共查询到15条相似文献,搜索用时 109 毫秒
1.
鉴于传统的统计模型未考虑变形中的随机扰动和混沌现象,借助小波分析、灰色Verhulst模型(G Verhulst)〖JP〗和差分自回归移动平均模型(ARIMA)分析统计模型的残差,以充分挖掘变形观测资料中的数据特性。首先利用小波分析对残差序列去噪,提取出不同频率的信号,然后分别用G Verhulst模型和ARIMA模型进行建模预测,最后将统计模型预测值和残差预测值叠加,建立了一种考虑残差的小波G Verhulst ARIMA大坝变形组合预测模型。实例应用结果表明,与不考虑残差的组合模型及使用GM(1,1)模型(EGM)代替G Verhulst模型的组合模型相比,该模型拟合和预测时的均方误差均小于其他两组模型,有效提高了预测精度,为建立大坝安全监控模型提供了新思路。 相似文献
2.
3.
4.
为提高大坝安全监测数据预测精度,将差分自回归移动平均模型(ARIMA)与广义回归神经网络(GRNN)相结合,建立了ARIMA-GRNN预测模型。以前期实测值和ARIMA拟合值作为GRNN网络的输入,后期实测值作为网络输出,以平均平方误差最小为原则寻找光滑因子,建立最佳的预测模型,并运用熵权法和标准离差法对各模型进行多指标综合评价。结果表明,ARIMA-GRNN模型预测精度较ARIMA模型明显提高,可应用于大坝安全监测。 相似文献
5.
风电场风速预测模型研究 总被引:3,自引:3,他引:0
介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。 相似文献
6.
7.
针对多因素参与下梯级泵站机组运行趋势预测建模困难且预测准确度低、适应性差的问题,以宁夏盐环定扬黄工程为研究对象,引入时间序列分析法,提出了基于ARIMA与SVM模型组合的泵站机组运行趋势预测方法,即选择机组运行技术参数中的能源单耗和平均负荷作为试验样本,由ARIMA建模对处理后的数据进行线性拟合,通过SVM模型对残差进行预测处理,补偿机组运行中的非线性变化,综合二者预测结果得到组合模型预测值。结果表明,最优模型为ARIMA(1,1,3)、ARIMA(2,1,1),SVM模型最优参数分别为c=38、g=0.06和c=68、g=0.18;组合模型对试验样本的预测拟合优度分别达到0.999 2、0.998 4,均方根误差分别为1.67×10-5、3.9×10-8,平均绝对百分比误差分别为0.036 1%、0.074 7%,说明该组合模型预测泵站机组运行趋势精度较高、效果良好,可为泵站机组运行状态监测系统优化升级提供理论基础。 相似文献
8.
提出一种基于自回归求和滑动平均模型(autoregressive integrated moving average,ARIMA)与回声状态网络(echo state network,ESN)的短期风速预测模型。首先利用ARIMA模型对短期风速时间序列进行线性特征的预测,使得短期风速的残差仅包含非线性特征,然后利用ESN模型对非线性的残差序列进行预测,最后将ARIMA模型的短期风速线性预测值与ESN模型的短期风速非线性预测残差值进行相加得到最终的短期风速的预测值。单步与多步预测的仿真实验表明该混合预测模型具有更高的预测精度与更小的预测误差。 相似文献
9.
10.
针对以往裂缝开合度时间序列数据预测中未有效利用众多实测温度数据,且各自变量之间存在多重相关性的问题,考虑主成分分析法(PCA)在处理多维数据上的优势以及门限循环单元(GRU)神经网络在处理复杂时间序列数据问题上的优势,构建了PCA-PSO-GRU组合预测模型。以某混凝土重力拱坝坝左诱导缝的开合度监测数据为样本,提取输入变量的主成分来降低输入数据的维度,然后进行模型训练和多步预测,采用平均绝对误差和均方根误差来评价模型的预测精度,并将预测结果与PSO-GRU、PCA-PSO-BP及传统的统计回归模型进行对比分析。结果表明,PCA-PSO-GRU组合预测模型在诱导缝时间序列数据预测方面具有更高的准确性,可为大坝诱导缝开合度评价提供一定的指导。 相似文献
11.
针对大坝安全监控中单一预测模型预测精度较低的问题,基于多元线性回归预测模型和BP神经网络模型,应用熵原理提出一种新的线性组合预测模型,并结合某大坝渗透压力实际观测资料对该组合预测模型进行实用性检验。结果表明,短期内三种模型均具有较高的预测精度,但预测长度增加后,该组合预测模型预测精度更高。 相似文献
12.
13.
14.
鉴于大坝变形监测资料分析是大坝结构性态安全评价与预报的重要手段,针对单测点模型存在的缺点,建立了既考虑坝体不同方向的位移又考虑空间多个测点分布的多测点多方向位移模型,并利用BP神经网络较强的非线性映射能力,直接选取了对大坝变形有较大影响的自变量因子,解决了在建立大坝多测点多方向传统模型时自变量因子数众多、计算工作量大等问题。实例应用结果表明,多测点多方向BP网络模型可反映大坝变形的分布及变化规律,可见采用BP神经网络建立大坝多测点多方向变形监测模型具有可行性和有效性。 相似文献
15.
针对城市用水量时间序列包含逐步增长趋势、季节性趋势及不确定性的非线性波动特点,单一预测模型往往很难充分反映原始数据中全部的有效信息,结合季节性时间序列模型(SARIMA)和BP神经网络二者优点,构建了一种新型的组合预测模型,对上海市用水量进行不同时间尺度的预测。结果表明,在不同时间尺度上组合预测模型均比单一预测模型精度高、预测质量稳定。 相似文献