导读:本文包含了径流预报论文开题报告文献综述及选题提纲参考文献，主要关键词:互信息,主成分分析,互信息和主成分分析法,BP神经网络
径流预报论文文献综述
丁公博,农振学,王超,宋培兵,雷晓辉[1]（2019）在《基于MI-PCA与BP神经网络的石羊河流域中长期径流预报》一文中研究指出使用神经网络进行水文预报的关键之一是预报因子(输入变量)的筛选。鉴于现有方法对预报中因子与径流间复杂的非线性相关关系考虑不充分以及因子间信息重迭导致的算法"过拟合"等问题,提出了一种信息熵理论和主成分分析方法相结合的预报因子筛选方法,并应用至石羊河流域的中长期径流预报中。实例研究表明:运用基于MI-PCA的预报因子筛选方法构建的石羊河流域中长期径流预报BP神经网络模型检验期预报合格率为91.67%,优于单独基于互信息法(83.33%)和主成分分析法(75.00%)的合格率,预报精度满足相关标准规范的要求,可为石羊河流域中长期径流预报提供实际支撑。(本文来源于《中国农村水利水电》期刊2019年10期）
王涛,徐海丽,李铭[2]（2019）在《多模型不同时间尺度中长期径流预报研究》一文中研究指出为研究多模型不同时间尺度中长期径流预报效果,本文结合工程实例,以不同的时间段为检验期,模拟预报该工程的坝址月、旬和周平均流量,并分析了不同资料系列长度对模拟预报精度的影响。研究结果表明,最近邻抽样回归、人工神经网络和门限自回归模型对该工程月、旬、周时间尺度平均流量模拟预报精度随着时间尺度减小呈增高趋势;门限自回归模型模拟预测精度略高于其他两个模型;资料系列达到一定程度后,不同模型对月、旬、周时间尺度平均流量的模拟预报比较稳定。(本文来源于《水电站设计》期刊2019年03期）
谌洁,刘达[3]（2019）在《水文径流集合预报技术现状及关键问题浅析》一文中研究指出水文集合预报是针对数值预报的不确定性而发展起来的概率预报技术,可以延长水文预报有效预见期并提高预报精度,目前已在国内外得到了广泛应用。通过分析水文径流集合预报技术的特点、国内外研究现状及发展趋势,探讨集合预报应用中存在的关键技术问题,特别是指出完善后处理技术是控制集合预报误差的关键。(本文来源于《广东水利电力职业技术学院学报》期刊2019年03期）
王春青,陈冬伶[4]（2019）在《黄河水量调度径流预报方法研究》一文中研究指出介绍了服务于黄河水量调度的中长期径流预报技术方法、主要模型、预报系统及应用情况,并对未来黄河流域径流预报发展方向进行展望。黄河中长期径流预报模型从每个控制站点水文序列的影响因子和自身演变规律出发,根据各站点不同时期、不同影响因素,选择适当的统计方法分别建立。非汛期径流预报模型主要以前期径流、降水为预报因子,采用多元回归分析、门限回归分析和时间序列分析等方法建立;汛期径流受降雨影响强烈,流域降水主要受大气环流等因子影响,因此从前期环流因子中挑选预报因子,建立了汛期径流预报模型;天然径流量预报模型主要采用实测径流还原、时间序列分析及大气海洋物理因子相关等方法建立。黄河中长期径流预报模型及预报系统的建立,提高了黄河流域径流预报技术水平和能力,在1999—2018年20 a的水量调度中,提供了准确的年度水量预报和旬月径流预报,其中每年10月中下旬发布的花园口站年度天然径流总量预报平均误差为3.7%,最小预报误差为0.6%。(本文来源于《人民黄河》期刊2019年09期）
米玛次仁,顿玉多吉,次旦央宗[5]（2019）在《基于HBV水文模型的青藏高原卡鲁雄曲流域径流预报》一文中研究指出青藏高原平均海拔4000m以上,气候恶劣。区域内产汇流规律复杂且水文实测资料稀缺,给流域水文模拟和分析带来诸多挑战。文章选用HBV水文模型在卡鲁雄曲流域进行水文模拟,数据资料包括卡鲁雄曲翁果水文站2010-2015年逐日降水、气温、观测流量等数据。结果表明,模型在率定期、验证期Nash系数分别达到0.82、0.84,HBV水文模型在卡鲁雄曲流域有较好的适用性。但是受到高寒气候影响和水文资料代表性较差的原因,HBV模型在高流量和低流量部分的流量模拟上表现差,相较于实际观测,模拟的径流总量估计出现低估,但总体来说HBV水文模型在卡鲁雄曲流域有较好的适用性。(本文来源于《西藏科技》期刊2019年08期）
张高峰,喻丽莉,李妍,王金文[6]（2019）在《新安江模型在径流预报中的一致性分析》一文中研究指出径流预报是水资源管理中的基础工作,其中,新安江流域径流预报模型在我国有着非常广泛的工程应用。通过新安江预报模型在清江渔峡口流域的应用,在参数率定中发现存在大量的局部最优参数,它们呈现出断层现象。进一步通过预报一致性分析,发现当参数在率定期的性能较差时,其在预报期的性能也较差,而且预报的一致性也较差。从算例结果看,只有参数在率定期的纳什效率系数达到0.89以上,模型在预报期的预报一致性才能够得到保证。(本文来源于《人民长江》期刊2019年S1期）
纪昌明,梁小青,张验科,刘源[7]（2019）在《入库径流预报误差随机模型及其应用》一文中研究指出为了在量化入库径流预报误差的条件下有效提高调度方案制作的精度,基于高斯混合模型(GMM)良好的自适应性,能更准确地描述单一预见期径流预报误差分布的特点,以及高维meta-student t Copula函数具有将多个类型边缘分布有机耦合的优势,建立了多个预见期入库径流预报误差的GMM-Copula随机模型。以雅砻江流域锦屏一级水电站水库为例,对预见期分别为6 h、12 h、18 h、24 h的入库径流预报误差进行了分析与随机模拟。结果表明,随着预见期的增加,模拟误差与实际误差的主要统计特征值相差不大,满足预设精度要求,且变化规律一致,验证了模型的可行性与有效性,为水库调度方案的编制与实施提供了参考依据。(本文来源于《水力发电学报》期刊2019年10期）
石继海[8]（2019）在《中长期径流预报模型研究》一文中研究指出中长期径流预报对掌握未来径流信息,实现水资源科学管理和优化调度具有重要意义。进行中长期径流预报模型的耦合计算和综合评价,可为中长期径流预报模型的应用研究,提高站点的预报精度提供重要参考。本文介绍了中长期径流预报原理及其模型,分析总结目前中长期径流预报研究中存在的问题。以黄河流域民和、兰州、龙门、白马寺和黑石关水文站的天然年径流序列为研究对象,选取平均绝对误差(MAE)、平均相对误差(MRE)、均方根误差(RMSE)和均方百分比误差(MSPE)4个误差指标,运用信息熵确定各误差指标的权重,得到径流预报模型的优属度,实现模型的综合评价。本文主要的研究内容和结论如下:(1)研究区站点径流单一预报模型的构建。应用中长期径流预报的周期分析和时间序列预报模型,建立研究区站点的周期外延迭加、均生函数、自回归(AR)和马尔科夫4个单一预报模型。结果表明,单一模型的综合评价结果集中,民和和白马寺水文站均生函数模型的优属度,取得最大值分别为0.963和1.000,兰州、龙门和黑石关水文站AR模型的优属度,取得最大值分别为0.966、0.989和1.000。应用马尔科夫模型进行定性预报时,模型精度和可靠性较低。(2)研究区站点径流耦合预报模型的构建。根据单一预报模型的特点,尝试将不同的模型进行耦合计算,以期提高中长期径流预报的精度。耦合模型包括灰色-周期外延迭加、均生函数-逐步回归、加权马尔可夫、灰色-逐步回归周期、EEMD-BP神经网络、PPRGSRP、PPARWD和模糊综合分析模型。结果表明,耦合模型的综合评价结果集中,民和水文站PPARWD模型、兰州和黑石关水文站EEMD-BP模型的优属度,均取得最大值1.000,龙门水文站PPRGSRP模型的优属度,取得最大值0.962,白马寺水文站模糊综合分析模型的优属度,取得最大值0.967。应用加权马尔科夫模型解决了马尔科夫模型最大转移概率不唯一的弊端,模型精度和可靠性提高。(3)研究区站点径流预报模型的优选研究。结合单一预报模型和耦合预报模型的误差指标的计算结果,计算各站点所有模型的优属度,实现模型优选。结果表明,民和水文站的优选模型为PPARWD模型、兰州和黑石关水文站为EEMD-BP模型、龙门水文站为PPRGSRP模型、白马寺水文站为模糊综合分析模型。(本文来源于《西北农林科技大学》期刊2019-05-01）
李文锦[9]（2019）在《洛河流域长水水文站年径流预报模型研究》一文中研究指出随着科技的发展和人类的进步,水资源安全问题备受关注。开展中长期径流预报不仅能够在水库调度、抗旱、供水、发电及灌溉等方面发挥重要作用,而且可以有效的缓解各部门之间的用水矛盾,使有限水资源发挥最大的综合效益。因此,本文对洛河流域进行水文特性分析及中长期径流预报研究,以洛河流域长水水文站1960-2016年径流资料为基础,通过Mann-Kendall趋势检验法,对长水水文站径流量、降水量、平均气温的年际变化进行分析,结果显示径流量和降水量呈明显下降趋势,平均气温呈明显上升趋势;通过Mann-Kendall突变检验分析,发现长水水文站径流、降水在1978年均有发生突变;通过小波分析法进行周期性检验,说明控制洛河流域径流、降水变化的周期存在一定程度的相似。结合长水水文站径流资料特点,选取最低气压、降水量、平均气压、平均2分钟风速、平均气温、平均最高气温、日降水量>0.1mm日数、最大风速、日照百分率、极大风速、最高气压等19个影响因子,利用相关系数法和主成分分析法对影响因子进行筛选,得到10个相关性大的预报因子,并以此作为方案一和方案二。在水文要素特性分析基础上分别建立基于方案一和方案二的多元线性回归模型、BP神经网络模型和ELM模型,并进行年径流总量预报。根据预报结果对两种方案、叁种预报模型进行等级评定,整体显示方案一优于方案二,多元线性回归模型、BP神经网络模型和ELM模型的合格率分别为63.64%、72.73%和90.91%,其中,BP神经网络模型和ELM模型预报结果相对更能够适应该流域径流特点。同时,ELM径流预测模型改善了BP神经网络训练时间长和易陷入局部极小值的问题。因此,ELM模型在训练速度和预测精度方面都优于BP神经网络。本文的研究成果对洛河流域水资源的宏观调控和防洪减灾具有一定的参考价值。(本文来源于《华北水利水电大学》期刊2019-05-01）
谢智峰[10]（2019）在《基于深度学习的萤火虫算法研究及在中长期径流预报中的应用》一文中研究指出径流是受太阳活动、大气环流、下垫面变化和降雨等诸多因素影响的一个随机变量,且各因素对径流的作用关系难以建立严谨的数学模型,因此径流预报是一个受多因素影响的非线性复杂问题。随着机器学习技术的发展,支持向量回归被广泛应用于径流预报领域,取得了有效的预报结果。支持向量回归的性能依赖于惩罚系数、不敏感损失系数和核参数的选择。传统方法对参数选择效率低,且主观性和随机性大,导致支持向量回归的性能不佳。为提高支持向量回归的性能,借助萤火虫算法进行参数动态寻优,建立了基于萤火虫算法的支持向量回归预报模型。萤火虫算法是一种群智能算法,因其优化模型简单、参数少和实现容易等优势,被广泛应用于众多工程领域。但是,该算法本身存在易陷入局部最优、过早收敛及寻优精度不高等缺陷。本论文以萤火虫算法为研究对象,以径流预测为应用背景,使用深度学习策略对算法进行优化,并将改进的萤火虫算法应用于中长期径流预测。取得的主要研究成果如下:(1)对深度学习方式进行改进,提出了最优粒子引导的单维深度学习萤火虫算法。为使最优粒子获取更多搜索机会,在种群每代进化过程中,算法为最优粒子分配一定的评估资源,进行固定次数单维深度学习,搜寻优秀的解,其它萤火虫依然保持标准的更新方式。12个基准测试函数的实验结果表明该算法优化性能得到了较好的提升。(2)对深度学习对象进行改进,提出了广义中心粒子引导的萤火虫算法。为加强种群间的信息交流,算法引入广义中心粒子概念,构造一个与所有粒子都相关的广义中心粒子。当所有的萤火虫完成标准的搜索任务之后,再由广义中心粒子引导种群进一步探索,以提高种群的收敛速度和搜索精度。12个基准测试函数和CEC2015复杂测试函数的实验结果表明该算法综合优化性能优于其它6种新近萤火虫算法。(3)融合上述的深度学习方式和深度学习对象,提出了深度学习萤火虫算法。为加强广义中心粒子的引导能力,首先采用随机模型取代全吸引模型进行种群进化,然后选择广义中心粒子作为深度学习对象,对其进行固定次数的单维深度学习,最后利用经单维深度学习的广义中心粒子引导种群进化。12个基准测试函数的实验表明,深度学习萤火虫算法优化性能得到了显着的提升。以陕西府谷县黄甫川水文站年径流量为研究对象,以实际径流值和预报径流值的均方误差的最小值为目标函数,建立基于支持向量回归的径流预报模型,将各种改进萤火虫算法用于支持向量回归核参数动态优化选择。实验结果表明,基于深度学习的支持向量回归模型取得了最佳的预报结果。(本文来源于《南昌工程学院》期刊2019-04-25）
径流预报论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为研究多模型不同时间尺度中长期径流预报效果,本文结合工程实例,以不同的时间段为检验期,模拟预报该工程的坝址月、旬和周平均流量,并分析了不同资料系列长度对模拟预报精度的影响。研究结果表明,最近邻抽样回归、人工神经网络和门限自回归模型对该工程月、旬、周时间尺度平均流量模拟预报精度随着时间尺度减小呈增高趋势;门限自回归模型模拟预测精度略高于其他两个模型;资料系列达到一定程度后,不同模型对月、旬、周时间尺度平均流量的模拟预报比较稳定。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
径流预报论文参考文献
[1].丁公博,农振学,王超,宋培兵,雷晓辉.基于MI-PCA与BP神经网络的石羊河流域中长期径流预报[J].中国农村水利水电.2019
[2].王涛,徐海丽,李铭.多模型不同时间尺度中长期径流预报研究[J].水电站设计.2019
[3].谌洁,刘达.水文径流集合预报技术现状及关键问题浅析[J].广东水利电力职业技术学院学报.2019
[4].王春青,陈冬伶.黄河水量调度径流预报方法研究[J].人民黄河.2019
[5].米玛次仁,顿玉多吉,次旦央宗.基于HBV水文模型的青藏高原卡鲁雄曲流域径流预报[J].西藏科技.2019
[6].张高峰,喻丽莉,李妍,王金文.新安江模型在径流预报中的一致性分析[J].人民长江.2019
[7].纪昌明,梁小青,张验科,刘源.入库径流预报误差随机模型及其应用[J].水力发电学报.2019
[8].石继海.中长期径流预报模型研究[D].西北农林科技大学.2019
[9].李文锦.洛河流域长水水文站年径流预报模型研究[D].华北水利水电大学.2019
[10].谢智峰.基于深度学习的萤火虫算法研究及在中长期径流预报中的应用[D].南昌工程学院.2019
标签：互信息; 主成分分析; 互信息和主成分分析法; BP神经网络;