径流中长期预报级别特征值特征展开模糊推理方法

针对现有径流中长期预报模糊推理方法在实际应用中存在的问题,提出了径流中长期预报级别特征值特征展开模糊推理方法,使原有的模糊推理法得到改进,从而增强了模糊推理预报方法在径流中长期预报以及其他实际工程预报中的应用效果;并将新方法应用于大伙房水库年径流预报中,实例应用研究表明应用该方法预报中长期径流可以得到较好的预报结果.     

滑动窗口二次自回归模型在径流预报中的应用

为提高径流预报精度,采用滑动窗口二次自回归模型进行径流中长期预报,提出自适应优化、平稳滑动窗口和均方根误差最小的综合选取模型参数的方法.实例应用结果表明:该方法不仅提高了模型的预报精度,而且保证了模型的稳定性;与人工神经网络模型相比,滑动窗口二次自回归模型的1步预报具有更高的精度,可用于中长期径流预报.     

基于可变模糊集理论的径流预报单要素近似推理法

在深入研究径流中长期预报的单要素预报模糊推理方法基础上.针对其中应用传统的模糊分布函数来描述模糊子集的不合适问题.结合可变模糊集理论,提出了基于可变模糊集理论的径流预报单要素近似推理法;与原有的单要素预报的模糊推理方法相比,新方法可以科学合理地确定待预报径流量隶属干模糊子集区闻的隶属庹,使模糊推理方法更趋完善;详细介绍了新方法的基本原理及步骤;将新方法应用于磨盘山水库年径流预报,验证了方法的科学合理性.     

径流中长期预报模糊优选神经网络模型应用研究

预报因子选择与模型训练精度确定,是模糊优选神经网络模型应用于径流中长期预报时有待研究解决的两个重要问题.应用预报因子集与预报量间的复合非线性相关分析方法选择预报因子(集),克服了通常单因子线性相关分析选择预报因子的不适用性;通过定义综合效应系数来综合评价模糊优选神经网络模型的拟合能力与外推预报能力,为研究模型的拟合精度高而外推预测精度低的问题提供了一种解决方法.     

水库中长期水文预报模型研究（Ⅱ）

中长期水文预报模型库是水库中长期水文预报系统的核心。本研究面向预报对象,利用多要素预报法探索外界各种因素对水文预报对象的影响,分析预报对象与影响因子的相互联系及其变化的物理成因,利用数理统计方法建立了3个基于径流及其影响因子的成因统计关系的预报模型,分别为投影寻踪回归、时间序列—马尔可夫分析、非线性动力系统学以及神经网络模型,这些模型为有效进行水文对象的中长期预报提供了坚实的基础。     

小波变换集遗传算法神经网络的径流预测建模

为获得更精确的径流预报结果,利用dmey小波变换对径流时间序列分解为高频信号和低频信号,再使用遗传算法优化的BP神经网络分别对其进行预测,最后利用dmey小波逆变进行重构,以此建立径流总量预测模型。通过对柳江径流总量进行实例分析,并与遗传算法优化的神经网络模型、BP神经网络模型及传统的时间序列分析方法对比,该方法获得更准确的预测结果。研究结果表明该模型能充分反映径流时间序列趋势,预报稳定性好,预报准确率高,为径流时间序列预测提供一个有效建模方法。     

中长期径流预报中PCA-IBP模型的改进算法研究

径流预报的信息有很大的相关性,这是必须在预报工作中避免的,同时,这些信息的维度较高,且以往处理这些信息的数学模型计算复杂度较高.针对以上问题提出了一种混合主成分分析方法(PCA,Principal Component Analysis)和改进BP(Improved Back Propagation)神经网络模型的中长期径流预报模型(PCA-IBP),此种方法可以很好地避免以上不足,可以进一步提高模型计算效率.实际数据验证表明,提出模型预报的精准程度以及效率都较传统的BP神经网络预报模型有所改善.     

GA优化的模糊神经网络在炉温控制中的应用

文章提出了一种利用模糊推理系统、神经网络和遗传算法相结合的加热炉炉温控制模型;该模型利用神经网络构造模糊推理系统,利用遗传算法对神经网络的参数进行优化与训练,以完善系统的自学习和自适应能力;经仿真试验表明,该系统具有良好的控制效果.     

多尺度多模型的梯级水库优化调度决策支持系统

梯级水库群优化调度因来水预报不确定性强、水库群优化变量维数高、决策评估目标多等特点,一直是学术界和工程界的研究热点.本文分析了不同时间尺度的水文预报模型与优化调度模型的基本特征与数据需求,建立了多尺度多模型的梯级水库优化调度决策支持系统.该决策支持系统将数值天气预报的有效预报期(15d)作为短期调度模块与中长期调度模块的时间分界.短期调度模块采用数值天气预报降水量和数字流域模型预测未来15d的日径流过程,使用预报结果进行短期的梯级水库优化调度;中长期调度模块采用基于自回归和遥相关的组合预报模型,预报未来1年的月径流过程,用于中长期的优化调度.本文采用面向服务的软件架构(SOA),将年、月和日尺度的预报和调度模型集成,构建决策支持系统,可以实现多时间尺度的水情滚动预报和梯级水库优化调度.本系统在黄河上游干流梯级水库群和大通河流域梯级水库进行试验应用,结果表明该系统能够快速集成分析相关水情数据,开展梯级水库优化调度演算,及时为决策者提供清晰有效的决策辅助信息.     

差分进化优化参数的LSSVM中长期径流预测

针对LSSVM预测模型参数难以确定的问题,利用差分进化(DE)算法的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,避免了人为选择参数的盲目性。将优化后的LSSVM模型应用于中长期径流预测问题。选取黄河三门峡站1919年至1992年径流量实测数据进行分析和训练,对1993年至2002年的年径流量进行预测,并与BP神经网络和SVM模型进行比较。研究结果表明,该模型具有较高的预测精度。     

基于相关向量机的中长期径流预报模型研究

鉴于其优越的预报性能,将相关向量机（RVM）应用到中长期径流预报中,并在相空间重构的基础上,建立了基于相关向量机的径流预报模型.该模型首先对径流时间序列进行相空间重构,并以重构后的径流序列作为模型输入;其次,采用粒子群优化（PSO）算法识别模型参数,利用优化所得重构参数验证时间序列具有混沌特性,在模型内循环过程中采用EM算法迭代估计超参数,并将RVM与应用较为广泛的最小二乘支持向量机（LSSVM）和自动回归滑动平均模型（ARMA）进行了比较分析,结果表明该模型具有较好的泛化能力;最后,基于水文过程变化的不确定性、RVM描述输出值的不确定度以及相应概率下的预报区间,使得调度人员在决策中能考虑预报的不确定性,定量估计各种决策的风险和效益.     

基于机器学习方法的臭氧和PM2.5污染潜势预报模型——以成都市为例

以成都市为例, 以多项可能影响污染物时空分布的变量为潜在预报因子, 筛选关键入模因子, 利用2016—2018年数据为训练集, 采用多元线性回归、BP神经网络和随机森林算法, 建立成都市夏季(4—8月)臭氧及冬季(11—2月) PM_2.5污染潜势模型, 并利用2019年数据对模型的中长期污染潜势浓度的预报性能进行评估。结果表明, 建立的多元线性回归、BP神经网络和随机森林模型对成都市臭氧及PM_2.5的短期(1~3天)污染潜势都具有良好的预报效果, 对7~15天的中长期潜势预报表现稳定。其中, 多元线性回归模型和随机森林模型分别对臭氧和PM_2.5表现出相对最佳的预报性能。     

LASSO回归和支持向量回归耦合的中长期径流预报

同样预报精度情况下,中长期径流预报提前期越长,对水库调度方案与发电计划的制定辅助决策作用效果更强.中长期径流预报的难点在于径流序列的随机性以及相应预见期的气象难以可靠预报.当前的预报模型大都是基于数据分析的数据驱动模型,其输入因子多为前期径流和大尺度气候因子.而预报因子的选择对于数据驱动模型的精度非常关键.因此,需要有效的因子筛选方法以辅助建模.本文引入lasso回归方法以筛选径流预报因子,其选择结果作为支持向量回归(SVR)模型中的预报因子,形成LASSO回归和支持向量回归耦合(LSVR)模型,并将LSVR模型应用到龙羊峡水库进行预见期为一个月的入库径流预报,并与传统SVR模型预报结果进行对比.结果表明,径流因子的选择对两种模型的预报效果都有较大的影响,过多引入前期径流因子时预报效果较差.两种模型的预报结果对比表明,LSVR模型能够增强有益预报因子的作用,减弱干扰因子的影响,在验证期和测试期的预报结果都好于SVR模型的.在2010年1月到2016年10月的82个月的测试期中,LSVR模型的4项评价指标相比SVR模型都有所提升,其中均方误差(MSE)比SVR模型减小了13.09%.     

岚河流域径流中长期GM(1,2)时滞预测模型

针对半干旱地区的降雨径流机制比较复杂这一特点,应用灰色系统理论,提出一种较适合于水文实测资料缺乏情况下的中长期预报方法,建立了岚河流域径流中长期GM(1,2)时滞预测模型。运用该模型对岚河流域的未来径流量进行了预测,结果表明,模型具有比较高的预测精度,且考虑2年时滞效应的灰色预测模型具有比较好的预测结果。     

广义翁氏旋回模型及其在河川径流预测中的应用

将广义翁氏旋回模型（GWCM）应用于河川径流的中长期预测中,采用变维分形法求解模型;以黄河上游贵德站的径流预测为实例计算,将GWCM与WCM、BP神经网络模型的预测结果进行对比,结果表明,采用GWCM预测的径流过程与天然径流过程具有良好的同一性,且精度有较大的提高,为河川的年径流量预测提供了有效途径。     

水库中长期水文预报模型研究（Ⅰ）

中长期水文预报模型库是水库中长期水文预报系统的核心。本研究面向预报对象,利用多要素预报法探索外界各种因素对水文预报对象的影响,分析预报对象与影响因子的相互联系及其变化的物理成因,利用数理统计方法建立了7个基于径流及其影响因子的成因统计关系的预报模型,重点介绍了其中的多维混合回归、模糊分析、门限回归模型,这些模型为有效地进行水文对象的中长期预报提供了坚实的基础。     

基于PSO和神经网络的中厚板凸度预报模型辨识

针对在钢板轧制过程中很难精确预报中厚板的凸度问题,将粒子群算法和神经网络用于辨识中厚板凸度预报模型.结合了神经网络和粒子群算法各自的优点,先采用三层神经网络建立神经网络预报模型,再利用粒子群算法对网络的权阀值进行训练.实验结果表明:相对于BP神经网络凸度预报模型,本文设计的PSO神经网络预报模型在收敛速度和预报精度上明显优于BP神经网络,具有精确性、收敛性和快速性等特点.     

人工鱼群神经网络在热连轧卷取温度预报中的应用

卷取温度预报结果对热轧带钢的成品性能具有重要影响。人工鱼群算法是新近提出的寻优策略,具有良好的克服局部极值、获得全局极值的能力。建立了一种人工鱼群神经网络预测模型,利用人工鱼群算法训练神经网络的权值,并将该神经网络用于卷取温度预报。通过某钢厂现场实测数据对该模型进行离线训练和对比测试,结果表明,该方法与传统的BP神经网络预测方法相比,具有较强的自适应能力和较好的预报效果;该模型能够精确预报卷取温度,可用于离线学习和预报,为在线应用打下良好基础。     

基于预报因子聚类分级的日径流预报深度信念模型及应用

径流预报是水库运行调度的重要决策依据,提高入库径流预报精度,对水库优化调度和水资源高效利用具有重要意义.本文提出一种基于大样本数据分级策略的深度信念网络模型(Deep Belief Networks,DBN),以龙羊峡入库径流预报为例,采用Fuzzy C-means(FCM)聚类方法,将总样本训练集分为不同训练样本子集;不同样本子集下,对不同预报因子(只考虑降雨、考虑不同时期的降雨及同时考虑降雨及前期径流),分别建立DBN模型和人工神经网络模型(Artificial Neural Network,ANN),分析样本分级和考虑不同因子情况下不同模型的预报结果.结果表明:与不考虑预报因子分级的预报模型相比,基于时间序列聚类的预报模型显著提高了径流预报的精度;通过FCM聚类,将样本分为3类,考虑降雨及前期径流作为预报因子进行分级时,比只考虑降雨、考虑不同时期的降雨时建立的预报模型的预测精度更高.用该模型进行龙羊峡水库入流日径流预报,提高了预报精度,可为龙羊峡水库调度提供决策支持.     

基于LMBP算法的崇阳溪流域降雨径流预报模型研究

采用泰森多边形法对流域进行划分,分别确定崇阳溪上游流域6个雨量站控制子流域的面积权重.选择1997至2014年的14场流域降雨径流过程为训练样本,以上游6个雨量站的时段雨量和武夷山水文站前期流量为输入,武夷山水文站相应流量为输出,采用3层网络,其中隐含层节点数采用试算法确定,建立崇阳溪上游流域LMBP神经网络降雨径流预报模型.利用余下的7场降雨径流过程对模型进行检验,结果表明,模型运算速度快、时效性好,预报精度符合要求,可以用于流域的降雨径流预报.