基于漓江桂林断面历史长序列旬尺度径流资料，分别采取BP神经网络模型、多元线性回归模型以及ELMAN神经网络模型对样本数据进行训练并模拟，训练模型参数并统计模拟误差。本文采取上述三种中长期径流预报模型对漓江桂林断面2016年的年、月、旬尺度流量进行预报，并采用加权平均法建立集合预报模型。将集合预报结果与上述三种模型预报结果进行比较并分析，结果表明采用加权平均法的集合预报模型可有效集合各种模型的优势，显著提高了预报精度。
Abstract
Based on the historical long-term sequence runoff data of Guilin section of the Lijiang River, BP neural network model, multiple linear regression model and ELMAN neural network model are used to train and simulate the sample data, train the model parameters and analyze the simulation errors. In this paper, the above three long-term runoff forecasting models are used to forecast the annual, monthly and ten days’ flow of Guilin section of the Lijiang River in 2016, and establish the ensemble forecasting model by the weighted average method. Compare the ensemble forecasting results with the above three model forecasting results. The results show that the ensemble forecasting model using the weighted average method can effectively combine the advantages of the above three models and significantly improve the prediction accuracy.
关键词
BP 神经网络 /
多元线性回归 /
ELMAN 神经网络 /
集合预报
{{custom_keyword}} /
Key words
BP neural network /
multiple linear regression model /
ELMAN neural network /
Ensemble forecasting
{{custom_keyword}} /
{{custom_sec.title}}
{{custom_sec.title}}
{{custom_sec.content}}
参考文献
[1]Hamlet A F.Lettenmaier D PColumbia river streamflow forecasting based on ENSO and PDO climate signals[J].Journal of Water Resources Planning and Management, 1999, 125.(6):33-41
[2]Venckp, Foufoula GeorgiouE.Energy decomposition of rainfall in the time requency scale domain using waveletpackets[J].Journal of hydrology, 1996, 27(3):3-27
[3]杨道辉, 马光文, 刘起方, 等.基于粒子群优化算法的网络模型在径流预测中的应用[J].水力发电学报, 2006, 25(2):65-68
[4]丁涛, 周惠成, 黄健辉.混沌水文时间序列区间预测研究[J].水利学报, 2004, 35(12):15-20
[5] Box G E P, Jenkins GM.Time Series Analysis Forecasting and Control[M]. San Francisco:Holden2Day, 1976
[6]周育琳, 穆振侠, 彭亮, 高瑞, 尹梓渊, 汤瑞.基于互信息与神经网络的天山西部山区融雪径流中长期水文预报[J].长江科学院院报, 2018, 35(08):17-21
[7]农振学, 王超, 雷晓辉.基于主成分分析和神经网络的赣江流域中长期径流预报[J].水电能源科学, 2018, 36(01):16-19
[8]卢迪, 周惠成.基于互信息量与神经网络的中长期径流预报方法研究[J].水文, 2014, 34(04):8-14
[9] 张素琼, 张艳军, 宋星原, 邹霞, 刘佳明, 袁迪.基于神经网络的中长期径流预报时间尺度研究[J].中国农村水利水电, 2014, (08):110-114
[10]孙冰心, 刘琦, 金立卫.采用多元线性回归分析法预报东宁站年最大流量[J].黑龙江水利科技, 2014, 42(10):51-53
[11]马天儒, 夏达忠, 张行南, 姚允龙.基于多元线性回归的镇江站高潮位预报模块设计[J].人民长江, 2014, 45(09):8-10
[12] 叶子, 席茜, 刘慧, 陈宏国.多元线性回归在水库短期洪水预报中的应用[J].河南水利与南水北调, 2012, (18):29-30
[13]宋润虎.多元线性回归与逐步回归在洪水预报中的应用——以南汀河中长期洪水预报为例[J].人民长江, 2012, 43(S1):122-125
[14]许卫民.多元线性回归分析法在月流量预报中的运用[J].水利科技与经济, 2010, 16(06):652-653
[15] 万新宇, 华丽娟, 孙淼焱, 钟平安.基于Elman网络和实时递归学习的洪水预报研究[J/OL].水力发电:1-7[2019-02-10].
[16]李志新, 赖志琴, 龙云墨.基于-神经网络模型的年径流预测[J].水利水电技术, 2018, 49(08):71-77
[17]贺志尧, 杨明祥, 李臣明, 王浩, 雷晓辉.基于神经网络的锦屏一级水电站年平均径流量集合预报研究[J].水电能源科学, 2017, 35(10):25-28
[18]冉笃奎, 李敏, 武晟, 等.丹江口水库中长期径流量的多模型预报结果分析及综合研究[J].水利学报, 2010, 41(9):1069-1073
[19] 李济磊.基于噪声抵消与Elman神经网络的管道泄漏检测方法研究[D].东北大学.2010
[20] 水利部水利信息中心.水文情报预报规范（GB/T22482-2008） [S].北京, 2008.
[21] 水利部水文局，长江水利委员会水文局.水文情报预报技术手册[M], 中国水利水电出版社, 2010
PDF(1032 KB)
鄂公网安备 42010602001274号 鄂ICP备14015464号-1