不同数据驱动模式下三峡长期径流预测比较研究.pdfVIP

第28卷第12期 水电能源科学 V01．28No．12 Water andPower Dec．2O1O 20l0年12月 Resources 文章编号：1000一7709(2010)12—0008—03 不同数据驱动模式下三峡长期径流预测比较研究 唐 林1’2 钟平安2 摘要：采用周期均值叠加和小渡分析长期预测径流方法，并选择横向与纵向数据驱动模式．对比分析了三峡 入库径流长期预测效果。结果表明，周期均值叠加法优于小波分析方法、枯水季节纵向数据驱动模式优于横 向、汛期横向优于纵向，采用两种数据驱动模式的组合预测年径流的精度更高。 关键词：三峡水库l径流预测；数据驱动模式；周期均值璺加；小波分析 中图分类号：TVl21；P338+．2 文献标志码：A 提高径流长期预报精度已成为当前水库调度 的方差比，以识别周期的存在。再对求得的各层 领域的研究热点。水库长期入库径流预测方法可 周期波进行一定的外延，将外延序列叠加：即为所 分为过程驱动和数据驱动两大类[1]，过程驱动是 求的预测值。 基于水文学的概念，模拟径流的产汇流过程；数据 1．2小波分析法 驱动则是以建立输入与输出数据之间的最优数学 采用快速小波算法——atrous算法。考虑 关系为目标。入库径流时间序列具有以年为周期 到计算机编程的可操作性，采用能反映小波函数 的汛枯交替的自然规律，目前基于时间序列分析 特性的一系列滤波器组替代小波函数及其特征性 的长期预测模型的数据驱动方式主要有2种：① 质，对应的小波变换则采用数字滤波算法实现凹]。 横向驱动模式。将历史径流序列资料作为一个整 小波分析虽具有很强的分频率分析能力，可 体，时序相连，通过过程外延预报未来的径流过 由粗及精逐级分析事物，获取有用信息，但其本身 程；②纵向驱动模式。将历史径流序列资料按一 不具备预测能力，因此需借助其他方法对得到的 定规则化分为若干个独立序列。按每年相同时段 各级背景信号和细节信号进行外延预测，并将预 (如月份)构成独立序列，对每一序列作外延预测， 测后的信号重构，才可得到预测结果。本文采用 再将预测结果组合得到预报的径流过程。近年 的数学模型详见文献[93。 来，随着水文数据获取能力的不断提高和计算机 2预测效果评价指标 技术的迅猛发展，非钱性系统理论得到深入发展 和研究，如神经网络、小波分析等数据驱动模型受 选取以下4种指标评价预测效果。 到广泛关注[2~7]。鉴此，本文选择周期均值叠加 (1)平均相对误差。 法和小波分析法作不同数据驱动模式下预测效果 ㈣ 对比研究，并在定性分析的基础上建立组合预测 ；一告宴l紫l 模型，预报精度较高。 式中，玎为序列长度；Q，(i)为预测序列；QI(i)为 实测序列。 1 预测方法原理 平均相对误差反映了预测值相对于实测值的 平均偏差程度，越小越优。 1．1周期均值叠加法 (2)平均相对误差均方差。 周期均值叠加法是将时间序列视为r／个周期 波的叠加。其数学模型详见文献[8]。 孑