東江水庫(kù)入庫(kù)徑流預(yù)報(bào).pdf

1、中長(zhǎng)期水文預(yù)報(bào)的精度往往不高，對(duì)其研究也存在許多困難。水文變化存在不確定性，這種不確定性對(duì)于中長(zhǎng)期水文預(yù)報(bào)的預(yù)測(cè)精度影響很大。水文系統(tǒng)是一個(gè)高度非線性系統(tǒng)、難以建立準(zhǔn)確表示徑流現(xiàn)象的數(shù)學(xué)模型，徑流預(yù)測(cè)研究中也存在不確定性。由于水文系統(tǒng)十分復(fù)雜，迄今為止還沒(méi)有一種通用的數(shù)學(xué)模型可以解決水文序列的中長(zhǎng)期預(yù)報(bào)問(wèn)題。
　　本研究主要內(nèi)容包括：⑴為了有效提高BP神經(jīng)網(wǎng)絡(luò)模型的穩(wěn)定性和運(yùn)算精度，選用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)值進(jìn)行優(yōu)化，將優(yōu)

2、化后的參數(shù)值作為BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，對(duì)東江水庫(kù)的入庫(kù)徑流進(jìn)行預(yù)報(bào)。由于樣本容量較少，BP神經(jīng)網(wǎng)絡(luò)對(duì)于部分月份難以有效提高徑流預(yù)測(cè)的精度和擬合度。⑵支持向量機(jī)能夠較好地適應(yīng)容量小的訓(xùn)練樣本，將預(yù)測(cè)問(wèn)題轉(zhuǎn)化為二次規(guī)劃問(wèn)題，能夠避免神經(jīng)網(wǎng)絡(luò)的局部最優(yōu)和反復(fù)試湊的缺陷，將其用于東江水庫(kù)入庫(kù)徑流預(yù)測(cè)中，能夠較好地得到預(yù)測(cè)值。⑶投影尋蹤方法能夠很好處理高維問(wèn)題，將人工魚群算法與投影尋蹤算法相結(jié)合建立了混合智能徑流預(yù)測(cè)模型，能夠根據(jù)序列的要求變

3、換擬合函數(shù)的階數(shù)，較好地處理了徑流預(yù)測(cè)問(wèn)題。BP人工神經(jīng)網(wǎng)絡(luò)、SVM模型和投影尋蹤人工魚群算法分別用于東江水庫(kù)的徑流預(yù)報(bào)中，其中BP人工神經(jīng)網(wǎng)絡(luò)對(duì)徑流的預(yù)測(cè)結(jié)果不太理想主要原因是 BP人工神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)難以確定，網(wǎng)絡(luò)穩(wěn)定性較差且水庫(kù)入庫(kù)徑流時(shí)間序列較短，資料有限，很多預(yù)報(bào)因子的資料比較缺乏。SVM模型對(duì)徑流的預(yù)測(cè)效果較好誤差均在20％以內(nèi)，這與SVM模型能較好地預(yù)測(cè)小樣本、非線性的時(shí)間序列等有關(guān)。投影尋蹤模型采用自動(dòng)選擇預(yù)報(bào)因子、高