基于免疫算法优化的GA-BP网络在围岩参数反分析中的应用

针对传统BP神经网络、遗传算法在反分析应用过程中存在的问题,将基于免疫算法优化的遗传算法与BP神经网络结合起来,构建了具有更快的收敛速度和更强的全局搜索性能的GA-BP网络,根据某抽水蓄能电站地下洞室的开挖和埋深特点,选取弹性模量和侧压力系数为待反演参数并设定取值范围,以设定的反演参数值和有限元计算得出的洞室理论位移为训练样本,利用GA-BP网络训练此样本,得到洞室位移值与洞室物理力学参数之间的关系,将实测位移值输入训练好的GA-BP网络中获得参数的反演值,通过反演值计算出不同监测断面的位移值,从而验证了GA-BP网络在参数反分析中应用的准确性。     

地下厂房洞室群岩体参数的增量位移反分析

考虑大岗山水电站地下厂房洞室群围岩参数获取的复杂性和不确定性,提出针对大型地下洞室群分层开挖的岩体参数增量位移反演分析法,采用粘弹性（H-K）本构模型,基于地下厂房分层开挖实测位移,通过合理选择待反演参数,以每层开挖引起的增量位移计算值与实测值残差平方和为目标函数,利用遗传模拟退火算法优化目标函数,实现各向同性粘弹性参数的增量位移反分析。对反演得到的等效岩体参数进行正演分析,再对后续厂房开挖引起的围岩增量位移进行预测,可进一步判断围岩稳定性。     

堆石料的邓肯E-B模型参数敏感性分析

针对在反演分析中模型参数的敏感性分析是确定待反演参数的重要方法,结合水布垭混凝土面板坝应力变形计算,利用正交试验法对邓肯E-B模型参数进行敏感性分析,获得了邓肯E-B模型各参数对坝体垂直及水平位移的影响状况,研究结果可为确定待反演参数提供参考依据.     

大型地下厂房围岩参数反演及位移监测分析

基于卸荷岩体力学分析方法建立了考虑岩体强、弱卸荷区地下洞室二维ADINA有限元模型,建立了BP神经网络模型,采用搜索算法确定了训练误差最小网络训练参数,将训练好的网络保存并用于仿真,利用工程监测的位移资料反演了岩体主要参数,参考卸荷岩体力学参数折减方法确定了卸荷区岩体参数,并将反演的参数代入有限元模型计算,计算位移值与监测位移值的对比结果表明,二者吻合较好,反演的参数可靠性较大.     

石英云母片岩时效特性及流变参数反分析

某水电站引水隧洞围岩主要为石英云母片岩,具有显著的蠕变特性。结合该水电站试验洞洞壁位移监测结果,分析了洞室开挖后围岩的时空效应,基于位移反分析法,利用自编神经网络计算程序对幂律型流变模型参数A、n、m进行反演,并将获得的测线位移计算值与实测值相对比,以分析参数的合理性。结果表明,洞壁两侧变形最大,边墙次之,顶拱变形最小;反演得到A为6.687 6×10-17、n为1.967 1、m为-0.918 5,且位移计算值与实测值具有较高的吻合度,表明反演参数合理可靠。最后结合流变参数的反演结果,对该工程调压井开挖后支护时间进行探究,研究发现在洞室开挖15d后进行支护是合理的。     

基于思维进化算法优化BP神经网络的渗透参数反演研究

针对传统BP神经网络反演渗透参数的准确性很大程度依赖于初始权值和阈值的选择的问题,引入全局寻优能力极强、待调参数较少、收敛速度快的思维进化算法优化BP神经网络,以弥补传统BP神经网络在解决该问题时拟合能力有限、容易陷入局部最优、收敛速度慢的缺陷,进而提出了思维进化算法优化BP神经网络反演渗透参数的新方法。对某混凝土面板堆石坝进行渗透参数反演结果表明,与传统BP神经网络相比,思维进化算法优化BP神经网络具有更好的泛化能力,反演得到的渗压测点水头与实际值吻合更好,渗透参数符合实际。     

基于烟花算法的重力坝坝基模量在线反演分析

针对混凝土坝材料力学参数反演过程中存在寻优性能不高、反演效率低的问题,提出一种基于烟花算法的重力坝坝基模量反演分析的方法,并利用Python语言编制基于烟花算法的在线反演分析系统,将测点的有限元计算的位移值与实测值的残差加权平方和作为目标函数,利用爆炸火花、高斯变异火花和精英选择策略等建立烟花算法模型,在可行域内搜索最优反演参数,再应用Python轻量级框架Flask进行坝基模量反演分析模块开发,最后应用开源可视化库Echarts在Web端展示有限元分析结果信息。实际应用结果表明,烟花算法寻优能力很强、算法收敛速度快,测点计算位移值与监测值吻合较好,说明该算法在混凝土重力坝坝基模量中具有一定的实际应用价值。     

共轭梯度法求解竖直环隙间多孔介质的传热反问题

提出一种反演多孔介质热物性参数的一般数值模式。采用有限体积法对竖直环隙间多孔介质模型进行离散化,通过SIMPLE算法获得竖直环隙间多孔介质传热系统的温度场和流体的速度场。通过构建误差信息最小化函数,建立反演模型。利用共轭梯度法对单宗量和多宗量的多孔介质热物性参数进行了反演,并讨论了待反演参数的初始猜测值、温度测点数、温度测量误差等对反演结果的影响。     

最小二乘支持向量机在某混凝土重力坝弹性模量反演中的应用

针对某混凝土重力坝大坝弹性模量反演的主要方法不能描述坝体位移与弹性模量之间的复杂非线性关系、反演时间长等问题,利用有限元分析软件ANSYS获得大坝在不同水位、不同弹性模量下的水平位移,以不同水位工况下的位移相对值与对应的大坝弹性模量作为最小二乘支持向量机的训练样本,建立基于最小二乘支持向量机的大坝弹性模量反演模型;基于大坝位移实测资料,构建位移统计模型并分离出不同水位工况下的大坝实测位移水压分量的相对值,将其作为大坝弹性模量反演模型的输入量,输出量即为大坝弹性模量的反演值。结果表明,采用基于最小二乘支持向量机的反演模型反演坝体、坝基的弹性模量的结果合理可信,为评价大坝运行状态提供了依据。     

基于卸荷及BP神经网络的地下洞室岩体力学参数反演

实时准确地获得地下洞室岩体的力学参数对地下工程的设计和施工具有重要影响。以某软岩区的水电站引水隧洞为例,基于卸荷岩体力学理论,以大型有限差分程序FLAC3D为计算软件,建立BP神经网络模型对开挖后围岩的力学参数进行反分析,并根据现场实测位移资料对反演所得参数进行工程校核,以保证参数取值的准确性。结果表明,该反演方法合理、有效;得到的参数能满足工程要求,可为隧洞围岩的长期稳定和位移变化预测提供理论依据。     

最小二乘支持向量机在大坝变形预测中的应用

介绍了基于统计学习理论的一种新的机器学习技术———支持向量机(SVM)和其拓展方法———最小二乘支持向量机(LSSVM),并将LSSVM算法应用于混凝土大坝安全监控中的变形预测。根据实测数据,建立了基于LSSVM算法的大坝变形预测模型,同时与经典SVM预测模型进行分析比较。结果表明,LSSVM和经典SVM算法在大坝变形预测中都具有较好的可行性、有效性及较高的预测精度;LSSVM在算法的学习训练效率上比SVM有较大的优势,更适合于解决大规模的数据建模。     

基于COA-LSSVM模型的边坡位移时序预测

鉴于预测边坡位移变化对边坡稳定性的重要意义,利用布谷鸟优化算法(COA)对最小二乘支持向量机(LSSVM)的核函数参数和惩罚因子进行寻优,从而建立了边坡位移时序预测的COA-LSSVM模型,并将该模型应用于锦屏一级水电站左岸高边坡变形预测中。与PSO-LSSVM模型的预测结果对比表明,COA-LSSVM模型具有更高的预测精度,预测结果更接近于实际的监测数据。     

变尺度混沌优化参数的LSSVM短期负荷预测

为解决短期电力负荷预测中LSSVM模型的参数难以确定的问题,利用变尺度混沌算法优化LSSVM模型的惩罚因子和核函数参数,构建了MSC-LSSVM模型,并将其应用于湖南省隆回县地区电网各小时点的数据分析和预测中。结果表明,MSC-LSSVM模型避免了人为选择参数的盲目性,预测精度较高。     

基于改进LSSVM的太阳辐射量预测

为准确预测太阳辐射量,提出一种基于变分模态分解和粒子群优化算法的最小二乘支持向量机组合预测模型。针对太阳辐射量序列具有不稳定性的特点,首先利用变分模态分解将历史太阳辐射量数据分解成一系列相对稳定的分量序列,再应用粒子群优化最小二乘支持向量机参数,以预测各分量序列,将各分量太阳辐射量预测值集成,从而得到最终太阳辐射量预测值。实例分析和对比研究表明,该模型预测太阳辐射量有效可行,具有较高的预测精度。研究成果可为太阳辐射量预测提供参考。     

基于改进经验小波变换和最小二乘支持向量机的短期风速预测

针对原始风速信号非线性和非平稳性的特征,提出一种新的改进经验小波变换(IEWT)方法,该方法可将风速信号分解成一组有限带宽的子序列,以降低其不稳定性。在此基础上,结合最小二乘支持向量机(LSSVM),提出基于改进经验小波变换和最小二乘支持向量机(IEWT-LSSVM)的短期风速预测方法,并通过模拟退火粒子群优化算法(SAPSO)对相空间重构参数以及LSSVM模型的2个超参数进行共同优化。最后以华北某风电场采集的风速信号为算例,结果表明基于IEWT-LSSVM的预测模型能有效追踪风速信号的变化,在单步预测和多步预测上均具有较高的预测精度。     

基于风速误差校正和ALO-LSSVM的风电功率预测

风资源的随机波动性引起的相位滞后性问题,导致风电功率预测精度不高,尤其是风速变化较快时,滞后性引起的预测误差较大。考虑到风速波动与风功率变化密切相关,提出一种非参数核密度估计和数值天气预报(NWP)相结合的方法,并对预测风速误差进行校正,改善了预测风速的相位滞后性;然后将校正后的风速和风功率作为输入数据进行风电功率预测;采用蚁狮算法(ALO)优化最小二乘支持向量机(LSSVM)参数,从而建立基于风速误差校正和ALO-LSSVM组合的风电功率预测模型。算例结果表明,所提方法风功率预测精度更高。     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

A corrected hybrid approach for wind speed prediction in Hexi Corridor of China

Wind energy has been well recognized as a renewable resource in electricity generation, which is environmentally friendly, socially beneficial and economically competitive. For proper and efficient evaluation of wind energy, a hybrid Seasonal Auto-Regression Integrated Moving Average and Least Square Support Vector Machine (SARIMA-LSSVM) model is significantly developed to predict the mean monthly wind speed in Hexi Corridor. The design concept of combining the Seasonal Auto-Regression Integrated Moving Average (SARIMA) method with the Least Square Support Vector Machine (LSSVM) algorithm shows more powerful forecasting capacity for monthly wind speed prediction at wind parks, when compared with the single Auto-Regression Integrated Moving Average (ARIMA), SARIMA, LSSVM models and the hybrid Auto-Regression Integrated Moving Average and Support Vector Machine (ARIMA-SVM) model. To verify the developed approach, the monthly data from January 2001 to December 2006 in Mazong Mountain and Jiuquan are used for model construction and model testing. The simulation and hypothesis test results show that the developed method is simple and quite efficient.     

Forecasting model for wind power integrating least squares support vector machine,singular spectrum analysis,deep belief network,and locality‐sensitive hashing

Accurate wind power prediction can alleviate the negative influence on power system caused by the integration of wind farms into grid. In this paper, a novel combination model is proposed with the purpose of enhancing short‐term wind power prediction precision. Singular spectrum analysis is utilized to decompose the original wind power series into the trend component and the fluctuation component. Then least squares support vector machine (LSSVM) is applied to forecast the trend component while deep belief network (DBN) is utilized to predict the fluctuation component. By this means, the performance advantages of LSSVM and DBN can be brought into full play. Moreover, the locality‐sensitive hashing search algorithm is introduced to cluster the nearest training samples to further improve forecasting accuracy. Besides, the effect of LSSVM based on different kernel functions and the number of the nearest samples is investigated. The simulation results show that the normalized root mean square errors of the proposed model based on linear kernel function from 1‐step to 3‐step forecasting are 2.13%, 5.03%, and 7.29%, respectively, which outperforms all the other comparison models. Therefore, it can be concluded that the proposed combination model provides a promising and effective alternative for short‐term wind power prediction.