多源径流预报误差混合分布模型及应用

多支流河流径流预报误差具有复杂性、多重不确定性,研究多源径流预报误差可为流域制定水资源管理方案提供更加可靠的来水依据。基于具有稳定鲁棒性的t Location-Scale分布,构建反映径流预报误差多重不确定性、缓解分布假设不正确问题的多源径流预报误差混合分布模型,应用于长江上游屏山站、朱沱站等干支流7座代表性水文站,分汛期、非汛期研究径流预报误差特性。结果表明:各水文站汛期、非汛期径流预报误差最佳边缘分布基本适宜采用t Lo⁃cation-Scale分布;朱沱站、寸滩站及清溪场站汛期多源径流预报误差混合分布模型拟合效果较好,非汛期拟合效果仅次于最佳边缘分布;模型产生的径流预报误差模拟值与实际值均值、变差系数的相对误差不超过11%,偏态系数变化规律相似,能进一步修正径流预报,为流域水资源开发利用及优化配置提供依据。

径流预报误差的混合t Location-Scale分布模型及应用

基于混合t Location-Scale分布良好的自适应性,利用k均值聚类法挖掘数据隐含结构、良好的聚类效果特点,建立了不同预见期径流预报误差混合t Location-Scale分布模型。将模型应用于雅砻江流域官地水库,对预见期分别为6、12、18 h和24 h的区间径流预报误差进行了分析与建模,结果发现混合t Location-Scale分布模型弥补了单一分布难以描述径流预报误差特征多样性的局限,能更准确地描述不同预见期径流预报误差的统计特征,误差分布与实测径流预报误差的变化规律一致,可为水库水电站的径流预报和调度运行提供更加准确、可靠的来水数据。

入库径流预报误差随机模型及其应用

为了在量化入库径流预报误差的条件下有效提高调度方案制作的精度,基于高斯混合模型(GMM)良好的自适应性,能更准确地描述单一预见期径流预报误差分布的特点,以及高维meta-student t Copula函数具有将多个类型边缘分布有机耦合的优势,建立了多个预见期入库径流预报误差的GMM-Copula随机模型。以雅砻江流域锦屏一级水电站水库为例,对预见期分别为6 h、12 h、18 h、24 h的入库径流预报误差进行了分析与随机模拟。结果表明,随着预见期的增加,模拟误差与实际误差的主要统计特征值相差不大,满足预设精度要求,且变化规律一致,验证了模型的可行性与有效性,为水库调度方案的编制与实施提供了参考依据。

基于IGMM-Copula的入库径流过程预报误差随机模拟模型

为揭示入库径流过程预报误差的统计特征及其变化规律,进而为水电站水库优化调度提供更为准确的输入,基于AIC与BIC准则选取最优高斯混合数,同时引入K-means++算法确定高斯混合模型(Gaussian Mixture Model,GMM)的初始参数值,对GMM-Copula模型中的GMM部分进行了改进,建立了基于IGMM-Copula的入库径流过程预报误差随机模拟模型,该模型不仅在单一预见时刻径流预报误差的量化估计上更具优势,而且能通过建立误差的多维联合分布函数实现对误差序列的随机模拟。以锦屏一级水电站水库为例,应用IGMM-Copula模型对预见时刻为6 h、12 h、18 h、24 h的径流预报误差进行随机模拟。结果表明,IGMM-Copula所得拟合曲线的图形效果及适用性检验结果均优于GMM-Copula模型,且其模拟预报误差的统计参数更贴近于实测预报误差,验证了其合理性与可行性,为入库径流过程预报误差的估计与模拟提供了一种更为精确有效的方法。

基于Vine Copula的梯级水库短期发电调度风险估计

基于能准确描述高维变量相关关系的Vine Copula,考虑短期径流预报误差的空间相关性,构建了梯级水库短期发电调度风险估计模型,并将模型应用于长江上游溪洛渡、向家坝和三峡水库,分析了径流预报误差带来的单一水库、梯级水库短期发电调度风险。结果表明:基于C-vine Copula构建的联合分布能较好地描述屏山站、朱沱站、寸滩站和武隆站的日径流预报误差特性;随着水库可调节安全区间范围增大,单一水库发电量不足风险率、弃水风险率均越来越小,梯级水库发电量不足、弃水联合风险率和同现风险率越来越小,即水库调节库容越大,其承担的风险也就越小。