王佳 王旭 王浩 雷晓辉 谭乔凤 徐意

摘要：为了解决径流序列复杂的非稳态特征并提高径流的预报精度，采用EEMD-ANN组合方法构建径流预报模型，其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项，实现径流序列的稳态化，然后使用ANN方法分别进行预测，进而完成径流序列重构。以黄河龙羊峡水库为例，基于EEMD-ANN预报模型对入库径流量进行了预测，结果表明该方法可较精准地预测径流量。同时，通过对比分析发现，采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好，而非汛期可采用同期预报的手段提高径流预报精度。

关键词：集合经验模态分解法;人工神经网络;预测;入库径流量;龙羊峡水库

中图分类号：P338;P333

文献标志码：A

doi：10.3969/j .issn.1000- 1379.2019.05.010

如何提高径流预报的准确度一直是水資源研究的一大难点[1]。径流受气候、人类活动及下垫面等多种因素的综合影响[2].可看作由不同频率组成的非线性非平稳序列。常用的中长期径流预报方法为统计学方法，随着计算机科学的发展，预报方法从传统的数理统计方法演化为数据驱动的非线性智能算法，如人工神经网络（ANN）[3]、自适应神经模糊系统（ ANFIS）[4]、小波分析[5]、支持向量机（SVM）[6]等。这些预测方法均基于径流时间序列为平稳序列的假设，与径流的非稳态性存在矛盾，使得预报结果与真实情况存在偏差。总体经验模态分解（ Ensemble Empirical Mode Decom-position，简称EEMD）方法是一种较为直观的、经验的、自适应性强的分解方法[7]，适用于非线性非平稳时间序列的“分解一预报一重构”。……