河川径流量预测研究

论文摘要

水资源系统是一个大规模复杂系统,对该系统准确而及时的预测具有重要的理论意义和工程价值。水资源系统中径流要素受流域自然地理环境及人类活动等多种因素影响,其变化特性和规律错综复杂,表现出随机性、灰色性、非线性等复杂特征。本文对河川径流量预测进行了研究,采用了四种方法对年径流量的不同特点进行预测。对年径流量的整体变化趋势采用小波分析方法。因为小波分析具有时频局部化特性,可以利用这种“调焦”性质来展现水文水资源时间序列的精细结构,为分析其多时间尺度变化及分布和突变点情况提供了一种新途径。本文用Marr小波函数所获得的结果不仅将水文水资源时间序列的频率特征在时间域上展现出来,清晰地给出了各种时间尺度（周期）的强弱和分布情况以及突变点,而且能分析出其主要周期。对年径流量丰枯状态预测采用马尔可夫链预测理论特别是加权马氏链预测。利用加权马尔可夫链预测方法能达到了充分、合理地利用信息进行预测的目的。虽然本文有4年数据缺失,但利用牛顿差值法补充上数据后,利用加权马氏链预测仍得到很好的预测效果,说明加权马尔可夫链预测方法充分、合理地利用了数据的信息。对年径流量的预测采用了两种方法,分别为时间序列分析和人工神经网络,本文主要用ARIMA模型和三层BP网。ARIMA模型主要利用数据间的相关性来建立模型,根据数据分析建立ARIMA（3,2,1）模型最优,但预测效果并不好。因此为了达到好的预测效果,我们把两个ARMA模型组合运用建立新的模型,得到较好的预测效果。三层BP网主要利用L-M法,建立了松花江流域哈尔滨站年径流量的水文预报模型,使预报精度完全达到国家水文预报规范要求。本文利用Matlab软件和Eviews软件对数据进行处理。本文采用的模型较多,每个章节具体介绍了各个模型建立过程。传统模型在径流预测中的应用已经比较成熟,文中侧重于在模型建模思路的改进上和相关模型相结合上作了分析研究。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 研究背景
• 1.2 我国水资源现状
• 1.3 松花江流域自然地理及水文特性
• 1.4 研究现状及发展趋势
• 1.5 主要研究内容
• 2 小波分析在年径流量预测中的应用
• 2.1 小波分析的理论基础
• 2.1.1 小波分析的发展
• 2.1.2 小波基函数
• 2.1.3 小波变换
• 2.1.4 连续小波变换的性质
• 2.2 年径流序列的多时间尺度小波分析
• 2.2.1 径流序列的多时间尺度演变特性
• 2.2.2 小波变换的计算
• 2.2.3 小波变换系数图
• 2.3 实例分析
• 2.3.1 基本资料及处理
• 2.3.2 Mexican Hat小波在年径流量中的应用
• 2.4 本章小结
• 3 马尔可夫链在年径流量预测上的应用
• 3.1 绪论
• 3.1.1 随机过程的概念
• 3.1.2 马尔可夫链在预测中的应用
• 3.2 马尔可夫链
• 3.2.1 马尔可夫链的定义
• 3.2.2 有关马氏链的几个重要结论
• 3.2.3 n步转移概率和C-K方程
• 3.3 加权马尔可夫链预测的方法步骤
• 3.3.1 加权马尔可夫链预测的思想
• 3.3.2 加权马尔可夫链预测的方法步骤
• 3.4 实例分析
• 3.5 本章小结
• 4 时间序列分析在年径流量预测中的应用
• 4.1 绪论
• 4.2 介绍模型
• 4.2.1 一阶自回归模型
• 4.2.2 一般自回归模型
• 4.2.3 移动平均模型
• 4.2.4 自回归移动平均模型
• 4.2.5 自回归求和滑动平均模型
• 4.3 模型的建立
• 4.3.1 系统稳定性与非稳定性
• 4.3.2 AR（n）模型的自协方差函数和自相关函数及其特征
• 4.3.3 ARMA（n，m）模型的自协方差函数和自相关函数及特征
• 4.3.4 AR（n）、MA（m）和ARMA（n，m）序列的偏相关函数
• 4.4 平稳时间序列模型的建立
• 4.4.1 模型识别
• 4.4.2 模型定阶
• 4.4.3 参数估计
• 4.4.4 模型的适应性检验
• 4.5 时间序列的预测
• 4.5.1 平稳时间序列的预测
• 4.5.2 非平稳时间序列分析
• 4.6 实例分析
• 4.7 本章小结
• 5 神经网络在年径流量预测中的应用
• 5.1 人工神经网络概述
• 5.1.1 人工神经网络简介
• 5.1.2 神经网络的特点
• 5.2 BP网络
• 5.2.1 BP网络介绍
• 5.2.2 BP学习算法
• 5.2.3 BP模型的建立及其应用
• 5.2.4 BP网络设计的基本方法
• 5.3 实例分析
• 5.3.1 改进的BP算法
• 5.3.2 BP网络学习算法的比较
• 5.4 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢