【摘要】：中長(zhǎng)期徑流預(yù)報(bào)是水量調(diào)度的重要環(huán)節(jié)之一,是落實(shí)最嚴(yán)格水資源管理制度用水總量控制目標(biāo)以及開展江河流域水量分配方案編制工作的關(guān)鍵技術(shù)支撐。贛江流域是江西省第一大流域,近年來流域出現(xiàn)水資源短缺、供需矛盾加劇等問題。為落實(shí)贛江流域的水量調(diào)度工作,為贛江流域年度水量調(diào)度計(jì)劃提供更加準(zhǔn)確的流域水情預(yù)報(bào),本文開展贛江流域中長(zhǎng)期徑流預(yù)報(bào)模型研究。首先,在分析贛江流域徑流特性的基礎(chǔ)上,運(yùn)用相關(guān)系數(shù)法、逐步回歸法、主成分分析法,從降雨、徑流兩項(xiàng)常規(guī)因子以及130項(xiàng)大氣環(huán)流指數(shù)中,選擇了對(duì)贛江流域未來來水影響最大的因子作為贛江流域徑流預(yù)報(bào)的預(yù)報(bào)因子,編制3種不同的預(yù)報(bào)因子優(yōu)選方案;其次,在所篩選的預(yù)報(bào)因子基礎(chǔ)上,分別結(jié)合多元回歸模型、BP人工神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型、PSO-SVR模型構(gòu)建基于物理成因分析的贛江流域中長(zhǎng)期徑流預(yù)報(bào)模型,對(duì)比分析不同模型不同預(yù)報(bào)因子優(yōu)選方案下的預(yù)報(bào)效果;最后,考慮到單一預(yù)報(bào)模型的局限性,提出了耦合多模型優(yōu)點(diǎn)的中長(zhǎng)期徑流預(yù)報(bào)耦合模型,并在耦合多模型的基礎(chǔ)上提出了基于殘差修正的預(yù)報(bào)模型結(jié)果修正方法,有效提升了預(yù)報(bào)模型的精度。研究主要有以下成果:(1)通過對(duì)比分析多元回歸模型、BP人工神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型、PSO-SVR模型在3種不同因子優(yōu)選方案下的預(yù)報(bào)效果,結(jié)果表明基于主成分分析的預(yù)報(bào)因子優(yōu)選能夠較好的描述未來徑流的變化趨勢(shì),可作為贛江流域中長(zhǎng)期徑流預(yù)報(bào)的因子優(yōu)選方法。(2)通過對(duì)比分析同一種因子優(yōu)選方案下不同模型的預(yù)報(bào)效果,結(jié)果表明相對(duì)于多元回歸模型、BP人工神經(jīng)網(wǎng)絡(luò)模型、Elman神經(jīng)網(wǎng)絡(luò)模型而言,PSOSVR模型在3種因子優(yōu)選方案下預(yù)報(bào)效果較好。(3)基于殘差修正的多模型耦合預(yù)報(bào)技術(shù)在3種因子優(yōu)選方案下預(yù)報(bào)合格率均大于80%,能夠滿足《水文情報(bào)預(yù)報(bào)規(guī)范》的要求,可用于贛江流域中長(zhǎng)期徑流作業(yè)預(yù)報(bào)。本文所提出的贛江流域中長(zhǎng)期徑流預(yù)報(bào)因子篩選方法、多模型耦合與殘差修正方法組成了支撐贛江流域中長(zhǎng)期徑流預(yù)報(bào)的中長(zhǎng)期徑流預(yù)報(bào)技術(shù)體系,研究成果為開展贛江流域水量調(diào)度計(jì)劃的編制工作提供了有力的技術(shù)支撐,對(duì)于解決贛江流域目前需水強(qiáng)度加大、水資源供需矛盾加劇等問題具有重大而深遠(yuǎn)的現(xiàn)實(shí)意義。
【圖文】：

圖 1-2 贛江流域水系圖Fig. 1-2 Water System of the Ganjiang River Basin.2 河流水系贛江流域水系非常發(fā)達(dá)，上游為比較典型的輻射狀水系，其流域面積在

Fig. 2-2 Elman neural network-2 所示，Elman 神經(jīng)網(wǎng)絡(luò)本身具有高度復(fù)雜的非線性，其32y (k ) = g ( w x( k ) + b)
【學(xué)位授予單位】：河北工程大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：P338.2

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王麗學(xué);楊軍;孫靚;陶碩;;基于灰色系統(tǒng)與RBF神經(jīng)網(wǎng)絡(luò)的中長(zhǎng)期水文預(yù)報(bào)[J];人民長(zhǎng)江;2015年17期

2 劉可新;包為民;闕家駿;李佳佳;束慧連;;基于主成分分析的K均值聚類法在洪水預(yù)報(bào)中的應(yīng)用[J];武漢大學(xué)學(xué)報(bào)(工學(xué)版);2015年04期

3 丁小玲;周建中;陳璐;趙云發(fā);李暉;;基于模糊集合理論和集對(duì)原理的徑流豐枯分類方法[J];水力發(fā)電學(xué)報(bào);2015年05期

4 明波;黃強(qiáng);王義民;解陽陽;;基于GA-AHP法的徑流組合預(yù)報(bào)[J];水電能源科學(xué);2014年07期

5 張素瓊;張艷軍;劉佳明;袁迪;鄒霞;宋星原;;基于逐步回歸—LMBP算法的大通站旬徑流與月徑流預(yù)報(bào)[J];水電能源科學(xué);2014年06期

6 王琪;張亭亭;游海林;常靜;曹永強(qiáng);;基于多元回歸分析的大伙房水庫(kù)徑流中長(zhǎng)期預(yù)報(bào)[J];水力發(fā)電;2014年05期

7 唐奇;王紅瑞;許新宜;王成;;基于混合核函數(shù)SVM水文時(shí)序模型及其應(yīng)用[J];系統(tǒng)工程理論與實(shí)踐;2014年02期

8 王偉;雷曉輝;蔣云鐘;;石羊河流域中長(zhǎng)期徑流預(yù)報(bào)模型應(yīng)用[J];人民黃河;2014年01期

9 李繼偉;紀(jì)昌明;張新明;石萍;;基于支持向量機(jī)的水電站中長(zhǎng)期徑流組合預(yù)報(bào)[J];水電能源科學(xué);2013年11期

10 李代華;崔東文;;相空間重構(gòu)支持向量機(jī)在徑流模擬中的應(yīng)用研究[J];長(zhǎng)江科學(xué)院院報(bào);2013年10期

相關(guān)博士學(xué)位論文 前1條

1 王春曉;二型模糊分析法用于水文模擬與水資源配置[D];華北電力大學(xué)(北京);2017年

相關(guān)碩士學(xué)位論文 前4條

1 劉蕊鑫;基于互信息的改進(jìn)RBF神經(jīng)網(wǎng)絡(luò)模型及其在短期徑流預(yù)報(bào)中的應(yīng)用[D];華北電力大學(xué)(北京);2016年

2 王君;非穩(wěn)態(tài)條件下中長(zhǎng)期徑流預(yù)報(bào)及其在水庫(kù)調(diào)度中的應(yīng)用[D];清華大學(xué);2014年

3 鄧娟;三峽水庫(kù)入庫(kù)徑流中長(zhǎng)期預(yù)報(bào)模型研究及系統(tǒng)開發(fā)與應(yīng)用[D];華中科技大學(xué);2011年

4 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

，

本文編號(hào)：2697655