基于CEEMDAN-QPSO-BLS模型的径流预测研究

作者：刘扬; 赵丽^*

来源：中国农村水利水电, 2023, 1-14.

• 径流预测
• 宽度学习
• 量子粒子群
• CEEMDAN
• EMD

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。

• 单位
  华北水利水电大学