • 陈友武
  • 雷晓辉
  • 马森标
  • 黄祖海
  • 黄正鹏
  • 徐飞
  • 张召
  • 戴会超
  • 徐杨
  • 王浩
  • 期刊论文
  • 会议论文
  • 专利文献

搜索

排序:

年份

    • 张睿芝; 戴凌全; 戴会超; 刘亚新; 蔡卓森; 刘芬
    • 摘要: 针对传统的LSTM模型存在网络训练受阻、泛化能力减弱、预测精度和效率较低的问题,从模型结构和参数优选两方面进行改进。结构方面,在LSTM模型前加入具有多层结构的神经网络层;参数优选方面,采用多层网格搜索法选取模型参数。以长江中游典型通江湖泊——洞庭湖不同湖区的水位预测为例,与传统的LSTM模型、BP神经网络及水动力模型相比,改进型LSTM模型平均均方根误差分别减少58.80%、65.95%、44.14%;从预测计算时间来看,改进型LSTM模型所消耗的时间比传统的LSTM模型缩短62.12%,且明显少于水动力模型,总体来看改进型LSTM模型的整体性能优于其他三种模型。将改进型LSTM模型应用到三峡水库蓄水对洞庭湖水位的影响分析上,结果表明:三峡水库运行对洞庭湖不同湖区水位的影响具有明显的空间异质性,城陵矶站受其影响最为显著,其次为东洞庭湖鹿角站和西洞庭湖南咀站,南洞庭湖受影响最小。蓄水期间东洞庭湖城陵矶站水位平均下降0.44 m,最大降幅为1.55 m;鹿角站水位平均下降0.22 m,最大降幅为1.02 m;西洞庭湖南咀站水位平均下降0.27 m,最大降幅为1.28 m;南洞庭湖杨柳潭站水位平均下降0.15 m,最大降幅为1 m。研究成果为快速准确预测三峡水库影响下的洞庭湖水位提供了新的手段,同时也可为三峡水库的蓄水策略优化提供重要参考依据。
    • 刘艳; 张婷; 康爱卿; 李建柱; 雷晓辉
    • 摘要: 为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq)的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM模型和人工神经网络(ANN)模型进行了对比。结果表明:Seq2Seq模型对连续6 h、12 h和24 h水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6 h时,LSTM和Seq2Seq模型预测结果相似,ANN模型精度较低;当预测长度为12 h和24 h时,Seq2Seq模型相比LSTM模型和ANN模型预测效果更好,收敛速度更快。
    • 胡腾飞; 施勇; 毛劲乔; 栾震宇; 陈炼钢; 陈黎明; 金秋; 徐祎凡; 戴会超
    • 摘要: 为解决河湖水位支持向量回归(SVR)模型输入变量选择问题,提出了基于进化算法的模型结构-参数同步优化方法.该方法可应对复杂河湖交汇水系输入变量搜索空间的高维特性,减小源自模型结构及参数不确定性的模型误差.将提出方法应用于洞庭湖城陵矶站和荆江陈二口站水位建模,结果显示:提出方法可准确反映不同影响因素对水位预测的作用大小,城陵矶水位预测最主要的外部变量为长江来水和湘江来水,陈二口水位预测则为枝城站和马家店水位;该方法可充分发掘SVR潜力,2个站点的水位模型均取得了理想精度(R^(2)>0.998);提出方法采用的n折交叉验证方式可有效避免模型过拟合问题.综上,提出的SVR模型结构-参数同步优化方法适用于河流湖泊,特别是复杂河湖交汇水系的水位建模.
    • 李加龙; 李慧赟; 罗潋葱; 龚发露; 张如枫; 刘凤龙; 吴松涛; 罗碧瑜
    • 摘要: 在极端气候事件频发和人类活动加剧的背景下,抚仙湖水位波动显著,尤其是2009—2012年极端干旱事件的发生,使抚仙湖平均水位(1721.31 m)低于法定最低水位(1721.65 m),给生态环境安全带来严重威胁.因此,找到合适有效的湖泊水位模拟方法,对气候变化影响下的未来水位进行预测,并做好相应的应对准备,对湖泊生态系统的保护至关重要.本文运用DYRESM水动力模型对抚仙湖1959—2050年水位进行了模拟.因抚仙湖流域尚无长时间序列的历史水文观测数据,故利用模型和水量补偿法对抚仙湖入湖水量进行反推,构建了降水量—入湖水量的回归方程,并通过有效的实测入湖水量和水位数据,对回归方程的精度进行了检验.利用全球气候模式BCC-CSM2-MR中SSP245和SSP585两种情景提供的未来气候预估数据,运用DYRESM预测了抚仙湖2021—2050年水位变化趋势.结果表明:(1)构建的DYRESM水动力模型和降水—入湖水量回归方程精度较高,模型结果能很好地反映抚仙湖水位的年际和年内变化趋势,且能有效捕捉到抚仙湖的水位峰值.(2)在SSP245和SSP585两种情景下,抚仙湖2021—2050年多年平均水位分别为1722.98和1723.93 m,较1959—2017年平均水位1721.77 m分别升高1.21和2.16 m.两种情景下抚仙湖未来水位均有部分时段超过法定最高蓄水位(1723.35 m),但均高于法定最低水位.因此,未来气候变化对抚仙湖水量的影响有限,并不会导致水位过低,当水位超过法定最高蓄水位时,可通过控制出流闸门将水位调节在合理范围内.
    • 王迎飞; 黄应平; 肖敏; 熊彪; 周爽爽; 靳专
    • 摘要: 为提高长短期记忆网络(Long Short-Term Memory,LSTM)在水位预测任务中的准确性,以及提高LSTM对数据中时空信息的利用率,本文提出了一种基于Softmax函数的注意力模块,并将其应用在LSTM的输入前,使模型可以根据输入数据中的时间和空间信息,自主地生成带有权重的词义向量,并赋予输入序列时间和空间注意力权重值.注意力机制增强了LSTM模型对时间序列的处理能力,同时使LSTM模型能够对数据空间信息具备一定的应对能力.最后在长江汛期的水位数据上进行预测试验,以E_(MAE)、E_(RMSE)、E_(MAPE)和R^(2)作为评价指标,将所提出的模型与原始LSTM模型进对比,同时分析了权重分布情况.结果表明,该模型对水位预测的精度有明显提升,应用了时空注意力机制的LSTM(AT-LSTM)相比于原始LSTM,E_(MAE)、E_(RMSE)和E_(MAPE)分别降低了21.77%、31.15%和17.4%,R^(2)提高了9.69%.
    • 薛萍; 张召; 雷晓辉; 卢龙彬; 颜培儒; 李月强
    • 摘要: 针对建筑物调控下的水位预测难题,建立基于BP神经网络的泵站前池水位预测模型,在不同时间尺度下分析时间序列、影响因子、预报因子对水位预测精度的影响。将构建模型应用于胶东调水工程东宋泵站,研究结果表明:在数据总量一定的情况下,训练期和预测期之比为7∶3时,预测结果较好;数据量越大,保持一定预报精度所需要的正相关的影响因子数量越多;短时间内,预测时间间隔与数据本身时间间隔相同时,预测效果更好。该构建模型能够满足明渠调水工程泵站前池的水位动态预测需求,实现泵站前池水位的2 h准确预测和4 h一般准确预测,同时可在其他类似明渠调水工程中推广应用。
    • 刘威; 尹飞
    • 摘要: 受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战。提出了一种新的基于长短期记忆(Long Short Term Memory, LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价。该模型整合了降雨、水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差。实验使用Nash-Sutcliffe效率(NSE)、Pearson相关系数平方(R;)和绝对均方根误差(Root Mean Square Errors, RMSE)等评价指标,与基本的多层感知机模型和卷积神经网络(Convolutional Neural Networks, CNN)比较,得出如下结论:① LSTM模型的预测值不存在明显较小的波峰或波谷;②模型的预测精度不会随着预测时间步长的增加而急剧下降;③在真实的洪水事件预测中,雨量较小时不会引起预报线的波动,且预测洪峰时偏离度较小。当然,如何在大规模流域中应用该模型,以及对流域中的多个水库水位同时预测等问题,将在未来的工作中进行进一步的研究和分析。
    • 刘晓伟; 哈明虎; 雷晓辉; 张召
    • 摘要: 针对多种水工建筑物相互作用和影响下的泵站水位预测难题,提出基于GRA-NARX(grey relation analysis-nonlinear autoregressive model with exogenous inputs)神经网络的泵站站前水位预测模型。该模型包括灰色关联分析(GRA)和NARX神经网络两部分,利用3种训练算法和不同时间延迟分别对密云水库调蓄工程屯佃泵站站前水位进行2 h预测,并与NARX模型和GRA-BP(grey relation analysis-back propagation)模型的预测结果进行比较。研究结果表明,GRA-NARX-BR(grey relation analysis-nonlinear autoregressive model with exogenous inputs-bayesian regularization)模型用于水位预测能够比较全面地考虑影响因子,预测精度高,相关系数最高达0.986 62,均方根误差最小为0.008 6 m,预测效果比NARX模型和GRA-BP模型好,且时间延迟越长,均方根误差越小。模型也可在其他调水工程中推广使用。
    • 刘达; 罗维平
    • 摘要: 针对我国每年频繁发生的洪涝灾害及河流航道通行困难等问题,构建了一个基于时间序列神经网络的高精度的河流水位预报模型,该模型能够有效预测河流水位值,进而及时做出应急处理,减少对生命财产造成的损失。该模型采用湖北省武汉市某水位站2019年7月29日至2020年5月28日的逐时水位时间序列作为训练样本进行训练,2020年5月29日至2021年8月28日的逐时水位组成的500个数据为测试样本进行检验。该模型的预测水位值与真实水位值之间的平均绝对误差为0.00663,均方根误差为0.08143,平均绝对百分比误差为0.23785%,预测精度极高,具有较强实际应用前景。
    • 陈家辉; 李敏
    • 摘要: 文章根据西江梧州水文站水文数据2阶差分序列变化内较为平稳的特征,利用传统的单变量时间序列ARIMA模型进行短期水位预测。通过对西江从2019-01-01至2020-12-31每天24 h的整点水位作为时间序列,进行建模、预测及效果评估,建立了ARIMA(1,2,14)×(1,0,2)_(24)最优模型,该模型能够在短期内、实际降雨趋势无较大波动时,对西江梧州下游段通航水位进行较好的拟合预测,平均相对误差为1.48%,为船闸通航主管部门进行决策提供水情信息方面的数据参考依据,达到提升西江水运行业运力的目的。
  • 查看更多

客服邮箱:kefu@zhangqiaokeyan.com

京公网安备:11010802029741号 ICP备案号:京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有
  • 客服微信

  • 服务号