基于变分模态分解的分频径流预测模型

摘要：

准确的径流预测对于流域防洪减灾、农业灌溉、水库调度等具有重要意义.针对径流序列具有较强的非线性和非平稳性特征,提出一种月径流预测混合模型VMD-(CNN-LSTM,ELMAN).首先运用VMD将径流序列分解为多个模态分量,并计算各个模态分量的样本熵值(SE),将其划分为高频和中低频分量;然后运用CNN-LSTM模型预测高频分量,运用ELMAN模型预测中低频分量;最后将预测结果相加得到最终预测结果.将模型应用于黄河流域中下游段白马寺和黑石关水文站的月径流预测,并与CNN-LSTM、ELMAN、VMD-CNN-LSTM模型的预测结果进行对比与评价.研究结果表明:本文模型预测结果的NSE值均大于0.99,优于其他模型,表明VMD-(CNN-LSTM,ELMAN)模型具有较高的预测精度,可应用于实际研究区的径流预测.

关键词：径流预测、变分模态分解、神经网络、黄河流域

所属期刊栏目：34

分类号：TV121+.4(水利工程基础科学)

资助基金：国家自然科学基金52079110

在线出版日期：2023-03-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：84-90