基于G-LSTM模型的短期径流预报——以长江上游寸滩断面-三峡入库断面为例

长短时记忆神经网络(LSTM)具有极强的复杂多变量时间序列非线性关系拟合和历史数据认知能力,适用于对径流这类复杂时间序列过程进行模拟和预报。基于LSTM,采用灰色关联分析法(GRA),选取合适的预报因子建立G-LSTM预报模型,探究了该模型在短期径流预报中的应用和效果。将该方法应用于长江上游寸滩断面-三峡入库断面的径流模拟,并与传统的新安江模型、BP神经网络、LSTM模型的模拟结果进行比较。结果表明:与传统学习的近似映射相比,G-LSTM模型具有优秀的非线性函数学习能力,率定期与检验期的确定性系数均在0.9以上,明显优于其他两种模型的模拟结果。G-LSTM模型显著提高了短期径流预报精度,是一种有效的径流预测方法。

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。

基于最小二乘法及信息熵的短期水文预报组合模型的比较

为探讨组合预报中平均加权法的实用性,以三峡流域宜昌站为例,建立了基于最小二乘法和信息熵理论的两种径流组合预报模型,并将组合预报结果与原单一模型的预报结果做了对比,选取具有代表性的预报精度评定指标检验预报精度。结果表明,两种组合预报模型均显著改善了预报精度评定指标,提高了短期水文预报精度,突破了传统单一水文预报模型的局限性,实际应用时可根据预报精度评定的侧重点选择合适的组合预报模型。

基于多种递归神经网络的海岛水库径流预报

海岛地区径流量偏小甚至出现断流,会极大影响短期径流预报精度。对海岛地区供水水库多组入库径流时间序列,基于三种递归神经网络(RNN)建立了不同预报因子组合和预见期的径流预报模型,探讨了RNN模型在海岛地区短期水文预报中的适用性。以舟山岛水库群为例,说明研究方法的有效性。结果表明仅考虑径流时间序列信息的预报精度最差,而耦合气象预报信息可提高径流预报准确性;随着预见期的增加,简单RNN模型的信息融合能力有限,而具有复杂神经元结构的基本长短时记忆神经网络和门控循环单元预报效果稳定;RNN模型对于平稳时间序列数据模拟效果优于非平稳序列,而气象信息的引入和参数优选能够改善其在处理非平稳时间序列中的缺陷。

灰色人工神经网络模型及其在径流短期预报中的应用

降雨－径流过程的非线性问题早已被广大水文学者所注意，广大水文学者分别基于实验方法、水动力学方法以及系统识别方法研究水文非线性模拟及预报问题。本文另辟溪径，结合“人工神经网络模型”与“信息论”中的编码、译码，提出一种灰色人工神经网络模型，并就其在径流短期预报中的应用进行了初步的探讨。