基于SCE-UA算法的山区河流洪水预报研究——以寿溪河为例

在山区河流,强降雨易引发山洪灾害,给人民的生命、财产带来严重威胁,因此,及时准确的山区河流洪水预报预警非常重要。然而,由于山区河流洪水突发性强且影响山区河流洪水的原因复杂,山区小流域洪水预报精度始终有限。以四川省典型山区小流域--汶川县寿溪河流域为研究对象,采用三水源新安江模型与垂向混合产流模型,并引进SCE-UA算法进行参数优选,对该流域的洪水预报进行了深入研究。研究表明SCE-UA算法适用于山区河流洪水预报,显著提升两个模型的预报效果,使三水源新安江模型和垂向混合产流模型的合格率分别提高了20%和35%。综合分析各项指标,垂向混合产流模型的预报结果相比三水源新安江模型更好。研究成果可应用于寿溪河流域山洪灾害预警,同时也可为其他山区河流洪水预报提供参考。

优选伸缩比SCE-UA算法与新安江模型参数率定研究

洗牌复合形进化(SCE-UA)算法作为寻优能力较强的全局寻优算法已被广泛应用于水文模型参数率定领域。经典SCE-UA算法中的下山单纯形搜索采用固定伸缩比实现反射和收缩操作,其寻优效率还有待提升,实际应用中发现变动伸缩比能够改善算法的寻优效率。针对以上问题,结合数值实验与分析,发现伸缩比取值存在最优区间,在伸缩比最优区间内均匀采样,利用优选法在单纯形搜索过程中动态确定最适伸缩比,提出了基于优选伸缩比的SCE-UA算法。本研究利用改进的算法,基于多组人工降雨—径流资料开展了新安江模型参数率定研究。结果表明,相较于固定伸缩比,优选伸缩比算法在多组人工降雨—径流资料下的参数率定测试中均表现出相同迭代次数下目标函数值更优的结果,显著提升了优化效率,进一步提升了算法的深度搜索能力,具有推广应用价值。

基于SCE-UA算法的船舶能效比率优化

船舶能效比率是衡量营运能效的关键指标,采用优化算法开展船舶能量管理可有效改善船舶能效比率,从而满足国际海事组织对船舶碳排放管理的要求。通过构建混合动力船舶的柴油机模型、储能装置模型、船舶动力学和碳排放模型,以柴油机转速和电池充放电功率为决策变量,定义航次时间、主机转速、电池电量和功率等约束条件,采用混合复杂形进化算法(SCE-UA),以某船的典型航次为算例,结合船舶性能、运行环境和任务要求,对船舶营运能效开展全局优化分析,使船舶能效比率降低2.17%~5.19%。优化效果相比采用遗传算法能更有效延缓碳强度指标评级的降级,产生较高的经济成效。

新安江模型参数优化的一种约束SCE-UA算法研究

在新安江模型参数优化领域,洗牌复合形进化(Shuffled Complex Evolution,简称SCE-UA)算法得到了广泛的应用。但在长序列降雨径流模拟和模型参数优化中面临一些问题需要解决。当模型参数适配不当时,土壤含水量易于出现负值,此外,不同径流成分对应的汇流参数需要满足一定的大小关系。上述问题的处理,决定着优化算法能否找到具有正确物理意义的最优模型参数,以及径流模拟结果的合理性和可靠性。针对这些问题,提出了一种约束SCE-UA算法,通过罚函数法对土壤含水量和汇流参数施加约束,引导优化算法向具有正确物理意义的参数可行域展开搜索,在寻优的同时确保了物理意义的正确性。在呈村流域开展了基于约束SCE-UA算法的新安江模型参数优化研究,数值模拟结果表明,约束SCE-UA算法能够确保模型参数物理意义的正确性,解决了土壤含水量出现负值和汇流参数大小关系错误的问题。利用优化获得的最优参数开展水文模拟,能够取得更好的水量平衡效果和更高的模拟精度。

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.

基于SCE-UA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。

SCE-UA算法优化土壤湿度方程中参数的性能研究

借助于一维土壤湿度模型,分别将土壤成份和土壤性质相关参数作为待优化的参数,通过观测系统模拟试验的方式,评估SCE-UA(Shuffled Complex Evolution Algorithm)优化算法对这些参数的优化效果。结果表明:优化的效果不仅依赖于参数的取值范围,还依赖于参数的敏感性,敏感的参数通过优化算法易得到最优值;不敏感的参数存在"不敏感区间",在"不敏感区间"中易陷入次优,通过缩小参数优化分布区间和增加优化的次数可以部分提高优化的效果。此外,模型的超定性也可能导致参数次优值的出现,而通过恰当地给出参数之间的约束条件和优化判据,可以提高参数优化的效果。

水文模型模糊多目标SCE-UA参数优选方法研究

在SCE-UA算法的基础上,结合Pareto排序和模糊多目标优选的优点,提出了水文模型模糊多目标SCE-UA(FMOSCE-UA)参数率定方法。目标函数综合考虑了洪峰流量、水量平衡、峰现时间以及流量过程均方差等水文过程的不同要素,使得优选的参数更能反映流域水文特征。双牌水库实例研究结果表明FMOSCE-UA优于标准SCE-UA算法,优选参数完全可以用于实际洪水预报。

SCE-UA算法在暴雨强度公式参数优化中的应用

针对暴雨强度公式的超定非线性等特点,提出了将SCE-UA算法应用于不同重现期的暴雨强度与降雨历时关系式中参数的优化,并与优选回归法、遗传算法、粒子群算法和蚁群算法的优化结果进行了分析比较。实例应用结果表明,该算法可有效、快速地搜索到参数组全局最优解,且稳定可靠,提高了暴雨强度公式参数优化的精度,较其他算法具有一定的优越性。

基于SCE-UA算法的API模型应用研究

为了减小Nash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求Nash模型参数的全局最优解。以安徽呈村和榆村流域为例，使用SCE—UA算法对API模型参数进行优化，采用对数绝对值误差为目标参数，分析优化结果。选用1988年～1999年共20场洪水进行经检验分析，模拟结果确定性系数均达到0．8以上．其中场18洪确定性系数达到0．9以上。研究结果表明，采用SCE—UA算法对API模型参数优化可以取得较好的结果。提高了模拟精度。

SCE-UA算法在流溪河模型参数优选中的应用

流溪河模型是一个主要用于流域洪水预报的分布式物理水文模型,目前采用手工试错法优选模型参数,虽然该方法在过去的研究中取得了较好的效果,但参数优选过程较为繁琐,需时较长。文中以广州市流溪水库流域为例,采用SCE-UA算法对流溪河模型优选参数,并使用优选结果进行模拟检验,取得了较好的效果。研究表明,SCE-UA算法能够快速、有效地进行流溪河模型参数的优选,相比手工试错法具有简单、方便、高效的特点,可应用于分布式流域水文模型的参数自动化优选工作。

基于SCE-UA算法的新安江模型与垂向混合产流模型参数优化应用研究

为解决流域水文模型人工试错率定参数呈现的经验性与不确定性问题,探寻模型参数率定的全局最优解,本文对三水源新安江模型与垂向混合产流模型采用复合形交叉进化算法(SCE-UA)优选率定模型参数。优化过程中拟定了两种模型参数优选边界,选定包含复合形个数p在内的SCE-UA算法参数,建立了基于洪峰、洪量、流量过程三要素的目标函数。经案例分析得出SCE-UA算法适用于上述两种水文模型调参应用,且垂向混合产流模型模拟结果优于三水源新安江模型。

基于SCE-UA支持向量机的短期电力负荷预测模型研究

支持向量机(support vector machine,SVM)作为一种新颖的机器学习方法已成功应用于短期电力负荷预测,然而应用研究发现SVM算法性能参数的设置将直接影响负荷预测的精度.为此在对SVM参数性能分析的基础上,提出了SCE-UA(shuffled complex evolution-University of Arizona)支持向量机短期电力负荷预测模型建模的思路及关键参数的选取,在建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用SCE-UA算法辨识SVM的参数.贵州电网日96点负荷曲线预测的实际算例表明,所提SCE-UA支持向量机模型不仅克服了SVM参数选择的盲目性,而且能提高预测准确率,是一种行之有效的短期电力负荷预测模型.

SCE-UA算法在新安江模型及TOPMODEL参数优化应用中的研究

利用江西修水流域资料,将遗传算法和SCE-UA算法对新安江模型汇流参数及TOPMODEL参数进行优化,并对其结果进行了分析研究,得出了以场次洪水拟合的确定性系数为指标,用SCE-UA算法对TOPMODEL参数自动优化的结果比新安江模型的结果稍好的结论。

基于SCE-UA算法的河网水系水闸调度模拟

建立福州市江北城区内河水系水动力水质耦合模型,利用SCE-UA算法对水闸调度参数进行优化。结果表明,SCE-UA算法可用于水文模型参数的率定和河网水系水闸调度系统优化参数的识别。在待优化的区域单独建模,将生态补水规划模拟计算结果为优化区域提供边界,结果使模型计算时间大大减少。将优化后的参数代入原模型进行检验,效果令人满意。

SCE-UA、SCEM-UA算法对改进的HYMOD模型模拟结果的影响

针对概念性水文模型如HYMOD模型参数不确定性问题,先对HYMOD模型进行改进,将模型设计成基于子流域的分散式;接着引入参数估计的SCE-UA和SCEM-UA两类算法,以湘江洣水流域为研究区域,对改进的HYMOD模型进行参数优化和不确定性进行了研究。结果表明,两种算法都能搜索到HYMOD模型的最优参数,使模型取得较好的径流模拟结果;但SCEM-UA算法可得到模型参数的后验概率分布,充分考虑模型参数的不确定性,具有更大的优势。

水库优化调度的Pareto强度值SCE-UA算法

提出求解水库优化调度问题的Pareto强度值SCE-UA算法,该方法将水库优化调度的约束优化问题转换成两个目标函数的无约束优化问题,一个为原问题的目标函数,另一个为违反约束条件的程度函数;对上述两个目标函数组成的向量个体,利用Pareto优于关系和个体Pareto强度值概念,实现个体的优劣比较和群体的优劣排序,在此基础上使用SCE-UA算法求解。这种算法不需要人工处理罚函数,具有较强的通用性、稳定性及更好的搜索性能。

基于SCE-UA算法的小麦穗分化期模拟模型参数优化

以河南省商丘市为研究区,首先采用OAT(One-at-a-time)方法对WheatGrow模型的输入品种参数进行敏感性分析,在此基础上以抽穗期的开始日期作为约束条件构建代价函数,引入SCE-UA(Shuffled complex evolution method developed at the University of Arizona)算法求解得到最优作物品种参数组合,并利用2015—2016年度和2016—2017年度田间实验资料对SCE-UA算法的有效性进行验证。结果表明,基本早熟性参数对穗分化期的模拟结果影响最显著,温度敏感性参数比光周期敏感性参数和生理春化时间参数具有更高的敏感度,生理春化时间的敏感度最低。基于优化后的参数得到的穗分化期模拟值与观测值之间的平均绝对误差(Mean absolute error,MAE)和均方根误差(Root mean square error,RMSE)均小于3 d,表明SCE-UA算法可以有效地获取WheatGrow模型最优品种参数组合。本研究可为WheatGrow模型品种参数的调整优化和模型的推广应用提供依据。

SCE-UA算法在水环境系统优化问题中的应用

把SCE-UA算法应用到水环境系统优化问题的求解中,通过对问题的预处理,求解3个典型的优化问题:①二维稳态水质模型横向扩散系数及流速推求;②排放口最优化处理;③水工建筑物优化调度。结果表明:SCE-UA算法不但能求解一元函数约束的优化问题,通过构造罚函数,还能够成功求解有多元函数约束的优化问题。认为该算法不依赖导数和优化问题的具体形式,所需参数极少,求解精度高,通用性较强,值得在环境系统优化中推广。

基于SCE-UA算法的新安江日模型参数优化稳定性分析

为了探讨水文模型参数优化结果在不同流域上的稳定性,采用SCE-UA算法优化了抚河流域内的娄家村、南丰、沙子岭子流域新安江日模型参数,以径流总量误差最小和纳什效率系数最大为目标函数,分别对参数优化结果进行分析。结果表明,其中有3个新安江日模型参数(上层张力水容量W_(WUM)、下层张力水容量W_(WLM)、张力水容量W_(WDM))在三个子流域上的率定结果的稳定性相差较大,有1个参数(表层自由水容量曲线方次E_(EX))率定结果有波动,剩余的12个参数的率定结果均较稳定。通过分析新安江日模型参数的稳定性,可为未来新安江模型参数优化的理论研究提供重要参考依据。