引汉济渭工程调水区月径流预报模型研究

针对各预报模型预报结果精度评价不统一的现状,考虑径流具有非线性、突变及非平稳性等特点,本文构建了包含均方根误差(RMSE)、平均绝对百分误差(MAPE)和Nash效率系数(NSE)三项指标的综合评价系统,对自回归滑动平均模型(ARMA)、人工神经网络模型(ANN)和支持向量机模型(SVM)在径流汛期和非汛期内进行了预报精度评价。结果表明:(1)单一评价指标下,ARMA模型与SVM模型预报结果精度相近,而综合评价系统表明,SVM模型预报精度优于ARMA模型;(2)三种模型在非汛期预报精度均高于汛期预报精度,SVM预报效果均最好。将径流进行分割后预报,预报精度可提高。本研究获得了可靠性和精度较高的月径流预报模型,可为工程水资源高效配置提供理论和技术支撑。     

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%.     

基于多因子最近邻抽样回归模型的径流相似性预报

针对传统径流预报精度不高、预见期不足的问题,提出基于降雨、径流相似性的径流预报方法,采用大数据挖掘在历史降雨产流过程中搜索相似过程,预测后期径流最可能的过程线。为了延长径流预报预见期,实时接入降雨预报信息,提出3种径流滚动预报方式,实现了7 d预见期的径流逐日滚动预报;针对流域在涨退水等不同阶段的产汇流特性,建立可根据实时水雨情自适应切换的降雨、径流输入模式,进一步提高径流预报精度。该研究成果在大渡河的应用表明预报效果达到预期:3 d预见期的纳什系数大于0.9,平均相对误差小于10%;7 d预见期的纳什系数大于0.8,平均相对误差小于15%。     

长期水文统计预报方法在长江大通站径流预报中的应用

以北太平洋海温(SST)、500?ｈＰａ高度(H500)和100?ｈＰａ高度(H100)3个气象场因子作为预报因子，采用逐步回归和逐步判别分析方法，对长江大通站的月径流量、7～10月份的径流总量以及年最大洪峰流量做预见期为1年的预报.结果表明，建立的统计预报方案满足精度要求，可供实际预报工作参考.     

三峡水库中期优化调度方法研究

以建成后的三峡水库为研究对象,开发了一个基于入库径流预报的水库中期优化调度模型.所开发的优化模型使用离散动态规划法作为优化算法,模型中包括长期优化模块(时间跨度为一年,优化时段为一个月),中期优化模块(时间跨度为3~7 d,优化时段为1 d),和长中期优化模块之间的耦合环节.长期优化模块所输出的是月平均库水位,它被设定为中期优化模型所使用的离散动态规划法的终止状态,以此实现长中期优化模型的耦合.应用此优化模型进行三峡水库调度模拟的结果显示,这种耦合机制的设计是成功的:长期优化的库水位轨迹能很好地指导中期优化调度.利用开发的优化模型,研究了具有不同预见期的入库径流预报对发电效益的影响效益.发现在7 d以内,入库径流预报的预见期越长,所获得的年发电量越大.在7 d的预见期下,年发电量最大可达理论年最大发电量(8.85×1010kW.h)的85%.     

基于TVF-EMD-PSO-GRU的月径流模型与应用研究

准确的径流预测在水资源规划和管理中发挥着重要作用．然而，受气候变化和人类活动等因素的影响，径流形成过程十分复杂，具有高度的非线性和非平稳性，更增加了径流预报的难度．为提高月径流预测精度，提出了基于时变滤波器的经验模态分解(TVF-EMD)和结合粒子群优化算法(PSO)的门限循环单元(GRU)的混合模型(TEPG)．首先利用TVF-EMD将原始月径流序列分解为若干个固有模态函数(IMF)，然后再利用PSO-GRU模型分别对每一个IMF进行预测，最后将每个IMF的预测结果相加得到原始月径流序列最终的预测结果．以黄河干流4个代表性水文站(包括唐乃亥站、头道拐站、花园口站、利津站)为研究对象，应用该模型对这4个测站的月径流进行单步预测研究，并与PSO-GRU(PG)模型、基于互补经验模态分解(CEEMD)的PSO-GRU(CPG)模型和基于经验模态分解(EMD)的PSO-GRU模型(EPG)进行对比分析．选用纳什效率系数NSE、相关系数R、均方根误差RMSE、预报合格率QR及预报精度等级等评价指标对模型预测精度进行评价．结果表明，与PG模型、CPG模型、EPG模型相比，TEPG模型具有更高的预...     

长期径流预报的灰色双向差分模型

本文基于灰色预测原理和双向差分理论，提出长期径流预报的灰色双向差分模型，实例应用表明，该模型由于获取了较多的历史径流信息，不仅能得到较为准确的径流预报值的拟合结果，还可得到非常可靠的长期径流趋势预报结果。     

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.     

考虑预见期加权的GFS降雨预报可利用性分析研究

在统计美国全球预报系统(GFS)桓仁流域的数值降雨预报与实际降雨结果的基础上,考虑不同预见期加权,分析了预见期为1~3d的降雨预报的可利用性.分析结果表明,考虑预见期加权的GFS降雨预报较不考虑预见期加权的预报可利用性明显提高.该方法对水库调度运行有重要的实际指导意义.     

基于Box-Cox变换与Lasso回归的支持向量回归模型在月径流预报中的应用

为进一步提高中长期径流预报的精度,从而为水库调度决策及水资源配置管理提供更可靠的信息支撑,针对径流序列的偏态性和非线性特点,将Box-Cox变换与Lasso回归引入支持向量回归(SVR)模型,构建基于Box-Cox变换与Lasso回归的支持向量回归月径流预报模型(BC-LSVR Model),在对原径流序列进行相空间重...     

TIGGE模式在淮河水系史河流域的应用

为了提高淮河水系史河流域降水预报的精度,对TIGGE模式降水预报校正方法进行了研究。基于TIGGE的ECMWF、KMA、JMA、UKMO、CMA等 5个模式2015—2017年汛期在史河流域的降水预报数据和雨量站实测降水资料,采用降水预报的均方根误差指标和在确报率、空报率和漏报率评价指标基础上提出的降水预报三率综合评价指标,对各模式在1~7 d预见期内的预报精度进行综合评价,采用2种非线性方法RBF及ν-SVR对TIGGE的5个降水预报模式进行非线性集合预报校正,并与线性方法BREM法进行了比较。结果表明:TIGGE的5个模式中,JMA模式的降水预报精度最高,其次是ECMWF和UKMO,实时降水预报校正ν-SVR法明显优于BREM法和RBF法;实时降水预报校正ν-SVR法提高了TIGGE模式降水预报的精度。     

基于长短时记忆（LSTM）神经网络的黄河中游洪水过程模拟及预报

洪水预报是防洪减灾的重要非工程措施,黄河中游地区水文情势近50 a发生显著变化,为提高变化环境下黄河中游半干旱半湿润地区洪水预报精度,本文以对时间序列数据具有良好模拟效果的深度学习神经网络（长短时记忆神经网络）为基础,建立不同预见期下的流域暴雨洪水模型,以探讨长短时记忆神经网络在黄河中游水文预报中的应用. 模型建立采用汾河上游静乐控制站1956—2014年98场暴雨洪水数据,其中以14个站点降雨及静乐站水文数据作为输入,不同预见期下的洪水过程作为输出,率定期为78场次,验证期为20场次. 结果显示:在预见期为0～6 h时预报精度较高,预见期为6 h以上时预报效果相对较差;预报精度随神经元数量和训练次数的增加而呈上升趋势,预见期为0～6 h时预报精度上升较为明显,而预见期6 h以上时预报精度上升较为均匀.      

中期数值降雨预报在汛限水位动态控制中应用研究

定义中期数值降雨预报最大可利用预见期、最大可利用预见量和实时预见期折减系数3个参数,对中期数值降雨预报信息进行预处理,且给出评估中期预报精度的指标以及指标的求解方法;然后利用上述3个参数,对汛限水位实时动态控制相对安全期进行定义,进而提出利用中期预报进行汛限水位动态控制的实时相对安全期法.对该方法风险分析过程就是对上述3个参数的优选过程.基于此,分别定义评估风险、风险效益以及调度决策者承受风险能力的指标,建立控制风险在决策者承受能力内而追求风险效益最大的风险分析模型,即参数优选模型.浑江上游桓仁-回龙库群试用结果表明,经济效益显著.     

不同流域的自回归径流预报效果对比

对未来月径流的可靠预报对于水力发电计划的制定和水资源调度管理具有重要的实际应用价值.由于相应预见期的气象预报不可靠以及月径流序列具有明显的非线性和随机性,导致已有模型的预报效果差异大,即使采用同一种模型,在不同流域的预报效果也显著不同.本文选取了自回归滑动平均(ARMA)模型、人工神经网络(ANN)模型和支持向量回归(SVR)模型这3种常见的径流预报模型对3个研究区域的未来一个月的径流进行预报,并用反映相对误差的平均绝对百分误差(MAPE)对预报效果进行了评估和对比分析.3个流域的预报效果对比分析表明预报效果与历史径流序列的变异系数CV以及一阶自相关系数Rlag1有关.此外,各月的径流预报的MAPE和该月历史月径流序列的CV以及Rlag1的绝对值|Rlag1|也显著相关,用CV和|Rlag1|拟合MAPE的决定系数为0.80.3个流域的流域特性分析则表明预报效果的差异本质上是由流域特性差异造成的,可以通过计算历史径流序列的CV、|Rlag1|判断是否适合运用数据驱动模型进行月径流预报.     

ECMWF集合预报在淮河蒋家集流域的应用

基于欧洲中期天气预报中心(ECMWF)集合降水预报产品(预见期为10 d),提取淮河蒋家集以上流域的预报数据并进行降尺度处理,驱动洪水预报模型,对2008年8月的一次洪水过程进行模拟预报。为探讨ECMWF集合降水预报驱动洪水预报模型的应用效果,将模拟预报的结果与仅采用地面降水观测数据驱动模型的模拟结果进行对比分析。结果表明:采用ECMWF集合降水预报后,洪水模拟预报精度有明显改进,可使洪水预见期提前48 h;洪水模拟预报流量过程线能刻画洪水预报的不确定性范围,可为防洪减灾提供科学决策依据。     

结合大气环流和遥相关信息的集合径流预报方法及其应用

该文采用集合径流预报(ensemble streamflow prediction,ESP)方法对汉江白河站1970～2000年逐月径流量进行了回顾式预报。针对传统集合径流预报方法中对气象条件变异性考虑不足这一问题,该文尝试引入影响径流的大气环流因子和遥相关信息,对历史气象年份进行挑选,选择与预报年相似的历史气象条件组成集合,以增加气象集合输入的代表性,从而提高径流预报的精度。以夏季(6月、7月、8月)和冬季(12月、次年1月、2月)月径流量为预报对象,改进后的集合径流预报方法显著地提高了预报精度,各月预报的合格率均超过60%,其中8月和12月的合格率达88%,能够满足实际生产需要。     

耦合TIGGE降水集合预报的洪水预报

耦合数值降水预报信息的洪水预报延长了预见期,为防洪调度赢得了宝贵的决策时间.但"单一"的降水预报具有较大的不确定性,即基于"单一"的降水预报所做出的调度决策可能不是优化的,甚至可能会出现较大的偏差,因此在洪水预报中引入了降水集合预报信息来考虑相应的降水不确定性.文中以桓仁水库以上流域为试验流域,将欧洲中期天气预报中心(ECMWF)的降水集合预报数据驱动新安江模型,得到预报径流的区间范围,为决策者提供更多有用的风险信息.计算结果表明,ECMWF降水集合预报可用于洪水预报,且能较好地描述洪水预报的不确定性.根据集合平均降水预报的特点,对集合平均降水数据进行了修正,并将修正后的集合平均数据驱动水文模型,其预报效果有了很大的改善.     

新安江模型和支持向量机模型实时洪水预报应用比较

选择新安江模型和支持向量机模型分别在浙江省、陕西省的4个流域进行实时洪水预报,并使用K-最近邻实时校正法对新安江模型预报结果实时校正,比较2种模型在不同流域的应用效果,其中选择确定性系数、峰现时间误差、洪峰相对误差和均方误差作为模型预报评价指标。进一步改变预报预见期并分析2种模型在不同预见期内的预报精度。研究结果表明,新安江模型和支持向量机模型在不同流域洪水预报中各有优势,支持向量机模型预报精度受降雨精度影响较大。当预报预见期较长时,新安江模型预报结果更好;随着预见期缩短,支持向量机模型预报精度显著提高,在短预见期实时预报中支持向量机模型优势更明显。在预报难度较大的半湿润半干旱流域,新安江模型和支持向量机模型在率定期和实时预报过程中均具有较高精度。     

雷达测雨及临近预报在中小流域水文视角下的应用评估

本文选取了2012年“苏拉”、2014年“海贝思”、2016年“尼伯特”三场台风在梅溪流域引发的三场不同类型降雨过程,探究了雷达测雨及临近预报在中小流域水文预报中的应用前景。采用24h累积雨量相对误差RE、时空两个维度均方根误差与相应维度均值的比值m-RMSE、平均绝对误差RMAE和平均偏差RMB等指标,基于地面雨量站的观测值评估雷达测雨以及1h、2h、3h预见期的集合临近预报,结果表明：雷达测雨总体上与地面雨量站观测值较为接近,不同类型降雨的RE值均在3%左右;时空分布均匀的降雨,临近预报效果优于短历时降雨和强降雨的临近预报效果,且随着预见期的延长,时空分布均匀的降雨预报效果更稳定,短历时降雨和强降雨的预报精度下降明显。因此,高时空分辨率的雷达测雨及临近预报在中小流域水文预报中有较好的应用前景,但短历时降雨和强降雨还需进一步研究。     

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,论文基于澄碧河流域坝首站1979-2019年共41a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明：EWT-PSO-Elman模型的纳什效率系数为0.9135,均方根误差为19.4511,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。