考虑残差的小波G-Verhulst-ARIMA大坝变形组合预测模型及应用

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。     

SVM-RBFNN组合模型在某混凝土双曲拱坝变形监测中的应用

大坝变形监测数据由于受水位、温度、时效等因素的影响,是一个非线性、非平稳的时间序列。考虑到支持向量机模型(SVM)对小样本、非线性问题有很好的预测效果,采用SVM模型刻画样本数据的趋势性信息;同时运用径向基函数神经网络(RBFNN)对残差序列进行分析和预测,并将时间序列的趋势项和误差项线性叠加,组成SVM-RBFNN组合预测模型。实例应用表明,SVM-RBFNN组合模型精度高于SVM模型,具有一定的实用性。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

ARIMA-GRNN模型在大坝安全监测中的应用

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。     

风电场风速预测模型研究

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。     

基于萤火虫算法的大坝安全监控BP网络模型及其应用

为改善大坝安全监控BP神经网络模型易陷入局部极值的问题,引入萤火虫算法,用来获取BP神经网络的连接权值和阈值的初始值。依据大坝安全监测数据,借助改进后的BP神经网络,实现大坝安全监控模型的构建和安全状况预测。实例验证结果表明,改进模型较常规BP神经网络模型的训练效果更稳定,预测精度更高。该方法具有一定的实用价值。     

基于ARIMA-SVM方法的梯级泵站机组运行趋势预测

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。     

基于ARIMA与ESN的短期风速混合预测模型

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。     

ARIMA-MC组合模型在大坝变形安全监测中的应用

为及时了解大坝的安全状况,在坝体变形监测资料往往不平稳的基础上,建立了ARIMA预测模型,通过马尔科夫链预测了ARIMA模型的误差,从而修正了模型的预测值,建立了ARIMA-MC组合模型,并结合实测数据验证了此组合模型的有效性。结果表明,ARIMA-MC组合模型预测精度高,具有较好的实用性。     

基于PCA-PSO-GRU模型的重力拱坝诱导缝开合度预测

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。     

基于熵权法的组合模型在大坝渗流预测中的应用

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。     

小生境蚁群-BP神经网络在大坝变形监测中的应用

针对BP神经网络在大坝监测数据预测模型中后期预测精度不高的问题,基于小生境蚁群算法的智能搜索能力和强鲁棒性、BP神经网络对大量的输入-输出模式的非线性映射关系的学习存贮能力,将两种方法结合,用小生境蚁群算法优化BP神经网络的建模方法建立了水平位移观测数据的预测模型,并与ACA-BP神经网络和传统BP神经网络进行了对比分析。结果表明,本文方法可加快BP神经网络收敛速度、增强局部搜索能力,具有更高的预测精度。     

基于逐步回归-BP神经网络的大坝变形监测模型

针对拱坝坝肩抗力体是坝体的重要受力部位,应用结合逐步回归分析方法的BP神经网络构建监测模型,以提高BP神经网络的泛化能力和模型的预测准度和精度,利用C语言编程训练,成功完成了预测,且传统模型预测数据的残差平方和大于改进后的残差平方和。实例分析结果表明,该监测模型可行、有效,并具有通用性。     

多测点多方向BP网络模型在大坝变形监测中的应用

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。     

城市用水量组合预测模型及其应用

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。