粒子群收缩因子算法在BP网络年径流预测模型中的应用研究

径流预测是梯级电站优化调度的基础。目前已广泛应用的BP网络径流预测模型的参数确定多采用试错法,具有较大的不确定性,影响到模型的收敛速度和精度。本文利用粒子群收缩因子算法(CFPSO)对BP模型的初始权重及偏值、学习率、动量因子和训练次数等参数进行优化,并利用电站年径流预测实例进行检验,计算结果表明该优化方法能够提高BP模型的收敛速度和精度。     

基于粒子群优化支持向量机的径流预测模型研究

径流预测的精度关系到研究地区的水资源开发利用.为了提高径流预测的精度,将基于统计学理论的模式识别方法支持向量机引入到径流预测模型中.支持向量机中有2个参数惩罚因子C和核参数,这2个参数的选择对支持向量机的模型结构有重要的影响.为了准确地找到支持向量机的参数,将全局寻优的粒子群算法引入到支持向量机的2个参数优化中来.实例研究表明,粒子群优化支持向量机模型能够提高径流预测的精度.     

基于免疫进化算法的BP网络模型在径流预测中的应用

在BP网络模型基础上,引入免疫进化算法,建立了基于免疫进化算法的BP网络模型。该模型在一定范围内随机生成初始权值群体,用BP网络进行训练,选择群体中具有最大适应度值的权值个体作为最优个体,应用免疫进化算法生成下一代权值群体,再用BP网络对权值群体进行训练,此迭代过程反复进行,直至达到问题求解精度要求为止。将该模型应用于新疆伊犁河雅马渡站的径流预测,并将预测结果与基本BP网络模型和基于遗传算法的模糊优选BP网络模型的预测结果进行比较,结果表明,该模型不仅精度较高,而且稳定性较好。     

基于改进粒子群算法优化BP神经网络的西江水质预测研究

为了提高西江水质预测的精度,提出一种改进粒子群算法优化BP神经网络的水质预测模型。首先,为提高PSO算法的收敛速度并避免其陷入局部最优,PSO算法种群被划分为普通子群、优良子群和较差子群,提出一种云模型改进PSO惯性权重的云模型粒子群算法;其次,针对BP神经网络存在收敛速度慢和局部最优的问题,运用云模型粒子群算法迭代寻优获取BP神经网络的最佳初始权值和阈值;再次,将影响地表水质等级的主要因素作为CPSO-BP的输入,水质等级作为CPSO-BP的输出,建立CPSO-BP的水质等级预测模型。以西江2011年-2018年的水质监测数据为研究对象,与PSO-BP、GA-BP、DE-BP和BP模型进行了对比,研究结果表明,CPSO-BP水质预测的精度最高,且具有更快的收敛速度。     

基于两阶段粒子群优化算法的新型逐步分解集成径流预测模型

传统分解集成径流预测模型首先将整个径流序列分解成若干个子序列,再将这些子序列划分为训练期和验证期进行建模,错误地将验证期内预报因子数据视作已知数据处理,难以应用于实际径流预报工作中。并且,这类模型的预测结果仅为一个确定数值,难以描述由于径流序列随机性和波动性而导致的预测不确定性。为解决以上问题,本文结合变分模态分解方法、支持向量机模型和核密度估计方法,提出了一种可同时进行点预测和区间预测的新型逐步分解集成(VMD-SVM-KDE)模型,并提出了一种两阶段粒子群优化(TSCPSO)算法来优化模型参数。选用黄河流域月径流数据评估模型性能,研究结果表明:(1)VMD-SVM-KDE模型将单一SVM-KDE模型的确定系数(R²)和纳什效率系数(NSE)值由0.145~0.630提升至0.872~0.921,区间平均偏差(INAD)值由0.046~95.844降低至0.005~0.034,说明VMD-SVM-KDE模型显著改进了单一SVM-KDE模型的点预测和区间预测性能;(2)相较于一阶段PSO算法,TSCPSO优化算法将单一模型的R²和NSE值由0.145~0.480提升至0.309~0.630,INAD值由48.813~95.844降低至0.046~0.195,将分解集成模型的R²和NSE值由0.872~0.912提升至0.876~0.921,INAD值由0.007~0.034降低至0.005~0.014,说明TSCPSO优化算法可以克服SVM的过拟合问题,并能提高单一模型和分解集成模型的预测精度;(3)VMD-SVM-KDE-TSCPSO有效解决了传统分解集成预测模型存在的错误使用验证期内预报因子数据的问题,并在各站的R²和NSE值均约为0.9,INAD值的范围为0.005~0.014,具有更高的点预测和区间预测精度。文中模型可为优化径流预测模型和非平稳非线性水文序列预报提供新思路。     

基于育种算法的BP网络学习研究

基于育种算法的BP网络学习算法．用育种算法替代传统BP算法中的梯度下降法,使得改进后的算法具有不易陷入局部极小、泛化性能好等特点。该算法应用于径流预测的实验证明：这种算法能够明显减少迭代次数、提高收敛精度,其泛化性能也优于传统BP算法。     

基于遗传BP算法的日径流预测

用遗传算法和BP算法相结合的混合算法来训练日径流神经网络预测模型的权值，即先通过遗传学习算法进行全局训练，再用权重调整BP算法进行精确训练，这一算法克服了BP算法收敛速度慢、易陷入局部极小等缺陷，实例证明提高了预测精度。     

改进粒子群算法在新安江模型参数优选中的应用

粒子群优化算法的原理较易理解，所需参数较少而易于实现，但在具体问题中仍存在如收敛性不稳定等不足。基于收缩因子改进的粒子群算法可以保证算法的收敛性，同时使得速度的限制放松。结合新安江模型参数的特点，将其应用于该模型参数的率定．并编程实现检验分析。实例应用结果表明，该优化算法可得到较为稳定的模型参数．提高模型在洪水预报中的效率。     

基于改进粒子群优化算法的新安江模型参数优选

新安江模型是一种实用有效的水文模型,在洪水预报以及水资源评估和管理中得到了广泛的应用。为此,结合新安江模型参数的特点,提出了基于改进粒子群优化算法的新安江模型参数优选方法,并将该模型应用到日径流预报中。实例表明,该方法能快速地完成参数寻优,并能较好地寻找出参数的全局最优解。     

基于粒子群算法优化BP神经网络的沙颍河流域需水预测

需水预测作为水资源供需分析中的重要环节,准确的需水预测能够为水资源管理政策制定、区域水资源配置、流域水资源调度等提供科学依据。以沙颍河流域为研究对象,基于粒子群优化算法的神经网络模型,对沙颍河流域需水进行预测,以期为流域需水预测提供参考。     

基于PSO的SVM年径流预报模型研究

为了使SVM具有更好的预测效果,考虑到人为选择参数的随机性,提出了应用PSO优化SVM参数的年径流预报模型,并将其应用于伊犁河雅马渡水文站的年径流预报。结果表明:与改进的最速下降共轭梯度法、进化单纯形法相比,经参数优化的SVM年径流预报模型能够较好地模拟年径流量与其影响因子之间的非线性映射关系,提高预报精度。     

粒子群小波人工神经网络组合模型的径流预测

为了克服传统径流过程预测容易产生累积误差的缺点,提高径流预测精度,提出了一种基于粒子群小波人工神经嘲络组合模型的月径流过程预测算法,该算法具有原理简单、实用性强等特点.将该算法用于预测某电厂月径流过程计算,结果表明,其预测结果精度高,可为水电厂提供可靠的入库径流,对水电厂制定合理的运行方式有重要作用.     

基于小波消噪的年径流预测SPA模型

集对分析(SPA)的年径流预测就是基于SPA原理从同、异、反3个方面刻画预测模型的误差分布情况,利用联系度描述水文预测模型的预测精度,从而建立预测模型。水文序列的多时间尺度和高度的非线性特性,使得建立的水文预测模型精度往往不高。应用小波消噪的特点,利用汾河水库坝下站1959—1983年的资料建立小波消噪的SPA模型,对1984—1989年的丰枯状态进行预测,将水文预测中的单一预测和综合预测结果分别与实测系列进行对比。结果表明,综合预测模型优于单一预测模型。     

Daily Runoff Forecasting Using a Hybrid Model Based on Variational Mode Decomposition and Deep Neural Networks

Accurate and reliable runoff forecasting plays an increasingly important role in the optimal management of water resources. To improve the prediction accuracy, a hybrid model based on variational mode decomposition (VMD) and deep neural networks (DNN), referred to as VMD-DNN, is proposed to perform daily runoff forecasting. First, VMD is applied to decompose the original runoff series into multiple intrinsic mode functions (IMFs), each with a relatively local frequency range. Second, predicted models of decomposed IMFs are established by learning the deep feature values of the DNN. Finally, the ensemble forecasting result is formulated by summing the prediction sub-results of the modelled IMFs. The proposed model is demonstrated using daily runoff series data from the Zhangjiashan Hydrological Station in Jing River, China. To fully illustrate the feasibility and superiority of this approach, the VMD-DNN hybrid model was compared with EMD-DNN, EEMD-DNN, and multi-scale feature extraction -based VMD-DNN, EMD-DNN and EEMD-DNN. The results reveal that the proposed hybrid VMD-DNN model produces the best performance based on the Nash-Sutcliffe efficiency (NSE?=?0.95), root mean square error (RMSE?=?9.92) and mean absolute error (MAE?=?3.82) values. Thus the proposed hybrid VMD-DNN model is a promising new method for daily runoff forecasting.

     

基于EEMD与ANN混合方法的水库月径流预测

为了解决径流序列复杂的非稳态特征并提高径流的预报精度,采用EEMD-ANN组合方法构建径流预报模型,其中EEMD方法通过将非线性非稳态的水文序列分解为多组固有模态分量及趋势项,实现径流序列的稳态化,然后使用ANN方法分别进行预测,进而完成径流序列重构。以黄河龙羊峡水库为例,基于EEMD-ANN预报模型对入库径流量进行了预测,结果表明该方法可较精准地预测径流量。同时,通过对比分析发现,采用EEMD-ANN连续滚动预测月径流量在汛期的预报效果较好,而非汛期可采用同期预报的手段提高径流预报精度。     

基于奇异谱分析的SPBO-ANFIS月径流组合预测模型

针对水文时间序列月径流多尺度非平稳性等特点,提出基于奇异谱分解（SSA）的学生心理学优化（SPBO）算法-自适应神经模糊推理系统（ANFIS）月径流组合预测模型,并应用于云南省某水文站月径流预报。首先通过SSA将实例月径流时序数据分解为若干独立子序列分量,以降低时序数据的复杂性;其次介绍SPBO算法原理,通过取8个标准函数对SPBO算法进行仿真验证及比较;最后采用SPBO算法优化ANFIS条件参数和结论参数,建立SSA-SPBO-ANFIS模型对每一个子序列进行预测,叠加后作为最终月径流预测结果,并与基于集合经验模态分解（EEMD）的EEMD-SPBO-ANFIS模型和未经分解的SPBO-ANFIS模型作比较。结果表明：SPBO算法具有较好的寻优精度;SSA-SPBO-ANFIS模型对实例月径流预测的平均绝对百分比误差5.57%,平均绝对误差0.20 m³/s,纳什系数0.994 8,合格率96.7%,预测效果优于EEMD-SPBO-ANFIS模型,远优于SPBO-ANFIS模型。模型及方法可为相关水文时间序列预测研究提供参考。     

基于MIV的遗传神经网络径流预报模型

针对中长期水文预报中预报对象与预报因子之间复杂的非线性关系,引入平均影响值对预报因子进行筛选,选出对头道拐站年径流量影响较大的年降水量、年均相对湿度、年均气压3个因子作为神经网络的自变量,利用遗传算法优化的BP神经网络建立了预报模型。预报结果表明:基于平均影响值的遗传神经网络的预报精度及稳定性均达到了满意的效果。     

基于有限次残差拟合的BP神经网络组合模型

关于BP神经网络的优化,鉴于大多数的思路都集中于提高单个预测器的预测精度,首次提出了基于有限次残差拟合的BP神经网络组合模型。结果显示,在经典BP神经网络适用的情境下,组合模型能够有效提高预测精度,此外,进一步证实其预测精度优于遗传神经网络(GA-BP),且建模效率比GA-BP提高99.2%。     

基于PSO-LSSVM的干旱区中长期降水预测模型研究

降水量的准确预测对于干旱地区的水资源综合利用、抗旱减灾有重要意义。引入基于粒子群算法进行参数寻优的最小二乘支持向量机模型(PSO-LSSVM),构建考虑7a周期的年降水样本及考虑季节性特征的月降水样本,建立干旱区年、月尺度下的中长期降水预测模型,并应用新疆阿勒泰地区1960—2013年实测降水序列,验证模型的适用性。结果表明基于粒子群算法与最小二乘支持向量机的中长期降水预测模型预测精度高,泛化能力强,能有效地预测新疆阿勒泰地区年、月降水量。该模型为干旱区中长期降水预测提供了一种可靠的研究思路与方法。     

流域产沙量预测的神经网络模型

流域产沙量演变规律的研究对于工程设计、水土流失规划与治理具有重要作用。由于其影响因素多、演变过程复杂,目前,对流域产沙量的研究主要侧重于定性分析,这就造成了缺乏理论基础及精度不高的缺陷。人工神经网络能以非显式表示产沙量与其影响因素之间的非线性复杂关系,将其应用到流域产沙量的拟合与预测中,在改进BP网络不足及优化确定网络结构的基础上,建立了云南楚雄州龙川江流域产沙量预测模型,通过对预测样本的检验,表明其具有比较高的精度,基本能够反映龙川江流域产沙量的演变规律。