河川中長期徑流預測是水文預報的主要內(nèi)容,高精度的徑流預測有助于水庫優(yōu)化調(diào)度、防洪抗旱、合理制定水電站發(fā)電計劃,保證電站生產(chǎn)生活安全進行。在國內(nèi)電力市場快速發(fā)展背景下,中長期徑流預報可以作為電站參與電力交易時的決策依據(jù),提高電站經(jīng)濟利益。河川徑流是一個高度復雜的動力系統(tǒng),氣候特征、地理環(huán)境和人為活動均影響徑流形成,使得徑流過程難以準確預測。引入氣象因素是提高中長期徑流預測精度重要手段,是水文預報的研究熱點之一。本文以瀾滄江上游的烏弄龍水電站為研究對象,獲取并解析流域內(nèi)CFS氣象集合預報數(shù)據(jù)、建立中長期徑流過程深層神經(jīng)網(wǎng)絡模型、并耦合氣象數(shù)據(jù)進行中長期徑流預測,主要工作內(nèi)容及研究成果如下:(1)提出了基于灰色關聯(lián)分析法的氣象因素篩選方法。考慮CFS集合預報的特點,從數(shù)據(jù)下載、解析和篩選三個方面,提出了完整的集合預報數(shù)據(jù)提取技術方法,獲取集合預報提供的大氣、降水、氣溫等數(shù)據(jù);基于反距離權重法對研究流域的氣象預測數(shù)據(jù)進行空間降尺度處理,得到流域的氣象預測數(shù)據(jù);通過灰色關聯(lián)分析量化氣象數(shù)據(jù)與徑流過程的相關關系,計算氣象因素與徑流過程的關聯(lián)度,篩選出關聯(lián)度較高的氣象因素,篩選后的氣象因素涵蓋了大氣運動、降雨、濕度、溫度等氣象特征。(2)研究了基于深度學習方法的徑流預測模型。基于深層神經(jīng)網(wǎng)絡,建立預測精度較高、預見期較長的徑流預測模型,避免了傳統(tǒng)徑流預測模型復雜的參數(shù)選擇問題。研究并使用長短期記憶模型和序列到序列模型進行預見期為1個月和12個月的徑流預測模型。預測結果表明深層神經(jīng)網(wǎng)絡模型可以充分學習并記憶徑流數(shù)據(jù)特征,建模方法簡便,預測精度較高。(3)提出了耦合CFS集合預報數(shù)據(jù)的徑流預測模型�；趲X回歸方法耦合CFS提供的預見期為1~9個月的氣象預測數(shù)據(jù),建立徑流過程模型并進行預測。預測結果穩(wěn)定,精度大幅提高,滿足水文情報預報規(guī)范的要求。最后對全文進行了總結,并指出了接下來的研究方向。
【學位單位】：大連理工大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：P338.2
【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
        1.1.1 選題背景
        1.1.2 關鍵問題
    1.2 國內(nèi)外研究現(xiàn)狀
    1.3 研究內(nèi)容及框架
2 工程背景
    2.1 瀾滄江干流流域概況
    2.2 烏弄龍水電站基本情況
    2.3 徑流過程特性分析
    2.4 本章小結
3 基于灰色關聯(lián)分析的氣象因素篩選方法
    3.1 氣象集合預報
    3.2 氣象預報系統(tǒng)(CFS)
        3.2.1 CFS集合預報概況
        3.2.2 解析氣象預測數(shù)據(jù)
        3.2.3 基于反距離權重法的空間降尺度研究
        3.2.4 數(shù)據(jù)歸一化處理
    3.3 基于灰色關聯(lián)分析法篩選氣象因素
        3.3.1 灰色關聯(lián)分析法
        3.3.2 關聯(lián)系數(shù)計算
        3.3.3 關聯(lián)度計算
        3.3.4 關聯(lián)分析法計算流程
    3.4 實例計算
        3.4.1 計算步驟
        3.4.2 關聯(lián)度計算結果
        3.4.3 氣象因素篩選結果
    3.5 本章小結
4 基于深度學習的中長期徑流預測方法
    4.1 深度學習概況
    4.2 基于長短期記憶網(wǎng)絡的徑流預測
        4.2.1 長短期記憶網(wǎng)絡(LSTM)
        4.2.2 基于LSTM的月度徑流預測
    4.3 基于序列到序列網(wǎng)絡的徑流預測
        4.3.1 序列到序列網(wǎng)絡(seq2seq)
        4.3.2 基于seq2seq的月度徑流預測
    4.4 應用實例分析
        4.4.1 計算步驟和參數(shù)設置
        4.4.2 LSTM模型徑流預測結果
        4.4.3 seq2seq模型徑流預測結果
        4.4.4 預測結果對比分析
    4.5 本章小結
5 耦合CFS集合預報的中長期徑流預測方法
    5.1 耦合氣象數(shù)據(jù)進行徑流預測的問題分析
    5.2 耦合CFS集合預報和深度學習的月徑流預測方法
        5.2.1 總體思路
        5.2.2 基于嶺回歸方法解決多重共線性問題
        5.2.3 計算嶺回歸模型參數(shù)
        5.2.4 基于反距離權重法計算氣象數(shù)據(jù)
    5.3 計算實例分析
        5.3.1 計算步驟和參數(shù)設置
        5.3.2 預見期為一個月的預測結果分析
        5.3.3 預見期為九個月的預測結果分析
    5.4 本章小結
6 結論與展望
    6.1 總結
    6.2 未來研究展望
參考文獻
致謝

【相似文獻】

相關期刊論文 前10條

1 段晚鎖;汪葉;霍振華;周菲凡;;數(shù)值天氣預報和氣候預測的集合預報方法:思考與展望[J];氣候與環(huán)境研究;2019年03期

2 賈朋群;;集合預報：預報新觀念的25年[J];氣象科技進展;2019年05期

3 楊瑞雯;趙琳娜;鞏遠發(fā);李瀟濛;曹越;;中國東南地區(qū)降水的兩種集合預報綜合偏差訂正對比分析[J];暴雨災害;2017年06期

4 孫令東;;全球集合預報系統(tǒng)綜述[J];科技創(chuàng)新與應用;2018年12期

5 劉暢;閔錦忠;馮宇軒;賁海榮;王世璋;;不同模式擾動方案在風暴尺度集合預報中的對比試驗研究[J];氣象學報;2018年04期

6 王琪;楊雪艷;馬洪波;;吉林省夏季高溫的集合預報效果評估及產(chǎn)品釋用[J];氣象災害防御;2018年03期

7 周翠芳;孫衛(wèi)武;李曉虹;宣冬舒;;歐洲中心集合預報產(chǎn)品在2014年寧夏汛期降水預報中的性能檢驗[J];寧夏工程技術;2016年04期

8 熊敏詮;;基于集合預報系統(tǒng)的日最高和最低氣溫預報[J];氣象學報;2017年02期

9 張涵斌;智協(xié)飛;陳靜;吳志鵬;夏宇;張歆然;;區(qū)域集合預報擾動方法研究進展綜述[J];大氣科學學報;2017年02期

10 田志光;吳寶勤;;西北太平洋溫鹽多模式集合預報[J];海洋測繪;2017年04期

相關博士學位論文 前10條

1 段明鏗;夏季影響我國的重要中期環(huán)流過程集合預報效果研究[D];南京信息工程大學;2006年

2 莊照榮;集合卡爾曼濾波資料同化系統(tǒng)的設計及其在集合預報中的應用[D];中國科學院研究生院;2007年

3 姜智娜;條件非線性最優(yōu)擾動在集合預報中的應用[D];中國科學院研究生院（大氣物理研究所）;2007年

4 鄭飛;ENSO集合預報研究[D];中國科學院研究生院（大氣物理研究所）;2007年

5 馬旭林;基于集合卡爾曼變換（ETKF）理論的適應性觀測研究與應用[D];南京信息工程大學;2008年

6 麻巨慧;NCEP全球集合預報系統(tǒng)框架的優(yōu)化研究[D];南京信息工程大學;2012年

7 張夏琨;基于集合預報的強對流天氣聯(lián)合概率預報研究[D];南京信息工程大學;2015年

8 頡衛(wèi)華;集合預報方法在大氣環(huán)流模式延伸期降水預測中的應用研究[D];中國氣象科學研究院;2013年

9 韓玨靖;THORPEX下集合預報和AMDAR觀測的誤差特征分析與模擬研究[D];南京大學;2010年

10 張海榮;耦合天氣預報的流域短期水文預報方法研究[D];華中科技大學;2017年

相關碩士學位論文 前10條

1 楊強;耦合CFS集合預報和深度學習的中長期徑流預測方法研究[D];大連理工大學;2019年

2 張穎;降水集合預報的檢驗分析及在洪水預報中的應用研究[D];華中科技大學;2019年

3 慶亞敏;基于WRF模式的粵港澳大灣區(qū)大氣數(shù)值模擬的多模式集合預報研究[D];華北電力大學(北京);2019年

4 周笑天;基于混合模式集合預報的臺風路徑預報優(yōu)化方法研究[D];浙江大學;2019年

5 李湘;增長模培育法在對流尺度集合預報中的初步應用與改進[D];國防科技大學;2017年

6 徐致真;基于GRAPES區(qū)域模式的集合預報隨機參數(shù)擾動方法研究[D];中國氣象科學研究院;2019年

7 王璐;基于CNOP-P研究對流尺度集合預報模式不確定性[D];中國氣象科學研究院;2019年

8 何佩儀;集合變換卡爾曼濾波局地化（LETKF）方案的發(fā)展及應用研究[D];南京信息工程大學;2018年

9 張涵;基于影響因子不確定性的降水概率集合預報研究[D];東北農(nóng)業(yè)大學;2018年

10 楊瑞雯;集合預報降水偏差訂正及概率預報方法研究[D];成都信息工程大學;2018年

本文編號：2845069