基于卷积神经网络的东苕溪瓶窑水文站水位预报

东苕溪流域的洪水防御对杭嘉湖平原安危至关重要,而瓶窑水文站水位预报是东苕溪流域洪水调度的决策依据。基于二维卷积神经网络,构建了东苕溪瓶窑水文站水位预报方法,选择起涨水位、下游水位、上游水库下泄流量及区间降水量构建特征集,设计了三层二维卷积神经网络结构,对输入特征集进行有效特征提取,采用两层全连接神经网络建立水位预报模型,并利用粒子群算法优化模型参数,进而得到最优模型。东苕溪2007～2020年14场典型洪水过程水位预报实例分析表明,基于卷积神经网络的瓶窑水位预报模型预报精度能达到甲级,预报精度和可靠性较高。     

基于动态水位流量关系的水动力洪水预报模型研究

鉴于下边界条件对水动力洪水预报模型精度的影响,采用提高下边界条件的质量来提高洪水预报精度,在考虑中下游地区洪水易受变动回水顶托影响的基础上,提出了动态处理水位流量关系下边界的方法,即利用最新信息,并采用分段线性拟合的方法动态拟合新的水位流量关系作为下一时刻的边界条件进行洪水预报,使模型边界具有一定的实时修正功能。在资水流域水动力洪水预报模型中的应用表明,该方法预报精度较高。     

基于系统聚类的分水江站水位分类预报和区间预报

研究分水江流域控制站——分水江站的水位预报方法，提高预报精度，对支撑区域防洪决策具有重要意义。利用分水江站2012～2020年典型历史洪水，基于系统聚类分析方法，以最大1 d洪量、洪峰流量、洪峰水位、洪水起涨历时占比作为聚类指标，将洪水分为Ⅰ、Ⅱ类两类洪水，采用流量演算—水位流量关系转换法对分水江站进行水位分类预报，并构建不同类型洪水水位流量关系的上下边界，提出一种分类洪水水位区间预报方法。结果表明，两类洪水的洪峰水位预报精度有所提高，预报区间宽度明显减小，提高了区间预报结果的可利用性。     

BP神经网络在闽江十里庵流量预测中的应用

将反向传播BP神经网络模型应用于闽江上游流域,建立闽江上游流域洪水最速下降动量反向传播BP神经网络模型;选择闽江上游南平市十里庵水文站最大洪峰流量与其支流建溪七里街站、富屯溪洋口站、沙溪沙县站三个水文站的相应洪水流量建立模型.结果表明,模型预测精度符合要求,可作为防汛部门预测洪水的依据之一,并为汛中防汛会商和指挥调度提供依据.     

BP＿Adaboost模型和分组建模的新安江模型在大伙房水库控制流域洪水预报中的应用

采用BP_Adaboost模型和分组建模的新安江模型对大伙房水库控制流域(简称大伙房流域)洪水进行预报,探讨了不同模型方法在丰、平、枯3种代表年洪水中的预报精度。结果表明,分组建模的新安江模型和BP_Adaboost模型均适用于大伙房流域的洪水预报,二者预报精度等级均为甲等,洪水过程确定性系数均为乙等。其中新安江模型分组率定参数进行建模预报的方法是可行的,其洪水预报过程与实测过程拟合度较高,能较好地反映洪水的涨落起伏;BP_Adaboost模型不仅可以较好地解决传统BP模型预报结果震荡的问题,还能提高预报精度,其模型自修正及参数自动率定功能可以显著提高工作效率,因而在实际应用中可根据需求选择不同模型与方法进行洪水预报。     

两种水泵性能曲线拟合方法的研究

采用基于最小二乘法的多项式拟合与改进的BP神经网络法分别对同一水泵性能参数进行拟合,并通过算例比较分析了两者拟合效果、精度。结果表明,改进的BP神经网络拟合曲线效果和精度较高,在样本数量不多情况下两者拟合曲线效果较接近。     

长江螺山站水位预报研究

运用BP人工神经网络建立了长江螺山站水位预报模型。选取模型影响因子时,用上游站点及本站的前期流量过程反映洪水涨落率、下游站点水位反映下游变动回水的顶托作用。为提高螺山站高水位时的预报精度,提出了以水位流量的时间差分值作为BP网络模型输入和输出的新方法。多个算例的计算结果表明,新方法能进一步提高预报精度,在洪水预报研究中具有推广应用价值。     

绳套型水位流量关系曲线拟合模型的进一步优化

针对现有拟合定线方法存在过分依赖图表、模型参数求解繁杂及电算整编不便等问题,以稳定流的计算公式为基础,通过数学推演获得了可直接拟合河道受洪水涨落影响情况下的非恒定渐变流的水位流量关系方程式.实例应用结果表明,该方法能较好地拟合相应观测断面的水位流量关系,具有较好的拟合替代精度.     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

河道洪水演算的MC-RCM模型及其比较研究

MC-RCM模型是一种在马斯京根法的基础上引入水位流量曲线的洪水演算方法,为进一步验证MC-RCM模型在实际河段中及不同演算条件下的精确性,分别采用试错法、最小二乘法、马斯京根—康吉法及MC-RCM模型四种演算方法对长江李庄至泸县段的10例天然洪水进行流量演算分析,并引入五种评价指标,比较了MC-RCM模型与其他演算方法在不同演算时段下流量演算精度、演算可靠性、演算洪峰流量精度等方面的优劣。结果表明,MC-RCM模型在流量演算精度、演算可靠性、演算洪峰流量精度上相比其他方法均具有一定优势,且在较长演算时段中优势更为明显。因此,MC-RCM模型作为河道洪水演算的可靠方法,可在水文资料充分的情况下修正或校验马斯京根法的演算成果。     

基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报

为实现天山西部山区喀什河流域冰川融雪区域的水资源可持续开发利用,更好地支撑所在区域工农业生产发展,有必要开展融雪径流中长期水文预报研究。基于相关系数法、主成分分析法及两种方法相结合的综合方法优选预报因子,采用BP神经网络模型和组合小波BP神经网络模型预报径流。结果表明,采用综合方法筛选出的预报因子集合可以得到更好的预报结果;组合小波BP神经网络模型在3个不同方案中的预测效果均优于BP神经网络模型的预测结果,其预报精度更高。研究成果可为该区域融雪径流模拟研究及洪水预报提供参考。     

基于BP神经网络的北江流域洪灾风险评价

依据灾害系统理论,在GIS技术支持下构建了北江流域洪灾风险评价指标体系及基于BP神经网络的洪灾风险评价模型,评价了北江流域洪灾风险,并与历史发生的大洪水相比较.结果表明,该模型评价结果较好地反映了流域实况,具有合理性,并提供了洪灾风险评价图.     

基于遗传算法的压气机性能曲线拟合方法研究

为了研究人工神经网络在压气机性能曲线拟合中的应用,分别利用BP神经网络、RBF神经网络、极限学习机以及BP-GA神经网络对某微型燃气轮机压气机的性能映射关系进行模拟,分析了不同网络模型在压气机特性曲线拟合上的优劣,以及样本容量对不同神经网络模型性能的影响。结果表明:BP-GA神经网络模型不仅收敛速度快,而且精度高;相比传统BP神经网络模型,其平均绝对百分比误差可控制在0.189%以内,训练时间可缩短至19.07 s;当样本容量较少时,传统BP神经网络模型不再适用,而基于遗传算法的BP-GA模型仍然保持较高的精度。     

基于BP神经网络模型的河道洪水反向演算研究

河道洪水反向演算在河库联合调度和推求设计洪水的区间组成等方面具有重要意义,直接使用传统的马斯京根法反演效果较差。基于河道上下断面洪水的非线性关系,采用BP神经网络模型训练历史洪水,并用训练得到的网络对下游洪水进行反演。实例应用结果表明,该模型反演结果与实际洪水过程更为接近,具有一定的精度和实用性。     

基于不同压气机特性曲线预测方法的单轴燃气轮机动态性能仿真研究

部件精细化建模方法研究一直为燃气轮机动态性能仿真领域的研究热点。以某经典单轴燃机核心部件压气机为对象,基于模块化建模思想利用Matlab/Simulink平台搭建了系统仿真计算平台,并将最小二乘法、三次样条插值法以及BP神经网络法嵌入平台进行了预测应用研究。结果表明:在压气机性能预测中,三种方法均可有效预测部件性能,但BP神经网络法和三次样条插值法的预测结果优于最小二乘法;在整机性能预测中,最小二乘法整机仿真计算结果偏离预设值,而BP神经网络法和三次样条插值法的仿真计算结果具有较高的准确性;在时效性方面,BP神经网络法所需时间成本比其余两种方法高。     

基于BP神经网络和遗传算法的污水处理厂电耗预测

污水处理为高电耗行业,有效预测电耗对污水处理厂节能优化有深远影响。以广东省某中小型污水处理厂18个月的数据为例,采用BP神经网络建立了电耗预测模型,将提升泵、回流泵、鼓风机的运行时间和频率及OPR、MLSS、好氧池DO、缺氧池DO、进水流量Q、COD、氨氮等33个指标作为BP神经网络模型的输入变量进行初步拟合,并用遗传算法对BP神经网络进行优化。结果表明,BP神经网络适用于电耗的拟合计算,通过与遗传算法组合,平均误差低至0.001 6,预测精度较高。     

基于Elman神经网络的短期风电功率预测

为提高风电场输出功率预测精度,提出一种动态基于神经网络的功率预测方法。根据实际运行的风电场相关风速、相关风向和风电功率的历史数据,建立了基于Elman神经元网络的短期风电功率预测模型。运用多层Elman神经网络模型对西北某风电场实际1h和24h的风电输出功率预测,与BP神经网络模型对比,经仿真分析证明前者具有预测精度高的特点,三隐含层Elman神经网络模型预测效果最佳。这表明利用Elman回归神经网络建模对风电功率进行预测是可行的,能有效提高功率预测精度。     

RBFNN在大坝变形长期预测中的应用

针对大坝变形预测模型长期预测精度较低的问题.提出了一种基于中心等分布的RBFNN长期预测模型,以东江流域某混凝土双曲拱坝为例进行了长期预测,并在同等条件下与BP神经网络和多元回归预测模型进行了比较.结果表明,该模型预测精度较高,具有良好的适用性.