Medium- and Long-term Forecast of Inflow of Dahuofang Reservoir Based on CEEMDANLSTMModel

WANGChunyu'，ZHANGJing1*，YANGXu2，YANBin （1.CollgeofWaterResoures，ShenyangAgriculturalUniversityhenyangO866，China; 2.LiaoningDahuofangReir AdministrationLimitedLiabilityCompany，F(xiàn)ushun113oo7，China）

Abstract：Astocsisbcttinfallmpatufasanctivityteedultilectosf complexityitslwofhngesossigificantadomssnducertaintyreatlyiceasingtdifultyfedi-ndlote forecastandrestrictingitsaplicationectinproductionpractice.Therefore，howtobreakthroughthetechnicalbotleneckof medium-andlong-termflowforecasthasbecomeakeyproblemtobesolvedinthecurrnthydrologicalscienceresearchInviewof this，withDahuofang Reservoirastheresearchobject，the monthlyflow forecastof thereservoirwascariedoutbyusing gray correlationanalysisandprincipalcomponentanalysiscombinedwiththeCEEMDAN-LSTMmodel.Monthlyflow，rainfalland meteorologicaldatafrom1961to2008wereselectedtocalibratethemodelparameters.The monthlyflowdatafrom2009to2O20was usedtovalidatetemodel.Theidicatorsofeterinationcoefient，ootmansquareeandaverageelativeerorreapplied to evaluate theforecastresults.Aording totheresults，whenfourprincipalcomponentsareselectedbyusing principalcomponent analysis toreducethedimensionalityof theforecastfactorsetsaftertheadditionoftheprevious average temperatureandmaximum temperaturedata，theCEEMDAN-LSTMmodelcanefectivelyimprovetheforecastaccuracyandbecometheoptimalmodelforthe monthlyflowforecastofDahuofangReservoir.Technicalsupportisprovidedfortheformulationofthefuturemedium-andlong-te dispatching plan of Dahuofang Reservoir.

Keywords：iflow; medium-andlong-termforecast;principalcomponentanalysis;CEEMDAN-LSTMmodel; DahuofangReservoir

中長期流量預(yù)報(bào)在水資源規(guī)劃與管理中具有重要的理論價(jià)值與實(shí)踐意義，其預(yù)測結(jié)果可為流域水文情勢分析、水庫調(diào)度方案優(yōu)化以及水資源合理配置提供科學(xué)依據(jù)。然而，由于流量形成過程具有顯著的隨機(jī)特性，且流量時(shí)間序列呈現(xiàn)復(fù)雜的非線性動力學(xué)特征，導(dǎo)致現(xiàn)有預(yù)測模型的準(zhǔn)確性難以滿足實(shí)際應(yīng)用需求，這也使得該領(lǐng)域成為當(dāng)前水文科學(xué)研究中的重點(diǎn)攻關(guān)方向[2-6]。根據(jù)模型原理的差異，當(dāng)前中長期流量預(yù)測方法可劃分為兩大類：一類是物理驅(qū)動模型，該方法通過耦合長期氣象預(yù)報(bào)產(chǎn)品與水文模型來實(shí)現(xiàn)預(yù)測；另一類數(shù)據(jù)驅(qū)動模型[7]。氣象預(yù)報(bào)產(chǎn)品提供的長預(yù)見期數(shù)據(jù)（如月尺度或季節(jié)尺度的降水量、氣溫等）通常具有較高的不確定性和較低的空間分辨率[8-10]，難以直接滿足中小流域或局部區(qū)域的高精度水文預(yù)測需求。此外，長預(yù)見期氣象預(yù)報(bào)的系統(tǒng)性偏差和誤差隨預(yù)見期延長而增加，進(jìn)一步限制了其在水文預(yù)測中的實(shí)用性，為提高水文預(yù)測結(jié)果的可靠性與應(yīng)用價(jià)值，往往需要將水文機(jī)理模型與多源觀測數(shù)據(jù)進(jìn)行融合分析。數(shù)據(jù)驅(qū)動模型是通過構(gòu)建輸入輸出變量之間的統(tǒng)計(jì)關(guān)聯(lián)模型，從歷史水文資料中挖掘潛在的降雨-流量響應(yīng)規(guī)律，進(jìn)而實(shí)現(xiàn)流量過程的預(yù)測模擬[2]。人工智能技術(shù)與機(jī)器學(xué)習(xí)算法的快速發(fā)展催生了多種新型數(shù)據(jù)驅(qū)動建模方法，這些創(chuàng)新性技術(shù)為中長期預(yù)報(bào)開辟了新的方向[3。其中，基于深度學(xué)習(xí)的預(yù)報(bào)方法表現(xiàn)出強(qiáng)大的非線性映射能力和時(shí)序特征提取能力，如長短期記憶網(wǎng)絡(luò)（LongShort-TermMemory，LSTM）、門控循環(huán)單元（Gated RecurrentUnit，GRU）等模型已在多個(gè)流域得到成功應(yīng)用。胡慶芳等[14]基于LSTM模型構(gòu)建的安康站日徑流預(yù)測模型展現(xiàn)出優(yōu)異的泛化能力和抗過擬合特性。Ding等15]提出基于VMD（Variational ModeDecomposition）分解的CNN-LSTM模型，驗(yàn)證了其在不同時(shí)間尺度的預(yù)報(bào)穩(wěn)定性，充分地挖掘了流量序列的隱含信息。李薇等提出的VMD-CNN-LSTM模型在預(yù)測精度和誤差控制方面比其他模型表現(xiàn)出明顯優(yōu)勢。

然而，盡管已有多種水文預(yù)報(bào)模型和方法，但研究仍存在以下亟待解決的問題：首先，預(yù)報(bào)因子的篩選和降維方法尚待優(yōu)化，難以充分挖掘多源數(shù)據(jù)的有效信息，導(dǎo)致模型輸入信息的冗余與不足；其次，單一模型在處理復(fù)雜水文過程時(shí)往往存在局限性，難以全面捕捉徑流序列的多尺度特征；此外模型的可解釋性和泛化能力仍需進(jìn)一步提升，依賴于超參數(shù)的設(shè)定，以確保預(yù)報(bào)結(jié)果在實(shí)際應(yīng)用中的可靠性。

針對上述問題，本研究以大伙房水庫1961年1月至2020年12月逐月入庫流量為研究對象，選取1961—2008年各月流量、逐月降雨量、12個(gè)氣象資料進(jìn)行模型參數(shù)率定，利用2009—2020年各月入庫流量資料對模型進(jìn)行檢驗(yàn)，提出結(jié)合主成分分析法、自適應(yīng)噪聲完全集合經(jīng)驗(yàn)?zāi)B(tài)分解、長短期記憶網(wǎng)絡(luò)的月組合預(yù)報(bào)模型。該模型在預(yù)報(bào)因子篩選與降維基礎(chǔ)上[17-18]，利用CEEMDAN對原始流量序列進(jìn)行分解降噪，以有效提取水文序列中的非線性和非平穩(wěn)特征；結(jié)合LSTM模型對各分解分量分別建模預(yù)測并將分量重構(gòu)得到最終預(yù)報(bào)結(jié)果。通過對比分析不同主成分個(gè)數(shù)的預(yù)報(bào)因子集在模型中的預(yù)報(bào)效果，探明主成分分析法和組合模型在大伙房水庫的適用性及精度，選取最優(yōu)預(yù)報(bào)因子集作為大伙房水庫逐月最優(yōu)預(yù)報(bào)模型，為大伙房水庫中長期流量預(yù)測提供參考。

1數(shù)據(jù)與模型方法

1.1 數(shù)據(jù)來源與處理

為滿足日常上下游站點(diǎn)降雨量、水位和人工水文站流量的日常傳輸工作，大伙房水庫管理局通過歷年建設(shè)，建立了一套水文自動測報(bào)系統(tǒng)，本文采用的大伙房水庫1961年1月至2020年12月各月入庫流量、降雨量、平均 2min 風(fēng)速、平均水氣壓、平均氣溫、平均相對濕度、日照時(shí)數(shù)、最低氣壓、最低氣溫、最高氣壓、最高氣溫、最大風(fēng)速、最小相對濕度數(shù)據(jù)資料均來源于此水文系統(tǒng)。此時(shí)段數(shù)據(jù)無缺失，質(zhì)量可靠。氣象數(shù)據(jù)和水文數(shù)據(jù)在時(shí)間上完全匹配，為研究提供了堅(jiān)實(shí)基礎(chǔ)。

1. 2 主成分分析法

主成分分析（Principal ComponentAnalysis，PCA）作為一種多元統(tǒng)計(jì)技術(shù)，其核心在于通過線性變換將一組存在相關(guān)性的觀測變量轉(zhuǎn)化為少數(shù)幾個(gè)相互獨(dú)立的新變量，這些新變量成為主成分。在數(shù)據(jù)降維技術(shù)，確保原始水文特征信息完整性的基礎(chǔ)上，實(shí)現(xiàn)對多維數(shù)據(jù)集維度的有效簡化[19]。設(shè)數(shù)據(jù)集有 n 個(gè)樣本 ?m 個(gè)變量，基本操作步驟如下。

步驟一對原始變量數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理：

1.3 CEEMDAN原理

自適應(yīng)噪聲完全集合經(jīng)驗(yàn)?zāi)B(tài)分解CEEMDAN（Complete Ensemble Empirical Mode DecompositionwithAdaptiveNoise）是基于經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical ModeDecomposition，EMD）算法改進(jìn)的一種算法，其原理是將原始數(shù)據(jù)序列分解為一系列的振蕩數(shù)據(jù)序列，同時(shí)根據(jù)式（7）各振蕩數(shù)據(jù)序列添加自適應(yīng)白噪聲，確保重構(gòu)誤差（R）盡可能接近于零[20]

式中：""為原始變量 的平均值; σ_j"為原始變量的標(biāo)準(zhǔn)差。

步驟二 所有的系數(shù) l 構(gòu)成載荷矩陣 L， 設(shè)矩陣"并計(jì)算 L 的特征值及特征

向量：

求得 L 的特征值 λ₁≥λ₂≥…≥λ_m"，以及相對應(yīng)的單位正交向量u，u，…，um

步驟三 確定主成分貢獻(xiàn)率 τ_j"和累積貢獻(xiàn) 率nj

步驟四 得到主成分表達(dá)式：

S（t表示流量時(shí)間序列， Vⁱ（t） 為第 i 次試驗(yàn)中添加的具有標(biāo)準(zhǔn)正態(tài)分布的高斯白噪聲序列，第 i 次信號序列可表示為式（7）：

Sⁱ（t）=S（t）+ε₀Vⁱ（t），i∈{1，2，…，M}

式中： Sⁱ（t） 為分解后新的時(shí)間序列； ε₀ 為噪聲系數(shù)；ε₀Vⁱ（t） 為自適應(yīng)高斯白噪聲； M 為集成次數(shù)，一般為10＼～20。

其算法公式具體如下：

步驟一對分解得到的第一個(gè)IMF分量IMF₁ⁱ（t） 取均值得到第一個(gè)模態(tài)分量：

步驟二 將分解出的第一個(gè)分量 IMF₁（t） 從原始時(shí)間序列 S（t） 中移除，得到第一個(gè)余量序列 R（t）

R₁（t）=S（t）-IMF₁（n）

步驟三 與步驟一相同，繼續(xù)進(jìn)行分解，得到第二個(gè)IMF模態(tài)分量：

步驟四重復(fù)步驟一、二，計(jì)算其余各分解階段對應(yīng)的的余量 R_K 和 k+1 個(gè)模態(tài)分量，得到剩余的IMF模態(tài)分量，其中 K 為IMF模態(tài)總個(gè)數(shù)：

R_k（t）=R_k-1（t）-IMF_k（t），k=（2，3，…，K）

步驟五分解過程的終止判定標(biāo)準(zhǔn)設(shè)定為：當(dāng)余量序列中的極值點(diǎn)數(shù)量不超過2個(gè)時(shí)，即判定該序列已達(dá)到不可再分解狀態(tài)。此時(shí)，不可分解余量序列被定義為殘余分量，其表達(dá)式為：

故原始時(shí)間序列 S（t） 經(jīng)過CEEMDAN分解后可用式（14）表示：

1.4LSTM模型原理

LSTM模型包含輸入門、遺忘門和輸出門[21-23]。結(jié)構(gòu)見圖2，計(jì)算過程見式（15）。

1.5 CEEMDAN-LSTM模型

通常的LSTM模型單層無法抓取較多數(shù)據(jù)信息，需構(gòu)建多層隱藏層結(jié)構(gòu)。通過構(gòu)建CEEMDAN-LSTM模型，即搭建CEEMDAN分解與2層LSTM結(jié)構(gòu)，可以使預(yù)測模型能更多地挖掘數(shù)據(jù)信息的映射關(guān)系。模型應(yīng)用時(shí)，首先對預(yù)報(bào)因子集進(jìn)行數(shù)據(jù)的分解，得到由CEEMDAN分解后的多個(gè)模態(tài)分量IMF_k 和一個(gè)殘差項(xiàng)，然后將每個(gè) IMF_k 的統(tǒng)計(jì)特征組合成多維特征向量，將其劃分為訓(xùn)練集和測試集，搭建LSTM模型，每層LSTM結(jié)束時(shí)鏈接一層dropout層，dropout層使每層LSTM的神經(jīng)元按照設(shè)定的百分比隨機(jī)失活，不更新權(quán)重參數(shù)。引人dropout層的目的是防止雙層的LSTM訓(xùn)練時(shí)發(fā)生過擬合。輸出層選擇用全連接層激活函數(shù)relu，使用均方誤差（Mean-squareError，MSE）作為模型訓(xùn)練過程中的損失函數(shù)，Adam作為優(yōu)化器，將各個(gè)模態(tài)分量和趨勢項(xiàng)預(yù)測結(jié)果疊加，最終輸出預(yù)測數(shù)據(jù)。CEEMDAN-LSTM模型結(jié)構(gòu)見圖3。

1.6模型性能評價(jià)指標(biāo)

為有效分析實(shí)驗(yàn)結(jié)果，本文采用決定性系數(shù)（R²） ）、均方根誤差（RootMean Square Error，E_RMS） 、平均相對誤差（Mean Relative Error， E_MR ）3種指標(biāo)對預(yù)報(bào)效果進(jìn)行評估。

式中： x_i 為預(yù)測值; 為預(yù)測平均值; y_i 為實(shí)際值; 為實(shí)際平均值。 R² 指標(biāo)越接近1，說明模型擬合效果好，預(yù)測結(jié)果誤差較小；反之，模型效果差，預(yù)測結(jié)果誤差大。 E_RMS 越小，模型精度越高。

2 實(shí)例分析

大伙房水庫坐落于渾河流域中上游段，是一座綜合性大型水利工程設(shè)施，其主要功能包括防洪減災(zāi)、城市供水、農(nóng)業(yè)灌溉及水力發(fā)電等，也是跨流域調(diào)水工程的重要調(diào)節(jié)樞紐，承擔(dān)著遼寧省中部7座城市的供水任務(wù)[24]。因此該水庫的流量中長期預(yù)報(bào)非常重要。水庫流域概況見圖4。

2.1關(guān)鍵預(yù)報(bào)因子篩選

為盡可能大范圍篩選出對入庫流量預(yù)報(bào)影響較大的因子，本文選取預(yù)報(bào)月的前14個(gè)月為影響預(yù)報(bào)時(shí)效。采用灰色關(guān)聯(lián)度法計(jì)算14個(gè)月內(nèi)各月降雨量、平均 2min 風(fēng)速、平均水氣壓、平均氣溫、平均水氣壓、平均相對濕度、日照時(shí)數(shù)、最低氣壓、最低氣溫、最高氣壓、最高氣溫、最大風(fēng)速、最小相對濕度13個(gè)指標(biāo)與預(yù)報(bào)流量之間的灰色關(guān)聯(lián)系數(shù)，選取灰色關(guān)聯(lián)系數(shù)大于0.95的指標(biāo)為主要的預(yù)報(bào)因子，篩選結(jié)果見表1。

為進(jìn)一步消除多個(gè)預(yù)報(bào)因子之間的數(shù)據(jù)冗余及相關(guān)性，采用主成分分析法將選定的平均氣溫、最高氣溫預(yù)報(bào)因子進(jìn)行線性組合，通過線性變換將原始變量轉(zhuǎn)化為彼此正交的主成分，從而實(shí)現(xiàn)數(shù)據(jù)降維和特征提取。當(dāng)主成分的累積方差貢獻(xiàn)率超過 90% 時(shí)，即可認(rèn)為該成分能夠充分表征原始數(shù)據(jù)的主要特征。通過計(jì)算，前4個(gè)主成分的累積解釋方差達(dá)到99. 186% ，表明其幾乎完全保留原始變量的有效信息。各主成分對應(yīng)的特征值及其方差貢獻(xiàn)率分布見圖5。

各影響因素對主成分之間的關(guān)系見表2，主成分得分系數(shù)矩陣表示了各影響因素與提取前4個(gè)主成分的線性相關(guān)性，基于該矩陣的數(shù)值分布特征，可計(jì)算出第一至第四主成分的數(shù)學(xué)表達(dá)式。

代人式（6得到主成分表達(dá)式：

F₁=0. 34W₁+0. 39W₂+0. 34W₃+0. 19W₄+0. 34Z₁+ （20號 0.39Z₂+0. 34Z₃+0. 19Z₄-0. 01Z₅-0. 2Z₆+0. 003Z₁₁+ （2號 0.2Z₁₂ （204號 （18

F₂=-0.37W₁+0.01W₂+0.38W₃+0.65W₄-0.37Z₁+ 0. 01Z+0. 38Z+0.65Z4+0. 74Z5+0.63Z6+0. 73Z11- （2 0.64Z₁₂ （19）

F3=0.07W1-0.051W2-0.04W+0.08W4+0.07Z（24號 0. 08Z₂-0. 07Z₃+0. 09Z₄+0. 19Z₅+0. 14Z₆+0. 17Z₁₁- （20 0.19Z₁₂ （204號 （20）

F₄=0.35W₁+0.19W₂-0.22W₃-0.29W₄+0.47Z₁+ 0.24Z₂-0.28Z₃-0.41Z₄+0.09Z₅+0.7Z₆-0.61Z₁₁- （2號 0.01Z₁₂ （204號 （21）式中： F_i（i=1，2，3，4） 表示主成分。

計(jì)算各個(gè)樣本的主成分得分 F₁?F₂?F₃?F₄ ，基于上述分析，分別選定前2個(gè)、前3個(gè)和前4個(gè)主成分與前 t^-1?t^-2?t^-11?t^-12 時(shí)刻的入庫流量以及前 t- 1、t-2、t-3、t-4 時(shí)刻的降雨量組合作為模型的輸入，探討不同主成分組合對預(yù)報(bào)效果的影響，組成不同預(yù)報(bào)因子集（由降雨流量數(shù)據(jù)組成的預(yù)報(bào)因子集用X_PQ 表示，由前2個(gè)主成分與 X_PQ 組成的預(yù)報(bào)因子集用 X_s 表示，由前3個(gè)主成分組成與 X_PQ 的預(yù)報(bào)因子集用 X_T 表示，由前4個(gè)主成分組成與 X_PQ 的預(yù)報(bào)因子集用 X_F 表示），輸入模型進(jìn)行對比分析。

2.2 CEEMDAN分解

將前述篩選的預(yù)報(bào)因子集（以 X_PQ 為例）采用CEEMDAN分解法進(jìn)行分解，結(jié)果見圖6。

2.3 CEEMDAN-LSTM模型的應(yīng)用

本文基于Python語言，在Jupyter環(huán)境中搭建CEEMDAN-LSTM模型，該環(huán)境既可在本地運(yùn)行，也可部署于云服務(wù)器，實(shí)現(xiàn)遠(yuǎn)程瀏覽器訪問。采用Anaconda進(jìn)行配置管理，便于創(chuàng)建特定Python版本和庫函數(shù)的環(huán)境，避免版本沖突，支持快速部署與復(fù)制。神經(jīng)網(wǎng)絡(luò)框架選用Tensorflow，這一開源機(jī)器學(xué)習(xí)框架庫豐富、更新迅速。開發(fā)過程中主要調(diào)用的庫包括 Tensorflow、Keras、Numpy、Matplotlib、Sklearn和Pandas等。

在水文預(yù)報(bào)模型的構(gòu)建過程中，超參數(shù)的選取對于模型性能的優(yōu)劣至關(guān)重要。為了確保模型在徑流預(yù)測中的準(zhǔn)確性和穩(wěn)定性，進(jìn)行不同超參數(shù)組合的運(yùn)算實(shí)驗(yàn)，并綜合考慮了模型計(jì)算的參數(shù)需求以及訓(xùn)練集和驗(yàn)證集的性能指標(biāo)。超參數(shù)優(yōu)化選擇以驗(yàn)證集均方誤差為目標(biāo)函數(shù)，選用adam優(yōu)化算法，初始學(xué)習(xí)率為0.0001，中間層dropout為0.2。LSTM記憶單元內(nèi)的門控權(quán)重矩陣及偏置項(xiàng)的初始化用TensorFlow框架的seed隨機(jī)種子來確定。模型參數(shù)經(jīng)試錯(cuò)后運(yùn)算結(jié)果最優(yōu)值多在epoch為400左右時(shí)取到，將epoch設(shè)置為400。通過調(diào)整神經(jīng)元數(shù)量及批量（batch_size）大小，尋找不同的預(yù)見期最優(yōu)參數(shù)，見表3。

在不同超參數(shù)的運(yùn)算結(jié)果為依據(jù)的情況下，充分考慮模型計(jì)算的參數(shù)需求，以及訓(xùn)練集和驗(yàn)證集的 R²，E_RMS ，不同預(yù)報(bào)因子集最終選擇參數(shù)：雙層LSTM神經(jīng)網(wǎng)絡(luò)，batch_size ^：=8 ，epoch 1=400 。這一組合在多個(gè)性能指標(biāo)上均表現(xiàn)出色，能夠滿足水文預(yù)報(bào)模型的精度要求，具體超參數(shù)組合見表4。

預(yù)測結(jié)果見表5、圖7，CEEMDAN-LSTM測試集 預(yù)報(bào)流量見圖8。

從預(yù)報(bào)結(jié)果可以看出：R2xp=0.837，R2x=0.842， ， ， E_{RMS XP0}=78.80 ！E_{RMS X5}=78.60 ， E_{RMS XT}=73 .35， E_{RMS XF}=70.39 ， R² 增大， E_RMS 減小，分別下降了 0.20，5.25，2.96 。這一結(jié)果表明當(dāng)預(yù)報(bào)因子集僅包含前期降雨和前期入庫流量時(shí)， R² 相對來說較低 ?E_RMS 較高；在引入前期平均氣溫和最高氣溫的數(shù)據(jù)后采用主成分分析法進(jìn)行降維處理、并依次選取前2、3、4個(gè)主成分作為模型的輸入變量時(shí)，分析表明 R² 值逐漸增大， E_RMS 逐漸減小，這充分說明主成分分析法在提高預(yù)報(bào)精度方面發(fā)揮了積極作用。

從平均相對誤差上來看， X_PQ?X_S?X_T?X_F 的 E_MR 分別為 19. 13% 18. 64% 16. 81% 15. 63%，X_pq 在4個(gè)模型中 E_MR 相對較高。這表明，僅依靠前期降雨和前期入庫流量作為預(yù)報(bào)因子時(shí)，模型的預(yù)報(bào)準(zhǔn)確性仍有提升空間。 X_F 預(yù)報(bào)因子集精度最高，相較于前3個(gè)預(yù)報(bào)因子集 E_MR 降低了3.50、3.01、1.18個(gè)百分點(diǎn)，這一變化趨勢明顯表明氣溫作為影響蒸發(fā)、降雨等水文過程的重要因素，納入預(yù)報(bào)模型顯著改善預(yù)報(bào)結(jié)果。

從實(shí)際值與測試值分布情況來看， X_{s，XT，XF} 預(yù)測結(jié)果大部分緊密圍繞 45^° 線附近，明顯優(yōu)于 X_PQ 預(yù)報(bào)結(jié)果， X_F 預(yù)報(bào)因子集相較于其他預(yù)報(bào)因子集更加緊密分布于 45^° 線附近，整體貼近度最高，模擬效果最為理想。

3結(jié)論

以大伙房水庫1961年1月至2020年12月逐月入庫流量為研究對象，在篩選影響各月入庫流量預(yù)報(bào)主要影響因素的基礎(chǔ)上，分析不同主成分個(gè)數(shù)對各月入庫流量預(yù)報(bào)結(jié)果的影響，評價(jià)基于CEEMDAN-LSTM模型的月流量預(yù)測效果。

a）通過對CEEMDAN-LSTM模型進(jìn)行不同預(yù)報(bào)因子集模擬預(yù)測效果綜合對比發(fā)現(xiàn)，分解算法能夠有效增強(qiáng)模型預(yù)測能力，總體上來說各個(gè)預(yù)報(bào)因子集預(yù)報(bào)結(jié)果均表現(xiàn)良好，證明此模型能夠提高中長期預(yù)報(bào)成果精度和穩(wěn)定性，在處理復(fù)雜的非線性水文時(shí)間序列數(shù)據(jù)時(shí)具有較強(qiáng)的適應(yīng)性和預(yù)測能力。

b）在預(yù)報(bào)因子集的篩選方面，采用主成分分析法對平均氣溫、最高氣溫因素進(jìn)行降維分析，在確保原始水文數(shù)據(jù)信息無損的前提下，顯著降低了數(shù)據(jù)冗余度。通過主成分分析提取的4個(gè)關(guān)鍵特征分量，有效增強(qiáng)了模型的預(yù)測性能，其優(yōu)化效果在中長期徑流預(yù)測領(lǐng)域具有重要的工程應(yīng)用價(jià)值。

c）X_F 預(yù)報(bào)因子集在各項(xiàng)指標(biāo)上均表現(xiàn)出色，可作為大伙房水庫徑流逐月最優(yōu)預(yù)報(bào)模型因子集。該模型不僅考慮了前期降雨和入庫流量等水文因素，還融入前期平均氣溫、最高氣溫氣象因素，為大伙房水庫精準(zhǔn)調(diào)度提供了有力支持。

參考文獻(xiàn)：

[1]朱永英.水庫中長期徑流預(yù)報(bào)及興利調(diào)度方式研究[D].大連：大連理工大學(xué)，2008.

[2］張芳琴.多方法融合數(shù)據(jù)驅(qū)動模型在月徑流預(yù)報(bào)中的應(yīng)用研究[D].楊凌：西北農(nóng)林科技大學(xué)，2022.

[3]康艷，楊沁瑜，張芳琴，等.基于Box-Cox變換與Lasso回歸的支持向量回歸模型在月徑流預(yù)報(bào)中的應(yīng)用[J].應(yīng)用基礎(chǔ)與工程科學(xué)學(xué)報(bào)，2022，30（1）：27-39.

[4］包苑村，解建倉，羅軍剛.基于VMD-CNN-LSTM模型的渭河流域月徑流預(yù)測[J].西安理工大學(xué)學(xué)報(bào)，2021，37（1）：1-8.

［5］李福興.瑪納斯河徑流演變特性及其中長期徑流預(yù)報(bào)模型研究[D].石河子：石河子大學(xué)，2021.

[6]效文靜，周建中，楊建華，等．基于機(jī)器學(xué)習(xí)的長江干流中長期徑流預(yù)報(bào)[J].水電能源科學(xué)，2022，40（9）：31-34，26.

[7］邢馨予.基于機(jī)器學(xué)習(xí)的中長期徑流預(yù)報(bào)方法研究[D].太原：太原理工大學(xué)，2022

［8］楊程.基于可解釋機(jī)器學(xué)習(xí)的黃河上游青海段中長期徑流預(yù)報(bào)研究[D].西安：西安理工大學(xué)，2024.

[9］楊靜欣.基于分解方法與機(jī)器學(xué)習(xí)組合的中長期徑流預(yù)報(bào)模型研究[D].鄭州：華北水利水電大學(xué)，2023.

[10]李保健.水電站群中長期徑流預(yù)報(bào)及發(fā)電優(yōu)化調(diào)度的智能方法應(yīng)用研究[D].大連：大連理工大學(xué)，2015.

[11］朱雙.流域中長期水文預(yù)報(bào)與水資源承載力評價(jià)方法研究[D].武漢：華中科技大學(xué)，2017.

[12」陳胥良.耦合中長期徑流預(yù)報(bào)的跨流域引水供水聯(lián)合調(diào)度研究[D].大連：大連理工大學(xué)，2021.

[13]李佳，牟時(shí)宇，朱艷軍，等.基于多維信息相似度的大渡河流域月徑流量預(yù)測研究[J].水電能源科學(xué)，2022，40（12）：38-41.

[14］胡慶芳，曹士圯，楊輝斌，等．漢江流域安康站日徑流預(yù)測的LSTM模型初步研究[J].地理科學(xué)進(jìn)展，2020，39（4）：636-642.

[15]DINGYK，ZHUYL，F(xiàn)ENGJ，etal.Interpretable spatio-temporalattention LSTMmodel forflood forecasting[J].Neurocomputing，2020，403：348-359.

[16]李薇，周建中，葉磊，等.基于主成分分析的三種中長期預(yù)報(bào)模型在柘溪水庫的應(yīng)用[J].水力發(fā)電，2016，42（9）：17-21.

[17]KRATZERTF，KLOTZD，BRENNERC，etal.Rainfall-runoffmodelling usingLongShort-TermMemory（LSTM）networks[J].Hydrologyand Earth SystemSciences，2018，22（11）：6005-6022.

[18］農(nóng)振學(xué)，王超，雷曉輝.基于主成分分析和BP神經(jīng)網(wǎng)絡(luò)的贛江流域中長期徑流預(yù)報(bào)[J].水電能源科學(xué)，2018，36（1）：16-19.

[19］解雪，陳軍鋒，鄭秀清，等．基于主成分分析和粒子群算法優(yōu)化支持向量機(jī)的凍融土壤蒸發(fā)預(yù)報(bào)模型[J].節(jié)水灌溉，2020（1）：61-65，72.

[20］胡斯曼.基于CEEMDAN-LSTM模型的中長期徑流預(yù)報(bào)研究及系統(tǒng)集成[D].武漢：華中科技大學(xué)，2020.

[21]SONG TY，DING W，WUJ，et al.Flash Flood ForecastingBasedon Long Short-Term Memory Networks[J].Water，2020，12（1）.D0I：10.3390/w12010109.

[22]HOCHREITER，S，SCHMIDHUBER J.Long Short-TermMemory[J].Neural Computation，1997，9（8）：1735-1780.

[23」汪海，沈延青，祁善勝，等.基于STL-CEEMDAN-LSTM模型的月徑流量預(yù)測[J].人民珠江，2025，46（4）：39-46.

[24］王秀紅，王建民.大伙房水庫輸水洞改造工程開挖方法比較與分析[C]//遼寧省水利學(xué)會2016年學(xué)術(shù)年會論文集，2016：41-43.

（責(zé)任編輯：向飛）