VMD-PSO-LSTM模型的日径流多步预测

• 全文链接
• 请求原文

作   者：

王秀杰;  王玲;  滕振敏;  田福昌;  袁佩贤;  苑希民; 

作者机构：

北京城建设计发展集团股份有限公司;  水利工程仿真与安全国家重点实验室;  崇左市左江治旱工程管理中心; 

关键词：

长短期记忆模型;  变分模态分解方法;  日径流多步预测;  非平稳序列; 

期刊名称：

水利水运工程学报

i s s n：

1009-640X

年卷期：

2023 年 04 期

页   码：

81-90

摘   要：

为了弱化径流时间序列的非线性和非平稳性，提高不同预见期的日径流预测精度，提出了一种新的VMD-PSO-LSTM多步预测组合模型。首先采用变分模态分解（VMD）方法将原始日径流序列分解为子序列，通过粒子群优化算法（PSO）对长短期记忆（LSTM）模型参数进行优化，对各子序列建立PSO-LSTM模型，各分量的预测值重构集成预测结果。将VMD-PSO-LSTM模型应用于黄河下游花园口和利津站的日径流多步预测，采用Nash sutcliffe效率系数（ENS）、相关系数（R）和均方根误差（ERMS）3个定量评价指标对模型预测结果进行评价。结果表明：在预见期为1、2、3 d的情况下，两个测站的Nash sutcliffe效率系数和相关系数均在0.90以上。与CEEMD-PSO-LSTM和PSO-LSTM模型的预测结果对比表明，该模型能够有效提高日径流多步预测精度，是一种高效稳定的径流预报模型。