来源：期刊VIP网 时间：
作者：徐荣华;崔东文;
单位：云南省水利水电投资有限公司;云南省文山州水务局;
摘要：为提高三峡入库月径流预测精度，提出一种基于经验小波变换(EWT)和能量谷优化(EVO)算法、切尔诺贝利灾难优化(CDO)算法优化的高斯过程回归(GPR)预测模型.首先利用EWT将月径流时间序列分解为趋势项、周期项和波动项；然后介绍EVO、CDO算法原理，利用EVO、CDO优化GPR超参数；最后利用优化获得的最佳超参数建立EWT-EVO-GPR、EWT-CDO-GPR模型对月径流各分量进行预测，重构后得到最终预测结果，并构建基于粒子群优化(PSO)算法、遗传算法(GA)优化的EWT-PSO-GPR、EWT-GA-GPR模型，基于支持向量机(SVM)、BP神经网络的EWT-EVO-SVM、EWT-CDO-SVM、EWT-EVO-BP、EWT-CDO-BP模型，基于小波变换(WT)的WT-EVO-GPR、WT-CDO-GPR模型，基于经验模态分解(EMD)的EMD-EVO-GPR、EMD-CDO-GPR模型和EWT-GPR、EVO-GPR、CDO-GPR模型作对比分析，通过三峡2009至2022年入库月径流时序数据对各模型进行验证.结果表明：EWT-EVO-GPR、EWT-CDO-GPR模型预测的平均绝对百分比误差分别为0.689%、0.699%,决定系数均为0.999 9,优于其他对比模型，具有更好的预测效果；EWT兼顾WT、EMD优势，可将月径流时序数据分解为更具规律的子分量，显著提升模型性能，分解效果优于WT、EMD;EVO、CDO对GPR超参数的寻优效果优于PSO、GA,通过超参数寻优，显著提升了GPR性能；在相同情形下，GPR预测性能要优于SVM、BP.
关键词：月径流预测;;高斯过程回归;;能量谷优化算法;;切尔诺贝利灾难优化算法;;经验小波变换;;三峡
基金资助：云南省创新团队建设专项(2018HC024);; 云南重点研发计划(科技入滇专项);; 国家澜湄合作基金项目(2018-1177-02)
