黃景光，吳 巍，程璐瑤，于 楠,3，陳 波,3

(1.三峽大學(xué)電氣與新能源學(xué)院，湖北 宜昌 443002；2. 三峽大學(xué) 梯級(jí)水電站運(yùn)行與控制湖北省重點(diǎn)實(shí)驗(yàn)室，湖北 宜昌 443002；3. 三峽大學(xué) 新能源微電網(wǎng)湖北省協(xié)同創(chuàng)新中心，湖北 宜昌 443002)

1 研究背景

河流徑流作為水文學(xué)一個(gè)重要的組成部分，主導(dǎo)著水文系統(tǒng)的變化，其受天文、氣象、地理等多因素影響，具有很強(qiáng)隨機(jī)性、非線性、突變性等復(fù)雜特性。而徑流預(yù)測(cè)是制定合理的水庫(kù)運(yùn)行策略的重要依據(jù)，直接影響水庫(kù)防洪設(shè)施設(shè)置、發(fā)電運(yùn)行方式，通過(guò)合理的徑流預(yù)測(cè)可以大大提高工程綜合效益[1-4]。近年來(lái)，隨著計(jì)算機(jī)和數(shù)學(xué)方法的發(fā)展，以歷史徑流為基礎(chǔ)的徑流預(yù)測(cè)方法越來(lái)越多,其中ANN與SVM以及其組合方法成為目前研究熱點(diǎn)。根據(jù)水文特點(diǎn)，徑流預(yù)測(cè)通常采用BP神經(jīng)網(wǎng)絡(luò)模型，僅需三層結(jié)構(gòu)就能滿足一般水文預(yù)測(cè)需求，泛化和容錯(cuò)能力強(qiáng)，但收斂速度慢，容易陷入局部最優(yōu)[5-7]。由Vapnik等根據(jù)VC維理論與結(jié)構(gòu)風(fēng)險(xiǎn)最小原理提出的SVM能夠很好地解決收斂速度慢、易陷入局部最優(yōu)等缺點(diǎn)，對(duì)于小樣本、高維度數(shù)據(jù)同樣有良好的處理能力[8]。

ANN和SVM已經(jīng)應(yīng)用于多個(gè)水文預(yù)測(cè)工程[9-13]，但徑流與多種自然因素具有強(qiáng)相關(guān)性，其本身非線性強(qiáng)，時(shí)間空間尺度上變化復(fù)雜，利用單一數(shù)學(xué)模型預(yù)測(cè)困難，誤差較大。水文序列含有多種頻率成分，不同頻率成分對(duì)預(yù)測(cè)精度有著一定影響，小波分析能對(duì)水文序列“由粗到細(xì)”展示其變化規(guī)律，同時(shí)能夠獲得不同頻率序列。因此，利用小波分析與其他數(shù)學(xué)方法建立耦合模型為徑流預(yù)測(cè)提供了一種新途徑。黃巧玲等[14]將小波分析與支持向量機(jī)結(jié)合建立WSVR回歸模型提高了徑流預(yù)測(cè)精度。Patil S K等[15]研究了多層感知器和模糊神經(jīng)網(wǎng)絡(luò)對(duì)徑流預(yù)測(cè)精度與穩(wěn)定性的影響。紀(jì)昌明等[16]將小波分解和投影尋蹤法建立耦合模型，提高了預(yù)測(cè)精度也增加穩(wěn)定性。王秀杰等[17]將小波分解的高低頻分量用ARMA模型預(yù)測(cè)，重構(gòu)后預(yù)測(cè)合格率提升至90%。

以上文獻(xiàn)均以單一方法對(duì)徑流序列進(jìn)行預(yù)測(cè)，未考慮徑流序列隨機(jī)程度對(duì)于預(yù)測(cè)方法的選擇性。本文將SVM分類器與小波分析技術(shù)組合提出一種基于徑流特征和小波高低頻能量譜分類的ARMA、ANN組合預(yù)測(cè)方法。在保證ARMA模型預(yù)測(cè)精度的前提上進(jìn)行特征分類，之后通過(guò)小波分解和SVM對(duì)預(yù)測(cè)周期內(nèi)不同類型序列采用不同預(yù)測(cè)方法預(yù)測(cè)，并對(duì)重構(gòu)后的徑流預(yù)測(cè)精度進(jìn)行分析。在風(fēng)電、光伏組合預(yù)測(cè)中，該方法已被證實(shí)能夠極大地提高預(yù)測(cè)精度[18,19]。本文以2013-2017年宜昌站徑流為例，驗(yàn)證了本文預(yù)測(cè)方法的可行性和有效性。

2 徑流組合預(yù)測(cè)模型原理

河川徑流受極端天氣、氣候變暖、水利工程等影響，在一個(gè)水文年中汛期徑流有明顯增長(zhǎng)趨勢(shì)，使徑流曲線呈強(qiáng)非線性，在非汛期變化平緩，在一些研究中通常對(duì)汛期和非汛期采用不同方法預(yù)測(cè)[14]，但這樣通常忽略了汛期中“平穩(wěn)型”徑流和非汛期的“突變型”徑流(主要受極端天氣影響[2])，為此需對(duì)徑流序列進(jìn)行自適應(yīng)分類，避免誤分類情況發(fā)生。

在多數(shù)研究中，對(duì)于短時(shí)間變化較大的序列常常利用ANN進(jìn)行預(yù)測(cè)，其容錯(cuò)效果好，預(yù)測(cè)誤差較小；趨于平穩(wěn)的序列則采用ARMA模型進(jìn)行預(yù)測(cè)，其較于ANN在同等的預(yù)測(cè)精度下，計(jì)算量較小。因此對(duì)于某一徑流序列，在預(yù)測(cè)期內(nèi)將序列分為“平穩(wěn)”和“突變”兩種類型，“平穩(wěn)型”序列使用ARMA模型預(yù)測(cè)，“突變型”序列使用ANN預(yù)測(cè)[20]，具體分類方法見(jiàn)3.2節(jié)。本文則通過(guò)小波分解與SVM建立組合分類器來(lái)完成這一過(guò)程。

基于以上原理設(shè)計(jì)的組合預(yù)測(cè)模型，其工作步驟如圖1所示。首先，通過(guò)3.1節(jié)方法對(duì)原始徑流序列提取高頻系數(shù)能量譜，通過(guò)3.2節(jié)方法確定序列特征類型，再將兩者作為樣本標(biāo)記和特征信息輸入至SVM分類器中來(lái)預(yù)測(cè)預(yù)測(cè)期內(nèi)序列的特征類型，實(shí)際中，預(yù)測(cè)期內(nèi)的徑流序列類型未知，但是可以通過(guò)歷史徑流數(shù)據(jù)對(duì)下一時(shí)段的序列類型進(jìn)行預(yù)測(cè)，SVM具有根據(jù)原特征信息對(duì)未來(lái)特征預(yù)測(cè)的能力，其分類預(yù)測(cè)方法具體見(jiàn)3.3節(jié)。

圖1 組合預(yù)測(cè)流程Fig.1 Combination forecasting process

本文分別選取汛期與非汛期徑流進(jìn)行預(yù)測(cè)效果對(duì)比，將原始徑流前95%作為訓(xùn)練集，后5%作為預(yù)測(cè)集，前95%的序列進(jìn)行小波分解得到小波系數(shù)的能量譜，之后將能量譜輸入至SVM分類器預(yù)測(cè)后5%的徑流曲線類型，最后根據(jù)預(yù)測(cè)期內(nèi)序列類型的不同選用對(duì)應(yīng)的預(yù)測(cè)方法預(yù)測(cè)。

3 研究方法

3.1 徑流序列小波變換分解

對(duì)于f(x)滿足f(x)∈L2(R)，L2(R)為R平方上可積函數(shù)構(gòu)成的函數(shù)空間，Ψ(t)為一個(gè)基小波或母小波，連續(xù)小波變換為：

(1)

對(duì)于離散信號(hào)f(nΔt)，WΨf(a,b)變換形式為：

(2)

式中：Δt為采樣時(shí)間間隔；n為樣本序列，n=1,2,…,N；N為樣本容量。

在實(shí)際工程中，一般采用離散的時(shí)間序列，對(duì)于任意原始序列，可以使用Mallet算法進(jìn)行分解。Mallet算法是一種快速小波方法，分為分解和重構(gòu)兩類算法。

Mallet快速分解算法為：

(3)

Mallet重構(gòu)算法為：

cj=Hcj+1+Gdj+1j=J-1,J-2,…,0

(4)

式中：H、G分別為高低通濾波器；J為尺度數(shù)。

通過(guò)式(3)可以將一原始序列分解為aJ和d1,d2,…,dJ，aJ為原始信號(hào)的近似部分，dJ為原始信號(hào)的細(xì)節(jié)部分。

本文利用Mallet算法采用正交不對(duì)稱db4小波包函數(shù)對(duì)徑流序列進(jìn)行2層分解來(lái)獲取其近似和細(xì)節(jié)信號(hào)。分解尺度雖對(duì)預(yù)測(cè)結(jié)果影響不大，但尺度過(guò)大或過(guò)小會(huì)導(dǎo)致數(shù)據(jù)提取不完整，影響模型性能，因此分解尺度需在預(yù)測(cè)時(shí)進(jìn)行測(cè)試再逐一比較進(jìn)行選取?，F(xiàn)以長(zhǎng)江宜昌站2016年實(shí)測(cè)日徑流作為樣本進(jìn)行分析。

圖2為徑流序列經(jīng)小波分解后的能量譜圖，從圖2可以看出在中間時(shí)段徑流序列變化頻率和幅度較大，序列產(chǎn)生“突變”，對(duì)應(yīng)時(shí)段的高頻信號(hào)能量譜有著明顯的陡增現(xiàn)象，該現(xiàn)象能夠很好地反映徑流的變化情況。因此，本文將徑流序列的能量譜作為SVM分類器的訓(xùn)練樣本特征以及訓(xùn)練完成后的輸入變量。

圖2 徑流序列及小波分解能量譜Fig.2 Runoff series and wavelet decomposition energy spectrum

3.2 徑流序列特征分類

徑流序列可以依據(jù)在一段時(shí)間內(nèi)，其突變陡度(即導(dǎo)函數(shù))是否存在過(guò)零點(diǎn)，以及斜率變化范圍進(jìn)行劃分。若在這段時(shí)間內(nèi)，曲線導(dǎo)函數(shù)不存在過(guò)零點(diǎn)，或斜率變換范圍不大，則認(rèn)為這段時(shí)間徑流序列屬于“平穩(wěn)”型，反之則屬于“突變”型。徑流特征分類的判決條件如下：

(5)

式中：sgn為符號(hào)函數(shù)；sgn(smax)、sgn(smin)分別為徑流曲線導(dǎo)函數(shù)最大最小值；K為曲線類型，K=1，則曲線類型為“平穩(wěn)型”，此段曲線采用ARMA模型進(jìn)行預(yù)測(cè)，K=0，則為“突變型”，采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。d1、d2作為曲線類型的判別參數(shù)，其物理意義為徑流序列變化程度與周圍環(huán)境對(duì)應(yīng)關(guān)系。

同時(shí)，d1、d2應(yīng)滿足ARMA在預(yù)測(cè)過(guò)程中平均誤差εave盡量小于20%，即：

(6)

式中：εave為ARMA平均預(yù)測(cè)誤差；εi、Ki分別為第i個(gè)預(yù)測(cè)周期的誤差和序列類型；n為本次預(yù)測(cè)總周期數(shù)。

對(duì)于式(6)采用遺傳算法求解，其適應(yīng)度函數(shù)為：

(7)

該特征類型作為SVM訓(xùn)練樣本標(biāo)記，不會(huì)因?yàn)檫z傳算法求解時(shí)長(zhǎng)而影響預(yù)測(cè)精度。對(duì)于d1、d2的數(shù)值選取，首先根據(jù)式(5)采用ARMA進(jìn)行預(yù)測(cè)，對(duì)預(yù)測(cè)誤差絕對(duì)值求和后，取平均得到式(6)，最后通過(guò)求解式(7)，可得到d1、d2。

3.3 SVM分類

利用歷史徑流數(shù)據(jù)建立SVM分類器，其具體結(jié)構(gòu)如圖3所示。首先，對(duì)一年中各日徑流利用3.1節(jié)方法進(jìn)行小波分解，并將小波分解系數(shù)能量譜作為SVM分類訓(xùn)練特征；之后，采用3.2節(jié)方法對(duì)各日徑流序列進(jìn)行分類，各分類類型作為SVM訓(xùn)練樣本標(biāo)記。進(jìn)行訓(xùn)練后，即可作為本模型所需的SVM分類器。

圖3 SVM分類器建立Fig.3 Establishment of SVM classifier

利用2016年1-6月和9-12月徑流數(shù)據(jù)對(duì)SVM分類器進(jìn)行訓(xùn)練，為提高預(yù)測(cè)精度，需對(duì)輸入數(shù)據(jù)進(jìn)行對(duì)數(shù)化和歸一化處理。圖4為SVM分類訓(xùn)練結(jié)果。

圖4 支持向量機(jī)分類Fig.4 Classification of support vector machine

利用2016年7月和8月徑流數(shù)據(jù)作為測(cè)試集來(lái)驗(yàn)證SVM分類器的預(yù)測(cè)分類精度，分類號(hào)“0”和“1”分別代表“突變型”和“平穩(wěn)型”，驗(yàn)證結(jié)果見(jiàn)表1。從表1可知，SVM在16至19時(shí)段發(fā)生誤判，分類準(zhǔn)確度為87%以上，說(shuō)明SVM分類能通過(guò)小波能量譜對(duì)一定時(shí)序內(nèi)的徑流曲線進(jìn)行較為準(zhǔn)確的分類，同時(shí)SVM分類結(jié)果將作為選取不同徑流序列類型預(yù)測(cè)方法的依據(jù)。

表1 SVM判定分類結(jié)果Tab.1 SVM determines classification results

4 徑流預(yù)測(cè)方法

4.1 ARMA模型

ARMA模型由自回歸模型(AR)和滑動(dòng)平均模型(MA)混合構(gòu)成,其一般形式為：xt-φ1xt-1-K-φpxt-p=at-θ1at-1-K-θqat-q。用Bk表示k步推移算子，即Bkxt=xt-k，Bkat=at-k，Bkc=c，c為常數(shù)。并令：

φ(B)=1-φ1B-φ2B2-K-φpBp

(8)

θ(B)=1-θ1B-θ2B2-K-θpBp

(9)

則可簡(jiǎn)記為：φ(B)xt=θ(B)at。該模型通常以ARMA(p,q)表示，計(jì)算公式如下：

(10)

式中：aj和p分別為AR的系數(shù)和階數(shù)；bj和q分別為MA的系數(shù)和階數(shù)；εt為滯后因子。

ARMA適用于當(dāng)前時(shí)序系統(tǒng)變化規(guī)律在未來(lái)的變化趨勢(shì)不變或變化較小的情況，在式(5)對(duì)徑流序列進(jìn)行判定，“平穩(wěn)型”徑流在某一時(shí)序內(nèi)具有單調(diào)遞增或遞減性質(zhì)，且有較小的斜率變化，同時(shí)在遞增或遞減時(shí)幅度有一定變化，說(shuō)明徑流具有隨機(jī)波動(dòng)性。因此，該情況適合使用ARMA進(jìn)行時(shí)序分析，其一般步驟如圖5所示。

圖5 ARMA預(yù)測(cè)流程Fig.5 ARMA prediction process

4.2 ANN模型

對(duì)于式(5)判定的“突變型”徑流序列，在某一時(shí)序內(nèi)變化規(guī)律不明顯，無(wú)單調(diào)情況或斜率變化范圍較大，此時(shí)使用ARMA進(jìn)行預(yù)測(cè)誤差較大，而BP神經(jīng)網(wǎng)絡(luò)作為使用最為廣泛的神經(jīng)網(wǎng)絡(luò)模型之一，其對(duì)強(qiáng)非線性數(shù)據(jù)具有高精度擬合的優(yōu)點(diǎn)[21]，使用BP神經(jīng)網(wǎng)絡(luò)對(duì)“突變型”徑流序列預(yù)測(cè)效果更好。

以3.1節(jié)方法對(duì)“突變型”徑流采用db4小波分解成近似和細(xì)節(jié)信號(hào)，近似信號(hào)可看作在一定序列內(nèi)原始信號(hào)的大致變化規(guī)律，細(xì)節(jié)信號(hào)可看作對(duì)近似信號(hào)的隨機(jī)擾動(dòng)。本文通過(guò)對(duì)2層小波分解的低頻和高頻信號(hào)采用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，后對(duì)預(yù)測(cè)信號(hào)進(jìn)行小波重構(gòu)獲得時(shí)域預(yù)測(cè)徑流，會(huì)比直接對(duì)時(shí)域徑流預(yù)測(cè)精度高，其一般預(yù)測(cè)步驟如圖6所示。

圖6 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)流程Fig.6 BP neural network prediction process

4.3 模型效果評(píng)價(jià)

為更明確判別本文模型預(yù)測(cè)精度和有效性，本文選用平均絕對(duì)百分比誤差(Mean Absolute Percentage Error,MAPE)、均方根誤差(Root Mean Square Error,RMSE)、希爾不等式系數(shù)(Theil Inequality Coefficient,TIC)[22,23]對(duì)模型分析，其具體公式如下：

(11)

(12)

(13)

5 算例結(jié)果分析

考慮數(shù)據(jù)的時(shí)效性本文采用長(zhǎng)江宜昌站2013-2017年三峽入庫(kù)徑流作為研究數(shù)據(jù)(2017年數(shù)據(jù)為1-11月)，其中2016年6、7月和2017年10、11月徑流作為預(yù)測(cè)數(shù)據(jù)，以對(duì)比豐枯水期預(yù)測(cè)差異。通過(guò)Matlab 2014a與Libsvm-3.22工具箱來(lái)實(shí)現(xiàn)本文預(yù)測(cè)方法，并與ANN和ARMA單一預(yù)測(cè)模型作比較。小波分解將徑流時(shí)間序列分解為{a2(t),d2(t),d1(t)}高低頻序列，如圖7所示。

圖7 小波系數(shù)譜Fig.7 Wavelet coefficient spectrum

從圖7可看出2013-2017年三峽入庫(kù)徑流規(guī)律，豐水期為6-10月，枯水期為11-2月，小波分解的低頻系數(shù)與原始序列具有強(qiáng)相關(guān)性，高頻信號(hào)與原始序列相關(guān)性很差，在預(yù)測(cè)過(guò)程中高頻信號(hào)可視為無(wú)效序列不進(jìn)行預(yù)測(cè)，但本文也采用BP神經(jīng)網(wǎng)絡(luò)對(duì)高頻信號(hào)進(jìn)行預(yù)測(cè)以提高預(yù)測(cè)精度，同時(shí)，如3.1節(jié)所述，高頻信號(hào)能量譜(見(jiàn)圖2)也可以作為SVM分類器的特征樣本。

本文根據(jù)SBC準(zhǔn)則采用以5階自回歸-3階滑動(dòng)平均系數(shù)的ARMA(5，3)作為ARMA預(yù)測(cè)模型。對(duì)于BP神經(jīng)網(wǎng)絡(luò)，采用個(gè)輸入層節(jié)點(diǎn)數(shù)6，隱含層數(shù)10，輸出層數(shù)1的6-10-1三層結(jié)構(gòu)模型，訓(xùn)練算法為Bayesian-Regularization(該訓(xùn)練算法雖比Levenberg-Marquardt訓(xùn)練時(shí)間長(zhǎng)，但預(yù)測(cè)精度更高，且由于日徑流預(yù)測(cè)時(shí)間較長(zhǎng)，訓(xùn)練時(shí)間可以忽略不計(jì))。經(jīng)3種方法預(yù)測(cè)后，結(jié)果如圖8～圖10所示。

圖8 ARMA預(yù)測(cè)結(jié)果Fig.8 Prediction result of ARMA

圖9 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果Fig.9 Prediction result of BP-ANN

從圖8和圖9可以看出，ARMA和ANN模型預(yù)測(cè)效果較為接近，為更好地評(píng)價(jià)模型預(yù)測(cè)的有效性，采用4.3節(jié)的評(píng)價(jià)函數(shù)模型誤差進(jìn)行統(tǒng)計(jì)，ARMA模型總擬合度誤差MAPE=6.51%，RMSE=2 153.9 ，TIC=7.51%；ANN模型總擬合度誤差MAPE=6.19%，RMSE=1770.5 ，TIC=5.87%。由于徑流序列隨機(jī)性較強(qiáng)，ARMA對(duì)“突變型”序列預(yù)測(cè)誤差較大，因此總擬合誤差大于ANN擬合誤差，ANN雖對(duì)“突變型”序列預(yù)測(cè)效果優(yōu)于ARMA模型，但ANN模型需要不斷進(jìn)行訓(xùn)練尋求最優(yōu)預(yù)測(cè)值，預(yù)測(cè)時(shí)間較長(zhǎng)。

從圖10可看出本文模型擬合度遠(yuǎn)高于ARMA和ANN模型，總擬合度誤差MAPE=1.30%，RMSE=276.4 ，TIC=0.91%。通過(guò)對(duì)徑流序列進(jìn)行小波分解和SVM特征分類，“平穩(wěn)型”序列采用ARMA模型預(yù)測(cè)，“突變型”序列采用ANN模型預(yù)測(cè)，比單一模型預(yù)測(cè)精度更高。

圖10 小波-SVM特征分類組合預(yù)測(cè)模型Fig.10 Combination forecasting model based on wavelet -SVM feature classification

2016年6、7月為三峽水庫(kù)豐水期，從圖11看出其徑流變化幅度較大，每隔2～3 d，曲線斜率在正負(fù)之間發(fā)生轉(zhuǎn)變，這是作為分類標(biāo)記的重要一部分信息，其預(yù)測(cè)后評(píng)價(jià)模型結(jié)果見(jiàn)表2。結(jié)合圖表信息可以看出，ARMA預(yù)測(cè)序列波動(dòng)明顯，輸出不穩(wěn)定，預(yù)測(cè)誤差最大。BP神經(jīng)網(wǎng)絡(luò)相對(duì)于“突變”序列具有強(qiáng)容錯(cuò)性，其預(yù)測(cè)誤差比ARMA平均少4%，但本文模型通過(guò)小波分解過(guò)濾掉細(xì)節(jié)信號(hào)，增加了近似信號(hào)的平滑程度，使特征分類準(zhǔn)確性提高，其預(yù)測(cè)誤差又比BP模型平均提高6%。

圖11 2016年6、7月預(yù)測(cè)徑流序列Fig.11 Prediction of runoff series in June and July 2016

預(yù)測(cè)方法MAPE/%RMSE/(m3·s-1)TIC/%ARMA12.325147.210.35ANN8.773167.46.38本文模型1.84548.51.10

2017年10、11月為三峽水庫(kù)枯水期，徑流序列斜率逐漸平穩(wěn)，變化幅度降低(見(jiàn)圖12)。從12月預(yù)測(cè)徑流序列可以看出本文模型預(yù)測(cè)序列與原始序列最為接近，評(píng)價(jià)模型統(tǒng)計(jì)結(jié)果見(jiàn)表3。由于徑流序列變化程度降低，相比于豐水期，ARMA預(yù)測(cè)精度約提高3.5%，與BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度只相差0.9%，但本文預(yù)測(cè)模型在所有評(píng)價(jià)指標(biāo)仍遠(yuǎn)優(yōu)于前兩種模型，相對(duì)于ARMA和ANN模型，本文模型預(yù)測(cè)MAPE平均減少6%，RMSE減少1 900 ，TIC減少5.5%，且預(yù)測(cè)序列波動(dòng)最為平滑，模型預(yù)測(cè)穩(wěn)定性最高。

圖12 2017年10、11月預(yù)測(cè)徑流序列Fig.12 Prediction of runoff series in October and November 2017

預(yù)測(cè)方法MAPE/%RMSE/(m3·s-1)TIC/%ARMA7.962661.57.45ANN7.072166.06.11本文模型1.12225.70.63

6 結(jié) 語(yǔ)

本文通過(guò)構(gòu)建徑流特征樣本模型、利用小波分解提取小波系數(shù)能量譜作為樣本標(biāo)記，采用SVM分類器將徑流序列分為“平穩(wěn)型”和“突變型”，根據(jù)不同徑流序列類型分別采樣ARMA和ANN模型預(yù)測(cè)，該模型顯著特點(diǎn)是利用小波分析的多尺度分解能力和SVM泛化分類的特點(diǎn)，實(shí)現(xiàn)徑流內(nèi)部特征分類預(yù)測(cè)的目的。以2013-2017年宜昌站日徑流為例，采用MAPE、RMSE、TIC3個(gè)性能指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。結(jié)果表明，相對(duì)于以ARMA或ANN單一模型進(jìn)行預(yù)測(cè)，預(yù)測(cè)精度和穩(wěn)定性明顯提高。本文模型復(fù)雜度雖比單一模型要高，但日徑流預(yù)測(cè)時(shí)間較長(zhǎng)，不會(huì)因時(shí)間長(zhǎng)度和模型復(fù)雜度而影響預(yù)測(cè)精度。另外本文主要依賴于宜昌站歷史徑流，由于徑流受氣象、地質(zhì)等多方面因素影響，該方法不能完全反映徑流序列未來(lái)變化趨勢(shì)。下一步，將著重研究并結(jié)合流域因素對(duì)徑流影響的機(jī)理，進(jìn)一步提高預(yù)測(cè)精度和穩(wěn)定性。

□

參考文獻(xiàn)：

[1] Antonetti M, Scherrer S, Kienzler P M, et al. Process-based hydrological modelling: the potential of a bottom-up approach for runoff predictions in ungauged catchments [J]. Hydrological Processes, 2017,31:2 902-2 920.

[2] 孟二浩，黃生志，黃 強(qiáng)，等．融合大氣環(huán)流異常因子的徑流預(yù)報(bào)研究[J]．水力發(fā)電學(xué)報(bào)，2017，36(8)：34-42．

[3] 于瑞宏，張宇瑾，張笑欣，等．無(wú)測(cè)站流域徑流預(yù)測(cè)區(qū)域化方法研究進(jìn)展[J]．水利學(xué)報(bào)，2016，47(12)：1 528-1 539．

[4] 尹鑫衛(wèi)，李曉玲，康燕霞，等．基于SCS-CN模型的溝壟微型集雨系統(tǒng)徑流預(yù)測(cè)[J]．生態(tài)學(xué)雜志，2015，34(12)：3 502-3 508．

[5] 劉國(guó)東，丁 晶．BP網(wǎng)絡(luò)用于水文預(yù)測(cè)的幾個(gè)問(wèn)題探討[J]．水利學(xué)報(bào)，1999,(1)：65-70．

[6] Shoaib M, Shamseldin A Y, Melville B W, et al. A comparison between wavelet based static and dynamic neural network approaches for runoff prediction[J]. Journal of Hydrology, 2016,535:211-225.

[7] 周 婭，郭 萍，古今今．基于BP神經(jīng)網(wǎng)絡(luò)的概率徑流預(yù)測(cè)模型[J]．水力發(fā)電學(xué)報(bào)，2014，33(2)：45-50．

[8] Vapnik V N. The nature of statistical learning theory[M]. New York: Springer, 2000.

[9] 葉碎高，彭 勇，周惠成．基于PSO參數(shù)辨識(shí)SVM的中長(zhǎng)期徑流預(yù)測(cè)研究[J]．大連理工大學(xué)學(xué)報(bào)，2011，51(1)：115-120．

[10] Meng X, Yin M, Ning L, et al. A threshold artificial neural network model for improving runoff prediction in a karst watershed[J]. Environmental Earth Sciences, 2015,74(6):1-10.

[11] 衛(wèi)太祥，馬光文，黃煒斌．基于懲罰加權(quán)支持向量機(jī)回歸的徑流預(yù)測(cè)模型[J]．水力發(fā)電學(xué)報(bào)，2012，31(6)：35-38．

[12] 聶 敏，劉志輝，劉 洋，等．基于PCA和BP神經(jīng)網(wǎng)絡(luò)的徑流預(yù)測(cè)[J]．中國(guó)沙漠，2016，36(4)：1 144-1 152．

[13] 李 嬌，姜明媛，孫文超，等．基于BP神經(jīng)網(wǎng)絡(luò)的泉州市山美水庫(kù)降雨徑流模擬研究[J]．北京師范大學(xué)學(xué)報(bào)(自然科學(xué)版)，2013，49(2)：170-174．

[14] 黃巧玲，粟曉玲，楊家田．基于小波分解的日徑流支持向量機(jī)回歸預(yù)測(cè)模型[J]．西北農(nóng)林科技大學(xué)學(xué)報(bào)(自然科學(xué)版)，2016，44(4)：211-217．

[15] Patil S K, Valunjkar S S. Utility of coactive neuro-fuzzy inference system for runoff prediction in comparison with multilayer perception[J]. International Journal of Engineering Research, 2016,5(1):156-160.

[16] 紀(jì)昌明，李榮波，張驗(yàn)科．等．基于小波分解的投影尋蹤自回歸組合模型及其在年徑流預(yù)測(cè)中的應(yīng)用[J]. 水力發(fā)電學(xué)報(bào)，2015，34(7)：27-35．

[17] 王秀杰，封桂敏，耿慶柱．小波分析組合模型在日徑流預(yù)測(cè)中的應(yīng)用研究[J]．自然資源學(xué)報(bào)，2014,(5)：885-893．

[18] Shi J, Liu Y, Yang Y, et al. Short-term wind power prediction based on wavelet transform-support vector machine and statistic characteristics analysis[C]∥ Industrial and Commercial Power Systems Technical Conference, IEEE, 2011:1 136-1 141.

[19] 高 陽(yáng)，張碧玲，毛京麗，等．基于機(jī)器學(xué)習(xí)的自適應(yīng)光伏超短期出力預(yù)測(cè)模型[J]．電網(wǎng)技術(shù)，2015，39(2)：307-311．

[20] Hartman E, Keeler J D, Kowalski J M. Layered neural networks with gaussian hidden units as universal approximations [J]. Neural Computation, 1990, 2(2):210-215.

[21] 王秀杰，練繼建，費(fèi)守明．基于小波消噪的混沌神經(jīng)網(wǎng)絡(luò)徑流預(yù)報(bào)模型[J]．水力發(fā)電學(xué)報(bào)，2008，27(5)：37-40．

[22] 易丹輝．?dāng)?shù)據(jù)分析與EViews應(yīng)用[M]．2版．北京：中國(guó)人民大學(xué)出版社，2014．

[23] 謝中華．MATLAB統(tǒng)計(jì)分析與應(yīng)用[M]．北京：北京航空航天大學(xué)出版社，2010．