基于多模型融合的中长期径流集成预测方法

中长期水文预报是流域水资源规划与合理配置的重要依据。为提高中长期径流预测精度,提出了一种基于多模型融合的水库中长期径流集成预测方法。该方法将ARMA、BP、LSTM、RF和SVR等5个异质预测模型进行融合,同时采用超参数优化方法确定各模型的最优参数。将其用于青海省龙羊峡水库的中长期径流预报中,结果表明,通过Stacking融合算法建立的集成预测模型相较于单一模型,取得了更高的预测精度(R2值由0.71提升至0.82)。此方法可为提升流域中长期径流预测精度提供一定参考。

宽度-深度融合时频分析的径流智能预测方法

为解决现有基于LSTM的径流预测模型易陷入局部最优的问题,提出了基于VMD-LSTMBLS(variational mode decomposition-LSTM-broad learning system)的径流预测模型。将宽度学习系统与LSTM结合,针对径流序列多噪音特点,采用时频分析方法中的变分模态分解,将径流时间序列的一维时域信号变换到二维时频平面,减少噪声对预测结果的影响。仿真结果表明:与基线模型及现有基于LSTM的径流预测模型相比,该模型的预测精度有较为明显的提高。

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。

基于集合Kalman滤波的中长期径流预报

为降低中长期径流预报的不确定性,增加水电站水库的发电效益,针对现有方法侧重于提高单一预报模型确定性预报结果的准确性以降低径流预报不确定性的问题,提出一种基于集合Kalman滤波的入库径流确定性预报方法。以旬为预见期的锦西水库实例验证结果表明:相比传统的单一预报模型和传统的信息融合预报模型,基于集合Kalman滤波的中长期径流预报可使RMSE降低4.78 m^(3)/s,合格率可提高0.56%,且更有效地降低了汛期预报的不确定性,得到了更加准确、可靠的确定性径流预报结果,可为开展流域梯级水电站优化调度提供技术支持。

基于MIKE耦合模型的开都河中短期径流预报

为提供开都河水库优化调度和水资源科学管理的依据,应用MIKE耦合模型进行流域中短期径流预报。选取欧洲天气预报中心(ECMWF)气象预报模式作为气象数据输入,构建包含6个子模块(蒸散发、非饱和带、饱和带、坡面流、河流与湖泊)和融雪模块的MIKE SHE模型。将MIKE Hydro river模型作为河道汇流计算与MIKE SHE模型耦合对未来10 d径流信息进行预报。选用相关系数(R^(2))、纳什效率系数(NSE)和相对误差(BAIS)评价模型率定与验证结果,添加预报效率(E)评价模型预报精度。研究表明:在开都河日尺度径流模拟中,验证期R 2和NSE均大于0.70,相对误差仅为-15%,可见模拟径流与实测径流之间具有较好的拟合性和相关性;预报期的NSE=0.53、R^(2)=0.61、E=0.51,说明模拟值与实测值的相关性达0.61。MIKE耦合模型的中短期径流预报可为开都河流域水资源优化利用提供参考。

耦合深度学习的水丰水库入库径流中长期预测方法研究

少资料地区径流中长期预测关系发电厂中长期发电量的多寡,也对电厂短期经济运行有较强的指导作用。鸭绿江流域是东北地区重要的清洁能源基地,由于朝鲜控制了鸭绿江流域超过一半的面积,但其径流数据难以与中方共享,给鸭绿江流域径流中长期预测带来一定的阻碍。以鸭绿江流域水丰水库入库径流为研究对象,分别采用相空间重构模型(局域法、全局法)、LSTM模型、小波分析-LSTM模型、耦合相空间重构(局域法、全局法)和小波分析模型共6个模型方法对水丰水库旬、月及年尺度入库径流进行中长期径流预报工作,以平均绝对误差、平均绝对百分比误差与合格率对上述6个模型的预测结果进行精度评比。结果表明,年径流预报采用耦合相空间重构(全局法)和小波分析模型;月尺度径流预报中,1月预见期1-5月采用耦合相空间重构(局域法)和小波分析模型以及小波分析-LSTM模型效果较好,而6-12月耦合相空间重构(全局法)和小波分析模型具有明显优势;1年预见期中,小波分析-LSTM模型效果较好。旬尺度径流预测,1旬预见期采用小波分析-LSTM模型效果较好,3旬预见期采用小波分析-LSTM模型或耦合相空间重构(全局法)和小波分析模型,1年预见期中耦合相空间重构(全局法)和小波分析模型有明显优势。研究将为水丰水库及下游发电厂制定中长期调度计划提供支持。

考虑上游来水影响的中长期径流预报

雅砻江流域地面气象站点不足、分布不均,难以获得精确的流域面降雨资料,加之传统中长期径流预报模型泛化能力有限,中长期径流预报存在较大瓶颈。充分考虑流域水库间的物理联系,基于上下游水库流量变化在时空上的相似性,对1957年~2020年锦屏一级水库和二滩水库的历史月径流数据进行主成分分析,使用BP人工神经网络、随机森林和支持向量回归3种机器学习方法建立3种径流预报模型,通过决定系数R^(2),合格率Q R以及平均相对误差MRE三项指标构成的评价体系对预测结果进行评估。结果表明,上游水库对于下游水库的入库流量具有显著影响,且3种模型在二滩水库中长期径流预报上均具有较好的预报效果(R^(2)>0.8、Q R>0.7、MRE<0.2)。随机森林模型模拟效果整体优于BP人工神经网络和支持向量回归模型,3种模型均具有较好的实用性,能为流域水资源精细化调度及科学管理提供数据基础。

基于径流特性分解的月径流集成预测模型研究

揭示混沌径流序列中的规律特性可使预测径流的可解释性、精度大幅提升。针对中长期径流序列的周期性、趋势性特征,收集洪泽湖流域吴家渡站1959~2019年实测月径流资料,提取径流周期成分和趋势成分,依据各成分的径流特性,选取契合物理特性规律的极限梯度下降(XGBoost)预测模型进行趋势成分预测,选择善于捕捉混沌规律的长短期记忆神经网络(LSTM)进行残差成分预测,构建了一种基于径流特性分解的XGBoost-LSTM集成预测模型,采用该模型对洪泽湖流域吴家渡站月径流序列进行预测,并将预测结果与XGBoost、LSTM、随机森林、BP等单一预测模型进行比较。结果表明,基于特性成分提取的XGBoost-LSTM集成模型的预测精度高于单一径流预测模型,能够利用径流序列规律特性,充分发掘预测模型优势,有效提升径流预测精度。

百色水库入库径流中长期预测方法比较研究

以郁江流域百色水库入库径流为研究对象,分别采用基于水文气象因子的逐步多元回归模型、人工神经网络模型(气象因子)和基于时间序列的混沌理论模型、最近邻抽样回归模型、小波分析法、神经网络—自回归模型共6个模型方法对百色水库年尺度、月尺度以及旬尺度入库径流进行中长期径流预报工作,随即采用平均相对误差、合格率、TS评分以及均方根误差4种评价指标对上述6个模型的预测结果进行精度评估,并依据熵权法的理论对上述4种指标进行客观赋权形成综合性指标分析体系,来确定最优模型以进行郁江流域百色水库不同尺度和预见期的入库径流中长期径流预报工作。结果表明:各模型预报结果中的平均相对误差相对较大,但其所对应的合格率以及TS评分指标均处于优良水平;月尺度预报过程中,各模型非汛期预报精度都要高于汛期预报精度。结合各模型自身特点以及综合性指标分析的基础上,可在年尺度中长期径流预报过程中采用神经网络—自回归模型、月尺度中长期径流预报过程中采用混沌理论模型,旬尺度中长期径流预报过程中依据不同的预见期分别采用人工神经网络模型(气象因子)以及小波分析法进行相关的中长期径流预报工作,从而为郁江流域百色水库制定未来中长期调度计划提供技术支持。

流域年径流预报方法及因素影响分析

【目的】高精度的长期径流预报是水利工程运行的重要基础支撑,然而影响径流预报精度的预报因子选择、模型构建、径流分解中决定性因素不明,阻碍了预报精度的提升。【方法】基于信息熵筛选天文、全球和流域尺度预报因子,分别构建多元线性回归、神经网络、随机森林模型,结合STL算法分解径流,形成多种预报方案,量化预报因子、模型及径流分解三个因素对长期径流预报的贡献。【结果】在英那河、碧流河及桓仁水库的实例研究中,以气候因子、天文因子与流域因子组合(C+A+W)为输入,在对年径流进行分解的前提下利用随机森林模型进行预报,测试集的纳什效率系数分别为0.92、0.84、0.84。在影响因素分析中,预报因子对英那河、碧流河及桓仁水库年径流预报的精度贡献占比分别为0.30、0.30、0.27。【结论】对于三个水库,均是包含三个尺度的预报因子预报精度最高,随机森林模型表现最优,径流分解能一定程度提升预报精度。预报因子的选择是精度的主要影响因素;另外,与预报因子有关的因素之间的相互作用也不容忽视。本文可为长期预报方案的制订和精度提升提供新思路。

基于多模型融合的中期径流预报

为提高流域中期径流预报精度,提出了一种基于机器学习的多模型融合的中期径流预报方法,并应用于桓仁水库流域。首先采用BP神经网络(BP)、多元线性回归(MLR)、支持向量机(SVM)构建旬尺度的单一径流预报模型;再基于信息熵和机器学习方法对上述单一模型的结果进行融合,分别建立基于信息熵、BP神经网络、SVM的信息融合预报模型;进一步考虑融雪影响,构建春汛期旬径流预报模型。引入平均绝对误差(MAE)、均方根误差(RMSE)和预报合格率(QR)三个误差评价指标,综合评定各模型在汛期和非汛期的径流预报精度。结果表明:(1)所有模型对径流变化趋势的模拟效果相对较好,单一模型对峰值的模拟表现较差;(2)基于机器学习算法的融合模型能很好结合不同预报模型的优势,模拟精度优于各单一预报模型和基于信息熵的融合模型,共提高汛期10个旬的径流预报精度,且将6个旬的预报合格率提升至100%,预报合格率的最大提升率达到24%;(3)考虑融雪影响的旬径流预报模型在3月和4月的预报合格率均在90%以上,提高了流域的非汛期径流预报能力。研究提出的基于机器学习的信息融合预报方法可得到准确性和可靠性较高的径流预报模型,为桓仁水库径流预报工作和水资源高效管理提供数据支持和理论支撑。

基于降雨径流相似性的短期径流预报研究

径流预报是水力发电、防汛抗旱、水资源综合利用、电力生产与保障等的重要依据。针对物理驱动模型在参数率定困难和数据驱动模型预报结果可解释性差的问题,研究提出基于降雨径流相似性的短期径流预报模型,深入分析径流成因,采用数据挖掘技术剖析数据之间的关系以进一步提高预报精度;根据不同时期和量级的产汇流差异进行流量分级,并滚动更新降雨径流信息以实现滚动预报。该研究成果在乌江的应用显示,入库1日、7日预报结果平均相对误差分别为10.79%、14.39%,预报效果良好。

基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明:所构建的模型可以有效提高水文预报的精度。

基于人工神经网络的长期径流预报模型研究

调水工程供水效益的发挥主要取决于引水过程与受水区本地径流过程的有机结合。为了预测水库未来径流信息,指导供水工程调度及实现水资源高效配置,以鄂北地区水资源配置工程受水区的封江口水库为研究对象,利用BP神经网络对非线性混合回归模型进行年、月尺度的长期径流预报。结果表明:利用该方法得到的年尺度长期径流预报确定性系数为0.790,相对均方根误差为20.7%,预报合格率为66.7%;与降雨-径流相关曲线法预报结果相比,该方法确定性系数提高了9.6%,相对均方根误差降低了18.8%,预报合格率提高了11.9%。月尺度长期径流预报确定性系数为0.714,相对均方根误差为77.6%,预报合格率为52.8%,亦优于降雨-径流相关曲线法预报结果。利用人工神经网络进行水库长期径流预报可提高精度。

基于多模型组合方法的公平水库中长期入库径流预报

准确可靠的水库中长期预报结果对于指导受水区水资源优化配置等具有重要意义。本文首先选取SARIMA模型、SVM模型、XGBoost模型与RF模型分别构建公平水库月入库径流预报方案,以气象因子的物理机制为基础,在成因分析与随机森林重要性排序的基础上筛选关键预报因子并输入至4个单一模型中。然后在对比分析各模型优劣的基础上,以线性与非线性组合2种方式构建组合预报方案。结果表明:RF模型在4个单一模型中的模拟结果表现最优,SARIMA模型的模拟精度随着入库径流量的增加而增加;组合预报模型较任一单一模型的模拟结果均更好,基于神经网络的非线性组合方式能够有效提高验证期的模拟精度,增加模型的泛化能力。

基于随机森林与深度神经网络的水库枯季入库径流中长期预报

准确可靠的枯季中长期入库径流预报对于指导水库枯水期开展水量调度等具有重要意义。本文以公平水库为研究对象,首先利用随机森林模型(RF)对水文气象因子进行筛选,然后基于深度神经网络模型(DNN)构建水库枯季入库径流中长期预报方案。结果表明:DNN模型对公平水库枯季中长期径流的模拟结果较好,率定期Nash系数为0.952,验证期为0.774,模型具有较强的泛化能力;次年3月的模拟精度较其他月份更优,受异常海温指数的影响,验证期次年1月的模拟结果较差;由于RF模型筛选预报因子侧重点的不同,当量级增大时,DNN模型出现了模拟结果较小量级时明显偏小的情况。

不同模态分解方法结合LSTM模型对日径流预报的影响

针对日径流序列不平稳性与波动性的特点,尝试将模态分解和深度学习组合预测方法引入至日径流预报。首先,采用完整集合经验模态分解方法对日径流时间序列进行分解,得到不同频率成分的模态分量;其次,为不同的模态分量构建长短期记忆神经网络日径流预测模型,并采用网格搜索参数寻优算法优化预报模型的超参数;最后将各模型预报结果进行模态重组获得日径流预报结果。以宜昌水文站日径流预报为研究实例,所构建的组合模型较单一长短期记忆神经网络的和分别降低了65.02%、58.35%与2.88%,且运用完整集合经验模态分解方法的分解效果优于传统的模态分解方法,为短时间尺度下的非线性和非平稳的日径流预报提供了新的方法和参考。

基于分层贝叶斯模型的长江上游主汛期径流概率预报

长期径流预报是水文预报的重要领域,基于气候遥相关影响区域径流量的理论基础,以长江上游干流5个水文站1954—2020年主汛期(6—8月)径流为研究对象,分析大尺度气候因子与径流相关性,通过分层贝叶斯模型开展长期径流概率预报。研究表明:长江上游主汛期径流量明显受到多种大尺度气候因子综合作用,筛选出北美副高脊线位置指数等10项大尺度气候因子作为模型预测因子;以站点主汛期径流服从的对数正态分布为预测目标的先验分布,建立5条马尔科夫链,通过MCMC算法在概率空间内随机采样推求参数后验分布,概率预测结果的不确定性区间对实测值覆盖率高;通过预测结果相关性分析、受试者工作特征曲线(ROC)和连续分级概率技巧评分(CRPSS)等方法对模型模拟性能评价表明模型有效地捕捉了大尺度气候因子信息,适用于长江上游径流长期预报。

漳泽水库兴利调度研究

建设漳泽水库兴利调度系统能够有效提高水库水资源利用率,缓解水资源“多与少”的矛盾。水库兴利调度的关键在于入库水量预报,采用BP神经网络建立中长期径流预报模型。漳泽水库兴利调度系统以数据库为基础,以预报调度计算为核心,以辅助防汛抗旱决策为目标,集中服务于水资源管理工作。

水库汛期限制水位控制理论与观念的更新探讨

传统的水库汛限水位的控制,只利用了洪水的统计信息,使水库在汛期要时刻预防设计与校核洪水事件的发生,致使一些水库在汛期不敢蓄水而汛后又无水可蓄,造成洪水资源的浪费。提出水库汛限水位动态控制的新理念及其综合推理模式,适应当前预报技术的发展水平,考虑降雨径流洪水预报与一定时间内的短期降雨预报,排除不可能发生的洪水事件,预报可能发生的洪水,实施水库汛限水位的动态控制。但预报不可避免地存在误差,当小概率预报误差事件发生时,仍可采取弥补措施以确保大坝的防洪安全。