一、应用于水文预报的优化BP神经网络研究(论文文献综述)
赵泽谦[1](2021)在《多模型融合的水文集合概率预报方法研究》文中研究指明准确、可靠的水文预报是水资源开发利用的基础。如何进一步提高预报精度,同时准确量化或表征预报的不确定性,是现阶段水文预报领域的热点和难点问题。集合概率预报以概率或区间的形式表征预报的不确定性,是未来水文预报的重点发展方向。因此,开展水文集合概率预报研究,对于科学指导水库运行调度,充分发挥水资源的综合利用效益,具有重要的理论意义和实际应用价值。本论文以汉江上游黄金峡水库入库径流集合概率预报为研究对象,在构建多个单一预报模型的基础上,提出了一种基于多模型随机组合的径流集合概率预报方法(SCMM)。将SCMM方法与贝叶斯模型平均(BMA)方法进行对比,以论证所提方法的合理性和有效性。论文主要工作及结论如下:(1)搭建了涵盖线性与非线性,白箱与黑箱,物理概念与数据驱动的多种径流预报模型。采用多方法筛选预报因子,构建人工神经网络模型(BP)、多元线性回归模型(MLR)、支持向量机模型(SVM)、随机森林模型(RF)、极限学习机模型(ELM)、径向基神经网络模型(RBF)、两参数月水量平衡模型(TPWB)7种单一确定性预报模型,采用平均绝对误差(MAE)、纳什效率系数(NSE)、均方根误差(RMSE)、平均百分比误差(MAPE),以及拟合优度系数(R2)作为确定性预报评价指标以评定预报结果。结果表明:7种模型在检验期中NSE均在0.65以上;拟合优度系数R2在0.80以上,其中SVM、ELM的NSE最优、TPWB的NSE最差。ELM检验期的RMSE、MAE、MAPE分别为81.5m3/s、49.3m3/s、0.41%,综合误差最小;TPWB分别为102m3/s、72.2m3/s、0.8%,综合误差最大。(2)构建了基于BMA方法的径流集合概率预报模型。采用MCMC-DREAM抽样算法计算模型参数的后验分布,通过DREAM算法估计模型的最佳参数。采用平均相对区间宽度、区间覆盖度和连续排位概率评分作为集合概率预报结果的评价指标,对比了基于同参数方差正态分布、异参数方差正态分布以及伽马分布三种分布作为后验分布的BMA模型。结果表明:基于同参数方差正态分布构造的BMA模型RMSE最高;异参数方差正态分布构造的BMA模型在三个模型中RMSE最低。相较于确定性预报模型中最优的ELM模型,BMA模型的RMSE、MAE略低于ELM,但拟合优度系数R2优于ELM。(3)构建了基于SCMM方法的径流集合概率预报模型。对单一确定性模型进行组合,并以随机加权方式建立集合预报模式,采用多目标遗传算法率定集合预报成员模型权重的上下限,最终得到预报样本和能够量化预报不确定性的预报区间。结果表明:SCMM模型的区间覆盖度为95%,高于BMA模型(80%),且SCMM模型的预报区间在低流量时较小,在高流量时较大,更能真实地反映预报的不确定性,SCMM模型的区间预报性能更优;SCMM模型的连续概率评分为4.37,BMA模型的为53.7,SCMM模型的概率预报性能更优。SCMM均值预报的RMSE为22.4 m3/s,BMA均值预报的RMSE为85.7 m3/s,SCMM模型的均值预报误差远小于BMA模型。尽管SCMM模型预报平均区间宽度高于BMA模型,但考虑到该集合预报方法结构简单、参数较少,区间及概率预报性能更优。因此,所提出的SCMM方法在实际作业预报中仍具有一定的竞争力。
钟华昱[2](2021)在《考虑水文预报不确定性的跨流域调水工程优化调度研究》文中进行了进一步梳理水文系统的高度非线性以及径流形成机制的复杂性,导致天然入库径流难以准确预报。利用预报不准的径流信息指导水工程调度决策,将不可避免地产生运行风险。跨流域调水工程初始投资巨大,在实际运行管理过程中,考虑预报不确定性的跨流域调水工程优化调度可进一步挖掘工程的运行,提高工程运行效益。如何实现预报和调度的有效融合,是当前亟待解决的关键难题。本文以引汉济渭跨流域调水工程中长期调度为研究对象,分析了预报不确定性对调度性能指标的影响;并在此基础上,提出了一种高效耦合集合预报信息的跨流域调水工程优化调度方法。论文的主要工作和结论如下:(1)基于历史径流资料,制订了确定性的跨流域调水工程优化调度规则。确定了调水规则的基本型式,用于对调水过程进行长系列模拟;构建了以系统缺水指数最小、水电站发电量最大和泵站耗电量最小为目标的多目标优化调度模型,采用多目标布谷鸟算法,在“参数-模拟-优化”框架下,识别了调度规则参数。结果表明:三个调度目标之间存在相互制约关系;采用层次分析法优选多年平均调水10亿m3和15亿m3情景下的调度规则,对应缺水指数、发电量和耗电量分别为0.68、3.89亿kW·h、2.98亿kW·h和3.41、3.60亿、5.14亿kW·h;通过参数解码后得到的调度图上、下调度线不交叉,调度线变化平稳,优化结果合理。(2)基于上述制订的确定性优化调度规则,分析了径流预报不确定性对调度性能指标的影响。采用了四种方法优选预报因子:相关系数法、逐步回归法、互信息法和最大信息系数法;构建了三种入库径流预报模型:BP神经网络模型、极限学习机模型、两参数月水量平衡模型;将径流预报过程输入到基于历史径流资料制订的确定性优化调度规则中,以量化预报不确定性对缺水指数、发电量和耗电量的影响。结果表明:多年平均调水10亿m3情景下,缺水指数的变化率分别为+435.3%、+133.8%、+573.5%,发电量的变化率分别为-3.3%、-1.8%、-9.8%,耗电量的变化率分别为+20.1%、+3.4%、+5.7%;多年平均调水15亿m3情景下,缺水指数的变化率分别为+111.4%、+65.1%、+180.1%,发电量入的径流预报信息存在预报不确定性时,跨流域调水工程调度性能显着下降。(3)基于集合预报信息,制订了考虑预报不确定性的跨流域调水工程优化调度规则。采用多模型随机组合方法生成集合预报信息;利用同步回代缩减算法将集合预报样本缩减为几种典型场景以及对应的发生概率;基于典型预报场景构建水库多目标优化调度模型,使得水库在多场景下性能指标的期望值最优。研究结果表明:基于多模型随机组合方法的集合预报区间在低流量时较小,在高流量时较大,能较真实地反映预报不确定性;采用同步回代缩减算法将场景从1000缩减至20时,场景均值和标准差的变化率在1%以内,计算耗时从49.17 h下降至1.05 h;与确定性调度规则相比,多年平均调水10亿m3情景下,考虑了预报不确定性的调度规则缺水指数平均变化率为-19.4%,发电量的平均变化率为+2.1%,耗电量的平均变化率为-10.1%;多年平均调水15亿m3情景下,考虑了预报不确定性的调度规则缺水指数平均变化率为-9.2%,发电量的平均变化率为+1.9%,耗电量的平均变化率为-5.0%。当预报不准时,考虑预报不确定性的调度规则供水效果明显变好,发电量略微提升,耗电量略微下降,整体性能优于确定性调度规则。
张艺馨[3](2021)在《基于改进BP神经网络模型的采空区特殊下垫面条件下径流预报研究》文中进行了进一步梳理洪水的显着特点是年际变化不稳定且易受特殊地形的影响。一般流域缺乏引洪、滞洪、过洪能力,形成的大洪峰流量洪水不仅破坏周围居民的生活环境,带来经济损失,对居民的生命健康也是巨大的隐患。因而对流域的洪水发生过程进行预报是至关重要的。山西省由于存在大规模的采煤活动,改变了流域的下垫面条件,从而影响洪水形成过程。现阶段也有不少水文专家对该特殊下垫面条件下的洪水形成过程展开研究,但由于采空区特殊下垫面条件地势复杂,该流域下产流汇流机制体系尚未完全建立,许多地区相关降雨径流资料也不够完善。目前,还未存在某一模型能解决上述所有问题。本文以山西省采煤活动频繁的汾河上游为研究对象,选择该区静乐水文站控制流域内的降雨、径流数据用于分析预测。首先利用采空区出现前的降雨、径流数据,依托MATLAB软件建立合适的BP神经网络模型,其次利用遗传算法(GA)和和粒子群优化算法(PSO)对BP神经网络模型进行优化,得到GA-BP、PSO-BP模型,通过运行模型对得到的预测值进行结果分析,接着利用采空区出现后的降雨、径流数据对原有模型的参数进行调试,最终得到适用于采空区特殊下垫面条件下的洪水预报模型。研究结果如下:(1)利用采空区出现前的数据所建立的BP、GA-BP以及PSO-BP神经网络预测模型对1990年以前,即采空区特殊下垫面条件形成前的场次洪水预测效果较好,合格率分别为66.67%、66.67%、80%,可以起到指导实践的作用,而另外几场洪水预测效果不尽理想。究其原因,在1990年以后,由于煤矿大量开采,形成了大小不一的采空区。(2)针对1990年以后,即采空区出现后场次洪水预测值误差过大的情况,调整BP、PSO-BP和GA-BP神经网络预测模型,对静乐水文站控制流域处于采空区特殊下垫面条件下的场次洪水重新进行预测,得到场次洪水预测值。经过改进后的模型对于采空区特殊下垫面条件下洪水的径流预报,合格率提高至58.33%、66.67%、66.67%。(3)对于采空区特殊下垫面条件下大洪水的径流预报的预测效果,PSO-BP神经网络模型>GA-BP神经网络模型>BP神经网络模型。对于采空区特殊下垫面条件下中小洪水的径流预报的预测效果,GA-BP神经网络模型>PSO-BP神经网络模型>BP神经网络模型。(4)研究成果显示,针对采空区特殊下垫面条件建立适用于该特殊地形的径流预测模型,预测效果十分显着,对实际应用具有重要的指导意义。
张洁铭[4](2021)在《HHO算法在东湾流域水文预报中的应用》文中研究说明随着智能算法在水文预报中越来越广泛地应用,提高水文预报精度,构建一个系统、全面、准确的水文预报系统为我国防汛抗旱、水资源合理配置以及夯实社会经济发展提供支撑。本文通过对新型智能算法—HHO算法的应用,构建了多种基于HHO算法的水文预报模型:基于HHO-SVM模型的蒸散发模拟,基于HHO-LSSVM模型的降水预测,基于HHO算法的马尔科夫链校正的SVM-BP中长期径流预报模型并将HHO算法应用于时空变源混合产流模型的参数率定中进行洪水模拟,较为系统地对东湾流域四种水文预报进行了研究和分析。并将新构建的模型同较为传统的水文预报模型预报结果进行比较,结果表明:1、同传统的蒸散发计算公式结果和ARIMA-GM模型的结果相比,HHO-SVM模型的蒸散发模拟结果与基准值Penman-Monteith公式的结果更为接近,相关系数最高为0.99,蒸散发年内季节分布情况也与实际情况更加接近;并且在增加因子的情况下,HHOSVM模型模拟精度并未提高,达到了使用较少的预报因子,即可实现较高的预报精度的目的,为无资料地区的蒸散发模拟提供了思路。2、M-K趋势和小波周期分析表明东湾流域61年的年降水量无明显规律性变化趋势,基于HHO-LSSVM模型的降水预测结果明显优于PSO-LSSVM模型的结果,HHOLSSVM模型的相对误差和绝对误差相较于PSO-LSSVM模型均降低50%左右。3、在汛期和非汛期未校正的HHO-SVM模型预报精度均高于BP神经网络模型,经马尔科夫链校正的耦合SVM-BP模型中长期径流预报结果最好,经马尔科夫链校正后的两种模型的平均相对误差明显减小,耦合模型的精度高于两种单一模型的预报精度,预报合格率为95.92%。4、模型参数的率定是提高时空变源混合产流模型洪水模拟精度的方法之一。在对东湾流域16场洪水的模拟结果中HHO算法的率定结果比SCE-UA算法率定结果洪水模拟结果精度更高,平均洪峰流量相对误差从7.11降低至6.33。峰现时差和预报的洪峰流量同实测结果更加一致。HHO算法在东湾流域的4种水文预报中与不同的智能方法和模型进行组合,相较于各种公式计算结果和其他算法的预报结果,HHO算法在各种水文预报中均表现出较高的精度,HHO算法东湾流域的水文预报中具有较好的适用性。
李宁宁[5](2021)在《基于风险分摊的梯级水库汛期水位动态控制及决策研究》文中研究表明我国水能资源蕴藏量十分丰富,但季节间水资源分布差异显着。水库是一种挖掘水能资源潜力,有效缓解地区水资源分布不均衡的工程措施,可将流域的径流资源存蓄起来,以保障枯水期水资源供给。但是,水库汛期往往承担着艰巨的防洪任务,需要将运行水位控制在防洪限制水位以下,这与水库以水头、水量为基础的发电、供水等需求形成矛盾冲突。随着全球气候变暖,各流域气象水文条件发生显着改变,伴随着调度技术、风险分析能力及应急处置机制日趋完善,规划阶段设计的汛限水位已无法满足现阶段综合利用要求。在防洪风险可控的条件下,适当抬高汛期运行水位,对于提高水库综合利用效益、实现水能资源高效利用具有重要现实意义。本文以金沙江流域溪洛渡-向家坝梯级水库为研究对象,基于统计学、管理学、运筹学、控制论等理论,综合运用黑箱模型、大数据、智能算法、前景理论等方法,以梯级水库汛期运行水位动态控制为研究背景,围绕防洪和发电两个目标,构建了以径流分析及预报为基础,基于“空间风险分摊”的梯级水库联合运行水位动态控制域推求模型,进一步分析了梯级水库水位动态控制组合方案的防洪风险和发电效益,并通过多目标群决策模型进行方案优选,实现了预报-调度-风险效益分析-决策的系统性结合,旨在于风险可控的条件下提高梯级水库汛期发电效益,完善梯级水库汛期运行水位控制理论和方法,为水库平稳安全运行提供技术支撑。主要取得了如下成果:(1)基于径流划分和预报因子筛选的中长期径流预报模型。首先综合运用MK检验、RS检验等方法对溪洛渡历史入库径流序列进行了变化趋势分析;针对现有径流预报未能考虑到径流序列特征的不足,提出了一种基于径流序列特征聚类的径流划分方法,通过K-means聚类方法将历史径流划分为丰、平、枯三种典型类别,根据待预报径流特征,以相应类别的前期径流序列作为预报因子,通过MIC法筛选出相关性强的预报因子作为BP人工神经网络的输入,可以改善神经网络输入侧的条件,提高中长期径流预报精度。(2)基于空间风险分摊思想的梯级水库汛期运行水位动态控制模型。在分析溪洛渡-向家坝梯级汛期运行水位抬高的可行性的前提下,针对梯级水库异步蓄水可能造成系统风险发生时间提前的问题,提出了“等比例蓄水”原则来优化梯级水库防洪库容分配方式,以降低系统风险;在溪洛渡-向家坝调洪规则的基础上考虑“等比例蓄水”原则,推求出了两库汛期联合运行水位动态控制域,从而制订出梯级水库汛期运行水位组合方案,并开展不同水位组合方案的防洪风险分析,为实现洪水资源化利用奠定基础。(3)基于改进电子搜索算法的梯级水库联合优化调度模型。以溪洛渡-向家坝汛期不同水位组合方案为约束条件,建立了两库联合发电优化调度模型;针对电子搜索算法在求解梯级水库优化调度问题时存在搜索空间越限和搜索效率不高的问题,提出可行域内搜索策略以保证每次迭代的个体都是可行解,并采用参数自适应方法以提高算法前期全局搜索速度和后期的局部搜索能力;将改进电子搜索算法与其他算法对比,验证了算法在求解效率方面的优越性;将其应用于溪洛渡-向家坝联合发电优化调度模型的求解,从而优化年内水量分配过程,争取更高的发电效益。(4)基于累积前景理论的专家群体满意度最大群决策模型。建立了基于风险-效益指标的溪洛渡-向家坝汛期运行水位方案决策指标体系;采用组合赋权优化方法以获得兼顾指标排序度和重要度的指标权重;通过累积前景理论获得贴近实际决策心理的个人决策结果,在此基础上根据专家满意度最大原则建立群决策模型,求解出与所有参与决策的专家个人决策结果最贴切的方案作为群决策结果。优选出的方案权衡了风险和效益,可以为实现水资源高效利用提供参考。
崔元元[6](2021)在《基于关键期径流预报的水库群联合调度研究》文中指出随着社会经济的不断发展,为解决区域水资源紧缺问题,我国建设了许多跨流域调水工程。跨流域调水工程的联合优化调度需要同时兼顾供水和受水流域水库(群)的防洪、供水、发电、生态环境等目标要求,难于求解与决策。目前,跨流域引水工程调水决策研究已取得丰硕的研究成果。然而,现存跨流域调水工程联合调度所建的模型过于复杂,决策预见期过短,操作比较繁琐,不便于实际应用。水库年内入库径流的丰枯特性往往与丰水期入库径流的一致,而受水流域年内引水后是否发生弃水取决于年内丰水期的调度决策。因此,论文将以大伙房跨流域引水工程(D水库为受水流域,HJ流域梯级水库群)为研究背景,开展基于关键期径流预报和引水约束条件下的跨流域水库群联合优化调度研究。研究首先分析供水与受水流域的来水规律及其丰枯互补规律;其次,开展D水库引水关键期(5~10月份)入库径流预报方法研究;然后,开展基于引水关键期径流预报信息的D水库引水调度研究;最后,基于引水决策策略,开展HJ梯级水库群发电调度研究。研究取得的主要成果如下:(1)HJ梯级水库群和D水库的来水规律及其互补特性研究。针对大伙房跨流域引水工程的供水与受水流域联合调度中存在调度复杂且水资源利用效率不高的问题,论文通过分析供水、受水流域来水规律及补偿特性,提出了首先研究基于引水关键期径流的D水库引水调度,然后将基于引水决策策略,研究HJ梯级水库群发电调度的研究思路。(2)D水库引水关键期(5~10月份)入库径流预报研究。首先,构建了耦合遗传算法的BP神经网络模型(GA-BP)和SVM模型(GA-SVM);然后,采用随机森林模型、互信息法和相关系数法筛选预报因子,作为模型输入;最后,对各种预报方法结果进行对比分析。结果表明,以随机森林筛选的预报因子作为输入,采用GA-SVM模型的预报结果最优,其预报结果的丰枯分级合格率达到80%及以上,且预报量级与实际量级相差不超过一级。(3)D水库基于引水关键期径流预报信息的优化调度方式研究。首先,以引水量最小为目标函数建立调度模型;然后,采用逐步优化算法(POA),分别对常规调度方式以及考虑引水关键期径流预报信息的调度方式进行优化,制定调度规则;最后,对比分析常规调度与预报调度结果,并分析预报失误对水库运行调度的影响。结果表明,D水库考虑引水关键期径流预报信息的引水优化调度,与常规引水优化调度相比,多年平均引水量减少139.28×106 m3,约为7.9%,多年平均弃水量减少134.35×106 m3,约为32.1%,不仅提高了引水效率,而且提高了当地水资源的利用率。(4)基于引水决策策略的HJ梯级水库群发电调度研究。首先,以基于引水关键期径流预报信息的D水库引水调度决策作为约束,对HJ梯级水库群发电调度进行优化,得到优化调度图;其次,对HJ梯级水库群进行优化调度,得到年内各时段可供水量;然后,以HJ梯级水库群时段可供水量作为输入,重新优化D水库引水调度规则;最后,分别采用常规调度和优化调度方式,对整个系统进行联合调度,并对调度结果进行对比分析。结果表明,大伙房跨流域引水工程供水和受水流域联合调度,采用优化调度与常规调度相比整个系统的水资源利用效率有了较大的提高,HJ梯级水库群多年平均发电量提高了0.71×108 kw·h,约9.8%,D水库多年平均引水量减少了150.8×106 m3,约9.8%,弃水量均减少了134×106 m3,约28.2%,且供水量及供水保证率均有所提高。
朱春苗[7](2021)在《松花江流域中长期径流预报研究》文中研究说明潜在预报因子的选取是将数据驱动的径流预报模型应用于实际工程的关键问题之一。国内外研究学者多聚焦于预报模型的优化与改进、模型参数优化方法的研究和不同预报模型、不同参数优化方式的对比分析,而对于因子优选方案的综合对比分析及其适用性的研究较少。为提取更多有效的预报信息从而提高模型的模拟精度,本文引入74项大气环流指数,与流域代表站点的降水、径流水文序列一同参与径流预报输入因子的优选,以相关分析法(CA)、基于相关分析的主成分分析法(CA-PCA)、互信息法(MI)及基于互信息的主成分分析法(MI-PCA)4种因子优选方案下不同筛选结果作为多元线性回归法(MLR)、支持向量回归模型(SVR)、BP神经网络模型(B P)的输入,对松花江流域佳木斯水文站的月平均流量进行预报,得出适用于松花江流域径流预报的潜在影响因子筛选方案与预报模型。主要结论如下:(1)在松花江流域上,径流与大气环流指标间存在明显的空间特征,其相关性从上游到下游逐渐增加。前滞期为1个月时的大气环流指标、上游三站(扶余站、大赉站及哈尔滨站)月平均径流量和佳木斯站月平均降雨量与佳木斯月平均径流量相关性最大,确定大气环流指标和水文影响因子的最佳预报前滞期均为一个月。(2)在MLR模型下,预报效果MLR-CA-PCA>MLR-CA>MLR-MI-PCA>MLR-MI。CA方案中,预报效果MLR-CA7>MLR-CA4>MLR-CA3,但合格率均未达到丙等水平,整体效果并不理想;CA-PCA方案中,MLR-CA-PCA4拟合效果最优,MLR-CA-PCA3与MLR-CA-PCA7拟合曲线基本重合,三组方案预报结果达到了丙级预报水平;MI与MI-PCA效果较差。在SVR模型下,预报效果SVR-CA-PCA>SVR-CA>SVR-MI-PCA>S VR-MI。CA方案中,SVR-CA7>SVR-CA3>SVR-CA4,其中SVR-CA7的QR为71.67%,达到乙等水平;CA-PCA方案中,SVR-CA-PCA7>SVR-CA-PCA4>SVR-CA-PCA3,其中SVR-CA-PCA7的QR为73.33%,达到乙等水平,相较于其它两种方案明显变好;MI与MI-PCA效果也较差。在BP神经网络模型下,预报效果BP-CA-PCA>BP-CA>BP-MI-PCA和BP-MI。CA方案中,BP-CA3>BP-CA7>BP-CA4;CA-PCA方案中,BP-CA-PCA7>BP-CA-PCA4>BP-CA-PCA3,其中BP-CA-PCA7的RMSE为827.58m3/s,R2为0.81,Q R为78.33%。MI与MI-PCA效果同样较差。(3)CA优选因子方案,在SVR模型的拟合下取得了最好的预报效果,其次为BP神经网络模型,最后为MLR模型。CA-PCA优选因子方案,在BP神经网络模型的拟合下取得了最好的预报效果,其次为SVR模型,最后为MLR模型。CA与CA-PCA最佳拟合方案均为输入因子为7项时的因子组合。MI与MI-PCA两种因子优选方案选出的因子组合在三种径流预报模型的拟合下,拟合效果均不理想。(4)得到最优预报结果的模型为BP神经网络模型,输入因子组合为CA-PCA7。其次为输入因子组合为CA-PCA7的SVR模型。
商滢[8](2021)在《黄河源区径流演变规律及预报模型研究》文中研究指明水资源一直是人类生存的必要条件之一,河川是我国水资源的主要来源之一。本文选取黄河源区2个典型水文站(吉迈站、唐乃亥站)1961~2012年共计52年、624个月的水文资料,在前人研究基础之上对黄河径流的基本数理统计特征和演变规律进行分析,并构建预测模型对黄河源区月径流序列、年径流序列进行预测分析,为相关部门以后开展水文预报工作提供参考依据。本文主要的研究内容和成果如下:(1)通过对黄河源区径流资料进行基本统计特征、年内分配特征、年际变化规律分析分析,研究表明看出黄河源区径流主要集中于汛期,从总体来看黄河径流年内分配不均、年际变化大。(2)进行径流趋势分析时:采用滑动平均法、M-K秩序检验法、Spearman秩次相关检验,结果显示:吉迈多年径流量呈不显着增加趋势,唐乃亥站多年径流时间序列呈较显着降低趋势。结合M-K突变检验法、滑动t检验与有序聚类法进行突变检验分析,确定2006年、1986年分别为吉迈站、唐乃亥站径流突变年份。选用小波分析法进行径流周期分析,结果表明黄河源区吉迈、唐乃亥站均存在多时间尺度特征,小时间尺度变化镶嵌在大时间尺度的周期里,且都具有13年时间尺度的第一主周期。(3)建立人工神经网络的BP模型、遗传算法优化的GA-BP模型进行黄河源区两个水文站进行月径流预测。其中BP模型预测结果误差较大,而改进GA—BP模型在对径流的预测上速度更快、精度更高,经计得算预报精度为分别为79.17%与75.00%,精度达到评定标准乙级(70%-85%),满足要求,可以用于水文预报工作。(4)采用GM(1,1)模型、基于R/S分析法优化的R/S—GM(1,1)模型进行年径流预测。结果显示:对于GM(1,1)模型,唐乃亥预测精度69.48%,吉迈站的模型精度66.49%,均不满足模型精度要求。组合R/S灰色预测的相对误差分别为18.10%和11.68%,预测精度分别为81.90%和88.32%,对比单一的灰色预测其在唐乃亥与吉迈站的预报精度提升了12.42%和21.83%,达到了灰色预测所要求的精度,说明该模型可以用来预测黄河源区年径流的情况。
王治林[9](2021)在《水文集成预报模拟研究》文中提出水文预报作为一种重要的非工程措施在防洪减灾中起到了关键作用,而水文模型是开展水文预报工作最有力的工具。然而水文循环是一个较为复杂的系统,受到多方面因素影响,现有的一些水文预报工具由于受到条件制约,难以满足较好的精度要求,这在一定程度上限制了水文预报模型的发展与应用。因此引入一种新的集成水文预报模型,从而提高水文模型预报精度和适用性显得越来越重要。本文以沿渡河流域与余家流域为研究区域,分别建立了BP神经网络模型、新安江模型、SVR模型,并对以上模型进行了集成,将集成后的模型与单一模型的模拟结果进行了对比分析。主要研究内容及成果包括:(1)BP神经网络预报因子的优化方法。提出了一种水文特征的优选方法,在不同的特征工程条件下基于BP神经网络建立水文预报模型,运用相关性分析方法选取与流域出口流量相关性较强的降雨特征,并根据所选取的特征制定4种不同的方案,从而对比分析不同特征工程条件下模型的预报效果。并将该方法运用在了BP神经网络模型和SVR模型当中。结果表明,所采用的特征选择方法能够充分利用降雨数据,能有效提高模型预报结果的稳定性和精度;(2)新安江模型的运用。基于已有的水文资料和DEM数据,在两个流域上进行新安江模型的应用,以两个流域1981年~1985年数据进行模型参数率定,以1986年~1987年共10场洪水进行校验。结果显示,沿渡河流域21场洪水中,确定性系数均值为0.85,合格率为57.1%,余家流域21场洪水中,确定性系数均值为0.77,合格率为19%,部分场次洪水模拟结果不理想可能是前期土壤含水量计算不准确还有河底存在基流以及收集的水文资料本身存在误差造成的;(3)SVR模型预报因子、核函数以及参数的多目标优化。根据所提出的水文特征优选方法,模型采用了4种不同的预报方案,在不同的预报影响因子下构建SVR模型。采用网格搜索的方法确定SVR模型的最优参数以及最优核函数。结果显示:模型采用高斯(Rbf)核函数时,模拟效果相比其它核函数更好;模型输入数据中加入前期累计降雨能够在一定程度上提升模型预报精度和稳定性,也证明了所提出的水文特征优选方法的有效性;(4)模型的集成与应用。基于以上3种模型,采用了机器学习集成算法中的Stacking组合策略,以多元线性回归算法作为次级模型,将以上3种基模型的预测结果进行了融合。基于考虑或不考虑前期径流数据,构建两种不同的方案(方案1不考虑,方案2考虑)。利用5折交叉验证的方法对集成模型进行训练,将训练好的集成模型对两个流域1987年的数据进行预报。结果显示:集成后的模型相比于单一的模型,预报结果的可靠性都有所提升;在方案1中,集成后的模型预报结果的可靠性提升显着,在方案2中,由于考虑了前期流量数据,使单一模型已具备较高的精度,因此,集成后的模型可靠性提升不显着;(5)软件开发。基于以上模型理论,利用Python语言及相应开发框架开发了集成预报系统,整个系统实现了数据处理、模型训练、单一模型预报和多模型综合预报等功能。
胡彩虹,李志超,邬强[10](2020)在《数据驱动模型在水文预报中的研究进展》文中认为以物理机制为基础的水文模型需要考虑降雨的时空变化、流域下垫面特性的空间变异和产汇流特性等;数据驱动模型进行水文预报时,不需要考虑水文过程的物理机制,而是通过建立关于时间序列的数学分析,学习给定的数据样本,发现各变量之间的对应关系,大大提高了预报的准确性。目前水文预报领域所流行的数据驱动模型,包括支持向量机(SVM)、支持向量回归(SVR)、人工神经网络(ANN)模型、长短期记忆(LSTM)网络模型、自适应神经模糊推理系统(ANFIS)以及小波神经网络(WNN)。并依据其复杂程度将其分为3类进行概述,对各模型的优点以及针对存在的不足做出的改进进行了总结。最后,通过对数据驱动方法在水文预报领域的发展提出几点建议。
二、应用于水文预报的优化BP神经网络研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、应用于水文预报的优化BP神经网络研究(论文提纲范文)
(1)多模型融合的水文集合概率预报方法研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 确定性水文预报 |
1.2.2 水文集合概率预报研究进展 |
1.2.3 现存问题及发展趋势 |
1.3 汉江流域概况及研究基本资料 |
1.4 研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
2 入库径流单一确定性预报模型研究 |
2.1 预报因子的筛选方法 |
2.1.1 相关系数法 |
2.1.2 逐步回归方法 |
2.1.3 互信息法 |
2.1.4 最大信息系数法 |
2.2 单一确定性径流预报模型研究 |
2.2.1 多元线性回归模型 |
2.2.2 BP神经网络模型 |
2.2.3 支持向量机模型 |
2.2.4 极限学习机模型 |
2.2.5 两参数月水量平衡模型 |
2.2.6 径向基神经网络模型 |
2.2.7 随机森林预测模型 |
2.3 预测结果评价指标 |
2.4 单一确定性径流预报分析 |
2.4.1 优选预报因子 |
2.4.2 各模型预测结果分析与评价 |
2.5 本章小结 |
3 基于贝叶斯模型平均方法的径流集合概率预报方法研究 |
3.1 BMA基本原理 |
3.1.1 高斯混合模型-期望最大化算法 |
3.1.2 MCMC-DREAM抽样算法 |
3.2 集合概率预报评价指标 |
3.3 BMA模型参数率定 |
3.4 BMA集合概率预报结果 |
3.5 本章小结 |
4 基于多模型随机组合的径流集合概率预报方法研究 |
4.1 组合预报模型 |
4.2 基于多模型随机组合的集合概率预报模型 |
4.2.1 组合权重多目标优化 |
4.2.2 多属性决策优选权重 |
4.3 SCMM集合概率预报结果 |
4.4 SCMM与 BMA预报结果对比分析 |
4.5 本章小结 |
5 结论和展望 |
5.1 结论 |
5.2 创新点 |
5.3 展望 |
致谢 |
参考文献 |
攻读研究生期间主要研究成果 |
(2)考虑水文预报不确定性的跨流域调水工程优化调度研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展 |
1.2.1 水文预报模型 |
1.2.2 水库调度技术 |
1.3 研究内容与技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线与研究方案 |
2 流域概况及基本资料 |
2.1 流域概况 |
2.1.1 汉江流域概况 |
2.1.2 渭河流域概况 |
2.2 引汉济渭工程概况 |
2.2.1 引汉济渭跨流域调水工程资料 |
2.2.2 引汉济渭工程网络节点图及基本调度原则 |
2.3 本章小结 |
3 跨流域调水工程多目标优化调度研究 |
3.1 引汉济渭工程调水规则型式 |
3.2 多目标优化调度模型的构建 |
3.2.1 调度目标 |
3.2.2 约束条件 |
3.2.3 模型输入与优化变量 |
3.2.4 调度图优化约束处理策略 |
3.3 多目标优化调度模型的求解 |
3.3.1 参数模拟优化 |
3.3.2 多目标布谷鸟算法 |
3.3.3 多属性决策 |
3.4 调度规则合理性分析 |
3.4.1 多目标Pareto解集 |
3.4.2 模拟调度结果 |
3.5 本章小结 |
4 预报不确定性对调度性能的影响分析 |
4.1 水文预报模型的构建 |
4.1.1 预报因子的筛选方法 |
4.1.2 预报模型构建方法 |
4.1.3 预测效果的评价指标 |
4.2 径流预报信息的生成 |
4.2.1 预报因子的优选 |
4.2.2 预测效果的评价 |
4.3 径流预报不确定性对调度性能的影响 |
4.4 本章小结 |
5 考虑预报不确定性的跨流域调水工程优化调度研究 |
5.1 集合预报信息的生成 |
5.2 多场景下的多目标优化调度模型构建与求解 |
5.2.1 集合预报样本的缩减 |
5.2.2 预报调度规则基本型式 |
5.2.3 基于多场景的多目标优化调度模型的构建 |
5.3 调度结果分析与讨论 |
5.3.1 集合预报信息的生成 |
5.3.2 集合预报样本的缩减 |
5.3.3 考虑预报不确定性的优化调度规则的制订 |
5.3.4 模拟调度结果 |
5.4 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
致谢 |
参考文献 |
攻读学位期间主要研究成果 |
(3)基于改进BP神经网络模型的采空区特殊下垫面条件下径流预报研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 径流预测模型研究 |
1.2.2 采空区特殊下垫面地表径流预测研究现状 |
1.3 研究内容 |
1.4 技术路线 |
第二章 研究区概况 |
2.1 地理位置 |
2.2 水文气象 |
2.2.1 气象 |
2.2.2 水文 |
2.3 地形地貌 |
2.4 地质及煤田地质 |
2.5 煤矿分布概况 |
第三章 改进BP神经网络模型的构建 |
3.1 基本原理 |
3.1.1 BP神经网络 |
3.1.2 遗传算法(GA) |
3.1.3 粒子群优化算法(PSO) |
3.1.4 遗传算法优化BP神经网络(GA-BP) |
3.1.5 粒子群算法优化BP神经网络(PSO-BP) |
3.2 模型构建 |
3.2.1 实验数据选取与处理 |
3.2.2 未考虑采空区影响模型的构建 |
3.3 场次洪水模拟评价标准 |
3.4 本章小结 |
第四章 未考虑采空区影响的径流预测模型的应用 |
4.1 BP神经网络模型应用结果分析 |
4.2 GA-BP神经网络模型应用结果分析 |
4.3 PSO-BP神经网络模型应用结果分析 |
4.4 多模型应用结果对比分析 |
4.5 本章小结 |
第五章 适用于采空区特殊下垫面的模型建立与应用 |
5.1 适用于采空区特殊下垫面的模型构建 |
5.1.1 采空区特殊下垫面条件下BP神经网络模型的构建 |
5.1.2 采空区特殊下垫面条件下GA-BP神经网络模型的构建 |
5.1.3 采空区特殊下垫面条件下PSO-BP神经网络模型的构建 |
5.2 基于采空区特殊下垫面条件下的模型场次洪水模拟 |
5.3 基于采空区特殊下垫面条件下的模型模拟结果评价 |
5.4 改进前后模型场次洪水模拟结果对比分析 |
5.4.1 基于采空区特殊下垫面条件下的模型模拟结果对比 |
5.4.2 基于采空区特殊下垫面条件下的模型参数对比 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
攻读学位期间取得的研究成果 |
致谢 |
(4)HHO算法在东湾流域水文预报中的应用(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 智能算法的发展和分类 |
1.2.2 智能算法在水文预报中的研究现状 |
1.3 本论文的主要研究内容 |
1.4 技术路线图 |
1.5 本章小结 |
2 区域概况及数据选择 |
2.1 自然环境概况 |
2.1.1 地理位置及气候特征 |
2.1.2 水文地质 |
2.2 自然资源概况 |
2.3 数据选择 |
2.4 本章小结 |
3 基于HHO-SVM模型的蒸散发模拟 |
3.1 HHO算法 |
3.2 蒸散发模拟方法介绍 |
3.2.1 传统的蒸散发计算方法 |
3.2.2 支持向量机 |
3.2.3 基于ARIMA-GM模型的蒸散发模拟方法 |
3.3 基于HHO算法的蒸散发模拟结果分析 |
3.3.1 传统计算方法的蒸散发结果 |
3.3.2 基于智能方法的蒸散发结果 |
3.3.3 各方法蒸散发结果比较 |
3.4 本章小结 |
4 基于HHO-LSSVM模型的降水预测 |
4.1 降水趋势及周期分析方法 |
4.1.1 M-K趋势、突变分析方法 |
4.1.2 小波周期分析方法介绍 |
4.2 降水预测方法介绍 |
4.2.1 LS-SVM模型原理 |
4.2.2 PSO算法 |
4.3 降水预测结果分析 |
4.3.1 降水趋势、突变及周期分析结果 |
4.3.2 降水预测结果 |
4.4 本章小结 |
5 基于马尔科夫链的HHO-SVM-BP模型的中长期径流预报 |
5.1 BP神经网络 |
5.2 马尔可夫链 |
5.3 径流中长期预报结果分析 |
5.3.1 耦合模型的构建及预报因子的选择 |
5.3.2 马尔科夫链校正预测值 |
5.3.3 模型预测结果 |
5.4 本章小结 |
6 HHO算法在时空变源混合产流模型参数率定中的应用 |
6.1 时空变源混合产流模型 |
6.1.1 时空变源混合产流模型数据输入及处理 |
6.1.2 水文响应单元的划分 |
6.1.3 蒸发和截留 |
6.1.4 产流计算 |
6.1.5 汇流计算 |
6.1.6 下渗计算 |
6.2 SCE-UA算法 |
6.3 经不同算法参数率定后洪水模拟结果分析 |
6.3.1 参数选择及优化算法函数选择 |
6.3.2 精度指标 |
6.3.3 洪水模拟结果 |
6.4 本章小结 |
7 结论与展望 |
7.1 结论 |
7.2 不足与展望 |
攻读学位期间参加的科研项目及发表的学术论文 |
致谢 |
参考文献 |
(5)基于风险分摊的梯级水库汛期水位动态控制及决策研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 选题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 中长期径流预报 |
1.2.2 汛期运行水位动态控制 |
1.2.3 梯级水库联合优化调度 |
1.2.4 多目标决策 |
1.3 目前存在的主要问题及发展趋势 |
1.4 主要研究内容 |
第2章 溪洛渡径流特性分析及中长期径流预报模型 |
2.1 引言 |
2.2 研究区域概况 |
2.3 径流特性分析 |
2.3.1 径流年内分配 |
2.3.2 径流年际变化 |
2.4 基于径流划分和预报因子筛选的中长期径流预报 |
2.4.1 基于K-means聚类法的径流划分 |
2.4.2 基于MIC的预报因子筛选方法 |
2.4.3 基于BP人工神经网络的中长期径流预报模型 |
2.5 实例应用 |
2.5.1 径流丰平枯划分及代表年选取 |
2.5.2 预报因子筛选 |
2.5.3 中长期径流预报 |
2.6 本章小结 |
第3章 溪洛渡-向家坝汛期联合运行水位动态控制 |
3.1 引言 |
3.2 研究区域概况 |
3.3 基于空间风险分摊思想的梯级水库蓄洪规则 |
3.3.1 梯级水库联合防洪调度“等比例蓄水”原则 |
3.3.2 防洪调度结果分析 |
3.4 梯级水库汛期联合运行水位动态控制 |
3.4.1 溪-向汛期运行水位动态控制可行性分析 |
3.4.2 梯级水库汛期联合运行水位动态控制域 |
3.5 实例应用 |
3.5.1 动态控制域下限 |
3.5.2 动态控制域上限 |
3.5.3 考虑洪水发生时间预报误差的水位动态控制风险分析 |
3.6 本章小结 |
第4章 IESA及其在梯级水库发电优化调度中的应用 |
4.1 引言 |
4.2 改进电子搜索算法 |
4.2.1 电子搜索算法 |
4.2.2 可行域内搜索策略 |
4.2.3 逐步收敛的参数自适应方法 |
4.2.4 算法步骤 |
4.3 梯级水库联合发电优化调度模型 |
4.3.1 目标函数 |
4.3.2 约束条件 |
4.4 算法性能分析 |
4.5 实例应用 |
4.6 本章小结 |
第5章 基于专家群体最大满意度原则的群决策模型 |
5.1 引言 |
5.2 问题描述 |
5.3 组合赋权优化方法 |
5.4 基于累积前景理论的个人决策 |
5.4.1 决策矩阵归一化处理 |
5.4.2 价值函数和概率权重函数 |
5.4.3 综合前景价值 |
5.5 基于专家满意度最大原则的群决策模型 |
5.5.1 专家满意度最大原则 |
5.5.2 EMGDM构建步骤 |
5.6 实例应用 |
5.6.1 决策矩阵建立 |
5.6.2 指标权重计算 |
5.6.3 个人决策 |
5.6.4 群决策 |
5.7 本章小结 |
第6章 结论与展望 |
6.1 结论 |
6.2 主要创新点 |
6.3 展望 |
参考文献 |
攻读博士学位期间发表的论文 |
攻读博士学位期间参加的科研工作 |
致谢 |
作者简介 |
(6)基于关键期径流预报的水库群联合调度研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 中长期水文预报 |
1.2.2 水库群联合调度研究 |
1.3 研究内容及技术路线 |
2 研究区概况及来水规律分析 |
2.1 研究区概况 |
2.1.1 HJ流域概况 |
2.1.2 D水库概况 |
2.1.3 大伙房跨流域引水工程概况 |
2.2 HJ梯级水库群来水规律分析 |
2.3 D水库来水规律分析 |
2.4 HR水库与D水库间补偿特性分析 |
2.5 本章小结 |
3 D水库引水关键期径流预报研究 |
3.1 引言 |
3.2 引水关键期径流预报模型构建 |
3.2.1 径流预报模型构建 |
3.2.2 预报因子筛选方法 |
3.2.3 预报模型 |
3.3 引水关键期不同时段径流预报研究 |
3.3.1 5~10 月入库径流预报研究 |
3.3.2 6~10 月入库径流预报研究 |
3.3.3 7~10 月入库径流预报研究 |
3.3.4 预报结果分析 |
3.4 本章小结 |
4 基于中长期径流预报的D水库引水调度研究 |
4.1 引言 |
4.2 用水分析 |
4.2.1 工业与城市生活用水分析 |
4.2.2 农业用水分析 |
4.3 D水库引水调度模型 |
4.3.1 目标函数及约束条件 |
4.3.2 模型求解方法 |
4.4 引水常规调度研究 |
4.4.1 常规调度图及调度规则 |
4.4.2 常规调度结果 |
4.4.3 常规调度结果分析 |
4.5 基于中长期径流预报信息的引水调度研究 |
4.5.1 基于径流预报信息的调度图及调度规则 |
4.5.2 基于径流预报信息的调度结果及分析 |
4.5.3 预报失误对水库调度影响分析 |
4.6 本章小结 |
5 基于引水约束的水库群联合调度研究 |
5.1 引言 |
5.2 基于引水约束的发电调度模型 |
5.2.1 目标函数及约束条件 |
5.2.2 调度图及调度规则 |
5.3 HJ梯级水库群调度结果与分析 |
5.4 供水能力约束下的D水库引水优化调度 |
5.4.1 HJ梯级水库群优化调度下的可供水量分析 |
5.4.2 供水能力约束下的D水库引水调度结果及分析 |
5.4.3 供水能力约束下的D水库引水优化调度 |
5.5 联合调度结果与分析 |
5.5.1 D水库调度结果分析 |
5.5.2 HJ梯级水库群调度结果分析 |
5.6 本章小结 |
6 结论与展望 |
6.1 结论 |
6.2 展望 |
参考文献 |
攻读硕士学位期间发表学术论文情况 |
致谢 |
(7)松花江流域中长期径流预报研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究进展及存在问题 |
1.2.1 中长期径流预报研究进展 |
1.2.2 预报因子选择 |
1.2.3 存在的不足 |
1.3 研究内容 |
1.4 技术路线 |
第二章 数据来源与研究方法 |
2.1 研究区概况 |
2.2 数据来源 |
2.3 研究方法 |
2.3.1 相关系数法 |
2.3.2 互信息法 |
2.3.3 主成分分析法 |
2.3.4 多元线性回归(MLR) |
2.3.5 SVM模型 |
2.3.6 BP神经网络模型 |
2.3.7 模型评价指标 |
第三章 预报因子分析与筛选 |
3.1 预报因子前滞期分析 |
3.1.1 大气环流指标与流域径流相关性时空变化分析 |
3.1.2 水文影响因子与流域径流相关性时间变化分析 |
3.2 相关分析及基于相关分析的主成分分析 |
3.2.1 相关分析 |
3.2.2 基于相关分析的主成分分析 |
3.3 互信息法及基于互信息的主成分分析 |
3.3.1 互信息计算 |
3.3.2 基于互信息法的主成分分析 |
3.4 小结 |
第四章 预报模型构建与结果分析 |
4.1 多元线性回归模型 |
4.1.1 多元线性回归模型径流拟合 |
4.1.2 基于MLR的不同预报因子拟合结果对比 |
4.2 支持向量回归模型 |
4.2.1 支持向量回归模型径流拟合 |
4.2.2 基于SVR的不同预报因子拟合结果对比 |
4.3 BP神经网络模型 |
4.3.1 BP神经网络模型径流拟合 |
4.3.2 基于BP的不同预报因子拟合结果对比 |
4.4 不同预报模型预报结果对比 |
4.5 小结 |
第五章 总结与展望 |
5.1 主要结论 |
5.2 创新点 |
5.3 研究不足与展望 |
参考文献 |
致谢 |
个人简历 |
(8)黄河源区径流演变规律及预报模型研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.2 研究目的和意义 |
1.3 国内外研究现状 |
1.3.1 径流演变规律研究现状 |
1.3.2 径流预测方法研究现状 |
1.4 研究内容及技术路线 |
1.4.1 研究内容 |
1.4.2 技术路线 |
2 黄河流域概况与基本资料 |
2.1 黄河流域概况 |
2.1.1 自然地理概况 |
2.1.2 气候条件 |
2.1.3 地形地貌 |
2.1.4 水文特性 |
2.1.5 生态与社会经济环境 |
2.2 基本资料 |
2.2.1 资料可靠性审查 |
2.2.2 资料一致性审查 |
2.2.3 资料代表性审查 |
3 黄河径流序列统计特征分析 |
3.1 年径流基本统计特征 |
3.2 径流的年内分布特征 |
3.2.1 年内分配百分比 |
3.2.2 年内分配的不均匀性 |
3.2.3 年内分配的集中程度 |
3.3 径流的年际变化特征 |
3.3.1 径流年际变化的总体特征 |
3.3.2 径流年际变化的距平分析 |
3.4 本章小结 |
4 黄河径流序列演变特性分析 |
4.1 径流趋势变化分析 |
4.1.1 滑动平均法 |
4.1.2 Mann-Kendall秩次检验法 |
4.1.3 Spearman秩次相关检验 |
4.2 径流突变分析 |
4.2.1 Mann-Kendall突变检验法 |
4.2.2 滑动t检验 |
4.2.3 有序聚类法 |
4.3 周期分析 |
4.3.1 小波分析法 |
4.3.2 小波变换结果分析 |
4.3.3 方差结果分析 |
4.3.4 主周期趋势图的绘制及其在多时间尺度分析中的作用 |
4.4 本章小结 |
5 基于BP神经网络月径流模型研究 |
5.1 BP神经网络算法的基本理论 |
5.2 黄河源区径流预测的BP模型 |
5.2.1 源区BP模型的建立 |
5.2.2 源区BP模型的结果分析 |
5.3 源区径流预测的遗传算法优化BP神经网络 |
5.3.1 建立基于遗传算法优化的BP神经网络 |
5.3.2 GA—BP神经网络模型预报结果分析 |
5.4 本章小结 |
6 基于优化的R/S与灰色组合模型的年径流预测 |
6.1 灰色系统模型 |
6.1.1 GM(1,1)模型的建立 |
6.1.2 模型检验 |
6.1.3 黄河源区GM(1,1)模型 |
6.2 R/S灰色组合预测模型 |
6.2.1 基于R/S分析的灰色预测原理 |
6.2.2 基于修正的R/S分析的灰色预测结果分析 |
6.3 本章小结 |
7 研究结论与展望 |
7.1 研究结论 |
7.2 展望 |
参考文献 |
攻读硕士学位期间发表论文 |
致谢 |
(9)水文集成预报模拟研究(论文提纲范文)
致谢 |
摘要 |
abstract |
变量注释表 |
1 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.3 研究内容 |
1.4 技术路线 |
2 人工神经网络模型 |
2.1 人工神经网络基本原理 |
2.2 数据预处理 |
2.3 水文气象特征选择方法 |
2.4 数据降维 |
2.5 模型应用 |
2.6 小结 |
3 新安江模型 |
3.1 模型结构 |
3.2 模型计算 |
3.3 模型参数 |
3.4 模型参数率定方法 |
3.5 模型应用 |
3.6 小结 |
4 SVR模型 |
4.1 SVR模型基本原理 |
4.2 常用的核函数 |
4.3 核函数的选择 |
4.4 模型应用 |
4.5 小结 |
5 多模型集成预报 |
5.1 集成学习方法 |
5.2 模型组合策略 |
5.3 集成模型结构 |
5.4 模型应用 |
5.5 不同模型对比分析 |
5.6 小结 |
6 结论与展望 |
6.1 小结 |
6.2 创新点 |
6.3 展望 |
参考文献 |
附录 |
作者简历 |
学位论文数据集 |
四、应用于水文预报的优化BP神经网络研究(论文参考文献)
- [1]多模型融合的水文集合概率预报方法研究[D]. 赵泽谦. 西安理工大学, 2021
- [2]考虑水文预报不确定性的跨流域调水工程优化调度研究[D]. 钟华昱. 西安理工大学, 2021
- [3]基于改进BP神经网络模型的采空区特殊下垫面条件下径流预报研究[D]. 张艺馨. 太原理工大学, 2021(01)
- [4]HHO算法在东湾流域水文预报中的应用[D]. 张洁铭. 华北水利水电大学, 2021
- [5]基于风险分摊的梯级水库汛期水位动态控制及决策研究[D]. 李宁宁. 华北电力大学(北京), 2021(01)
- [6]基于关键期径流预报的水库群联合调度研究[D]. 崔元元. 大连理工大学, 2021(01)
- [7]松花江流域中长期径流预报研究[D]. 朱春苗. 西北农林科技大学, 2021(01)
- [8]黄河源区径流演变规律及预报模型研究[D]. 商滢. 西华大学, 2021(02)
- [9]水文集成预报模拟研究[D]. 王治林. 中国矿业大学, 2021
- [10]数据驱动模型在水文预报中的研究进展[A]. 胡彩虹,李志超,邬强. 中国水利学会2020学术年会论文集第一分册, 2020