發(fā)布時(shí)間：2020-10-16 19:56

　　 中長(zhǎng)期徑流預(yù)報(bào)對(duì)掌握未來(lái)徑流信息,實(shí)現(xiàn)水資源科學(xué)管理和優(yōu)化調(diào)度具有重要意義。進(jìn)行中長(zhǎng)期徑流預(yù)報(bào)模型的耦合計(jì)算和綜合評(píng)價(jià),可為中長(zhǎng)期徑流預(yù)報(bào)模型的應(yīng)用研究,提高站點(diǎn)的預(yù)報(bào)精度提供重要參考。本文介紹了中長(zhǎng)期徑流預(yù)報(bào)原理及其模型,分析總結(jié)目前中長(zhǎng)期徑流預(yù)報(bào)研究中存在的問題。以黃河流域民和、蘭州、龍門、白馬寺和黑石關(guān)水文站的天然年徑流序列為研究對(duì)象,選取平均絕對(duì)誤差(MAE)、平均相對(duì)誤差(MRE)、均方根誤差(RMSE)和均方百分比誤差(MSPE)4個(gè)誤差指標(biāo),運(yùn)用信息熵確定各誤差指標(biāo)的權(quán)重,得到徑流預(yù)報(bào)模型的優(yōu)屬度,實(shí)現(xiàn)模型的綜合評(píng)價(jià)。本文主要的研究?jī)?nèi)容和結(jié)論如下:(1)研究區(qū)站點(diǎn)徑流單一預(yù)報(bào)模型的構(gòu)建。應(yīng)用中長(zhǎng)期徑流預(yù)報(bào)的周期分析和時(shí)間序列預(yù)報(bào)模型,建立研究區(qū)站點(diǎn)的周期外延疊加、均生函數(shù)、自回歸(AR)和馬爾科夫4個(gè)單一預(yù)報(bào)模型。結(jié)果表明,單一模型的綜合評(píng)價(jià)結(jié)果集中,民和和白馬寺水文站均生函數(shù)模型的優(yōu)屬度,取得最大值分別為0.963和1.000,蘭州、龍門和黑石關(guān)水文站AR模型的優(yōu)屬度,取得最大值分別為0.966、0.989和1.000。應(yīng)用馬爾科夫模型進(jìn)行定性預(yù)報(bào)時(shí),模型精度和可靠性較低。(2)研究區(qū)站點(diǎn)徑流耦合預(yù)報(bào)模型的構(gòu)建。根據(jù)單一預(yù)報(bào)模型的特點(diǎn),嘗試將不同的模型進(jìn)行耦合計(jì)算,以期提高中長(zhǎng)期徑流預(yù)報(bào)的精度。耦合模型包括灰色-周期外延疊加、均生函數(shù)-逐步回歸、加權(quán)馬爾可夫、灰色-逐步回歸周期、EEMD-BP神經(jīng)網(wǎng)絡(luò)、PPRGSRP、PPARWD和模糊綜合分析模型。結(jié)果表明,耦合模型的綜合評(píng)價(jià)結(jié)果集中,民和水文站PPARWD模型、蘭州和黑石關(guān)水文站EEMD-BP模型的優(yōu)屬度,均取得最大值1.000,龍門水文站PPRGSRP模型的優(yōu)屬度,取得最大值0.962,白馬寺水文站模糊綜合分析模型的優(yōu)屬度,取得最大值0.967。應(yīng)用加權(quán)馬爾科夫模型解決了馬爾科夫模型最大轉(zhuǎn)移概率不唯一的弊端,模型精度和可靠性提高。(3)研究區(qū)站點(diǎn)徑流預(yù)報(bào)模型的優(yōu)選研究。結(jié)合單一預(yù)報(bào)模型和耦合預(yù)報(bào)模型的誤差指標(biāo)的計(jì)算結(jié)果,計(jì)算各站點(diǎn)所有模型的優(yōu)屬度,實(shí)現(xiàn)模型優(yōu)選。結(jié)果表明,民和水文站的優(yōu)選模型為PPARWD模型、蘭州和黑石關(guān)水文站為EEMD-BP模型、龍門水文站為PPRGSRP模型、白馬寺水文站為模糊綜合分析模型。
【學(xué)位單位】：西北農(nóng)林科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：P338
【部分圖文】：

圖 2-1 單個(gè)人工神經(jīng)元模型圖Fig. 2-1 Single artificial neuron model入層、隱含層和輸出層的 3 層 BP 神經(jīng)網(wǎng)絡(luò)模型如圖 2-2 所示(Ho16)。1x 輸入層隱含層輸出層 1yyiym 2xjxnx圖 2-2 三層 BP 神經(jīng)網(wǎng)絡(luò)模型圖

eti為總輸入凈值；θ為閾值。 輸出1x輸入2x輸入i1 i2 jx輸入nx輸入 ij in 閾值 輸入圖 2-1 單個(gè)人工神經(jīng)元模型圖Fig. 2-1 Single artificial neuron model層、隱含層和輸出層的 3 層 BP 神經(jīng)網(wǎng)絡(luò)模型如圖 2-2 所示(Hos6)。1x輸入層隱含層

西北農(nóng)林科技大學(xué)碩士學(xué)位論文ermite 多項(xiàng)式歸模型的過程中，如何選擇合適的優(yōu)化算法和法采用遺傳算法，嶺函數(shù)擬合采用埃爾米特(界“優(yōu)勝劣汰，適者生存”的生物進(jìn)化機(jī)理引需要計(jì)算模型的適應(yīng)度值，然后進(jìn)行選擇操作最好的個(gè)體。通過循環(huán)計(jì)算直至滿足結(jié)束條件創(chuàng)建初始種群
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 張衛(wèi)國(guó);鐘平安;張玉蘭;郭樂;王新龍;;季節(jié)性支持向量機(jī)中長(zhǎng)期徑流預(yù)報(bào)模型[J];水力發(fā)電;2014年04期

2 袁子勇;梁虹;;人工神經(jīng)網(wǎng)絡(luò)在徑流預(yù)報(bào)中的述評(píng)與展望[J];水科學(xué)與工程技術(shù);2009年01期

3 陳賢章;;祁連山積雪衛(wèi)星監(jiān)測(cè)與缺水期徑流預(yù)報(bào)研究課題通過鑒定[J];遙感信息;1987年02期

4 周惠成;張楊;唐國(guó)磊;王雅軍;蹇德平;;二灘水電站中長(zhǎng)期徑流預(yù)報(bào)研究[J];水電能源科學(xué);2009年01期

5 紀(jì)昌明;張培;吳月秋;張驗(yàn)科;李榮波;;基于小波分析-穩(wěn)健估計(jì)的徑流預(yù)報(bào)模型及應(yīng)用[J];水力發(fā)電學(xué)報(bào);2017年06期

6 丁義;邵朋昊;繆益平;;楊房溝電站大江截流期徑流預(yù)報(bào)[J];人民長(zhǎng)江;2017年S1期

7 鄒俏俏;;歐氏距離與趨勢(shì)值在中長(zhǎng)期徑流預(yù)報(bào)中的應(yīng)用[J];東北水利水電;2017年06期

8 楊應(yīng)舉;天生橋一級(jí)水電站中長(zhǎng)期徑流預(yù)報(bào)系統(tǒng)的應(yīng)用及效益[J];貴州水力發(fā)電;2005年03期

9 王根緒;長(zhǎng)期徑流預(yù)報(bào)的灰色雙向差分模型[J];蘭州大學(xué)學(xué)報(bào);1994年02期

10 閃麗潔;張利平;劉戀;賈軍偉;;基于多方法優(yōu)選因子和人工神經(jīng)網(wǎng)絡(luò)耦合模型的枯水期徑流預(yù)報(bào)[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2015年06期

相關(guān)博士學(xué)位論文 前10條

1 楊榮新;基于組合智能優(yōu)化算法的云南省徑流預(yù)報(bào)系統(tǒng)研究[D];華中科技大學(xué);2006年

2 張小麗;水電站不同預(yù)見期徑流預(yù)報(bào)及優(yōu)化調(diào)度研究[D];大連理工大學(xué);2016年

3 劉芳;基于小波分析和相關(guān)向量機(jī)的非線性徑流預(yù)報(bào)模型研究[D];華中科技大學(xué);2007年

4 唐國(guó)磊;考慮徑流預(yù)報(bào)及其不確定性的水電站水庫(kù)調(diào)度研究[D];大連理工大學(xué);2009年

5 徐煒;考慮中期徑流預(yù)報(bào)及其不確定性的水庫(kù)群發(fā)電優(yōu)化調(diào)度模型研究[D];大連理工大學(xué);2014年

6 盧迪;耦合中長(zhǎng)期徑流預(yù)報(bào)信息的水庫(kù)調(diào)度方式研究[D];大連理工大學(xué);2015年

7 羅蔣梅;基于不同率定期資料的月、季徑流預(yù)報(bào)方法研究[D];南京信息工程大學(xué);2012年

8 張新明;水電站水庫(kù)群中長(zhǎng)期徑流預(yù)報(bào)及短期優(yōu)化調(diào)度研究[D];華北電力大學(xué);2014年

9 李克飛;水庫(kù)調(diào)度多目標(biāo)決策與風(fēng)險(xiǎn)分析方法研究[D];華北電力大學(xué);2013年

10 李紅霞;無(wú)徑流資料流域的水文預(yù)報(bào)研究[D];大連理工大學(xué);2009年

相關(guān)碩士學(xué)位論文 前10條

1 石繼海;中長(zhǎng)期徑流預(yù)報(bào)模型研究[D];西北農(nóng)林科技大學(xué);2019年

2 周正弘;基于熵譜理論的中長(zhǎng)期徑流預(yù)報(bào)模型研究及應(yīng)用[D];西北農(nóng)林科技大學(xué);2018年

3 張靜;TIGGE降雨集合數(shù)據(jù)驅(qū)動(dòng)下徑流預(yù)報(bào)技術(shù)研究[D];華中科技大學(xué);2017年

4 葛樂壯;基于多模型預(yù)報(bào)信息融合及模型參數(shù)優(yōu)化的徑流預(yù)報(bào)方法研究[D];華中科技大學(xué);2018年

5 顧逸;基于長(zhǎng)短期記憶循環(huán)神經(jīng)網(wǎng)絡(luò)及其結(jié)構(gòu)約減變體的中長(zhǎng)期徑流預(yù)報(bào)研究[D];華中科技大學(xué);2018年

6 王學(xué)武;圖們江流域水文特性分析及中長(zhǎng)期徑流預(yù)報(bào)研究[D];長(zhǎng)春工程學(xué)院;2018年

7 王遷;中長(zhǎng)期徑流預(yù)報(bào)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];南昌航空大學(xué);2018年

8 劉佳;中長(zhǎng)期徑流預(yù)報(bào)技術(shù)及應(yīng)用系統(tǒng)研究[D];東華大學(xué);2011年

9 狄源碩;中長(zhǎng)期徑流預(yù)報(bào)模型與方法綜合應(yīng)用研究[D];大連理工大學(xué);2015年

10 姜珊;嫩江流域中長(zhǎng)期徑流預(yù)報(bào)方法比較研究[D];吉林大學(xué);2011年

本文編號(hào)：2843706