WA-ANN模型在水文时间序列长期预报中的应用

论文摘要

准确高效的水情长期预报能够为水文气象相关部门在防汛抗旱规划决策、水利工程调度运行及水资源开发利用等工作提供科学依据。为建立水文时间序列长期预报模型,探究建模思路与设计方法,本文以上海为研究区域,选取黄浦公园水文站、吴淞水文站、徐家汇气象代表站为研究站点,对年最高水位、年降水量及汛期降水量序列建立基于小波分析（Wavelet analysis,WA）的多类型人工神经网络（Artificial neural network,ANN）,即WA-ANN模型,进行水情长期预报研究。该模型首先采用小波分析识别并分离出样本序列中的确定性成分与随机成分,然后对两部分分别建立适用于预测预报的典型ANN,包括BP神经网络、径向基函数（Radial basis function,RBF）神经网络、广义回归神经网络（General regression neural network,GRNN）、小波神经网络（Wavelet neural network,WNN）及Elman神经网络,最后将两部分的预测结果叠加得到样本序列的最终预测结果。结合混沌特性分析、自相关分析、经验公式、试错法及遗传算法等方法设定ANN的网络初始参数,根据平均相对误差、平均绝对误差、均方根误差及合格率等四项评价指标,评价不同类型WA-ANN模型的预测精度与稳定性,验证建模思路与网络设计方法的可行性与合理性,并与其他常用长期预报模型预测效果进行对比。主要研究结论如下:（1）基于小波分析建立ANN在研究区域与站点能够提高水情长期预报精度。相比于标准ANN,WA-ANN模型应用于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报具有更高的精度。（2）结合多方法进行网络设计具有一定合理性与可行性。经黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列验证,结合混沌特性分析与自相关分析确定ANN输入层节点数,通过经验公式、试错法设定ANN隐含层节点数、学习率等初始参数,采用遗传算法选取BP神经网络初始权重与阈值,以此设置模型参数得到的预测结果符合长期水文预报的精度评定规定,预测效果较好。（3）对于黄浦公园年最高水位、吴淞年最高水位、徐家汇年降水量与汛期降水量等四个水文样本序列的长期预报,ANN较自回归模型AR（p）、单变量一阶灰色模型GM（1,1）及门限自回归模型TAR而言具有更好的适用性,整体预测精度更高。其中,GRNN神经网络在稳定性与精度两方面均有较好表现,是水文样本序列长期预报最适用的神经网络类型,其应用于黄浦公园年最高水位序列、吴淞年最高水位序列及徐家汇年降水量序列预测的平均相对误差分别为3.8%、2.8%、11.8%,合格率分别为93.8%、100%、77.3%,预测效果较好;同时,其应用于徐家汇汛期降水量序列预测的平均相对误差与合格率分别为19.7%、68.2%,仅达到水文长期预报基本精度要求,预测效果有待优化。

论文目录

• 摘要
• Abstract
• 第一章 绪论
•   1.1 研究背景及意义
•   1.2 国内外研究进展
•     1.2.1 长期水文预报研究现状
•     1.2.2 人工神经网络模型在水文预报方向的研究进展
•   1.3 研究内容与技术路线
•     1.3.1 研究内容
•     1.3.2 技术路线
• 第二章 基本理论与方法
•   2.1 小波分析
•     2.1.1 小波函数
•     2.1.2 小波变换
•     2.1.3 小波分解与重构
•   2.2 人工神经网络
•     2.2.1 BP神经网络
•     2.2.2 RBF神经网络
•     2.2.3 GRNN神经网络
•     2.2.4 WNN神经网络
•     2.2.5 Elman神经网络
•   2.3 本章小结
• 第三章 基于WA-ANN的水文时间序列长期预报模型
•   3.1 基于WA的组成成分分析
•     3.1.1 小波函数的选择与分解水平的确定
•     3.1.2 确定性成分与随机成分的识别与分离
•     3.1.3 基于WA的组成成分分析方法步骤
•   3.2 ANN网络设计
•     3.2.1 ANN参数
•     3.2.2 参数选取方法
•   3.3 WA与ANN的结合过程
•   3.4 WA-ANN的模型实现
•   3.5 WA-ANN的预测效果评价
•   3.6 本章小结
• 第四章 基于WA-ANN模型的上海水情长期预报实例分析
•   4.1 资料数据
•   4.2 基于WA的组成成分分析结果
•     4.2.1 小波函数的选择结果
•     4.2.2 确定性成分与随机成分分离结果
•   4.3 ANN网络设计结果
•     4.3.1 BP神经网络参数设定结果
•     4.3.2 其他类型神经网络参数选取结果
•   4.4 WA-ANN模型预测结果及分析评价
•     4.4.1 WA-ANN模型预测结果
•     4.4.2 模型预测结果分析评价
•   4.5 本章小结
• 第五章 结论与展望
•   5.1 结论
•   5.2 研究展望
• 参考文献
• 致谢
• 科研经历

文章来源

类型: 硕士论文

作者: 周雨婷

导师: 王栋

关键词: 长期预报,神经网络,小波分析,时间序列,相空间重构,遗传算法

来源: 南京大学

年度: 2019

分类: 基础科学,工程科技Ⅱ辑

专业: 地球物理学,水利水电工程

单位: 南京大学

分类号: P338

总页数: 73

文件大小: 5063K

下载量: 262