一种新安江模型参数的全局优化方法

将全局优化方法SCE-UA用于新安江模型的参数优化中,以月潭流域1978—1991年共14年的实测降雨、径流资料以及1982—1988年实测洪水资料为例,对新安江模型参数全局优化方法进行研究.研究结果表明,单纯利用SCE-UA方法得到的最优参数组会随着资料长度的变化而变化,体现出了优化结果的不稳定性.进而引入赵人俊的新安江模型参数客观优化理论,将SCE-UA方法与该理论相结合.研究结果表明,该方法可避免因参数之间的相关性导致参数优化结果的不稳定现象,可大大降低模型的不确定性.通过检验,该方案可以较好地用于新安江模型参数优化中.     

基于SCE-A算法的新安江模型参数优化及应用

为了减小水文模型参数优化中人工试错法和局部优化法的不确定性,以一种快速有效的优化方法搜索到水文模型参数的全局最优解。以安徽呈村流域为例,使用SCE-UA算法对新安江模型参数进行优化,日模型和次洪模型分别采用总体水量误差和对数绝对值误差作为目标函数,分析优化结果并对优化参数进行检验。经检验分析,日模型检验期确定性系数均达到0.8,次洪模型检验期确定性系数接近0.9。研究结果表明,采用SCE-UA算法优化新安江模型参数可以取得较好结果,目标函数的选择对参数优化有着重要作用。     

基于SCEM—UA算法的新安江模型在梅山水库流域上的应用

将SCEM—UA算法内嵌于新安江模型中,利用梅山水库流域水文资料对该算法优选的参数结果进行分析．参数优选主要针对模型的敏感参数,并用实测资料对其验证分析,最后计算洪水精度评定指标分析高水过程模拟结果．研究表明,SCEM—UA算法能够快速有效地对新安江模型参数进行优选,并且基于该参数率定结果的新安江日模型在梅山水库流域上运行效果良好．     

新安江模型参数全局优化研究

采用单纯多边形进化算法对3个气候与流域条件各不相同的流域的新安江模型计算参数优化问题进行了研究．结果表明：对于没有误差的水文资料,采用单纯多边形进化算法,可以优化出新安江模型的全部参数并使参数收敛到真值;对于实测的水文资料,由于模型参数之间的共线性,固定参数B与EX,可同时率定模型其他参数,随着实测资料系列的增加,率定参数值将趋于稳定．     

SCE-UA算法在TOPMODEL参数优化中的应用

以江西修水万家埠流域为例,用SCE-UA算法对TOPMODEL参数进行了优化,并对优化结果进行了检验.结果表明:SCE-UA算法不仅可以用于概念性水文模型和分布式水文模型,还可以用于半分布式水文模型———TOPMODEL;TOPMODEL参数上下边界需根据参数的物理意义和研究流域特性来确定;在SCE-UA算法中,目标函数的建立对于参数优化具有重要作用,在次洪模拟时,目标函数应突出高水过程和洪峰对模拟效果的影响;SCE-UA算法的绝大部分参数取值都可以采用已有研究成果的默认值,只有复合型个数p需要根据具体问题确定.     

综合误差系数在新安江模型参数全局优化中的应用

采用SCE-UA算法以及综合误差系数的方法构建考虑多因素的单目标函数,并将其应用于新安江模型的参数率定。以皖南山区芦溪流域为例,分别对流域的日径流过程及次洪过程进行模拟,均取得良好的应用效果。研究结果表明,在目标函数中考虑多个精度评定指标,能够使新安江模型模拟结果的整体效果很好,进而更准确地描述流域的水文过程。     

API模型和新安江模型的参数区域化研究与应用

为了将API模型与新安江模型更好地应用于无资料地区,将API模型和新安江模型应用于大别山区及皖南山区的29个中小流域,对模型参数在研究区的区域规律进行研究,通过中小河流新建水文测站对参数区域化的成果进行实证研究。结果表明:API模型与新安江模型均能较好地用于研究区中小流域的洪水模拟;逐步回归分析法能有效地推求模型的敏感参数;基于空间邻近与逐步回归分析相结合的参数区域化方法,API模型与新安江模型在新建水文测站次洪模拟中的平均确定性系数分别达到0.92和0.86,该方法能有效地推求研究区无资料流域API模型与新安江模型的参数。     

小流域洪水预报新安江模型参数优选方法及应用研究

针对小流域洪水降雨强度大、历时短、汇流速度快的特点,提出了一种应用新安江模型进行小流域洪水预报及模型参数优化率定的方法.该方法以最小二乘法作为模型参数优选的准则,并采用逐次渐进网格寻优法优选模型参数.由于该方法同时优选所有模型参数,不需要对实测径流进行分割,从而可避免人工分割径流而出现的参数率定误差.最后,按照该方法,应用二水源、三水源新安江模型对广东省黄京塘流域进行了研究计算,优选出了模型参数.模型验证结果表明,二水源新安江模型效果比三水源新安江模型好.     

随机GP法在概念性水文模型参数优选中的应用

 在基于近似梯度及模式搜索法的基础上,提出了复合上述两种方法的GP局部优化方法。以Nash确定性系数为目标函数,对水文模型的参数空间随机搜索后采用GP方法优化,运用参数空间筛选策略,以获得全局最优解集。上述方法结合导数信息和随机性质的算法,使优化过程脱离局部极小解从而达到近似全局最优解集。杨楼单元流域应用新安江模型的实例研究结果表明,随机的GP优化方法可以成功的率定概念性水文模型参数。     

蚁群算法在黑河上游VIC模型参数校正中的应用

参数优选是水文模型应用过程中的一项基础性工作.蚁群算法结合了分布式计算和正反馈机制,是一种较容易理解和实现的元启发式算法,已在求解复杂组合问题中展示出优异的性能.本文将蚁群算法应用于黑河上游VIC模型的参数优选中,通过与SCE-UA算法对比,探究蚁群算法在VIC模型中的适用性.经过蚁群算法优选的VIC模型在率定期(2003—2006年)和验证期(2007—2008年)的Nash效率系数分别为0.62和0.65,结果优于SCE-UA算法模拟结果.通过对蚁群算法在应用过程中的参数设定进行初步探究,结果表明:当蚂蚁数目为60,信息素蒸发系数为0.2时,蚁群算法在黑河上游水文模拟中易获得较好的率定结果.研究结果显示:蚁群算法是一种有效的VIC模型参数优选方法,适宜在其他水文模型参数优化进行推广.     

遗传算法在新安江模型参数优化中的应用

本文针对新安江数学模型的参数优化识别的问题,在将基本遗传算法用于非线性系统参数优化的基础上,提出了一种改进的遗传算法.结果 表明改进的遗传算法具有直观、简便、快速及适应性强等特点.     

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。     

遗传算法在新安江模型参数优化中的应用

本文针对新安江数学模型的参数优化识别的问题,在将基本遗传算法用于非线性系统参数优化的基础上,提出了一种改进的遗传算法。结果表明改进的遗传算法具有直观、简便、快速及适应性强等特点。     

基于改进粒子群算法的球磨机运行优化

为了降低制粉系统球磨机的能耗率,对球磨机进行了运行优化的研究.在运行优化过程中,为了获得运行优化的目标模型,运用支持向量回归机对制粉出力进行了软测量建模,实现了制粉出力的在线软计算,得到了制粉单耗的计算模型.在此基础上,将混沌遍历的思想引入粒子群优化算法,提出了一种新的混沌遍历粒子群算法,该改进粒子群算法具有较快的搜索速度及全局收敛的特点.将该改进粒子群算法用于球磨机运行目标的优化从而获得最佳运行参数值.研究结果表明,运用所建立的运行优化目标模型及改进的优化算法可以获得球磨机的最佳运行优化参数,该研究具有重要的工程应用价值.     

岩体力学参数反演的代理蜜獾优化方法

针对复杂地下工程岩体力学参数反演时因大量调用数值计算模型导致计算耗时大的问题,提出一种新的仿生优化代理反演方法,即蜜獾优化算法-高斯过程回归-三维快速拉格朗日数值计算(honey badger algorithm-Gaussian process regression-FLAC^3D,HBA-GPR-FLAC^3D)方法。该方法将围岩的实测位移与数值计算结果间的误差作为目标函数,将岩体力学参数作为优化变量,利用全局寻优性能优异的HBA搜索目标函数全局极小值,并采用牛顿优化算法进行当前最优算子邻域的局部寻优,局部寻优中采用GPR代理模型而非基于FLAC^3D计算所构建的目标函数作为算子适应度评价工具。研究表明,与基于单纯仿生优化算法的反演方法相比,在达到相同计算精度条件下,所提出方法的数值模型调用次数显著降低,适用于单次数值计算较为耗时的复杂地下工程岩体力学参数快速识别。     

基于PSO—SVM模型的拱坝坝变形预测研究

拱坝已成为大型水利枢纽的主要坝型之一,大坝变形预测是大坝安全监控的重要内容,预测分析的难点之一在于变形监测数据往往具有复杂的非线性特点．支持向量机（SVM）具有良好的泛化能力,可有效地解决小样本、非线性、高维数等问题,因此可将其广泛应用于拱坝变形观测中．由于算法的成功与否很大程度上取决于其参数的选取,本文充分利用粒子群算法快速全局优化的特点,采用粒子群算法来优化支持向量机的模型参数,建立了基于PSO—SVM的大坝变形预测模型．将该模型应用于某拱坝坝基变形预测中,与传统的多元回归模型预测结果进行对比．结果表明,PSO—SVM模型用于拱坝变形预测是可行的．     

海域组合单元水质模型参数反演方法研究

参数反演是海域水质模型验证工作的主要难点之一,同时模型模拟海域内参数的统一赋值又降低了其实际的物理意义.本文建立海域组合单元水质模型参数反演的新方法:将研究海域划分为若干单元,敏感参数在各单元中独立赋值.将基于人工神经网络的数据驱动模型同水质模型有机结合,通过水质模型计算多参数匹配设计的工况,构建海域内部观测点的解集;以数据驱动模型归纳建立状态变量(污染物浓度)同多个控制变量(模型参数)之间的非线性关系.将实测资料带入关系中,进行模型参数随地域变化的组合单元优化反演研究.以渤海海域水质模型多参数反演为例,采用"孪生"试验验证参数组合单元反演新方法的可行性,结果表明该方法是有效的.     

VIC模型与新安江模型径流模拟对比研究

分别选取VIC模型与新安江模型作为分布式和集总式水文模型的代表,以太湖上游山区西苕溪流域为例,以Nash-Suttcliffe效率系数为目标函数,用SCE-UA (shuffled complex evolution algorithm)自动优化算法进行参数自动率定,探究不同结构的模型在径流模拟中的差异性.模拟结果表明:VIC模型和新安江模型在该地区日降雨径流模拟中都表现出了较好的适用性,率定期模型效率系数分别为0.76和0.77,验证期分别为0.84和0.82;但是在月时间尺度上,VIC模型和新安江模型则表现出了较大的差异,率定期分别为0.78和0.87,验证期则分别为0.85和0.91;从月均方根误差和平均绝对误差来看,新安江模型也表现了更好的模拟性能.从丰水(25％)、平水(50％)和枯水(25％)三个流量等级探究VIC模型和新安江模型的模拟及预测效果,结果显示:VIC模型在丰水时模拟较好,新安江模型在平水和枯水时模拟较好,尤其是在低流量时,模拟能力远优于VIC模型.     

基于人工智能算法的中小水电智慧气象保障服务技术研究

选用江西省七一水库日入库流量资料,基于改进的新安江模型对中小型水库降雨来水增量预报方法进行研究.通过使用默认参数的新安江模型、率定参数的新安江模型和线性回归3种方法对江西省七一水库2016―2018年模拟流量效果进行平均相对误差、均方根误差、平均绝对误差、确定性系数这4个方面的比对.研究得出:1)使用线性回归模型之后减少的误差最多;2)结合使用深度学习算法能够更大地提高准确率.研究成果已实现在江西省水库及防汛部门进行实际应用.     

新安江模型参数的自动率定

为了解决顶报模型参数的自动率定,本文对新安江模型作了研究,探讨该模型参数优选中遇到的优化结果不一致性和不合理性问题,提出了一种适合于新安江模型参数自动率定的最优化过程,并应用于两个流域的模型参数率定中,效果较好。