基于VMD-TPE-LSTM模型的月径流预测方法研究.pdf
《基于VMD-TPE-LSTM模型的月径流预测方法研究.pdf》由会员分享,可在线阅读,更多相关《基于VMD-TPE-LSTM模型的月径流预测方法研究.pdf(13页珍藏版)》请在咨信网上搜索。
1、Journal of Water Resources Research 水资源研究水资源研究,2023,12(3),213-225 Published Online June 2023 in Hans.https:/www.hanspub.org/journal/jwrr https:/doi.org/10.12677/jwrr.2023.123025 文章引用文章引用:卢名燊,郑雅莲,朱彦泽,刘森宇,刘攀,程磊.基于 VMD-TPE-LSTM 模型的月径流预测方法研究J.水资源研究,2023,12(3):213-225.DOI:10.12677/jwrr.2023.123025 基于基于VM
2、D-TPE-LSTM模型的月径流预测方法研究模型的月径流预测方法研究 卢名卢名燊燊1,2,郑雅莲郑雅莲1,2,朱彦泽朱彦泽3,刘森宇刘森宇3,刘刘 攀攀1,2,程,程 磊磊1,2*1武汉大学水利水电学院,湖北 武汉 2武汉大学水资源工程与调度全国重点实验室,湖北 武汉 3国网新源集团有限公司富春江水力发电厂,浙江 桐庐 收稿日期:2023年5月8日;录用日期:2023年6月12日;发布日期:2023年6月30日 摘摘 要要 科学、准确、可靠的径流预测对防汛抗旱、水资源高效利用、水利设施综合效益的发挥至关重要。受到气候变科学、准确、可靠的径流预测对防汛抗旱、水资源高效利用、水利设施综合效益的发挥
3、至关重要。受到气候变化和人类活动的影响,化和人类活动的影响,径流过程径流过程易呈现出高度的非线性、非平稳性特征易呈现出高度的非线性、非平稳性特征,给径流预测带来了更大的挑战给径流预测带来了更大的挑战。本文本文提出了一种基于变分模态分解提出了一种基于变分模态分解(VMD)、剪枝优化算法、剪枝优化算法(TPE)、长短期记忆网络、长短期记忆网络(LSTM)等方法结合的月径流预测等方法结合的月径流预测模型模型(VMD-TPE-LSTM),采用受钱塘江上游新安江水库调控影响的富春江水库,采用受钱塘江上游新安江水库调控影响的富春江水库19692022年月径流序列对年月径流序列对VMD-TPE-LSTM模型
4、进行了模型进行了训练、验证与测试训练、验证与测试,月径流预测结果表明:,月径流预测结果表明:VMD-TPE-LSTM模型的纳什效率系数达模型的纳什效率系数达到了到了0.91,能够对峰值流量实现较好的预测,能够对峰值流量实现较好的预测,模型模型具有良好的泛化性能;进一步具有良好的泛化性能;进一步开展了开展了对照实验,揭示了各因对照实验,揭示了各因素在组合径流预测模型中对模型预测性能影响程度排序为:预处理技术素在组合径流预测模型中对模型预测性能影响程度排序为:预处理技术 基准模型基准模型 模型参数。因此,耦合模型参数。因此,耦合预处理技术和参数优化算法的径流预测方法预处理技术和参数优化算法的径流预
5、测方法能能有效解决气候和人类活动影响的径流非平稳性问题,从而提高月有效解决气候和人类活动影响的径流非平稳性问题,从而提高月径流预测精度和能力。径流预测精度和能力。关键词关键词 入库流量预报,变分模态分解,剪枝优化算法,长短期记忆网络入库流量预报,变分模态分解,剪枝优化算法,长短期记忆网络 Research on Monthly Runoff Forecasting Method Based on VMD-TPE-LSTM Model Mingshen Lu1,2,Yalian Zheng1,2,Yanze Zhu3,Shenyu Liu3,Pan Liu1,2,Lei Cheng1,2*1Sc
6、hool of Water Resources and Hydropower Engineering,Wuhan University,Wuhan Hubei 2State Key Laboratory of Water Resources Engineering and Management,Wuhan University,Wuhan Hubei 3Fuchunjiang Hydropower Plant,State Grid Xinyuan Group Co.,Ltd.,Tonglu Zhejiang Received:May 8th,2023;accepted:Jun.12th,202
7、3;published:Jun.30th,2023 作者简介:卢名燊(1999-),男,硕士研究生,主要研究方向为中长期水文预报,Email:*通讯作者 Email: 基于 VMD-TPE-LSTM 模型的月径流预测方法研究 DOI:10.12677/jwrr.2023.123025 214 水资源研究 Abstract Scientific,accurate,and reliable hydrological forecasting is crucial for flood control,drought resistance,efficient water resource utiliza
8、tion,and comprehensive water conservancy facility benefits.The runoff process is influenced by climate change and human activities,showing a high degree of non-linearity and non-smoothness,posing a greater challenge to runoff forecasting.In this paper,a monthly runoff fore-casting model(VMD-TPE-LSTM
9、)is proposed by coupling variational mode decomposition(VMD)with tree-structured parzen estimator algorithm(TPE)and long short-term memory network(LSTM).The model is trained,validated,and tested using the monthly runoff process of the Fuchun River Reservoir influenced by the upstream reservoir regul
10、ation from 1969 to 2022.The monthly runoff forecasting re-sults show that the Nash efficiency coefficient of the VMD-TPE-LSTM model is 0.91 and achieve accurate forecast of peak flow,which has good generalization performance.Further controlled experiments re-veal that the factors in the combined run
11、off forecasting model influence the model forecasting perfor-mance in the following order:pre-processing technique baseline model model parameters.It can be seen that the coupled pre-processing technique and parameter optimization algorithm can effectively solve the runoff non-smoothness problem inf
12、luenced by climate change and human activities,thus im-prove the accuracy and capability of monthly runoff forecasting.Keywords Reservoir Inflow Forecasting,Variational Mode Decomposition,Tree-Structured Parzen Estimator Algorithm,Long Short-Term Memory Network Copyright 2023 by author(s)and Wuhan U
13、niversity.This work is licensed under the Creative Commons Attribution International License(CC BY 4.0).http:/creativecommons.org/licenses/by/4.0/1.引言引言 中长期径流预测是流域水资源分配和水库调度决策的基础,预报的准确性直接影响到流域的防洪、抗旱、发电和水资源的优化配置1。径流通常受到多种因素的影响,如降水、蒸发、太阳辐射、下垫面和大气环流等,并呈现高度的时空变异性和非平稳性。由于气候变化和人类活动的影响,径流的非平稳性和非一致性进一步加剧,导致
14、旱涝等极端事件频发,对社会经济和居民人身安全造成了极大影响2 3。径流预测精度的提高对流域水资源调控、水库防洪、发电等综合利用功能的实现具有重要意义。中长期水文预报中常用的模型主要分为过程驱动模型(Process-driven Models)和数据驱动模型(Data-driven Models)4 5 6 7。过程驱动模型从水文过程的物理成因出发,将流域特征概化,利用数学模型来模拟水文循环系统中的下渗、产汇流等过程。与数据驱动模型相比,这类模型能更好地考虑流域内各种水文过程的相互作用和影响,理论上可以更准确刻画实际水文循环过程,但在实际应用中受到数据资料不足、模型不确定性大和计算复杂度高等方面
15、的影响,模型预测精度的提升和应用范围受到一定限制。数据驱动模型通常只在物理成因上考虑因子与径流的相关性,而不考虑水文过程的物理机制,通过直接构建预报因子与径流之间的映射关系实现径流预测。当研究区域观测资料不足、流域水文过程的物理机制未知或仅部分了解时,运用数据驱动模型作为径流预测模型更为合适。目前,以机器学习技术为主导的数据驱动模型在中长期预报领域应用广泛。徐莹等8提出一种基于遗传算法的支持向量机模型应用于解决月径流预测问题,万育生等9将随机森林模型应用于丹江口水库的月径流预测研究,Yuan 等10结合长短期记忆网络模型(Long Short-Term Memory,LSTM)和蚁狮优Open
16、 AccessOpen Access基于 VMD-TPE-LSTM 模型的月径流预测方法研究 DOI:10.12677/jwrr.2023.123025 215 水资源研究 化算法(ALO)提出一种基于 LSTM-ALO 的月径流预测模型。以上研究所提出的模型均取得较好的径流预测结果,然而在水文气象资料缺失的地区,缺乏降水、蒸发等相关特征信息作为输入,只能依靠月径流时间序列展开预测,而单一的机器学习模型难以准确识别径流序列内部的变化规律,径流预测精度有限。为了准确提取径流序列中趋势、变化规律等信息,一些学者将信号分解算法等预处理技术引入月径流预测过程中,对“分解预测重构”的预测模型开展了大量的
17、研究11 12 13。钱晓燕等14将经验模态分解(Empirical Mode Decomposition,EMD)与 LS-SVM 模型相耦合,并与单独的 LS-SVM 及 BP 神经网络比较,研究结果表明该方法预报精度较高。Tan 等15基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对月径流序列进行分解,以产生更清晰的信号作为人工神经网络(ANN)模型的输入,对不同信号分量进行预测并叠加得到月径流预测结果。上述研究结果表明,“分解预测重构”模型能够在月径流预测方面取得较好的应用效果。然而在“分解”阶段,通过应用 EMD 和 EE
18、MD 算法对径流分解得到的分量存在噪声和模态混叠等问题,对模型精度有较大的影响16;而变分模态分解17(Variational Mode Decomposition,VMD)是一种完全非递归的变分模态分解,具有比 EMD 和 EEMD 更好的噪声鲁棒性,但其分解效率受到参数设置的影响,需对参数进行适当选择。在“预测”阶段,预测模型的性能与模型结构和参数密切相关,因此需要针对研究目标选择合适的机器学习模型以及相应的优化算法对模型参数进行合理率定。长短期记忆网络(LSTM)作为一种典型的深度学习模型,能够捕捉径流序列中的非线性关系和长期依赖关系,在径流预测方面具有较大的优势。剪枝优化算法(Tree
19、-structured Parzen Estimator approach,TPE)是一种高效、灵活、鲁棒和可扩展的超参数优化算法,适用于大规模、复杂和噪声数据的超参数搜索问题。与网格搜索和随机搜索算法相比,TPE 算法具有更高的搜索效率和更灵活的搜索空间,在搭建基于机器学习的径流预测模型方面具有较大的优势,可以减少超参数搜索的时间和成本,提高模型的精度和效率。鉴于此,为更好地提高径流预测准确性,本文提出了一种基于变分模态分解(VMD)、剪枝优化算法(TPE)、长短期记忆网络(LSTM)多种方法的 VMD-TPE-LSTM 月径流预测模型,将其应用于钱塘江流域富春江水库的月径流预测。该组合模型
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 VMD TPE LSTM 模型 径流 预测 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。