基于CEEMDAN分解与混合神经网络的径流预报模型

摘要

为有效提取径流时间序列中的多种频率和趋势成分，提高不同预见期日径流预测精度，提出一种融合模态分解与混合神经网络的组合式日径流多步预测模型（CEEMDAN-WOA-CNN-BiLSTM）。以大渡河流域绰斯甲、足木足和丹巴水文站为研究对象，使用未分解的混合神经网络模型（WOA-CNN-BiLSTM）与使用经验模态分解后的混合神经网络模型（EMD-WOA-CNN-BiLSTM）作为对比模型。以丹巴水文站测试集结果为例，CEEMDAN-WOACNN-BiLSTM模型较EMD-WOA-CNN-BiLSTM和WOA-CNN-BiLSTM模型在3 d预见期平均纳什效率系数(E_NS)分别提高6.12%、10.59%，均方根误差(E_RMS)分别减小42.21%、51.13%，平均绝对误差(E_MA)分别减小29.95%、46.04%，平均绝对百分比误差(E_MAP)分别减小30.65%、31.25%。综合E_NS、E_RMS、E_MA和E_MAP 4种指标对比，CEEMDAN-WOA-CNN-BiLSTM较对比模型预测性能表现最优，可为下游梯级水电站精细化管理和优化调度决策提供参考。

关键词

径流预报 / 深度学习 / 鲸鱼优化算法 / 模态分解 / 大渡河流域