洪家渡水电站月径流量预报方案的研究
|
摘要
随着国民经济快速发展，能源紧缺已成为制约经济发展的“瓶颈”。充分利用水资源，最大限度地发挥水电站的作用，就显得尤为重要。要制定长期的发电计划，必须以中长期流量预报为基础。提高中长期预报精度是生产单位迫切需要解决的问题，也是水文预报研究的重要内容。
本研究结合乌江上游洪家渡水电站中长期预报的课题，对部分中长期水文预报的数理统计方法进行较深入地研究，以洪家渡水电站逐月入库径流量为预报对象，以提高其中长期预报精度为目标，使用小波分解、人工神经网络等非线性的方法，并结合传统的时间序列分析、周期均值叠加法、逐步回归、岭回归、主成分回归等方法，建立洪家渡水电站月径流量预报模型，在对各种方法建立的模型进行比较分析的此基础上，建立了组合预报模型，对洪家渡水电站月径流量进行组合预报分析。最后，通过比较，挑选各方案中拟合预报结果最优的，作为洪家渡水电站月径流量的最终预报结果。
结果表明，逐步回归、主成分回归模型的拟合、预报效果达到预期精度要求，可用于洪家渡水电站月径流量的预报，为水电站的优化调度、最大限度地发挥其经济效益提供了可靠的依据。
Along with the national economy fast development, the scarce energy has become the restriction economy development "the bottleneck". It appears especially importantly that water resources are used fully and the function of the hydropower station is maximum limit displayed. The medium-and-long-term runoff foresting is the foundation of long-term electricity generation plan. Increasing precision of medium-and-long-term foresting is the question which the production unit is urgent needs to solve, also is the important content of hydrologic forecast research.
This dissertation unifies the medium-and-long-term forecasting task of the Hongjiadu hydropower station in the upstream of WuJiang, and thoroughly studies part of the medium-and-long-term hydrologic forecasting mathematical statistic methods. We take the monthly runoff volume of Hongjiadu hydropower station as the forecast object, and take increasing forecasting precision as the goal, use the non-linear methods of wavelet decomposition and artificial nerve network, with the traditional methods of time series analyzing, period mean superimposed method, stepwise regression, ridge regression, principal component regression and so on, establish the forecasting models of the monthly runoff volume of Hongjiadu hydropower station. And the combination forecasting model is built on the basic of comparing the result of all the models. Finally, the superior model is chosen out as the last forecasting result of the monthly runoff monthly runoff of Hongjiadu hydropower station.
It is indicated that, the fitting and forecasting result of stepwise regression and principal component regression achieved the anticipated precision request, and may be used in the monthly runoff volume of Hongjiadu hydropower station, which provide the reliable basis for optimizing dispatch, maximum limit displaying its economic efficiency of hydropower station.
本研究结合乌江上游洪家渡水电站中长期预报的课题，对部分中长期水文预报的数理统计方法进行较深入地研究，以洪家渡水电站逐月入库径流量为预报对象，以提高其中长期预报精度为目标，使用小波分解、人工神经网络等非线性的方法，并结合传统的时间序列分析、周期均值叠加法、逐步回归、岭回归、主成分回归等方法，建立洪家渡水电站月径流量预报模型，在对各种方法建立的模型进行比较分析的此基础上，建立了组合预报模型，对洪家渡水电站月径流量进行组合预报分析。最后，通过比较，挑选各方案中拟合预报结果最优的，作为洪家渡水电站月径流量的最终预报结果。
结果表明，逐步回归、主成分回归模型的拟合、预报效果达到预期精度要求，可用于洪家渡水电站月径流量的预报，为水电站的优化调度、最大限度地发挥其经济效益提供了可靠的依据。
Along with the national economy fast development, the scarce energy has become the restriction economy development "the bottleneck". It appears especially importantly that water resources are used fully and the function of the hydropower station is maximum limit displayed. The medium-and-long-term runoff foresting is the foundation of long-term electricity generation plan. Increasing precision of medium-and-long-term foresting is the question which the production unit is urgent needs to solve, also is the important content of hydrologic forecast research.
This dissertation unifies the medium-and-long-term forecasting task of the Hongjiadu hydropower station in the upstream of WuJiang, and thoroughly studies part of the medium-and-long-term hydrologic forecasting mathematical statistic methods. We take the monthly runoff volume of Hongjiadu hydropower station as the forecast object, and take increasing forecasting precision as the goal, use the non-linear methods of wavelet decomposition and artificial nerve network, with the traditional methods of time series analyzing, period mean superimposed method, stepwise regression, ridge regression, principal component regression and so on, establish the forecasting models of the monthly runoff volume of Hongjiadu hydropower station. And the combination forecasting model is built on the basic of comparing the result of all the models. Finally, the superior model is chosen out as the last forecasting result of the monthly runoff monthly runoff of Hongjiadu hydropower station.
It is indicated that, the fitting and forecasting result of stepwise regression and principal component regression achieved the anticipated precision request, and may be used in the monthly runoff volume of Hongjiadu hydropower station, which provide the reliable basis for optimizing dispatch, maximum limit displaying its economic efficiency of hydropower station.
引文
[1] GB／T 50095-98，水文基本术语和符号标准[S]，北京：中国计划出版社，1999．
[2] 詹道江，叶守泽．工程水文学[M]．北京：中国水利水电出版社，2000：117．
[3] 范钟秀．中长期水文预报[M]．南京：河海大学出版社，1999：1-3，6-20，21-37．
[4] 阮本清，王成丽．自适应指数平滑预报模型在管区蓄水量预报中的应用[J]．灌溉排水，1996，15(1)：7-11．
[5] 张闻胜，王银堂．时间序列分解模型在水文要素中长期预报中的应用用[J]．水文，2001，21(1)：21-24．
[6] 夏军．灰色系统水文学理论方法及应用[M]．武汉：华中理工大学出版社，21，267-270．
[7] 吴秉坚．灰色模型的预测与应用研究[J]．数量经济技术经济研究，1995，(11)：46-48．
[8] 袁秀娟，夏军．径流中长期预报的灰色系统方法研究[J]．武汉水利电力大学学报，1992，27(4)：367-375．
[9] 何新林，宋玲，郑旭荣．径流中长期预报的灰色预测方法[J]．石河子大学学报(自然科学版)，1997，1(3)：234-237．
[10] 杨晓华，金保明，金菊良等．门限自回归模型在海洋冰情预测中的应用[J]．灾害学，1999，14(4)：1-6．
[11] 卞正奎，刘文军，刘方．门限自回归模型在梅雨降水量预测中的应用[J]．气象科技，2006，34(1)：18-21．
[12] 冯国章，王双银，王学斌．自激励门限自回归模型在枯水径流预报中的应用[J]．西北农业大学学报，1995，23(4)：78-83．
[13] 马炼，王银堂，张闻胜．神经网络技术在水文系列中长期预报中的应用[J]．水利水电技术，2002，33(2)：5-7，74．
[14] 蓝永超，康尔泗，徐中民等．BP神经网络在径流长期预测中的应用[J]．中国沙漠，2001，21(1)：97-100．
[15] 张婧婧，姜铁兵，康玲等．基于人工神经网络的日径流预测[J]．水电自动化与大坝检测，2002，26(4)：65-67．
[16] 李荣峰，沈冰，张金凯．基于相空间重构的水文自记忆预测模型[J]．水利学报，2006，37(5)：583-587．
[17] 赵永龙，丁晶，邓育仁．相空间小波网络模型及其在水文中长期预测中的应用[J]．水科学进展，1998，9(3)：253-258．
[18] 强学民，葛朝霞，曹丽青．改进的相空间模式及其在月径流量预测中的试验研究[J]．水电能源科学，2006，24(1)：72-77．
[19] Christopher Torrence, Gilbert P. Compo. A Practical Guide to Wavelet Analysis[J]. Bulletin of the American Meteorological Society, 1998, 79(1):61-78.
[20] 吴东杰，工金生，滕彦国．小波分解与变换法预测地下水位动态[J]．水利学报，2004，(5)：39-45．
[21] 贺国光，马寿峰，李宇．基于小波分解与重构的时间按序列预测法[J]．自动化学报，2002，28(6)：1012-1014．
[22] 张燕．基于小波分析方法的非线性时间序列模型及其应用[J]．南京审计学院学报，2005，2(2)：79-80．
[23] 马社祥，刘贵中，曾召华．基于小波分析的非平稳时间序列分析与预测[J]．2000，15(4)：305-311．
[24] 王惠文，吴载斌，孟浩．偏最小二乘回归的线性与非线性方法[M]．北京：国防工业出版社，2006：55-96，35-54．
[25] 王文圣，丁晶等．基于偏最小二乘回归的年用电量预测研究[J]．中国电机工程学报，2003，23(10)：17-20．
[26] 田一海，汪泳等．偏最小二乘与灰色模型组合预测城市生活需水量[J]．天津大学学报，2004，37(41：322-325．
[27] 曹连海，王安明，陈南祥等．偏最小二乘回归神经网络在城市生活用水量中的应用[J]．华北水利水电学院学报，2005，26(2)：9-11．
[28] 李德萍，黄明政．用主成分回归方法制作青岛市8月降水预报[J]．山东气象，2001，21(1)：11-12．
[29] 金菊良，魏一鸣，丁晶．投影寻踪门限回归模型在年径流预测中的应用[J]．地理科学，2002，22(2)：171-175．
[30] 孙贞，徐晓亮用多元混合门限回归进行汛期降水量预测试验[J]．气象，2005，31(4)：58-61．
[31] 蒋晓辉，刘昌明，基于小波分析的径向基神经网络年径流量预测[J]．应用科学学报，2004，22(3)：411-414．
[32] 陈守煜，王大刚．基于遗传算法的模糊优选BP网络模型及其应用[J]．水利学报，2003，(5)：116-121．
[33] 何伟，李亚伟，金栋等．基于PSO的模糊人工神经网络径流预报模型[J]．气象水文海洋以其，2004，(2)：18-21．
[34] 姜谙男，梁冰．基于PSO_SVM的大坝渗流检测时间序列非线性预报模型[J]．水利学报，2006，37(3)：331-335．
[35] 乔西县，蒋晓辉等．年径流预测的遗传模拟退火门限自回归模型[J]．应用科学学报，2006，24(4)：424-428．
[36] 邹政达，孙雅明，张智晟．基于蚁群优化算法递归神经网络的短期负荷预测[J]．电网技术，2005，29(3)：59-63．
[37] 叶美盈，汪晓东等，基于在线最小二乘支持向量机回归的混沌时间序列预测[J]．2005，54(6)：2568-2573．
[38] 张济世，刘立昱，程中山．统计水文学[M]．郑州：黄河水利出版社，2006：1-81．
[39] 丁晶，邓育仁．随机水文学[M]．成都：成都科技大学出版社，1988：64-121．
[40] 李春晖，杨志峰．黄河流域分区天然径流量趋势性与持续性特征[J]．水文，2005，25(1)：13-17．
[41] Robert M. Hirsch, James R. Slack, Richard A. Smith. Techniques of Trend Analysis for Monthly Water Quality Data [J]. Water Resources Research, 1982, 18(1): 107-121.
[42] Robert M. Hirsch, James R. Slack. A Nonparametric Trend Test for Seasonal Data With Serial Dependence [J]. Water Resources Research, 1984, 20(6):727-732.
[43] 李纪人，刘德平．水文时间序列模型及预报方法[M]．南京：河海大学出版社，1991：67-68．
[44] 秦年秀，姜彤，许崇育．长江流域径流趋势变化及突变分析[J]．长江流域资源与环境，2005，14(5)：589-594．
[45] Gerald Van Belle, James P. Hughes. Nonparametric Tests for Trend in Water Quality [J]. Water Resources Research, 1984, 20(1): 127-136.
[46] 苑希民，李鸿雁，刘树坤等．神经网络和遗传算法在水科学领域中的应用[M]．北京：中国水利水电出版社，2002．1-26．
[47] 薛定宇，陈阳泉．高等应用数学问题中的MATLAB求解[M]．北京：清华大学出版社，2004，348-349．
[48] 王文圣，丁晶，向红莲．小波分析在水文学中的应用研究及展望[J]．水科学进展，2002，13(4)：515-520．
[49] 王文圣，丁晶，李跃清．水文小波分析[M]．北京：化学工业出版社，2005：142-164．
[50] Donald B. Percival, Andrew T. Walden著，程正兴等译．时间序列分析的小波方法[M]．北京：机械工业出版社，2006：93-103，159-179，105-150．
[51] 林振山．长期预报的相空间理论和模式[M]．北京：气象出版社，1993：4-5．
[52] 黄嘉佑．气象统计分析与预报方法[M]．北京：气象出版社，2004：58-72．
[53] Arthur E. Hoerl, Robert. W. Kennard. Ridge Regression: Application to Nonorthogonal Problems [J]. Technometrics, 1997, 12(1): 69-82.
[54] 蓝永超，王新民．岭回归分析在融雪径流预报中的应用[J]．冰川冻土，1992，14(1)：19-24．
[55] 陈科，辛忠礼．岭回归法在单位线估计中的应用[J]．四川水力发电，1995，1：84-87．
[56] 魏风英．现代气候统计诊断与预测技术[M]．北京：气象出版社，1999：209-213，201-204．
[57] 谢明恩，张万诚．云南短期气候预测方法与模型[M]．北京：气象出版社，2000：130-131．
[58] William F. Massy. Principal Components Regression in Exploratory Statistical Research [J]. Journal of the American Statistical Association, 1965.60(309): 234-256.
[59] 张明波，张新添，余开金．乌江流域水文气象特性分析[J]．水文，1999，20(6)：53-56．
[60] 章淹，黄忠恕，范钟秀，宋肇英．长江三峡致洪暴雨与洪水的中长期预报[C]，北京：气象出版社，1993，242-247．
[61] 张俊峰，俞建良，庞海龙等．利用水文气象要素因子的变化趋势预测南海区赤潮的发生[J]．海洋预报，2006，23(1)：9-19．
[62] 张利平，王德智，夏军等．基于气象因子的中长期水文预报方法研究[J]．水电能源科学，2003，21(3)：4-6．
[63] 葛朝霞，王会容．黄河上游月径流量与海温的关系研究[J]．2003，河海大学学报(自然科学版)，31(6)：605-608．
[64] 葛朝霞，王会容，曹丽青等．柘溪水库月入库流量预报方案的建立与对比分析[J]．2004，河海大学学报(自然科学版)，32(5)：508-511．
[65] 贾瑞生，李义，高坤．浙江梅汛期分片暴雨前期气象因子场的相关分析[J]．浙江大学学报(理学报)，2005，32(3)：333-342．
[2] 詹道江，叶守泽．工程水文学[M]．北京：中国水利水电出版社，2000：117．
[3] 范钟秀．中长期水文预报[M]．南京：河海大学出版社，1999：1-3，6-20，21-37．
[4] 阮本清，王成丽．自适应指数平滑预报模型在管区蓄水量预报中的应用[J]．灌溉排水，1996，15(1)：7-11．
[5] 张闻胜，王银堂．时间序列分解模型在水文要素中长期预报中的应用用[J]．水文，2001，21(1)：21-24．
[6] 夏军．灰色系统水文学理论方法及应用[M]．武汉：华中理工大学出版社，21，267-270．
[7] 吴秉坚．灰色模型的预测与应用研究[J]．数量经济技术经济研究，1995，(11)：46-48．
[8] 袁秀娟，夏军．径流中长期预报的灰色系统方法研究[J]．武汉水利电力大学学报，1992，27(4)：367-375．
[9] 何新林，宋玲，郑旭荣．径流中长期预报的灰色预测方法[J]．石河子大学学报(自然科学版)，1997，1(3)：234-237．
[10] 杨晓华，金保明，金菊良等．门限自回归模型在海洋冰情预测中的应用[J]．灾害学，1999，14(4)：1-6．
[11] 卞正奎，刘文军，刘方．门限自回归模型在梅雨降水量预测中的应用[J]．气象科技，2006，34(1)：18-21．
[12] 冯国章，王双银，王学斌．自激励门限自回归模型在枯水径流预报中的应用[J]．西北农业大学学报，1995，23(4)：78-83．
[13] 马炼，王银堂，张闻胜．神经网络技术在水文系列中长期预报中的应用[J]．水利水电技术，2002，33(2)：5-7，74．
[14] 蓝永超，康尔泗，徐中民等．BP神经网络在径流长期预测中的应用[J]．中国沙漠，2001，21(1)：97-100．
[15] 张婧婧，姜铁兵，康玲等．基于人工神经网络的日径流预测[J]．水电自动化与大坝检测，2002，26(4)：65-67．
[16] 李荣峰，沈冰，张金凯．基于相空间重构的水文自记忆预测模型[J]．水利学报，2006，37(5)：583-587．
[17] 赵永龙，丁晶，邓育仁．相空间小波网络模型及其在水文中长期预测中的应用[J]．水科学进展，1998，9(3)：253-258．
[18] 强学民，葛朝霞，曹丽青．改进的相空间模式及其在月径流量预测中的试验研究[J]．水电能源科学，2006，24(1)：72-77．
[19] Christopher Torrence, Gilbert P. Compo. A Practical Guide to Wavelet Analysis[J]. Bulletin of the American Meteorological Society, 1998, 79(1):61-78.
[20] 吴东杰，工金生，滕彦国．小波分解与变换法预测地下水位动态[J]．水利学报，2004，(5)：39-45．
[21] 贺国光，马寿峰，李宇．基于小波分解与重构的时间按序列预测法[J]．自动化学报，2002，28(6)：1012-1014．
[22] 张燕．基于小波分析方法的非线性时间序列模型及其应用[J]．南京审计学院学报，2005，2(2)：79-80．
[23] 马社祥，刘贵中，曾召华．基于小波分析的非平稳时间序列分析与预测[J]．2000，15(4)：305-311．
[24] 王惠文，吴载斌，孟浩．偏最小二乘回归的线性与非线性方法[M]．北京：国防工业出版社，2006：55-96，35-54．
[25] 王文圣，丁晶等．基于偏最小二乘回归的年用电量预测研究[J]．中国电机工程学报，2003，23(10)：17-20．
[26] 田一海，汪泳等．偏最小二乘与灰色模型组合预测城市生活需水量[J]．天津大学学报，2004，37(41：322-325．
[27] 曹连海，王安明，陈南祥等．偏最小二乘回归神经网络在城市生活用水量中的应用[J]．华北水利水电学院学报，2005，26(2)：9-11．
[28] 李德萍，黄明政．用主成分回归方法制作青岛市8月降水预报[J]．山东气象，2001，21(1)：11-12．
[29] 金菊良，魏一鸣，丁晶．投影寻踪门限回归模型在年径流预测中的应用[J]．地理科学，2002，22(2)：171-175．
[30] 孙贞，徐晓亮用多元混合门限回归进行汛期降水量预测试验[J]．气象，2005，31(4)：58-61．
[31] 蒋晓辉，刘昌明，基于小波分析的径向基神经网络年径流量预测[J]．应用科学学报，2004，22(3)：411-414．
[32] 陈守煜，王大刚．基于遗传算法的模糊优选BP网络模型及其应用[J]．水利学报，2003，(5)：116-121．
[33] 何伟，李亚伟，金栋等．基于PSO的模糊人工神经网络径流预报模型[J]．气象水文海洋以其，2004，(2)：18-21．
[34] 姜谙男，梁冰．基于PSO_SVM的大坝渗流检测时间序列非线性预报模型[J]．水利学报，2006，37(3)：331-335．
[35] 乔西县，蒋晓辉等．年径流预测的遗传模拟退火门限自回归模型[J]．应用科学学报，2006，24(4)：424-428．
[36] 邹政达，孙雅明，张智晟．基于蚁群优化算法递归神经网络的短期负荷预测[J]．电网技术，2005，29(3)：59-63．
[37] 叶美盈，汪晓东等，基于在线最小二乘支持向量机回归的混沌时间序列预测[J]．2005，54(6)：2568-2573．
[38] 张济世，刘立昱，程中山．统计水文学[M]．郑州：黄河水利出版社，2006：1-81．
[39] 丁晶，邓育仁．随机水文学[M]．成都：成都科技大学出版社，1988：64-121．
[40] 李春晖，杨志峰．黄河流域分区天然径流量趋势性与持续性特征[J]．水文，2005，25(1)：13-17．
[41] Robert M. Hirsch, James R. Slack, Richard A. Smith. Techniques of Trend Analysis for Monthly Water Quality Data [J]. Water Resources Research, 1982, 18(1): 107-121.
[42] Robert M. Hirsch, James R. Slack. A Nonparametric Trend Test for Seasonal Data With Serial Dependence [J]. Water Resources Research, 1984, 20(6):727-732.
[43] 李纪人，刘德平．水文时间序列模型及预报方法[M]．南京：河海大学出版社，1991：67-68．
[44] 秦年秀，姜彤，许崇育．长江流域径流趋势变化及突变分析[J]．长江流域资源与环境，2005，14(5)：589-594．
[45] Gerald Van Belle, James P. Hughes. Nonparametric Tests for Trend in Water Quality [J]. Water Resources Research, 1984, 20(1): 127-136.
[46] 苑希民，李鸿雁，刘树坤等．神经网络和遗传算法在水科学领域中的应用[M]．北京：中国水利水电出版社，2002．1-26．
[47] 薛定宇，陈阳泉．高等应用数学问题中的MATLAB求解[M]．北京：清华大学出版社，2004，348-349．
[48] 王文圣，丁晶，向红莲．小波分析在水文学中的应用研究及展望[J]．水科学进展，2002，13(4)：515-520．
[49] 王文圣，丁晶，李跃清．水文小波分析[M]．北京：化学工业出版社，2005：142-164．
[50] Donald B. Percival, Andrew T. Walden著，程正兴等译．时间序列分析的小波方法[M]．北京：机械工业出版社，2006：93-103，159-179，105-150．
[51] 林振山．长期预报的相空间理论和模式[M]．北京：气象出版社，1993：4-5．
[52] 黄嘉佑．气象统计分析与预报方法[M]．北京：气象出版社，2004：58-72．
[53] Arthur E. Hoerl, Robert. W. Kennard. Ridge Regression: Application to Nonorthogonal Problems [J]. Technometrics, 1997, 12(1): 69-82.
[54] 蓝永超，王新民．岭回归分析在融雪径流预报中的应用[J]．冰川冻土，1992，14(1)：19-24．
[55] 陈科，辛忠礼．岭回归法在单位线估计中的应用[J]．四川水力发电，1995，1：84-87．
[56] 魏风英．现代气候统计诊断与预测技术[M]．北京：气象出版社，1999：209-213，201-204．
[57] 谢明恩，张万诚．云南短期气候预测方法与模型[M]．北京：气象出版社，2000：130-131．
[58] William F. Massy. Principal Components Regression in Exploratory Statistical Research [J]. Journal of the American Statistical Association, 1965.60(309): 234-256.
[59] 张明波，张新添，余开金．乌江流域水文气象特性分析[J]．水文，1999，20(6)：53-56．
[60] 章淹，黄忠恕，范钟秀，宋肇英．长江三峡致洪暴雨与洪水的中长期预报[C]，北京：气象出版社，1993，242-247．
[61] 张俊峰，俞建良，庞海龙等．利用水文气象要素因子的变化趋势预测南海区赤潮的发生[J]．海洋预报，2006，23(1)：9-19．
[62] 张利平，王德智，夏军等．基于气象因子的中长期水文预报方法研究[J]．水电能源科学，2003，21(3)：4-6．
[63] 葛朝霞，王会容．黄河上游月径流量与海温的关系研究[J]．2003，河海大学学报(自然科学版)，31(6)：605-608．
[64] 葛朝霞，王会容，曹丽青等．柘溪水库月入库流量预报方案的建立与对比分析[J]．2004，河海大学学报(自然科学版)，32(5)：508-511．
[65] 贾瑞生，李义，高坤．浙江梅汛期分片暴雨前期气象因子场的相关分析[J]．浙江大学学报(理学报)，2005，32(3)：333-342．