針對水文模型參數(shù)的不確定性,對洪水進(jìn)行分類預(yù)報(bào),不同類型洪水采用不同預(yù)報(bào)參數(shù),旨在提高洪水預(yù)報(bào)精度。基于BP神經(jīng)網(wǎng)絡(luò)模型,依據(jù)分類因子選取原則,選取6項(xiàng)具有代表性的影響因子作為模型輸入,可將洪水劃分成高、中、低3類�；谶z傳算法,對3類洪水進(jìn)行參數(shù)率定,獲得3組不同的參數(shù)組,最終利用訓(xùn)練好的分類預(yù)報(bào)模型實(shí)現(xiàn)不同類型洪水的變參數(shù)預(yù)報(bào)。以大伙房水庫25場歷史典型洪水進(jìn)行實(shí)例驗(yàn)證與分析,結(jié)果表明:分類預(yù)報(bào)結(jié)果的洪峰誤差、峰現(xiàn)誤差、確定性系數(shù)及典型洪水過程的擬合效果明顯優(yōu)于分類前。經(jīng)訓(xùn)練后的基于BP神經(jīng)網(wǎng)絡(luò)與遺傳算法的洪水分類預(yù)報(bào)模型可較好適用于大伙房水庫,結(jié)果更貼合實(shí)測值,效果整體上優(yōu)于分類前,方法可行、有效。 

【文章來源】：水利水電技術(shù). 2020,51(08)北大核心

【文章頁數(shù)】：8 頁

【文章目錄】：
0 引 言
1 基于BP神經(jīng)網(wǎng)絡(luò)的洪水分類
2 基于遺傳算法的模型參數(shù)率定
    2.1 基于遺傳算法參數(shù)率定模型構(gòu)建
    2.2 流域水文模型參數(shù)率定
3 基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的分類洪水預(yù)報(bào)
    3.1 模型構(gòu)建
        (1)信息輸入:
        (2)分類因子選取:
        (3)分類模型構(gòu)建:
        (4)洪水分類:
        (5)水文模型選擇:
        (6)模型參數(shù)率定:
        (7)成果輸出:
    3.2 模型計(jì)算
        (1)信息輸入:
        (2)分類因子數(shù)據(jù)提取:
        (3)在線分類:
        (4)水文模型選擇:
        (5)分類預(yù)報(bào):
        (6)成果輸出:
4 案例驗(yàn)證
    4.1 區(qū)域概況
    4.2 基礎(chǔ)資料
    4.3 驗(yàn)證與分析
        4.3.1 參數(shù)優(yōu)選
        4.3.2 評(píng)定指標(biāo)
    4.4 結(jié)果分析
        4.4.1 大伙房模型分類預(yù)報(bào)誤差分析
        4.4.2 誤差分析結(jié)果統(tǒng)計(jì)
5 結(jié) 論


【參考文獻(xiàn)】：
期刊論文
[1]基于投影尋蹤和粒子群優(yōu)化算法的洪水分類研究[J]. 董前進(jìn),王先甲,艾學(xué)山,張艷敏.  水文. 2007(04)
[2]洪水分類預(yù)報(bào)在清河水庫防洪調(diào)度中的應(yīng)用[J]. 許鵬,王國利.  東北水利水電. 2007(06)
[3]基于聚類分析的人工神經(jīng)網(wǎng)絡(luò)洪水預(yù)報(bào)模型研究[J]. 尹雄銳,張翔,夏軍.  四川大學(xué)學(xué)報(bào)(工程科學(xué)版). 2007(03)
[4]三種基于神經(jīng)網(wǎng)絡(luò)的洪水實(shí)時(shí)預(yù)報(bào)方案的比較研究[J]. 熊立華,郭生練,龐博,姜廣斌.  水文. 2003(05)
[5]水文預(yù)報(bào)的神經(jīng)網(wǎng)絡(luò)模式分類預(yù)報(bào)方法[J]. 黃克明,張國忠.  武漢大學(xué)學(xué)報(bào)(工學(xué)版). 2003(01)

博士論文
[1]基于洪水分類的水庫汛限水位動(dòng)態(tài)控制域研究及其風(fēng)險(xiǎn)分析[D]. 張艷平.大連理工大學(xué) 2012
[2]徑流分類組合預(yù)報(bào)方法及其應(yīng)用研究[D]. 劉冀.大連理工大學(xué) 2008
[3]雙超式產(chǎn)流模型的理論及應(yīng)用研究[D]. 晉華.中國地質(zhì)大學(xué)（北京） 2006



本文編號(hào)：3186612