基于EEMD-NGO-LSTM神经网络耦合的月径流预测模型及应用

为了提高径流序列的稳定度和精度,减小参数优化不当导致的非线性误差,研究将长短期记忆神经网络(LSTM)、集成经验模态分解(EEMD)和北方苍鹰优化算法(NGO)相结合,构建了EEMD-NGO-LSTM耦合预测模型。将此预测模型应用于模拟东辽河中下游的控制总站——王奔水文站2012年~2021年逐月径流过程,并与鲸鱼算法(WOA)以及灰狼算法(GWO)优化的长短期记忆神经网络进行模型比较。结果表明,EEMD-NGO-LSTM耦合预测模型的超参数迭代速度最快,精度最高,预测结果最接近实测值,其决定系数R^(2)为0.8643。而后采用CMIP6气候模式(SSP126情景)下的2030年的降水、气温数据输入模型进行预测,在气温上升1℃,降水不变的情景下,年径流量将增加6.61%;在降水升高5%,气温不变的情景下,年径流量将增加6.95%;在气温上升1℃、降水升高5%的情境下,年径流量将增加22.16%。

基于并行自适应遗传算法的水文模型率定研究

【目的】参数率定是影响水文模型预报精度的重要因素,采用人工智能算法可以有效提高水文模型参数的率定效果。【方法】采用基于种群离散程度的自适应算子,对GA算法的交叉、变异和迁移过程进行自适应优化,并利用粗粒度并行计算模型提高种群进化效率,综合以上手段研究了一种基于自适应策略的并行遗传算法。将传统遗传算法(GA),串行自适应遗传算法(AGA)和并行自适应遗传算法(PAGA),应用于屯溪流域新安江模型的参数率定,从率定效率、率定收敛性、率定稳定性和率定效果四个方面,验证PAGA算法的综合性能。【结果】结果表明:PAGA算法的计算加速效果显著,在10核环境下相对于AGA算法计算时间减少了87.9%;在进化后期,PAGA算法能够更加稳定的收敛于最优解,收敛后的目标函数值具有更好的稳定性;在验证期的场次洪水模拟中,采用PAGA算法率定的模型模拟效果最优,总体洪水合格率大于90%,确定性系数均值为0.85。【结论】PAGA算法能够明显降低模型参数寻优耗时,改善模型率定效果和收敛性能,为水文模型参数的率定提供了新思路。

基于EMD组合模型的径流多尺度预测

受全球气候变化与人类活动影响,径流序列愈发呈现出非稳态与非线性特征,为降低由此而引发的预报误差,充分发挥不同模型对提高径流预测精度的优势,针对传统径流预报模型的单一性,以干旱区典型内陆河玛纳斯河为例,采用经验模态分解(EMD)提取径流序列中具有物理含义的信号,得到不同时间尺度的多个固有模态函数(IMF)及1个趋势项,利用ARIMA模型与GRNN模型分别对不同时间尺度的IMF分量进行模拟,分析径流未来变化趋势。运用多元线性回归法、Spearman相关系数法、平均影响值法筛选大气环流因子作为神经网络模型的输入项,根据子序列的局部频率特点构建组合模型。最后将各IMF分量的预测结果重构,得到径流的最终预测值。单一评价指标无法全面评价模型精度,本文通过构建TOPSIS评价模型对径流预测模型进行定量评估,客观评价模型优度。结果表明:EMD分解能有效提取径流序列中隐含的多时间尺度信号,由趋势项可知玛纳斯河径流量总体呈上升趋势;EMD分解可提高ARIMA模型25%的合格率,但对于高频率分量IMF1、IMF2、IMF3,ARIMA模型的相对误差达到70%以上,预测结果不理想;经过筛选预报因子可有效提高GRNN模型精度,其中MIV法筛选的预报因子最适合玛纳斯河,与EMD-ARIMA组合后的GRNN模型的合格率最高,TOPSIS模型得分也最高。预测结果可作为水资源规划与调度的科学依据,建模思路也可为优化径流预测模型提供新途径。

改进的EEMD-NNBR耦合模型在年径流预测中的应用

基于极值中心三次样条插值法对集合经验模态分解(EEMD)技术进行改进,在此基础上将改进的EEMD与最近邻抽样回归模型(NNBR)结合,提出了改进的EEMD-NNBR耦合模型。改进的EEMD能对上、下极值点进行较好的拟合,且将序列均值延拓到序列两端以减缓端点效应。首先由改进的EEMD分解年径流序列,得到各本征模函数IMF和趋势项,然后分别对各本征模函数和趋势项建立最近邻抽样回归模型得到各分解序列的预测值,最后将预测值累加即为年径流预测值。将改进的EEMD-NNBR耦合模型用于屏山站年径流预测,并与EEMD-NNBR耦合模型对比,其预测值的平均相对误差由10.08%提高到8.59%,表明建议模型能提高径流预测精度。

基于未确知盲数的BP模型及其在年径流预测中的应用

针对未确知盲数可展现信息真实的数量及状态,将未确知盲数与BP网络耦合,提出了以未确知盲数为网络输入、预测对象为输出的BP模型,模型预测结果为具有置信度与置信区间的盲数,并将基于未确知盲数的BP模型用于年径流预测。结果表明,该模型有效,预测结果可供借鉴。

大渡河流域径流预报不确定性溯源及降低控制方法

根据流域水文、气象、下垫面等资料及现有模型特点,从模型输入、模型结构及参数、人类活动影响等方面,开展大渡河流域径流预报不确定性溯源分析,识别影响径流预报不确定性的主要因素,并提出了预报不确定性降低控制方法。在模型输入方面,引入气象降雨数据,并结合协-克里金插值处理以提高降雨输入质量;在模型结构及参数方面,针对流域上游存在的融雪径流,构建了新安江-融雪径流预报耦合模型,并依据季节不同采用不同的模型参数;在预报误差校正方面,采用动态系统响应曲线修正方法进行终端预报误差校正。应用结果表明:无论是上游的丹巴流域还是中下游的毛头码流域,通过采用不确定性降低控制措施后,径流深预报合格率达100%,整体预报精度显著提高。