文献类型：期刊文章

作　　者：吴小涛[1] 袁晓辉[2,3] 袁艳斌[4] 毛雅茜[1] 肖加清[1]

WU Xiao-tao;YUAN Xiao-hui;YUAN Yan-bin;MAO Ya-xi;XIAO Jia-Qing(College of Mathematics and Statistics,Huanggang Normal University,Huanggang 438000,Hubei Province,China;School of Civil and Hydraulic Engineering,Huazhong University of Science and Technology,Wuhan 430074,Hubei Province,China;Hubei Key Laboratory of Digital River Basin Science and Technology,Huazhong University of Science and Technology,Wuhan 430074,Hubei Province,China;School of Resources and Environmental Engineering,Wuhan University of Technology,Wuhan 430070,Hubei Province,China)

机构地区：[1]黄冈师范学院数学与统计学院,湖北黄冈438000 [2]华中科技大学土木与水利工程学院,湖北武汉430074 [3]华中科技大学数字流域科学与技术湖北省重点实验室,湖北武汉430074 [4]武汉理工大学资源与环境工程学院,湖北武汉430070

出　　处：《中国农村水利水电》

基　　金：国家重点研发计划课题(2021YFC3200405,2021YFC3200305);中国高校产学研创新基金(2021ITA03012);湖北省教育厅科学技术研究项目(B2022196);大学生创新创业训练计划项目(202110514136)。

年　　份：2023

期　　号：7

起止页码：27-34

语　　种：中文

收录情况：BDHX、BDHX2020、DOAJ、JST、RCCSE、ZGKJHX、核心刊

摘　　要：受气象、气候变化和人类活动等因素的影响,径流序列呈现出非稳态、非线性等特征,给径流精准预测带来新的挑战。为了提高单一径流预测模型的预测精度,文章提出了一种新的基于集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法、变分模态分解(Variational Modal Decomposition,VMD)算法和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化核极限学习机(Kernel Extreme Learning Machine,KELM)的组合径流预测模型(EEMD-VMD-SSA-KELM)。首先利用EEMD算法将径流序列分解为趋势分量、细节分量和随机分量,接着利用VMD算法将频率最大的随机分量进一步分解为若干个频率不同、较随机分量更加稳定的分量,从而降低径流序列的不稳定性;接着,对每个分量分别建立KELM模型进行预测,并采用SSA优化KELM模型的核参数和惩罚系数;最后,累加所有分量的预测结果得到径流序列的预测结果。提出的模型应用于湖北宜昌寸滩水文站的汛期日径流预测,并与BP神经网络模型、最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)模型、KELM模型等作对比。结果表明:组合了数据分解算法的预测模型的预测精度明显优于单一的BP模型、LSSVM模型和KELM模型;组合EEMD算法和VMD算法的预测模型的预测精度优于仅组合EEMD算法的预测模型;KELM模型的预测精度优于LSSVM模型;SSA的优化精度优于粒子群优化算法。EEMD-VMD-SSA-KELM模型的预测精度最高,能准确的模拟复杂多频信息的汛期日径流的变化趋势,可为水文预测及相关预测研究提供参考。

关 键 词：径流预测 EEMD算法  VMD算法  KELM  麻雀搜索算法  

分 类 号：TV124]