小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于BP神经网络的渠道墩柱断面过冰能力预测

冰凌问题是寒冷地区渠道冬季输水面临的一个主要问题,预测易出现冰塞的桥墩、闸墩等束窄断面的过冰能力,对冰水二相流安全输水具有重要意义。通过物理模型试验分析墩柱断面的渠道过冰能力,根据试验数据,采用量纲分析与BP神经网络方法,对渠道墩柱断面过冰能力进行预测,预测结果较单一BP神经网络预测和非线性拟合得出的结果更为精确。     

基于GA-Elman的河流水位预测方法研究

河流水位的变化过程是一个复杂的非线性过程,传统的神经网络预测存在误差较大、收敛速度慢、稳定性差等问题。为了实现对河流水位的有效预测,提出基于遗传算法(GA)优化Elman神经网络的河流水位预测模型。将GA与Elman网络进行有效结合,解决了单一Elman网络存在的不足。选取永定河的监测站点水文数据对河流水位进行预测与检验,并分别将其与Elman网络与BP网络预测结果进行对比。对比结果表明:GA-Elman水位预测模型的收敛速度快、精度高,可根据预测结果实现对水库、拦河闸合理调用,实现对河流水资源的有效配置,以满足灌溉、发电、防洪等工作的需求。     

天然河道水位流量预测模型分析

本文提出BP神经网络河道流量水位预测模型,以榆树沟站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,构建BP神经网络河道流量水位预测模型。结果表明:BP神经网络用于河道流量水位预测是合理可行和有效的,预测准确度可达到92.3%,可为水文预测预报提供新的途径和方法。且BP神经网络模型具有计算简便逼近能力强收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

改进的BP神经网络模型在地下水预测中的应用研究

针对传统BP神经网络模型局部较易收敛的缺点,引入小波分析函数对传统BP神经网络模型节点计算进行改进,并将改进的BP神经网络模型在新疆地区地下水预测中进行应用,研究结果表明:改进的BP神经网络模型可解决模型局部较易收敛问题,预测的地下水水位和实测的地下水水位更为接近,预测的地下水水位和实测水位之间的相关性年尺度达到0.85,高于传统BP神经网络模型的预测精度。     

新疆博斯腾湖的水位动态短期预测研究

由博斯腾湖1956～1998年的水位动态变化特征可知，其水位具有明显的季节性变化特征,根据1956～1996年的实测水位数据，分别建立了ARIMA(1，l，2)x(0，l，1)12模型和BP神经网络模型，对1997～1998年的博斯腾湖水位进行了预测.结果表明，ARIMA模型和BP网络模型可以进行比较准确的短期预测，而且BP网络的预测更准确，但长期预测误差较大.     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

基于PSO-水量平衡-BP耦合模型的短期水位预测

为降低水电站长期运行过程中频繁的无规律动作对于水头高、库容小、调节性能差的水电站造成的损害，最大限度利用水头优势增发电量，提高水电站运行的效益性和安全性，提出了一种机理与数据混合驱动的水位预测方法。该方法通过PSO(Particle Swarm Optimization)算法优化耦合BP(Back Propagation)神经网络和水量平衡模型，其中，数据驱动模型提供基准值，水量平衡机理模型修正水位趋势的合理性；将该方法应用于沙坪二级水电站的水位预测，对比分析水量平衡模型、BP神经网络模型和耦合模型预测结果。结果表明：提出的耦合模型有效避免了机理模型的累积误差和数据驱动的反常性；相对于水量平衡模型和BP神经网络模型，该耦合模型具有较高的预测精度和实用性，其平均绝对百分比误差MAPE和拟合优度R²分别为0.001 3和0.97,预测幅度更贴近真实水位。研究成果可为水电站面对短期的水位变化提前做出反应提供理论依据。     

改进的土石坝GACO-BP渗流监控模型研究

为克服标准BP算法训练效率低、易陷入局部极值等不足,引入遗传蚁群混合算法(GACO),并对其混合时间和信息转换的计算方法进行改进,利用改进后的算法优化标准BP神经网络的权值和阈值,对土石坝的渗流压力进行监控。以某土石坝为例,利用GACO-BP神经网络监控模型以测压管水位为指标对其渗流压力进行预测,将预测结果与同结构的经典BP神经网络预测结果进行对比发现,GACO-BP神经网络模型在训练速度和预测精度上明显更好,在土石坝渗流压力预测和分析方面具有较好的实用性。     

LM-BP算法在径流预测中的应用

为改善常规BP神经网络的性能,根据Nguyen-Widrow初始化规则对网络层的权值和阈值进行了初始化,利用黄金分割法对隐层节点数所在区间进行了寻优,并采用Levenberg-Marquardt优化算法改进了BP神经网络模型,然后利用经隐层单元优化的LM-BP网络模型对某流域的年径流量进行了预测检验。结果表明:经隐层单元优化的LM-BP网络收敛速度快;2001—2010年年径流量预测结果的相对误差均小于20%,合格率为100%。