基于CEEMDAN-QPSO-BLS模型的径流预测研究

P338; 准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度.为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)...

Full description

Saved in:
Bibliographic Details
Published in中国农村水利水电 no. 1; pp. 101 - 108
Main Authors 刘扬, 赵丽
Format Journal Article
LanguageChinese
Published 华北水利水电大学 黄河流域水资源高效利用省部共建协同创新中心,河南 郑州 450046%华北水利水电大学 信息工程学院,河南 郑州 450046 2024
Subjects
runoff prediction
宽度学习
量子粒子群
CEEMDAN
BLS
径流预测
EMD
QPSO
Online AccessGet full text
ISSN1007-2284
DOI10.12396/znsd.221701

Cover

More Information
Summary:P338; 准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度.为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)方法,量子粒子群优化算法(Quantum Particle Swarm Optimization,QPSO)、宽度学习系统(Broad Learning System,BLS)模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型.该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量.其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSO-BLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度.以黄河流域小浪底水库的日径流值为实验数据,将EMD-QPSO-BLS、QPSO-BLS作为CEEMDAN-QPSO-BLS的对比模型,并采用纳什效率系数(NSE)、均方根误差(RMSE)、平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为模型预测可信度和精准度的评价指标.实验表明,在预见期4天内,与QPSO-BLS、EMD-QPSO-BLS模型相比,CEEMDAN-QPSO-BLS的预测精准度分别提高了79.87%、19.80%,可信度分别提高了131.2%、10.98%,径流预测精度的提高,可为防洪抗旱保护人民生命财产和可持续发展提供决策支持.
ISSN:1007-2284
DOI:10.12396/znsd.221701