论文部分内容阅读
渭河作为陕西人民的“母亲河”,随着水资源供需矛盾日益尖锐,渭河水量调度管理与决策的多目标性将愈来愈被关注,围绕着渭河水量调度工作的实际需求,渭河流域的径流预测成为渭河水量调度多目标协同调控模式研究与构建中的关键一环,开发能够适应环境变化的多尺度预测模型显得尤为迫切。本论文采用集成经验模态分解与长短时记忆网络,以渭河干流魏家堡、咸阳、华县断面为例针对不同预测尺度分别建立滚动预测模型。并分别建立了基于深度神经网络的重构模型,提升了滚动预测模型的预测精度。本文的主要研究成果如下:(1)本文分析了 EMD与EEMD分解算法的不同,研究深度学习算法原理,分析RNN与LSTM在时间序列预测中的应用范围,建立基于EEMD-LSTM的渭河干流多尺度径流预测模型;(2)使用EEMD算法将断面年径流数据进行分解后的序列分别使用LSTM和BP神经网络进行滚动预测,将滚动预测后的各序列利用EEMD算法的完备性重构,对比验证指标得到EEMD-LSTM-SUM长期模型预测精度优于EEMD-BP-SUM长期预测模型。为解决部分IMF序列在滚动预测中拟合度较差所导致的误差,使用深度神经网络建立长期预测重构模型,剔除部分不拟合序列,为降低剔除部分序列带来的信息丢失,将85%置信区间内的径流作为新增输入,通过对比分析,基于深度神经网络的重构模型提高了模型的预测精度。在模型验证阶段,EEMD-LSTM-DNN长期预测模型在魏家堡、咸阳和华县断面测试集上的NSE分别为0.380、0.480和0.213,MAE分别为23.399m3/s、27.141m3/s 和 41.493m3/s;(3)在中期径流预测中,由于数据量增多,在使用LSTM神经网络进行滚动预测时全连接层中隐藏层的设置可以选择1至2层,通过与BP神经网络对比得到EEMD-LSTM-SUM中期模型预测精度优于EEMD-BP-SUM中期预测模型,但模型在部分断面出现了预测值为负数的现象。在使用深度神经网络重构时,为了避免了预测值出现负数的现象将Leaky Relu激活函数应用于中期预测的深度神经网络重构模型中,重构模型的新增输入为95%置信区间内的径流,通过深度神经网络重构的模型预测精度优于求和重构的预测模型。在模型验证阶段,EEMD-LSTM-DNN中期预测模型在魏家堡、咸阳和华县断面测试集上的NSE分0.769、0.854和0.896,MAE分别为36.821m3/s、38.559m3/s 和 68.208m3/s;(4)在短期径流预测中,EEMD-LSTM-SUM模型精度优于EEMD-BP-SUM神经网络滚动预测模型,但预测结果也出现了为负数的现象。使用深度神经网络进行重构时同样使用了 Leaky Relu激活函数来避免预测结果出现负数的现象,与中长期重构模型不同的是,短期径流预测重构模型的新增输入是通过与上游断面历史径流数据进行相关性系数计算后选取的相关性最大的上游断面历史径流数据,通过对比分析通过深度学习重构的模型预测精度优于通过求和重构的预测模型。在模型验证阶段,EEMD-LSTM-DNN短期预测模型在魏家堡、咸阳和华县断面测试集上的NSE分别为0.902、0.817和0.904,MAE分别为 30.987m3/s、43.129m3/s 和 36.058m3/s。