侯超新

德州市水文中心

EEMD模态分量;三次样条插值;BNN神经网络;年径流预测

为提高年径流预测预报精度,促进水库防汛抗旱、优化调度和水资源管理与保护工作顺利开展,引入三次样条插值对EEMD经验模态分解进行优化,并与BNN神经网络相融合构建EEMD-BNN水库径流预测耦合模型。三次样条插值能改进EEMD对上、下包络线的光滑拟合,便于模型准确提取径流特性的IMF模态分量和趋势项。基于变分推理的贝叶斯神经网络对IMF分量进行学习训练后,经聚合重构获得能真实反映径流时间序列特征的预测数据。结果表明,改进EEMD-BNN模型对水库径流具有很好的预测适用性和有效性,相比传统EEMD模型和EEMD-BP模型,收敛性好、精度高且具备全局寻优稳定性,可为水库中长期径流预测提供一种新的参考方法。