基于优化分解与异构分治策略的水库日取水量预测研究OA

水库取水量的精准预测是城市供水系统优化调度与水资源科学配置的关键前提。受气象变化、社会用水规律及供水调度等多重因素影响,取水量序列呈现显著的非平稳性与非线性特征,传统单一模型难以兼顾预测精度与计算效率。针对现有分解-集成预测方法中,变分模态分解(Variational Mode Decomposition,VMD)参数依赖经验选取导致模态混叠,同质化建模忽视分量频率特性差异的核心问题,研究提出基于引力搜索算法(Gravitational Search Algorithm,GSA)优化的VMD与异构分治策略的组合预测框架。首先,以包络熵最小化为目标函数,通过GSA全局自适应寻优VMD的模态数K与惩罚因子α,有效抑制模态混叠与过分解,实现原始序列向平稳固有模态函数(Intrinsic Mode Function,IMF)的高质量解耦。其次,依据IMF分量的频率与复杂度特征设计异构分治策略,对低频趋势项分量采用自回归移动平均模型(ARIMA)线性建模以降低整体计算负载;对高频非线性波动分量构建多尺度卷积增强Transformer模型(CNN-Transformer),同步捕捉局部微观波动特征与序列全局长程依赖关系;最后,基于安徽省某水库2017-2025年的日取水量实测数据验证,结果表明,该框架相较于传统同质化分解预测模型,平均绝对误差(MAE)降低了10.58%,均方根误差(RMSE)降低了8.78%,计算效率提升了21.49%。研究证实,参数自适应优化与异构建模策略的协同应用,显著提升了水库取水量预测的鲁棒性与实用性。