一、径流预报的模糊神经网络方法（论文文献综述）
康艳,杨沁瑜,张芳琴,宋松柏[1]（2022）在《基于Box-Cox变换与Lasso回归的支持向量回归模型在月径流预报中的应用》文中提出为进一步提高中长期径流预报的精度,从而为水库调度决策及水资源配置管理提供更可靠的信息支撑,针对径流序列的偏态性和非线性特点,将Box-Cox变换与Lasso回归引入支持向量回归（SVR）模型,构建基于Box-Cox变换与Lasso回归的支持向量回归月径流预报模型（BC-LSVR Model）,在对原径流序列进行相空间重构与Box-Cox变换的基础上采用Lasso回归筛选预报因子,进行径流预报研究.分别以Min-Max数据标准化方法及灰色（Gray）预报因子筛选法作为对比方法,构建MM-LSVR与BC-GSVR预报模型,对3种模型预报效果进行对比分析.将模型应用于渭河流域林家村等6个主要控制性水文站月径流预报,结果表明:BC-LSVR模型预报效果最好,在验证期,6个站点的预报平均绝对值相对误差（MARE）均小于20%,合格率（QR）均大于0.6,效率系数（Ens）大于0.52;在率定期和验证期,BC-LSVR模型的3项评价指标均优于MM-LSVR和BC-GSVR模型,说明引入Box-Cox变换及Lasso回归有效地提高了SVR模型的预报精度.
王文川,徐雷,徐冬梅[2]（2022）在《阴阳萤火虫算法及其在全局优化问题中的应用研究》文中进行了进一步梳理针对萤火虫算法（Firefly Algorithm, FA）在寻优中容易出现早熟现象、收敛不稳定的缺点,基于中国阴阳学说的内涵,提出一种新颖的阴阳萤火虫算法（Yin-Yang firefly algorithm, YYFA）.首先,为了降低算法时间复杂度,设计一种新型随机吸引模型;其次,根据深度学习思想,采用阴阳萤火虫深度学习策略对当前最优萤火虫进行有效信息深度挖掘来引导萤火虫种群向更优方向移动.利用13个典型全局优化测试函数对阴阳萤火虫算法进行仿真实验,并与不同组合策略算法进行对比分析,实验结果表明YYFA算法表现出较好的全局寻优能力和稳定性,Friedman检验方法显示阴阳萤火虫深度学习策略是一种有效的改进方法.最后将YYFA算法应用到黄甫川站年径流预报问题中,利用其优选支持向量回归模型（Support Vector Regression, SVR）的超参数,构建YYFA-SVR预报模型.应用结果表明YYFA-SVR模型预报效果优于BOA-SVR模型、WOA-SVR模型和ESDA-SVR模型,预报精度较高,可为相关预报工作提供新思路.
陈芳,张志强,李扉,孙恺琦[3]（2021）在《基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测》文中研究说明利用R/S分析法研究密云水库潮河流域大阁水文站1969-2013年的径流数据的变化趋势,以BP神经网络为背景,EEMD分解为辅助,建立分解-重构-预测的组合模型对月径流序列进行预测,利用蝴蝶算法（BOA）优化组合模型,综合得到最优预测模型。结果表明,大阁站年、月径流序列均呈现下降趋势;对月径流序列预测,BPNN预报合格率为60.0%,不能用于预报作业,但可作为参考使用（MAE=0.406,RMSE=0.539,MAPE=0.349 7）;引入BOA算法优化BP网络参数,得到EEMD-BOA-BP模型预报合格率为83.3%,可以用于预报作业（MAE=0.257,RMSE=0.347,MAPE=0.219 5）。通过EEMD分解得到分解-重构-预测组合模型对提高模型精度有一定的作用,同时在组合模型中引入优化算法能进一步提高模型精度。
刘攀,郑雅莲,谢康,韩东阳,程潜[4]（2021）在《水文水资源领域深度学习研究进展综述》文中提出现代水文监测技术的迅猛发展产生了海量的水雨情数据,为深度学习理论助力水文水资源领域的研究和生产实践带来了机遇与挑战。从水文模拟、水资源管理、水环境评价3个方面开展文献调研,综述了水文水资源领域的深度学习研究进展。归纳了深度学习方法的优势及应用难点:无需构建物理模型并可深度挖掘数据特征,在物理机制不明晰的问题中具有显着优势;但在应用时存在模型训练数据缺乏、超参数确定具有主观性、可解释性不足、与物理规律不符及泛化能力不足等难点问题。展望了可通过有机结合深度学习与水文物理机制模型,以融合经典水文规律,并开展迁移学习、强化学习以及对抗学习等应用研究,以更好地在水文资源领域探索运用深度学习方法。
杨文发,王乐,张俊[5]（2021）在《流域多尺度水文预报应用进展及适用性探讨》文中认为水文预报作为一项非工程措施,在水旱灾害防御、水资源综合利用,以及社会经济建设等领域发挥着越来越重要的支撑和保障作用。回顾了近年来国内外有关流域水文预报技术应用进展,梳理了流域多尺度水文预报的概念,系统性地阐述了多尺度水文预报应用中的关键技术和方法、面临的问题和不足以及未来的发展趋势,并重点探讨了流域水文预报中涉及的不确定性因素以及水文气象耦合方面的不匹配性等问题。最后,基于对流域水文预报适用性的分析,强调了在拓展流域不同预见期水文预报新业务实践中考虑水文预报适用性的重要性,提出了现状条件下拓展多尺度流域水文预报业务的指导性原则及建议。
李福威,疏杏胜,敬学东,丁文昌,彭勇[6]（2021）在《基于水雨情信息分类的桓仁水库旬径流预报方法研究》文中指出旬径流受多种因素影响,变化规律复杂,单一的径流预报模型往往不能反映流域来水特点。基于此,提出了一种基于水雨情信息分类的旬径流预报方法,将预报时刻面临的水雨情分6种情况,针对不同的情况提出不同的预报方案,并对2000-2010年的8个典型旬进行了预报效果检验。计算结果表明,基于水雨情信息分类的旬径流预报方法预报效果较好,能够用于指导浑江桓仁水库日常调度。
朱春苗[7]（2021）在《松花江流域中长期径流预报研究》文中研究表明潜在预报因子的选取是将数据驱动的径流预报模型应用于实际工程的关键问题之一。国内外研究学者多聚焦于预报模型的优化与改进、模型参数优化方法的研究和不同预报模型、不同参数优化方式的对比分析,而对于因子优选方案的综合对比分析及其适用性的研究较少。为提取更多有效的预报信息从而提高模型的模拟精度,本文引入74项大气环流指数,与流域代表站点的降水、径流水文序列一同参与径流预报输入因子的优选,以相关分析法（CA）、基于相关分析的主成分分析法（CA-PCA）、互信息法（MI）及基于互信息的主成分分析法（MI-PCA）4种因子优选方案下不同筛选结果作为多元线性回归法（MLR）、支持向量回归模型（SVR）、BP神经网络模型（B P）的输入,对松花江流域佳木斯水文站的月平均流量进行预报,得出适用于松花江流域径流预报的潜在影响因子筛选方案与预报模型。主要结论如下:（1）在松花江流域上,径流与大气环流指标间存在明显的空间特征,其相关性从上游到下游逐渐增加。前滞期为1个月时的大气环流指标、上游三站（扶余站、大赉站及哈尔滨站）月平均径流量和佳木斯站月平均降雨量与佳木斯月平均径流量相关性最大,确定大气环流指标和水文影响因子的最佳预报前滞期均为一个月。（2）在MLR模型下,预报效果MLR-CA-PCA>MLR-CA>MLR-MI-PCA>MLR-MI。CA方案中,预报效果MLR-CA7>MLR-CA4>MLR-CA3,但合格率均未达到丙等水平,整体效果并不理想;CA-PCA方案中,MLR-CA-PCA4拟合效果最优,MLR-CA-PCA3与MLR-CA-PCA7拟合曲线基本重合,三组方案预报结果达到了丙级预报水平;MI与MI-PCA效果较差。在SVR模型下,预报效果SVR-CA-PCA>SVR-CA>SVR-MI-PCA>S VR-MI。CA方案中,SVR-CA7>SVR-CA3>SVR-CA4,其中SVR-CA7的QR为71.67%,达到乙等水平;CA-PCA方案中,SVR-CA-PCA7>SVR-CA-PCA4>SVR-CA-PCA3,其中SVR-CA-PCA7的QR为73.33%,达到乙等水平,相较于其它两种方案明显变好;MI与MI-PCA效果也较差。在BP神经网络模型下,预报效果BP-CA-PCA>BP-CA>BP-MI-PCA和BP-MI。CA方案中,BP-CA3>BP-CA7>BP-CA4;CA-PCA方案中,BP-CA-PCA7>BP-CA-PCA4>BP-CA-PCA3,其中BP-CA-PCA7的RMSE为827.58m3/s,R2为0.81,Q R为78.33%。MI与MI-PCA效果同样较差。（3）CA优选因子方案,在SVR模型的拟合下取得了最好的预报效果,其次为BP神经网络模型,最后为MLR模型。CA-PCA优选因子方案,在BP神经网络模型的拟合下取得了最好的预报效果,其次为SVR模型,最后为MLR模型。CA与CA-PCA最佳拟合方案均为输入因子为7项时的因子组合。MI与MI-PCA两种因子优选方案选出的因子组合在三种径流预报模型的拟合下,拟合效果均不理想。（4）得到最优预报结果的模型为BP神经网络模型,输入因子组合为CA-PCA7。其次为输入因子组合为CA-PCA7的SVR模型。
王荣欣[8]（2020）在《考虑径流预报的梯级水电站群实时调度研究》文中研究说明在全球气候问题日趋严重的今天,使用清洁可再生的能源是实现国家能源结构调整的重要措施。其中,水电在清洁能源中占比较多,其开发技术也较为成熟,近二十多年来,我国水电事业迅猛发展,水电装机容量不断取得突破。随着水电装机容量的不断提升,水电系统的优化调度面临着巨大的挑战。在短期和实时优化调度中,主要有两个方面的难点:一是来水的不确定性。目前的径流预报方法存在一定的缺陷,径流预报难以达到理想的效果,预报来水情况与实际来水情况存在差异,水库运行调度中可能会产生严重的弃水或水位越限风险;二是负荷的不确定性。由于西南地区地形地势多样,气候条件特殊,再加上节假日的影响,电网负荷一般难以预测,实际生产中的面临负荷与调度方案中的计划负荷存在较大偏差,严重影响到电网的安全稳定运行。论文以此为背景,着重研究了考虑汛枯分期的径流预报方法和响应电网负荷调整的实时优化调度模型,主要研究成果如下:（1）针对BP人工神经网络易陷入局部最优的问题,提出了一种基于人工神经网络的考虑汛枯过渡的水电站水库中期入库流量分期预报方法。根据枯（汛）期历史径流资料建立枯（汛）期径流预报模型并进行参数率定。在流域枯（汛）期,使用枯（汛）期径流预报模型得到枯（汛）期预报结果。在汛枯过渡期,分别使用两种模型得到两种预报结果,然后根据当前时间的汛枯期隶属度对两种结果进行加权平均得到过渡期预报结果,从而提高水电站水库的入库径流的预报精度。（2）针对如何快速安全地响应实时发电计划调整问题,以北盘江梯级水电站群为研究背景,结合北盘江集控中心在实际生产运行中遇到的实时调度相关问题,提出了以调度期内消纳电网负荷需求剩余量最小为目标函数,综合考虑多种复杂的约束条件,并使用一种考虑日电量偏差的方法进行求解的实时优化调度模型。
齐凡[9]（2020）在《不确定性方法在山区小流域水文预报中的应用》文中研究表明由于水文过程中存在很多不确定性,预报操作中存在很多盲点。不确定性是水文过程中客观存在的,不确定性问题是目前水文预报的热点问题,研究不确定性方法在小流域水文预报的实际应用可以为加强水文基础理论和防洪提供广泛的应用可能性。本文选择永翠河流域作为研究对象,应用不确定理论对月径流序列进行预报,取得的成果如下:（1）季节性一阶自回归模型在径流量突变点、特丰期时个别月份径流、过渡期月径流,都不能给出理想预报精度。不过该模型结构简单,建模方便,而且预报给出的过程线,能描述出月径流序列水平和周期变化特性,可作参考使用。（2）季节性最小二乘多元线性回归模型中,在不考虑降雨的情况下,模型的拟合和预报效果均一般,丰水期6月份和枯水期12月预报效果稳定。考虑降雨后,模型的预报精度提高很大,误差合格率以及峰值相对误差均符合水文预报误差标准,对于研究区域有一定的适应性。（3）自适应模糊神经推理系统（ANFIS）训练过程拟合程度较高,检验过程中绝大多数月份相对误差值在20%以内,有些精度较高的月份误差达到0.8%,预报结果趋势良好,预报值与实际值相关程度较高,除个别月份,决定系数比较接近1,适用于永翠河流域月径流序列预报。（4）建立联合预报模型,ANFIS预报降雨的基础上,建立了考虑当月降雨的最小二乘多元线性回归模型,模型的预测精度和降雨的预报精度紧密有关。降雨预报精度满足标准,模型得出的径流过程也令人满意,适用于研究区。为预报模型更广泛的应用提供了新途径.
唐榕[10]（2020）在《考虑多元信息的水库多目标优化调度研究》文中进行了进一步梳理我国水资源供需矛盾日益突出,水资源管理需求向发电、供水、环境、农业灌溉等多目标综合利用、协调最优发展,而水库是实现多目标间相互协调的最重要调控工程,科学合理的水库优化调度对于充分利用水库调蓄能力、有计划地对天然径流进行蓄泄以最大程度地满足各用户目标需求十分关键。随着调度目标数量的增多,水库多目标合理优化难度加大,如何高效求解、如何合理优选决策及如何进一步提升多目标优化效益这三个问题变得愈发突出。考虑到水库调度的多个目标受国家政策、供水优先权的影响有一定偏好,合理利用该偏好信息可以为高效求解提供引导;水库多个目标间存在竞争,对该竞争信息进行量化权衡有助于掌握用户的用水竞争规律以合理决策;而精度更高、预见期更长的预报信息在水库多目标调度中的合理利用有助于及早掌握未来入流丰枯情况以修正决策,提升调度效益。基于上述问题和相应分析,本文选取尼尔基水库为研究实例,结合水库调度中多目标间存在的偏好信息、竞争信息及精度日益提升的预报信息这三方面的信息,分别从优化求解算法、优选决策方法及预报信息在水库调度中的修正利用方法三个角度开展了考虑多元信息的水库多目标调度研究。本文主要研究内容与成果如下:（1）介绍了尼尔基水库基本概况及构建了通用的水库多目标调度模型。首先介绍了尼尔基水库概况、来水需水资料及兴利调度要求等基本情况。然后确立了用于指导水库调度运行的调度图基本形式,并构建了用于求解调度图的多目标调度模型,为论文后续研究提供模型基础。（2）提出了基于偏好信息的水库多目标优化求解方法。首先分别利用改进拥挤度及r支配、g支配三种基于参考点的偏好策略改进了常规算法NSGA-II;其次,分析出尼尔基水库不同目标偏好、设置相应参考点;最后,针对不同参考点,分别用三种改进后的算法求解得到Pareto解集,在相同目标函数计算次数下,从偏好区域内解集的收敛性、多样性、与参考点的靠近度及偏好区域内有效解个数等多角度与常规优化解集进行对比,探究三种算法是否能提高期望区域有效解的搜索效率和质量。结果表明采用改进拥挤度和r支配两种策略的改进算法获取的偏好区域内解集的收敛性、多样性优于常规算法,有效解个数可增加3倍以上,与参考点的靠近度可提高42.8%,而应用g支配的改进算法则难以保证解集收敛性。（3）提出了多目标竞争程度量化指标,并给定相应的多目标决策方法。首先,基于优化求解所得的多维Pareto解集,利用非支配排序获取两两目标的二维Pareto前沿,根据二维Pareto前沿、多维Pareto解集与两两目标竞争强弱程度的对应规律,归纳总结出能够量化两目标竞争程度的指标CEI,并据此定义量化单个目标与其他所有目标的竞争强弱的总体竞争量化指标值TCEI;其次,根据每个目标的TCEI值确定各目标权重用于多目标决策;最后,将指标和相应决策方法用于尼尔基水库用水从低到高四种用水情景下的竞争关系量化及合理决策方案优选中。结果显示所提指标既能实现多目标间竞争程度的量化,又能表征用水变化条件下竞争变化情况,相应决策方法可识别出在竞争度最高目标上表现较优的解作为推荐方案。（4）提出了一种考虑多时序过程因子的中期径流预报方法。首先,评估了提供降雨因子的降雨产品适用性和降雨预报产品的精度;其次,基于BP神经网络从前期降雨因子、前期径流因子和未来降雨因子中筛选出了反映过程差异的多时序因子和非过程影响的独立因子,将因子组合预报未来第一旬径流,并与相关系数最大因子组合下的预报结果对比评估;最后,结合流域实际情况和第一旬径流预报因子,确定未来第二旬径流预报因子并进行预报和评估。结果表明细化考虑了多时序过程因子的预报方法,其未来第一旬径流预报精度更高,预报效果有所改善,而未来第二旬径流预报值精度满足甲级预报标准,与未来第一旬径流预报结果一样均可发布使用。（5）揭示了旬径流预报不确定性对水库调度的影响机制,并据此提出了预报信息的修正应用方法。首先,考虑到预报误差对水库调度效益的影响受调蓄能力、用水目标等不同而有所差异,探究两旬径流预报误差分别对水库优化调度结果的影响;其次,基于两旬径流误差影响分析及两旬径流预报精度评估结果,提出在水库优化调度中利用修正系数来修正使用两旬径流预报信息的方法。最后,将修正应用预报信息的水库优化调度结果与未考虑预报信息、未修正应用预报信息的水库优化调度等方法对比,验证其有效性。结果显示修正利用两旬径流预报的水库多目标优化调度Pareto解集明显更优,在相同发电量时,缺水总量较常规优化最大可减少72×106m3,在相同缺水总量下,发电量最大可提高12×106kWh,有效提高了调度效益。最后对全文结论和创新点进行总结和凝练,并对有待进一步研究的问题进行了展望。
二、径流预报的模糊神经网络方法（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：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（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。
三、径流预报的模糊神经网络方法（论文提纲范文）
（1）基于Box-Cox变换与Lasso回归的支持向量回归模型在月径流预报中的应用（论文提纲范文）
| 1 研究方法 |
| 1.1 Box-Cox变换原理 |
| 1.2 Lasso回归 |
| 1.3 支持向量回归模型 |
| 1.4 BC-LSVR中长期径流预报模型 |
| 1.5 模型评价 |
| 2 渭河流域中长期径流预报实例研究 |
| 2.1 Box-Cox变换 |
| 2.2 Lasso回归预报因子筛选 |
| 2.3 最优预报因子集确定 |
| 2.4 粒子群算法参数优化 |
| 2.5 模型预报结果对比分析 |
| 3 结论 |
（2）阴阳萤火虫算法及其在全局优化问题中的应用研究（论文提纲范文）
| 1 算法原理 |
| 1.1 萤火虫算法(Firefly Algorithm) |
| 1.2 阴阳萤火虫算法(Yin-Yang Firefly Algorithm) |
| 1.2.1 随机吸引模式 |
| 1.2.2 阴阳萤火虫深度学习 |
| 1.2.3 算法流程及时间复杂度分析 |
| 2 算法仿真实验及结果分析 |
| 3 YYFA在全局优化问题中的应用 |
| 3.1 YYFA-SVR模型 |
| 3.2 数据来源及模型参数设置 |
| 3.3 预报结果及评价分析 |
| 4 结论 |
（3）基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测（论文提纲范文）
| 1 材料与方法 |
| 1.1 研究区概况 |
| 1.2 数据来源 |
| 1.3 研究方法 |
| 1.3.1 R/S分析法 |
| 1.3.2 蝴蝶算法优化BP神经网络 |
| 1.3.2.1 BP神经网络 |
| 1.3.2.2 蝴蝶算法 |
| 1.3.3 评价指标 |
| 2 结果与分析 |
| 2.1 R/S分析法研究径流变化趋势的持续性 |
| 2.2 大阁站月径流量预测结果分析 |
| 2.2.1 BP神经网络预测模型 |
| 2.2.2 EEMD-BOA-BP预测模型 |
| 3 结论与讨论 |
（4）水文水资源领域深度学习研究进展综述（论文提纲范文）
| 0 引 言 |
| 1 深度学习的基本概念 |
| 1.1 物理模型与数据驱动模型 |
| 1.2 深度学习 |
| 2 水文水资源领域深度学习研究进展 |
| 2.1 深度学习在水文模拟中的应用 |
| 2.1.1 深度学习在地表水中的应用 |
| 2.1.2 深度学习在地下水中的应用 |
| 2.2 深度学习在水资源管理中的应用 |
| 2.2.1 深度学习在水库调度中的应用 |
| 2.2.2 深度学习在水资源配置中的应用 |
| 2.3 深度学习在水环境评价中的应用 |
| 2.3.1 深度学习在水质分析中的应用 |
| 2.3.2 深度学习在污水排放中的应用 |
| 3 难点与展望 |
| 3.1 深度学习应用难点 |
| 3.1.1 模型训练数据方面 |
| 3.1.2 模型超参数优化方面 |
| 3.1.3 模型可解释性方面 |
| 3.1.4 模型结果与物理规律不符方面 |
| 3.1.5 模型泛化能力方面 |
| 3.2 展 望 |
（5）流域多尺度水文预报应用进展及适用性探讨（论文提纲范文）
| 0 引 言 |
| 1 流域多尺度水文预报概念 |
| 2 流域多尺度水文预报应用研究 |
| 2.1 流域短中期水文预报 |
| 2.1.1 定量降水预报技术及其应用 |
| 2.1.2 流域短中期水文预报模型 |
| (1) 集总式水文模型。 |
| (2) 分布式水文模型。 |
| 2.2 长期水文预报 |
| 2.2.1 物理成因分析法 |
| 2.2.2 传统数理统计方法 |
| 2.2.3 人工智能应用 |
| 2.2.4 基于耦合气候模型的长期径流预测 |
| 2.3 水文集合概率预报 |
| (1) 集合前处理技术。 |
| (2) 统计后处理技术。 |
| 3 水文预报适用性问题 |
| 3.1 水文预报的不确定性 |
| 3.1.1 短中期预报的不确定性 |
| 3.1.2 长期预测的不确定性 |
| 3.2 水文气象耦合应用实践中的不匹配性 |
| 3.2.1 水文、气象时空尺度不匹配 |
| 3.2.2 不断增长的业务需求与现有水文预报技术之间不匹配 |
| 4 结 语 |
（6）基于水雨情信息分类的桓仁水库旬径流预报方法研究（论文提纲范文）
| 1 研究背景 |
| 2 桓仁水库流域概况 |
| 3 预报方法 |
| 3.1 方法介绍 |
| 3.2 集成方法的运用 |
| 4 实例计算 |
| 5 结语 |
（7）松花江流域中长期径流预报研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展及存在问题 |
| 1.2.1 中长期径流预报研究进展 |
| 1.2.2 预报因子选择 |
| 1.2.3 存在的不足 |
| 1.3 研究内容 |
| 1.4 技术路线 |
| 第二章 数据来源与研究方法 |
| 2.1 研究区概况 |
| 2.2 数据来源 |
| 2.3 研究方法 |
| 2.3.1 相关系数法 |
| 2.3.2 互信息法 |
| 2.3.3 主成分分析法 |
| 2.3.4 多元线性回归(MLR) |
| 2.3.5 SVM模型 |
| 2.3.6 BP神经网络模型 |
| 2.3.7 模型评价指标 |
| 第三章 预报因子分析与筛选 |
| 3.1 预报因子前滞期分析 |
| 3.1.1 大气环流指标与流域径流相关性时空变化分析 |
| 3.1.2 水文影响因子与流域径流相关性时间变化分析 |
| 3.2 相关分析及基于相关分析的主成分分析 |
| 3.2.1 相关分析 |
| 3.2.2 基于相关分析的主成分分析 |
| 3.3 互信息法及基于互信息的主成分分析 |
| 3.3.1 互信息计算 |
| 3.3.2 基于互信息法的主成分分析 |
| 3.4 小结 |
| 第四章 预报模型构建与结果分析 |
| 4.1 多元线性回归模型 |
| 4.1.1 多元线性回归模型径流拟合 |
| 4.1.2 基于MLR的不同预报因子拟合结果对比 |
| 4.2 支持向量回归模型 |
| 4.2.1 支持向量回归模型径流拟合 |
| 4.2.2 基于SVR的不同预报因子拟合结果对比 |
| 4.3 BP神经网络模型 |
| 4.3.1 BP神经网络模型径流拟合 |
| 4.3.2 基于BP的不同预报因子拟合结果对比 |
| 4.4 不同预报模型预报结果对比 |
| 4.5 小结 |
| 第五章 总结与展望 |
| 5.1 主要结论 |
| 5.2 创新点 |
| 5.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
（8）考虑径流预报的梯级水电站群实时调度研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 选题背景 |
| 1.1.2 关键问题 |
| 1.2 国内外相关工作研究现状 |
| 1.2.1 中长期径流预报的国内外研究现状 |
| 1.2.2 实时优化调度的国内外研究现状 |
| 1.3 主要研究内容和论文框架 |
| 2 工程背景 |
| 2.1 北盘江梯级水电站工程概况 |
| 2.2 北盘江梯级水电站基本资料 |
| 2.2.1 基本信息 |
| 2.2.2 特性曲线 |
| 2.3 柳江流域及下桥水电站基本概况 |
| 2.4 北盘江实时调度现状分析 |
| 2.5 本章小结 |
| 3 考虑汛枯分期的中期径流预报方法 |
| 3.1 引言 |
| 3.2 模型方法 |
| 3.2.1 BP人工神经网络原理 |
| 3.2.2 BP算法 |
| 3.2.3 汛枯分期的模糊统计法 |
| 3.2.4 考虑汛枯分期的径流预报模型 |
| 3.3 应用实例 |
| 3.3.1 工程背景 |
| 3.3.2 不考虑汛枯分期的预报模型率定结果 |
| 3.3.3 考虑汛枯分期的预报模型率定结果 |
| 3.4 结果对比 |
| 3.5 本章小结 |
| 4 响应电网负荷调整的实时优化调度模型 |
| 4.1 引言 |
| 4.2 数学模型 |
| 4.2.1 目标函数 |
| 4.2.2 约束条件 |
| 4.3 求解方法 |
| 4.3.1 预报区间流量输入 |
| 4.3.2 梯级流量延时处理策略 |
| 4.3.3 考虑负荷需求变化的实时调度策略 |
| 4.3.4 总体求解流程 |
| 4.4 应用实例 |
| 4.4.1 工程背景 |
| 4.4.2 实例分析 |
| 4.4.3 结果分析 |
| 4.5 本章小结 |
| 5 结论与展望 |
| 5.1 结论 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 攻读硕士学位期间参与科研项目情况 |
| 致谢 |
（9）不确定性方法在山区小流域水文预报中的应用（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 课题背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 水文预报研究现状 |
| 1.2.2 水文不确定性研究现状 |
| 1.3 研究内容及方法 |
| 1.3.1 主要研究内容 |
| 1.3.2 技术路线图 |
| 第二章 不确定性理论基础及研究区概况 |
| 2.1 不确定性理论与方法 |
| 2.1.1 模糊不确定理论与方法 |
| 2.1.2 随机不确定理论与方法 |
| 2.1.3 混沌不确定理论与方法 |
| 2.1.4 灰色不确定理论与方法 |
| 2.1.5 人工神经网络 |
| 2.2 研究区概况 |
| 2.2.1 水文概况 |
| 2.2.2 月径流序列统计特征及自相关性分析 |
| 2.2.3 径流与降雨互相关分析 |
| 2.3 本章小结 |
| 第三章 基于随机理论的月径流时间序列预报 |
| 3.1 季节性一阶自回归模型 |
| 3.1.1 模型形式 |
| 3.1.2 参数估计 |
| 3.1.3 模型应用 |
| 3.1.4 模型评价 |
| 3.2 季节性最小二乘多元线性回归模型 |
| 3.2.1 高斯——马尔科夫假定 |
| 3.2.2 不考虑降雨的模型应用 |
| 3.2.3 考虑降雨的模型应用 |
| 3.2.4 模型评价 |
| 3.3 本章小结 |
| 第四章 基于模糊理论的月径流时间序列预报 |
| 4.1 模糊推理系统 |
| 4.1.1 自适应模糊神经推理系统(ANFIS) |
| 4.1.2 ANFIS模型结构 |
| 4.2 ANFIS在 MATLAB中的实现及应用 |
| 4.2.1 提取数据并归一化处理 |
| 4.2.2 确定变量的隶属度函数 |
| 4.2.3 初始化模型并调整参数 |
| 4.2.4 模型优化 |
| 4.3 ANFIS在月径流预报中的应用 |
| 4.3.1 训练前后隶属度函数对比 |
| 4.3.2 预报结果分析 |
| 4.3.3 预报结果评价 |
| 4.4 本章小结 |
| 第五章 随机与模糊分析耦合的月径流预报模型 |
| 5.1 建立ANFIS月降雨预报模型 |
| 5.1.1 训练前后隶属度函数对比 |
| 5.1.2 降雨量预报结果 |
| 5.2 建立最小二乘多元线性回归月径流预报模型 |
| 5.2.1 模型拟合及预测阶段成果 |
| 5.2.2 模型评价 |
| 5.3 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 附录 |
| 附录1 季节性一阶自回归模型拟合结果 |
| 附录2 不考虑降雨的季节性最小二乘多元线性回归模型拟合结果 |
| 附录3 考虑降雨的季节性最小多元线性回归模型拟合结果 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
（10）考虑多元信息的水库多目标优化调度研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 主要符号表 |
| 1.绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 水库多目标优化算法研究进展 |
| 1.2.2 水库多目标决策及竞争权衡研究进展 |
| 1.2.3 考虑中长期径流预报信息的水库优化调度研究进展 |
| 1.3 存在问题与发展趋势 |
| 1.4 本文主要研究思路 |
| 2.研究水库概况及多目标调度模型构建 |
| 2.1 引言 |
| 2.2 研究水库概况 |
| 2.2.1 水库概况及特性 |
| 2.2.2 水库来水及需水资料 |
| 2.2.3 水库兴利调度要求 |
| 2.3 水库调度图基本形式 |
| 2.4 水库多目标调度模型 |
| 2.4.1 目标函数 |
| 2.4.2 约束条件 |
| 2.4.3 决策变量 |
| 2.5 本章小结 |
| 3.基于偏好信息的水库多目标优化研究 |
| 3.1 引言 |
| 3.2 基于偏好信息的多目标优化算法 |
| 3.2.1 常规优化算法NSGA-II |
| 3.2.2 偏好信息载体——参考点 |
| 3.2.3 基于参考点的偏好策略 |
| 3.2.4 基于参考点的水库多目标优化算法 |
| 3.3 解集性能评价指标 |
| 3.3.1 R-Metrics |
| 3.3.2 平均标准化欧式距离(Mean Euclidean Distance) |
| 3.3.3 有效解个数 |
| 3.4 水库调度模型及参考点设置方案 |
| 3.4.1 水库调度模型 |
| 3.4.2 参考点 |
| 3.4.3 优化参数 |
| 3.5 解集性能评价结果 |
| 3.5.1 Pareto解集整体对比 |
| 3.5.2 性能指标对比 |
| 3.6 本章小结 |
| 4.基于竞争权衡的水库多目标决策研究 |
| 4.1 引言 |
| 4.2 多目标竞争量化指标 |
| 4.2.1 多目标竞争及权衡 |
| 4.2.2 多目标竞争量化指标 |
| 4.2.3 多目标竞争量化指标量化步骤 |
| 4.3 基于竞争权衡的多目标决策方法 |
| 4.4 水库多目标调度模型及设计方案 |
| 4.4.1 水库调度模型 |
| 4.4.2 不同用水设计方案 |
| 4.5 水库多目标竞争分析及权衡决策结果 |
| 4.5.1 多目标竞争关系分析 |
| 4.5.2 水库多目标调度决策 |
| 4.5.3 多目标竞争指标合理性讨论 |
| 4.6 本章小结 |
| 5.考虑多时序过程因子的中期径流预报研究 |
| 5.1 引言 |
| 5.2 降雨产品及降雨预报产品评估 |
| 5.2.1 降雨产品适用性评估 |
| 5.2.2 降雨预报产品精度评定 |
| 5.3 基于BP神经网络的多时序过程因子筛选方法 |
| 5.3.1 基于BP神经网络的旬径流预报模型 |
| 5.3.2 多时序过程因子筛选方法 |
| 5.4 未来第一旬径流预报因子筛选及组合预报方案 |
| 5.4.1 研究数据 |
| 5.4.2 备选因子及相关系数 |
| 5.4.3 基于初步预测的因子筛选 |
| 5.4.4 未来第一旬径流不同因子组合方案设计 |
| 5.5 未来第一旬径流预报结果 |
| 5.5.1 精度评估结果 |
| 5.5.2 径流拟合过程 |
| 5.6 未来第二旬径流预报及结果 |
| 5.6.1 未来第二旬径流预报因子 |
| 5.6.2 精度评估结果 |
| 5.6.3 径流拟合过程 |
| 5.7 本章小结 |
| 6.中期径流预报信息在水库优化调度中的修正应用研究 |
| 6.1 引言 |
| 6.2 考虑预报信息利用的调度规则及水库调度模型 |
| 6.2.1 考虑预报信息利用的水库调度图基本形式 |
| 6.2.2 水库调度模型 |
| 6.3 两旬径流预报的误差影响分析及修正应用方式研究 |
| 6.3.1 第一旬径流预报误差影响分析 |
| 6.3.2 第二旬径流预报误差影响分析 |
| 6.3.3 两旬预报径流修正应用方式介绍 |
| 6.4 水库优化调度方案设计及结果分析 |
| 6.4.1 优化调度方案设计 |
| 6.4.2 优化调度结果对比 |
| 6.4.3 调度图优选及合理性分析 |
| 6.5 本章小结 |
| 7.结论与展望 |
| 7.1 结论 |
| 7.2 创新点 |
| 7.3 不足与展望 |
| 参考文献 |
| 攻读博士学位期间科研项目及科研成果 |
| 致谢 |
| 作者简介 |
四、径流预报的模糊神经网络方法（论文参考文献）
- [1]基于Box-Cox变换与Lasso回归的支持向量回归模型在月径流预报中的应用[J]. 康艳,杨沁瑜,张芳琴,宋松柏. 应用基础与工程科学学报, 2022
- [2]阴阳萤火虫算法及其在全局优化问题中的应用研究[J]. 王文川,徐雷,徐冬梅. 应用基础与工程科学学报, 2022
- [3]基于EEMD分解与BOA算法优化神经网络的密云水库大阁水文站径流预测[J]. 陈芳,张志强,李扉,孙恺琦. 西北林学院学报, 2021(06)
- [4]水文水资源领域深度学习研究进展综述[J]. 刘攀,郑雅莲,谢康,韩东阳,程潜. 人民长江, 2021(10)
- [5]流域多尺度水文预报应用进展及适用性探讨[J]. 杨文发,王乐,张俊. 人民长江, 2021(10)
- [6]基于水雨情信息分类的桓仁水库旬径流预报方法研究[J]. 李福威,疏杏胜,敬学东,丁文昌,彭勇. 中国防汛抗旱, 2021(10)
- [7]松花江流域中长期径流预报研究[D]. 朱春苗. 西北农林科技大学, 2021(01)
- [8]考虑径流预报的梯级水电站群实时调度研究[D]. 王荣欣. 大连理工大学, 2020(02)
- [9]不确定性方法在山区小流域水文预报中的应用[D]. 齐凡. 黑龙江大学, 2020(04)
- [10]考虑多元信息的水库多目标优化调度研究[D]. 唐榕. 大连理工大学, 2020(01)