耦合CFS集合预报和深度学习的中长期径流预测方法研究

发布时间：2020-10-17 16:58

　　 河川中长期径流预测是水文预报的主要内容,高精度的径流预测有助于水库优化调度、防洪抗旱、合理制定水电站发电计划,保证电站生产生活安全进行。在国内电力市场快速发展背景下,中长期径流预报可以作为电站参与电力交易时的决策依据,提高电站经济利益。河川径流是一个高度复杂的动力系统,气候特征、地理环境和人为活动均影响径流形成,使得径流过程难以准确预测。引入气象因素是提高中长期径流预测精度重要手段,是水文预报的研究热点之一。本文以澜沧江上游的乌弄龙水电站为研究对象,获取并解析流域内CFS气象集合预报数据、建立中长期径流过程深层神经网络模型、并耦合气象数据进行中长期径流预测,主要工作内容及研究成果如下:(1)提出了基于灰色关联分析法的气象因素筛选方法。考虑CFS集合预报的特点,从数据下载、解析和筛选三个方面,提出了完整的集合预报数据提取技术方法,获取集合预报提供的大气、降水、气温等数据;基于反距离权重法对研究流域的气象预测数据进行空间降尺度处理,得到流域的气象预测数据;通过灰色关联分析量化气象数据与径流过程的相关关系,计算气象因素与径流过程的关联度,筛选出关联度较高的气象因素,筛选后的气象因素涵盖了大气运动、降雨、湿度、温度等气象特征。(2)研究了基于深度学习方法的径流预测模型。基于深层神经网络,建立预测精度较高、预见期较长的径流预测模型,避免了传统径流预测模型复杂的参数选择问题。研究并使用长短期记忆模型和序列到序列模型进行预见期为1个月和12个月的径流预测模型。预测结果表明深层神经网络模型可以充分学习并记忆径流数据特征,建模方法简便,预测精度较高。(3)提出了耦合CFS集合预报数据的径流预测模型。基于岭回归方法耦合CFS提供的预见期为1~9个月的气象预测数据,建立径流过程模型并进行预测。预测结果稳定,精度大幅提高,满足水文情报预报规范的要求。最后对全文进行了总结,并指出了接下来的研究方向。
【学位单位】：大连理工大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：P338.2
【文章目录】：
摘要
Abstract
1 绪论
    1.1 研究背景及意义
        1.1.1 选题背景
        1.1.2 关键问题
    1.2 国内外研究现状
    1.3 研究内容及框架
2 工程背景
    2.1 澜沧江干流流域概况
    2.2 乌弄龙水电站基本情况
    2.3 径流过程特性分析
    2.4 本章小结
3 基于灰色关联分析的气象因素筛选方法
    3.1 气象集合预报
    3.2 气象预报系统(CFS)
        3.2.1 CFS集合预报概况
        3.2.2 解析气象预测数据
        3.2.3 基于反距离权重法的空间降尺度研究
        3.2.4 数据归一化处理
    3.3 基于灰色关联分析法筛选气象因素
        3.3.1 灰色关联分析法
        3.3.2 关联系数计算
        3.3.3 关联度计算
        3.3.4 关联分析法计算流程
    3.4 实例计算
        3.4.1 计算步骤
        3.4.2 关联度计算结果
        3.4.3 气象因素筛选结果
    3.5 本章小结
4 基于深度学习的中长期径流预测方法
    4.1 深度学习概况
    4.2 基于长短期记忆网络的径流预测
        4.2.1 长短期记忆网络(LSTM)
        4.2.2 基于LSTM的月度径流预测
    4.3 基于序列到序列网络的径流预测
        4.3.1 序列到序列网络(seq2seq)
        4.3.2 基于seq2seq的月度径流预测
    4.4 应用实例分析
        4.4.1 计算步骤和参数设置
        4.4.2 LSTM模型径流预测结果
        4.4.3 seq2seq模型径流预测结果
        4.4.4 预测结果对比分析
    4.5 本章小结
5 耦合CFS集合预报的中长期径流预测方法
    5.1 耦合气象数据进行径流预测的问题分析
    5.2 耦合CFS集合预报和深度学习的月径流预测方法
        5.2.1 总体思路
        5.2.2 基于岭回归方法解决多重共线性问题
        5.2.3 计算岭回归模型参数
        5.2.4 基于反距离权重法计算气象数据
    5.3 计算实例分析
        5.3.1 计算步骤和参数设置
        5.3.2 预见期为一个月的预测结果分析
        5.3.3 预见期为九个月的预测结果分析
    5.4 本章小结
6 结论与展望
    6.1 总结
    6.2 未来研究展望
参考文献
致谢

【相似文献】

相关期刊论文 前10条

1 段晚锁;汪叶;霍振华;周菲凡;;数值天气预报和气候预测的集合预报方法:思考与展望[J];气候与环境研究;2019年03期

2 贾朋群;;集合预报：预报新观念的25年[J];气象科技进展;2019年05期

3 杨瑞雯;赵琳娜;巩远发;李潇濛;曹越;;中国东南地区降水的两种集合预报综合偏差订正对比分析[J];暴雨灾害;2017年06期

4 孙令东;;全球集合预报系统综述[J];科技创新与应用;2018年12期

5 刘畅;闵锦忠;冯宇轩;贲海荣;王世璋;;不同模式扰动方案在风暴尺度集合预报中的对比试验研究[J];气象学报;2018年04期

6 王琪;杨雪艳;马洪波;;吉林省夏季高温的集合预报效果评估及产品释用[J];气象灾害防御;2018年03期

7 周翠芳;孙卫武;李晓虹;宣冬舒;;欧洲中心集合预报产品在2014年宁夏汛期降水预报中的性能检验[J];宁夏工程技术;2016年04期

8 熊敏诠;;基于集合预报系统的日最高和最低气温预报[J];气象学报;2017年02期

9 张涵斌;智协飞;陈静;吴志鹏;夏宇;张歆然;;区域集合预报扰动方法研究进展综述[J];大气科学学报;2017年02期

10 田志光;吴宝勤;;西北太平洋温盐多模式集合预报[J];海洋测绘;2017年04期

相关博士学位论文 前10条

1 段明铿;夏季影响我国的重要中期环流过程集合预报效果研究[D];南京信息工程大学;2006年

2 庄照荣;集合卡尔曼滤波资料同化系统的设计及其在集合预报中的应用[D];中国科学院研究生院;2007年

3 姜智娜;条件非线性最优扰动在集合预报中的应用[D];中国科学院研究生院（大气物理研究所）;2007年

4 郑飞;ENSO集合预报研究[D];中国科学院研究生院（大气物理研究所）;2007年

5 马旭林;基于集合卡尔曼变换（ETKF）理论的适应性观测研究与应用[D];南京信息工程大学;2008年

6 麻巨慧;NCEP全球集合预报系统框架的优化研究[D];南京信息工程大学;2012年

7 张夏琨;基于集合预报的强对流天气联合概率预报研究[D];南京信息工程大学;2015年

8 颉卫华;集合预报方法在大气环流模式延伸期降水预测中的应用研究[D];中国气象科学研究院;2013年

9 韩珏靖;THORPEX下集合预报和AMDAR观测的误差特征分析与模拟研究[D];南京大学;2010年

10 张海荣;耦合天气预报的流域短期水文预报方法研究[D];华中科技大学;2017年

相关硕士学位论文 前10条

1 杨强;耦合CFS集合预报和深度学习的中长期径流预测方法研究[D];大连理工大学;2019年

2 张颖;降水集合预报的检验分析及在洪水预报中的应用研究[D];华中科技大学;2019年

3 庆亚敏;基于WRF模式的粤港澳大湾区大气数值模拟的多模式集合预报研究[D];华北电力大学(北京);2019年

4 周笑天;基于混合模式集合预报的台风路径预报优化方法研究[D];浙江大学;2019年

5 李湘;增长模培育法在对流尺度集合预报中的初步应用与改进[D];国防科技大学;2017年

6 徐致真;基于GRAPES区域模式的集合预报随机参数扰动方法研究[D];中国气象科学研究院;2019年

7 王璐;基于CNOP-P研究对流尺度集合预报模式不确定性[D];中国气象科学研究院;2019年

8 何佩仪;集合变换卡尔曼滤波局地化（LETKF）方案的发展及应用研究[D];南京信息工程大学;2018年

9 张涵;基于影响因子不确定性的降水概率集合预报研究[D];东北农业大学;2018年

10 杨瑞雯;集合预报降水偏差订正及概率预报方法研究[D];成都信息工程大学;2018年

本文编号：2845069