论文部分内容阅读
伴随极端气候事件频繁发生以及人类活动影响加强,径流序列变得日益复杂。在水库既定运行状态下,通过改进水文预报模型,提高径流预报的准确性,确保水库根据未来水情信息适时调整运作方式,充分利用水资源、发挥水库综合效益,是当前关注的重点。因此,本文基于集合经验模态分解(EEMD)结合人工神经网络方法,开展考虑突变特征的三峡水库中长期径流预报研究。通过构建EEMD-ANN模型进行年径流和月径流预报,以期提高预报精度,为三峡水库实际调度提供决策支持。本文研究内容和成果如下:第一,以三峡水库为例,基于统计分析方法开展三峡水库径流特性研究,量化年径流与月径流序列的变化特征。采用滑动平均法、Mann-Kendall法及Spearman法进行径流趋势特征研究,结果表明年径流序列呈现明显下降趋势;采用Pettitt法、累积偏差法和Worsley似然比法检测年径流序列的变化,结果表明径流序列在1968年存在突变。径流受降雨影响主要集中在汛期,汛期径流总体呈下降趋势,非汛期径流总体呈增加趋势。第二,基于EEMD-ANN模型、人工神经网络模型(ANN)和自回归模型(AR)开展三峡水库年径流预报研究。利用EEMD方法对平稳径流序列和原始径流序列分别进行分解,得到若干个不同频率的固有模态函数(IMFs)和残差。在此基础上,构建各阶IMF和残差的人工神经网络预报模型,叠加所有模型预报结果即可得到平稳径流序列和原始径流序列的预报结果。对采用平稳径流序列和采用原始径流序列的模型预报结果进行对比,综合判定模型性能。结果表明:EEMD-ANN模型预报结果与实测值的相关性更强,预报误差明显减少。其均方根相对误差比ANN和AR模型分别减小了7%和10%,相关系数和Nash-Sutcliffe效率系数分别达到0.83和0.69,均显著优于ANN和AR模型。与采用原始径流序列相比,采用平稳径流序列的模型预报结果的均方根相对误差和平均绝对误差分别减小3%和4.13%,相关系数和Nash-Sutcliffe效率系数分别提高0.26和0.38。第三,基于EEMD-ANN模型和ANN模型开展三峡水库月径流预报研究。研究表明EEMD-ANN模型预报效果较为理想,其预报结果的平均绝对误差为12.7%,比ANN模型提高了4%,相关系数和Nash-Sutcliffe效率系数达0.54和0.48。对比年预报结果与月预报结果的丰枯等级,二者的丰枯情况一致。因此EEMD-ANN模型可为三峡水库中长期多尺度径流预报研究提供技术支持。