基于EEMD的枯季入库径流预报分析.pdf

《基于EEMD的枯季入库径流预报分析.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、３４中国农村水利水电·２０１２年第２期文章编号：１００７－２２８４（２０１２）０２－００３４－０４基于ＥＥＭＤ的枯季入库径流预报分析孙阳１，陈元芳１，程龙１，刘勇２，魏龙亮１，王海元１（１．河海大学水文水资源学院，南京２１００９８；２．南京水利科学研究院水文水资源与水利工程科学国家重点实验室，南京２１００２９）摘要：针对枯季径流量预测的问题，提出了一种新方法。采用集合经验模态分解（ＥＥＭＤ）的数据处理方法，实现对枯季径流的多层次、多时间尺度分解，获得简单且平稳性较好的固有模式分量（ＩＭＦ），再利用径向基（ＲＢＦ）人工神经网络对数据进行预测分析。以密云、潘家口水库的枯季入库径流量的数据为

2、例，运用此方法进行预测分析，并与以ＥＭＤ为基础的方法进行对比，结果表明本文提出的模型预测效果理想，精度较高，具有一定的使用价值。关键词：ＥＥＭＤ；ＲＢＦ人工神经网络；枯季入库径流；径流预报＋中图分类号：ＴＶ１２４；Ｐ３３８．３文献标识码：ＡＡｎＡｎａｌｙｓｉｓａｎｄＰｒｅｄｉｃｔｉｏｎｏｆＤｒｙＳｅａｓｏｎＲｅｓｅｒｖｏｉｒＩｎｆｌｏｗＢａｓｅｄｏｎＥＥＭＤ１，ＣＨＥＮＹｕａｎ－ｆａｎｇ１，ＣＨＥＮＧＬｏｎｇ１，ＬＩＵＹｏｎｇ２，ＷＥＩＬｏｎｇ－ｌｉａｎｇ１，ＷＡＮＧＨａｉ－ｙｕａｎ１ＳＵＮＹａｎｇ（１．ＣｏｌｌｅａｇｅｏｆＨｙｄｒｏｌｏｇｙａｎｄＷａｔｅｒＲｅｓｏｕｒｃｅｓ，Ｈｏｈａ

3、ｉＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９８，Ｃｈｉｎａ；２．ＳｔａｔｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＨｙｄｒｏｌｏｇｙ－ＷａｔｅｒＲｅｓｏｕｒｃｅｓａｎｄＨｙｄｒａｕｌｉｃＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＨｙｄｒａｕｌｉｃＲｅｓｅａｒｃｈＩｎｓｔｉｔｕｔｅ，Ｎａｎｊｉｎｇ２１００２９，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｆｏｒｔｈｅｄｒｙｓｅａｓｏｎｒｕｎｏｆｆｐｒｅｄｉｃｔｉｏｎ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｅｗｍｅｔｈｏｄ．Ｂｙｕｓｉｎｇａｄａｔａｐｒｏｃｅｓｓｉｎｇｍｅｔｈｏｄｏｆｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎ（ＥＥＭＤ），

4、ｔｈｉｓｐａｐｅｒａｉｍｓａｔａｃｈｉｅｖｉｎｇａｍｕｌｔｉ－ｌｅｖｅｌ，ｍｕｌｔｉ－ｔｉｍｅｓｃａｌｅｄｅｃｏｍｐｏｓｉｔｉｏｎｏｆｄｒｙｓｅａｓｏｎｒｕｎ－ｏｆｆｔｉｍｅｓｅｒｉｅｓａｎｄｏｂｔａｉｎｉｎｇａｓｉｍｐｌｅａｎｄｓｔａｂｌｅｐａｔｔｅｒｎｏｆｇｏｏｄｉｎｈｅｒｅｎｔｃｏｍｐｏｎｅｎｔ（ＩＭＦ）．Ｍｅａｎｗｈｉｌｅ，ａｎａｎａｌｙｓｉｓｏｆｔｈｅｄａｔａｈａｓａｌｓｏｂｅｅｎｍａｄｅｂｙｒａｄｉａｌｂａｓｉｓｆｕｎｃｔｉｏｎ（ＲＢＦ）ａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ．ＴａｋｉｎｇｉｎｇｔｈｉｓｍｅｔｈｏｄｉｎＭｉｙｕｎａｎｄＰａｎｊｉａｋｏｕＲｅｓｅｒｖｏ

5、ｉｒｆｏｒｅｘａｍｐｌｅｓ，ａｎａｎａｌｙｓｉｓｉｓｍａｄｅｏｆｔｈｅｄｒｙｓｅａｓｏｎｒｅｓｅｒｖｏｉｒｉｎｆｌｏｗｂｙｔｈｉｓｍｅｔｈｏｄａｎｄｔｈｅｒｅｓｕｌｔｓａｒｅｃｏｍｐａｒｅｄｗｉｔｈｔｈｏｓｅｏｆｔｈｅＥＭＤｉｎｔｈｉｓｐａｐｅｒ．Ａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｅｓｕｌｔｓ，ｔｈｉｓｐａｐｅｒｈａｓａｇｒｅａｔｅｒｄｅｇｒｅｅｏｆａｃｃｕｒａｃｙａｎｄｅｎｈａｎｃｅｍｅｎｔｉｎｐｅｒｆｏｒｍａｎｃｅ．Ｋｅｙｗｏｒｄｓ：ＥＥＭＤ；ＲＢＦｎｅｕｒａｌｎｅｔｗｏｒｋ；ｄｒｙｓｅａｓｏｎｒｅｓｅｒｖｏｉｒｉｎｆｌｏｗ；ｉｎｆｌｏｗｐｒｅｄｉｃｔｉｏｎ［１］；王在高等研究水库是径

6、流调节的工具，同时也是存储洪水资源的一种工枯水径流与极值形成的机理进行了相关研究［２，３］；倪夏梅等程措施，不管是防洪还是抗旱，水库的作用都十分突出。在枯了喀斯特流域地貌类型对枯水径流特征的影响［４］，等。水季节时对水库进行合理调度，可以解决一时的用水问题，若用小波分析的方法对枯水径流多时间尺度进行了分析能在枯水季节来临之前能提前对来水量进行预测，那么就有足枯水径流的主要基本特征对供水工程的规划设计、水资源优化配置等起到至关重要的作用。若能对枯水季节时期的水量作够的时间来对当地的用水情况进行合理的统筹安排，尽量满足出较准确的预测，就可以提前做出准备，有效地进行规划安排。人们的日常生活用

7、水需求。此前的一些预报方法，主要有基于改进的ＢＰ人工神经网络进目前，枯水径流的问题在水文学上一直是一个热点问题。［５］、基于Ｅｌｍａｎ网络进行预测［６］、用自回归模型进行预行预测我国学者对枯水径流进行了各方面的研究。李秀云等对河川［７］、基于经验模态分解（ＥｍｐｉｒｉｃａｌＭｏｄｅＤｅｃｏｍｐｏｓｉｔｉｏｎ，测［８，９］，等。为了提高预测精度，本文采用收稿日期：２０１１－０９－２９ＥＭＤ）的神经网络预测基金项目：江苏高校优势学科建设工程资助项目