基于LSTM神经网络的高拱坝混凝土温升阶段温度预测

为实时掌控高拱坝混凝土温度变化,及时制定合理控温措施,防止产生温度裂缝,深入分析了混凝土温升阶段温度影响因素,并选取初始浇筑温度、环境气温、通水温度、通水流量、绝热温升等5个主要因素作为LSTM神经网络的输入因素,建立了基于LSTM神经网络的高拱坝混凝土温升阶段温度预测模型,同时采用最大误差、平均绝对误差(M_MAE)、对称平均百分比误差(S_SMAPE)等评价指标检验模型精度,最后以白鹤滩高拱坝为例,对大坝混凝土温升期的温度进行预测。结果表明,所建预测模型的最大绝对误差为0.58℃,M_MAE、S_SMAPE分别为0.30℃、1.35%,预测精度较高,可操作性强,能为高拱坝混凝土温度控制提供决策支撑。     

火电厂氨逃逸的预测研究

为了实现机组超低排放并能够安全稳定运行,基于脱硝系统入口烟气温度、入口O₂体积浓度、入口和出口NO_x质量浓度、喷氨量和空气预热器差压等分散控制系统(DCS)数据,分别构建了用于预测氨逃逸的长短期记忆网络(LSTM)模型和支持向量回归(SVR)模型。根据现场测试的SCR系统入口和出口NO_x质量浓度和氨逃逸量,计算得到宏观的脱硝装置潜能,结合同时间段内的DCS数据计算氨逃逸量,并作为真实值与LSTM模型和SVR模型的预测值进行对比。结果表明：SVR模型对氨逃逸的预测有较高的准确度和泛化能力,SVR模型对测试样本的均方根误差δ_MRE=0.007 1μL/L,平均绝对误差δ_MAE=0.002 4μL/L;LSTM模型对测试样本的预测误差δ_MRE=0.047 0μL/L,δ_MAE=0.019 0μL/L。     

基于SCE-UA/SVM的大坝变形预测模型研究

为提高大坝变形预测模型的精度,采用复合形交叉进化算法(SCE-UA),以均方根差最小为目标来优化支持向量机(SVM)的参数,从而建立了基于SCE-UA/SVM的大坝变形预测模型,并结合实际监测数据,对比分析了该模型与统计模型的优劣。结果表明,该模型能够提高大坝变形的预测精度,为大坝变形预测提供了一种新的思路。     

重力坝挠度多测点空间模型研究

针对重力坝单测点位移监控模型存在的不足,从力学特性出发构建了重力坝挠度的多测点空间模型,并依托官地重力坝典型坝段原观监测资料分析了模型适用性及预测时间长短对模型精度影响等关键问题。结果表明,该模型较传统统计回归模型预测精度高,能通过有限测点掌控大坝变形的整体分布规律,可运用于大坝时空变形特性预测、缺测数据补齐等。同时,为保证模型预测误差控制在10%以内,建议其预测时长不超过90d。     

基于贝叶斯优化—随机森林回归的燃煤锅炉NOx预测模型

根据某超超临界1 050 MW燃煤机组实际运行数据,采用随机森林(RF)算法建立燃煤锅炉炉膛出口烟气中NO_x质量浓度预测模型,并利用贝叶斯优化(BO)进行超参数寻优,将BO-RF模型与网格搜索优化的RF模型(GSO-RF)进行对比。为了更好地评价预测模型,以平均绝对百分比误差δ_MAPE和决定系数R²作为评价指标,将所建立的BO-RF模型与目前常见的基于贝叶斯优化的BP神经网络(BO-BPNN)模型、最小二乘支持向量机(BO-LSSVM)模型进行比较。结果表明：BO-RF模型比GSO-RF模型的预测精度更高,且BO-RF模型的δ_MAPE为1.478%,R²为0.916 2,均优于BO-BPNN模型和BO-LSSVM模型的预测结果,证明BO-RF模型具有更高的预测精度和更优的泛化性能。     

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。     

PPA CM模型在双曲混凝土拱坝变形监控指标拟定中的应用

针对大坝观测数据的模糊性和随机性问题,引入投影寻踪法(PPA)及云模型(CM)理论,提出了基于PPA-CM模型的大坝变形监控指标拟定方法。模型采用投影寻踪法确定大坝各变形测点权重,运用信息熵理论构建多测点变形熵,基于云模型理论计算多测点变形熵的数字特征值,并依据云模型的3En规则,拟定了大坝变形测点的监控指标。结合实例,通过与小概率法结果对比分析,表明该方法合理、可行,具有重要工程应用价值。     

混凝土坝变形监控模型的随机森林与旗鱼优化组合建模方法

随机森林算法具有实现简单、训练速度快等优点,在大坝变形监控模型领域应用广泛。传统随机森林算法主要采用主观经验或网格遍历进行模型参数标定,然而经验选取参数偶然性大,网格遍历效率过低。为解决此问题,提出一种随机森林与旗鱼优化组合建模的方法(SFO-RF),即利用旗鱼优化算法全局搜索随机森林算法的最优参数,再将最优参数信息传递给随机森林算法进行数据训练。以某混凝土坝变形监测为例,采用SFO-RF建立大坝变形监控模型,选取均方差、均方根误差、相关指数分析其预测效果。与传统取参方式的随机森林模型相比,SFO-RF算法对模型参数的优化有效,提高了模型的预测精度和收敛速度。     

大坝变形的ε-SVR数值模拟

在新建水利枢纽、大坝除险加固以及监测系统不稳定等原因导致有效观测序列较短的情况下,为了对大坝变形进行有效的监控和预测,用基于不敏感损失函数的支持向量回归机(ε-SVR)对大坝变形进行数值模拟。采用支持向量回归机、序贯极小优化算法对大坝变形水平位移各分量的特征因子进行选择,模型建立后分离水压、温度、时效等主要分量,并分析其对变形的影响。对实际工程进行数值模拟的结果表明,依靠较少的支持向量就可以建立模型,该模型具有拟合效果稳定、预测结果准确可靠的特点,可以应用于大坝短期观测资料的分析。     

基于K-means分层聚类的TCN-GRU和LSTM动态组合光伏短期功率预测

为了提高电网运行的稳定性和改善电网的节能调度,针对目前单一模型处于不同天气状况时,预测精度难以达到最优的状况,文章提出了一种基于K-means分层聚类的TCN-GRU和长短期记忆网络(LSTM)动态组合光伏短期功率预测。利用K-means算法进行二次聚类,将天气类型分为晴天(A₁)、多云(A₂)、阴天(A₃)、雨天(A₄);通过时间卷积网络(TCN)提取数据的时序特征,并结合门控循环单元(GRU)建立出融合提取时序特征模块的TCN-GRU结构;TCN-GRU与LSTM神经网络动态组合后,通过弹性网络(ElasticNet)回归选择最佳输出权重得到最终预测值;基于江苏某地区的光伏发电功率数据及对应的气象数据对文章所提出的方法进行验证。在4种天气状况下,通过与其他模型预测结果进行比较,文章提出的动态组合模型预测精度更高。     

基于长短期记忆网络的黄河小浪底水库高斜心墙堆石坝沉降预测模型及其预测精度分析

针对黄河小浪底水库高斜心墙堆石坝沉降预测精度低,无法准确反映大坝运行性态等问题,基于黄河小浪底水利枢纽主坝沉降监测数据,引入长短期记忆网络(LSTM)方法建立高斜心墙堆石坝沉降预测模型对主坝沉降进行预测,并对不同损失函数下模型优化过程进行分析,最终选定平均绝对误差作为损失函数.预测结果表明,LSTM方法各项指标结果均优...     

基于优化果蝇算法和统计模型的混凝土坝变形预测模型及应用

鉴于构建大坝安全监测模型时传统统计模型拟合精度受样本系列长度、资料可靠性、拟合方法等多种因素影响,提出一种基于优化果蝇算法和统计模型的混凝土坝变形预测模型,利用优化果蝇算法对统计模型各项系数进行优化,以提高统计模型的预测精度。对某混凝土拱坝变形的拟合和预测结果表明,相比于统计模型,基于优化果蝇算法和统计模型的变形预测模型预测精度更高,拟合效果更好。     

基于变量优化和IWOA-LSTM的锅炉系统水冷壁温度预测

为进一步提高锅炉系统水冷壁温度的预测精度,提出一种基于变量优化和改进鲸鱼算法优化长短期记忆神经网络的水冷壁温度预测模型。首先,通过互信息算法(MI)进行变量选择,消除初始数据中的冗余变量;其次,使用经验模态分解算法(EMD)对变量选择后的数据进行特征分解,在提取变量有效特征信息的同时降低噪音干扰;最后,使用由非线性递减因子和自适应权值改进后的鲸鱼优化算法(Improved Whale Optimization Algorithm,IWOA)确定长短期记忆神经网络(LSTM)的超参数,得到一种新型锅炉系统水冷壁温度预测模型(MI EMD IWOA LSTM)。实验结果表明,相比传统的最小二乘支持向量机(LSSVM)预测模型,MI EMD IWOA LSTM模型的均方根误差(RMSE=0.306 8)和平均绝对百分比误差(MAPE=0.054 6)最低,能够实现对锅炉系统水冷壁工质温度的精准预测。     

基于PSO_GM_MC的某混凝土双曲拱坝监控模型

大坝位移的准确预测对大坝安全监控具有重要意义。针对传统的GM(1,1)模型在大坝位移监控中存在预测误差较大的问题,利用粒子群优化算法(PSO)对背景值权重参数寻优重构,借助马尔科夫链(MC)实现残差优化,建立了大坝位移的PSO_GM_MC监控模型。实例分析表明,PSO_GM_MC监控模型与传统灰色模型GM(1,1)相比,在大坝位移预测精度上有较大提高,可用于大坝位移的安全监控。     

基于VMD-LSTM-MLR的短期电力负荷预测

针对短期电力负荷预测精度不高的问题,提出集合变分模态分解(VMD)、长短期记忆(LSTM)网络及多元线性回归(MLR)的VMD-LSTM-MLR预测方法。先使用VMD将电力负荷数据分解为特征、频率均不同的本征模态函数,然后用LSTM对高频部分进行预测,用MLR对低频部分进行预测,最后将LSTM与MLR得到的预测结果进行叠加,获得完整的预测结果。使用VMD-LSTM-MLR预测方法对江苏省某市电力负荷数据进行预测,验证了VMD-LSTM-MLR在预测电力负荷数据上有较高的精度,其平均绝对百分比误差M_(APE)、均方根误差R_(MSE)均低于目前比较典型的改进算法,以及所列举的4种组合算法。     

基于EnKF法的无资料地区河道断面形状反演研究

针对无资料地区河道断面反演中使用优化算法和概率密度等数学方法在算法寻优过程中易陷入局部最优解的问题，提出了基于集合卡尔曼滤波(EnKF)和粒子群优化(PSO)耦合的方法实现对无资料地区河道断面的反演计算，即通过粒子群优化算法对缺失断面进行初始化，形成一个梯形的初始断面，再通过EnKF不断对初始断面进行修正，并通过理想案例对所提方法进行验证。结果表明，模型的R²、N_NSE均高于0.99,相对均方差小于0.04。考虑到工程实际中的观测误差，选取0.1%、1%、5%、10%的观测误差对缺失断面、PSO初始断面及EnKF法修正断面的水动力模拟误差进行评价，发现误差随选取的误差不同整体呈现正态分布，但EnKF法面对不同的观测误差均可保持一个很高的模拟精度，R²均高于0.98,相对均方差均小于0.06 m,N_NSE均高于0.98。可见所提方法具有较高的可行性。     

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于LSTM的烟气NOx浓度动态软测量模型

针对SCR系统出口NO_x浓度测量准确性较差、CEMS测量存在较大延迟且吹扫过程中无法测量NO_x浓度的问题,依托某660 MW机组的实际运行数据,建立基于长短期记忆神经网络(LSTM)的烟囱入口NO_x浓度软测量模型。为了验证其对烟囱入口NO_x浓度的预测性能,将所建LSTM模型与RNN模型、BPNN模型和KPLS 3种模型进行对比分析。研究表明:LSTM模型的预测均方根误差为1.34 mg/m~3,平均相对误差为3.51%,模型预测精度优于其他3种模型;LSTM模型的泛化能力较强,数据动态跟踪效果好,具有较高的预测稳定性。     

基于MI-GA-LSTM的锅炉NOx排放快速预测模型

针对电站锅炉在实际运行过程中存在燃烧优化调整不及时以及烟气脱硝成本较高的问题，提出了基于MI-GA-LSTM的炉膛出口NO_x排放快速预测模型。根据燃煤锅炉实际运行数据，利用互信息(MI)进行特征相关性分析，将所得最优特征子集作为长短时记忆神经网络(LSTM)的输入，并利用遗传算法(GA)对模型关键参数进行寻优，得到炉膛出口NO_x原始生成质量浓度预测的MI-GA-LSTM模型，并与LSTM、门控神经网络(GRU)、循环神经网络(RNN)在同一测试集上进行预测效果对比。结果表明：该模型在训练集和测试集上都能够对运行数据进行精准地预测，可以很好地完成多变量非线性拟合；该模型在测试集上的3项指标均优于其他模型，具有更高的预测精度和泛化能力；该模型可作为炉膛出口NO_x排放质量浓度传感器的补充，提前准确感知炉膛出口NO_x原始生成质量浓度的变化。