基于MI-KPCA与高斯回归过程的北汝河中长期径流预测

针对径流预测因子筛选常用的线性分析方法无法识别与径流存在非线性关系因子的局限性,基于互信息与核主成分分析,提出一种能同时遴选与径流存在线性与非线性关系的因子识别方法,来筛选径流预测因子,且将高斯回归过程拓展应用于北汝河的中长期径流预测.结果表明,构建的MI-KPCA因子筛选质量优于相关分析法与互信息法,不但能提高预测精...     

基于相似过程衍生的月径流概率预报模型研究

针对传统月径流预报模型存在的缺陷,建立了相似过程衍生法与概率预报相结合的月径流概率预报模型。运用相似过程衍生法发布确定的预报结果,在定点预报的基础上利用概率预报提供一定置信水平下的预报区间作为模型预报结果。模型结构简单、易于构建且建模过程中无需考虑预报因子的选择问题。将该模型与BP神经网络模型进行对比仿真试验,结果表明该预报模型具有较好的预报精度,且合格率高于BP神经网络模型,可在水库月径流预报中推广应用。     

基于VMD-SSA-LSTM的月径流预测模型及应用

为提高月径流预测精度,提出了变分模态分解(VMD)和麻雀搜索算法(SSA)与长短期记忆神经网络(LSTM)相耦合,建立了月径流预测模型(VMD-SSA-LSTM)。首先利用VMD对历史径流数据进行分解,然后依据SSA对LSTM的参数进行寻优,并将分解出的月径流分量输入到LSTM神经网络,最后将每个分量的预测值相加,得到月径流预测值,并以福建池潭水库1950～2019年的月径流数据对模型进行验证。结果表明,与LSTM、VMD-LSTM模型相比,VMD-SSA-LSTM模型的预测精度更高,为开展月径流预测工作提供了一种新的选择。     

基于小波-ANFIS的水库月径流预报模型

根据径流变化特性,提出一种基于小波-ANFIS的水库月径流组合预报模型.利用Mallat算法对月径流序列进行多尺度分解,得到对应尺度下的低频信号和高频信号,分别对这两种信号建立了ANFIS模型进行预报,将各模型预报结果叠加作为原径流的预报值.该模型用于淮河支流沙河上游年月径流变化幅度较大的昭平台水库月径流预报中,结果表明所建模型能够较好地预报原始信号的趋势,预报精度比单一ANFIS 预报模型有较大改善,但仍有待提高.对导致这一现象的主要原因进行了分析,并对模型的改进提出了合理化建议.     

基于VMD-GRU与非参数核密度估计的月径流区间预测方法及应用

提高径流预测的适用性对水资源的合理开发和高效利用具有重要意义。针对传统点预测方法无法有效描述预测结果的不确定性问题,提出了基于VMD-GRU和非参数核密度估计的月径流区间预测方法。首先采用变分模态分解(VMD)将月径流序列分解为一系列相对平稳的子序列,然后利用门控循环单元(GRU)分别预测各子序列,叠加得到最终的点预测结果,最后在点预测的基础上,应用非参数核密度估计进行月径流区间预测,并将提出的VMD-GRU模型与GRU、极点对称模态分解-门控循环单元(ESMD-GRU)和完全集合经验模态分解-门控循环单元(CEEMDAN-GRU)模型进行对比。结果表明,该模型点预测精度明显高于其他模型,同时非参数核密度估计为径流区间预测提供了合理的波动范围,可为管理决策提供参考。     

基于小波变换和人工神经网络模型的三峡入库月径流预报

为探讨小波变换中小波基函数对模型预报精度的影响,选取三个小波基函数haar、db10、sym8对原始序列进行小波变换预处理,并分别建立人工神经网络模型(ANN)和基于不同小波基函数的W-ANN(haar)、W-ANN(db10)、W-ANN(sym8)模型进行预报。以三峡水库月径流为例,采用纳什效率系数、平均绝对误差及平均相对误差对建立模型的预报效果进行比较。结果显示,采用三个小波基函数haar、db10、sym8对数据进行小波变换预处理后的模型精度均得到了不同程度提高,W-ANN(sym8)模型在各项指标上表现最好。表明小波基函数的选择对模型预报精度结果影响较大,选择合适的小波基函数至关重要。     

基于遗传算法的参数投影寻踪回归径流预报模型及应用

为提高径流预报精度,采用单相关系数法挑选预报因子,建立了基于遗传算法的参数投影寻踪回归径流预报模型,利用该模型对雅砻江二滩水电站月平均流量进行了预报。结果表明,与BP神经网络模型预报结果相比,投影寻踪回归模型具有更好的预报结果和更高的预报精度。     

基于小波分析的两种神经网络耦合模型在月径流预测中的应用

为提高河川径流的中长期预报精度并延长其预见期,采用小波分析充分提取有用信息,基于BP神经网络和GRNN神经网络,构建了两种小波神经网络耦合模型,测试了Daubechies族中9种母波函数对模型模拟效果的影响,并采用合格率(Q_(QR))、平均相对误差(M_(MPRE))、均方根误差(R_(RMSE))和确定性系数(N_(NSE))等指标评价了模型精度。将该模型应用于金沙江流域向家坝水文站未来1~5个月的径流预报,结果显示,相比于传统BP和GRNN模型,耦合模型具有明显优势,且基于小波分析的BP模型预报结果更接近实测值,预报精度更高,其未来4个月的平均相对误差在±20%以内。表明小波分析方法能充分挖掘隐藏在原始数据中的有用信息,可有效提高耦合模型的预报精度延长预见期,在径流预测方面有明显的优越性。     

月径流的分期组合预报模型及应用

针对年内汛期与非汛期径流变化规律的差异,建立了月径流分期组合预报模型.针对汛期径流预报不确定性较强的特点,该模型可量化预报不确定性并发布概率预报进而为制定决策提供参考.针对原贝叶斯平均模型参数优化方法存在的缺陷,提出了基于模糊优选模型的多目标粒子群算法优化参数.实例表明,该模型预报精度高,发布的概率预报对制定水电站的月调度计划具有一定的参考价值.     

基于Copula函数的云龙水库月径流预测研究

为保障向昆明市供水的掌鸠河引水供水工程水源地（云龙水库（含双化水库））水源充足,对云龙水库上游掌鸠河天然径流量进行精确预报就显得十分必要。为此,采用Copula函数构建相邻月径流之间的联合分布函数,给出了基于Copula函数的月径流预测方法及步骤,并将其应用于云龙水库上游掌鸠河天然径流量预测中。结果表明,2011～2013年各月的天然流量均处于预测流量的上、下限之间;2011～2013年各月径流量预测值的相对误差多为5%～15%。显然基于Copula函数的月径流预测精度较高,可为云龙水库（含双化水库）水资源调度及水资源优化配置、防洪抗旱提供参考依据。     

基于GA-AHP法的径流组合预报

为进一步提高径流预报精度、增加预报结果的可靠性,提出了一种将遗传算法(GA)与层次分析法(AHP)相结合的优化组合预报权值方法(GA-AHP法),就是将小波分析法(WA)分别与自回归(AR)模型、人工神经网络(ANN)模型、支持向量机(SVM)模型进行耦合,选取MARE、SPR、REL、CPX四个评价指标量化单一模型的预报精度、泛化能力、结果可靠性、模型复杂度,依据GA-AHP法率定各模型的权值并进行组合预报。实例应用结果表明,该组合方法的预报精度更高,预报结果更可靠,对非一致性径流序列具有更强的适应性。     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。     

基于改进的高斯过程回归的SOC估计算法

为了提高锂离子电池荷电状态(SOC)的估计精度,文中采用基于高斯过程回归(GPR)机器学习的锂离子电池数据驱动方法,首先选取数据集,将电池测量参数电流和电压作为模型的输入向量,SOC作为模型的输出向量来训练模型,为了提高模型精度,文中改进了高斯过程回归模型.将上一时刻估计的SOC值加入到移动窗口中,并与电流和电压一起作...     

基于粒子群-高斯过程回归的高拱坝变形预测模型及其应用

针对高拱坝变形问题,提出应用粒子群算法优化高斯过程回归参数的高拱坝变形预测模型,基于高斯过程回归可将低维非线性关系通过核函数投射到高维线性空间的特点,利用高斯过程回归模型来表征水压、温度、时效等因素与坝体变形之间的非线性关系;同时针对迭代求解高斯过程回归模型的超参数效率低的问题,采用粒子群优化算法全局搜索模型超参数,提高了求解效率。对某高拱坝径向位移的拟合预测结果表明,粒子群优化高斯过程回归模型能较好地表征输入因子与变形之间的关系,预测坝体变形,误差在工程允许范围内,可应用于坝体变形预测分析中。     

基于高斯过程回归的UKF锂离子电池SOC估计CSCD

高精度的电池荷电状态估计是电动汽车电池管理系统的关键技术之一,其估计精度直接影响能量管理效率和汽车的续航里程。传统的滤波方法基于模型来估计电池SOC,但难以建立锂离子电池精确的数学模型。针对此问题,提出一种基于高斯过程回归的无迹卡尔曼滤波(UKF)锂离子电池SOC估计方法,使用高斯过程回归在有限的训练数据下建立等效电路模型的测量方程,在UKF和高斯过程回归之间建立关联。该模型能够充分联合利用现有实验数据和被预测实时状态数据,实现SOC估计。结果表明,与传统UKF相比,基于高斯过程回归的UKF算法具有较高精确性。     

基于高斯过程回归的燃煤烟气汞排放预测

选取对烟气汞排放影响显著的特征参数,采用一类新的随机过程方法——高斯过程回归模型来预测烟气中单质汞、氧化汞和颗粒汞的排放浓度,分别讨论了协方差函数和样本比例对模拟预测精度的统计学影响.结果表明:平方指数协方差函数优于有理二次协方差函数和Matern协方差函数;预测精度随样本比例的增大而提高;高斯过程回归模型优于常规非线性模化方法并显示出更好的鲁棒性,对烟气中汞的形态预测有较好的适用性.     

基于小波变换的组合随机模型及其在径流随机模拟中的应用

首先对原始水文序列施行A Trous小波分解，得到各分过程，再对分过程进行分析与识别，确定它们所具有的主要成分。然后分别建立适当的随机模型，最后运用A Trous重构算法得到原水文序列的组合随机模型。以屏山站年径流过程为例进行随机模拟研究。结果表明该法概念清晰，结构简单，方便实用。     

基于遗传程序设计的中长期径流预报模型研究与应用

应用遗传程序设计建立径流中长期预报模型,结合径流序列数据的特点通过自相关分析确定其滞时输入变量的个数,采用均方误差作为其适应度评价函数,以漫湾实测月径流序列(1953~2003年)和洪家渡实测月径流序列(1951~2004年)为例,通过与ARMA模型、人工神经网络模型的预报结果比较,显示该模型应用于径流中长期预报简单易行且精度较高。     

基于间接健康指标的高斯过程回归对锂电池SOH预测北大核心CSCD

锂电池性能会随使用时间增加而逐步退化,若更换不及时,可能造成爆炸等严重事故。快速准确预测电池健康状态(state of health,SOH),对于锂电池系统管理和维护以及安全使用至关重要。本工作提出一种基于间接健康指标(health indicators,HIs)和高斯过程回归(Gaussian process regression,GPR)相结合预测锂电池SOH的机器学习模型。首先,通过分析锂电池放电过程,提取若干易于获得且适合动态操作的直接外部特征作为间接健康指标,并计算它们和SOH的相关性,最终筛选出平均放电电压、等压降放电时间、最高放电温度和平台期放电电压初始骤降值作为健康指标;其次,以上述健康指标作为输入特征,利用GPR算法建立锂电池退化模型,对NASA锂电池数据集进行预测,平均绝对误差(mean absolute error,MAE)不超过2%,均方根误差(root mean square error,RSME)控制在4%之内;最后,将本工作模型与其他常用机器学习模型进行比较,再将模型带入不同实验条件的电池中进行泛化性能分析,最大预测误差控制在6%之内,实验结果表明,本工作提出的间接健康指标和GPR模型具有相对较高的预测精度和优秀的泛化能力。