摘要：水资源短缺问题日益严重,快速准确的灌区流量测量具有重要意义。现有流量测算模型一般采用传统的测流方法或简单的神经网络模型进行处理,采用上述方法将面临测量成本、测量精度等挑战。故将麻雀搜索算法(sparrow search algorithm,SSA)与径向基神经网络(radial basis function,RBF)相结合,以渠道水深、测点流速、测点位置为输入,灌区流量为输出,设计了一种新的SSA-RBF神经网络模型用于预测灌区流量。以都江堰人民渠渠首站点在27种不同水力条件下的实测数据为基础,对SSA-RBF模型和RBF模型以及极限学习机(extreme learning machines,ELM)模型进行评估和比较,实例结果表明SSA-RBF模型能够快速准确地预测出流量,其确定系数为0.975、均方根误差为6.186、平均绝对误差为4.324、残差质量系数为0.0119,4种评价指标以及预测结果偏差均优于ELM模型以及RBF模型,为提升灌区流量测算精度提供了思路。

摘要：快速准确的灌区流量预测对于水资源分配有着重要依据。现有的流量预测模型一般采用传统方法或是简单的神经网络模型,采用上述方式存在操作复杂或预测精度低等缺陷。因此,本文提出使用灰狼优化算法优化BP模型,设计出一种新的GWO-BP模型。为了验证模型的优越性,将该模型应用于甘肃省花海灌区的实测流量上,并与传统的经验公式法和BP神经网络模型进行对比。结果显示GWO-BP预测结果更加稳定可靠,满足灌区水资源计量的工程精度要求。