基于误差修正的BP神经网络模型在河道洪水预报中的应用

针对经典BP神经网络模型,增设误差修正系数,实现网络误差修正权重倾向于输出样本的较大值,据此提出了一种计算输入输出向量的归一化公式,并建立了具有洪峰识别的洪水预报BP网络预报模型。采用新模型对宜昌水文站典型年实测流量过程进行了预测检验,其结果与实测值较吻合,对流量过程及洪峰流量过程的预报精度较经典BP模型高。     

松涛水库入库洪水预报流溪河模型研究

为准确、可靠地预报松涛水库入库洪水,基于流域降雨量和下垫面物理特性,探讨了分布式水文模型流溪河模型在松涛水库入库洪水预报中的适用性。结果表明,流溪河模型在松涛水库流域对场次洪水有较好的模拟效果,34场洪水模拟的确定性系数均值达0.869,洪峰误差均值为0.1。以洪峰流量的20%作为许可误差,松涛水库预报方案合格率为79%,预报方案精度达到乙级,说明该模型可应用于松涛水库入库洪水预报。研究成果可为松涛水库防洪调度提供技术支持。     

分布式水文模型在洪水预报中的对比研究

为提高洪水作业预报精度和及时程度,采用以GIS为基础的LL-Ⅱ分布式水文模型,选用增江流域应用较好的新安江水文模型进行洪水预报对比研究。结果表明,LL-Ⅱ分布式水文模型的模拟效果更好。     

白山水库径流中长期预报研究与应用

基于时间序列和物理成因分析，将成因分析，统计方法与人工神经网络相结合，挑选出影响白山水库汛期入库流量的前期大气流影响因子，建立了逐步周期分析模型和逐步多元回归与人工神经网络的耦合模型。预报实践表明，所建模型合理，预报效果好，精度高，具有较高的推广和应用价值。     

HSPF模型在渌水流域洪水预报中的应用

近年来,流域暴雨洪水灾害事件频发,准确、可靠的洪水预报是有效预防和抵御山洪灾害的重要措施。以渌水流域为研究区域,构建HSPF半分布式模型,选取流域2013～2020年洪水资料中代表性较好的场次洪水完成模型参数的率定和验证,并采用确定性系数、相对误差等指标进行洪水模拟精度评价。结果表明,该模型在渌水流域场次洪水模拟中表现良好,15场洪水模拟的峰现时间、洪峰流量合格率分别为100.0%、80.0%,洪量及径流深的模拟合格率均为93.3%,确定性系数均值为0.80,总体预报精度达到乙级,说明构建的HSPF洪水预报模型在渌水流域具有较好的适用性,可为该地区的洪水预报提供依据。     

基于BP神经网络模型的河道洪水反向演算研究

河道洪水反向演算在河库联合调度和推求设计洪水的区间组成等方面具有重要意义,直接使用传统的马斯京根法反演效果较差。基于河道上下断面洪水的非线性关系,采用BP神经网络模型训练历史洪水,并用训练得到的网络对下游洪水进行反演。实例应用结果表明,该模型反演结果与实际洪水过程更为接近,具有一定的精度和实用性。     

基于BP神经网络的贝叶斯概率枯季径流预报研究

根据枯季径流的特点,采用多元线性回归模型模拟了先验分布和似然函数,建立了基于BP神经网络的贝叶斯概率枯季径流预报模型.与传统枯季径流预报方法相比,该方法预报精度高,能以概率分布形式定量描述预报的不确定性,为水量调度提供了科学的决策依据,实例应用表明,效果理想.     

短期洪水预报的变结构神经网络模型

针对神经网络洪水预报模型的结构难以确定的问题，应用一种在训练过程中可调整隐层神经元数的算法，建立了变结构神经网络洪水预报模型。该方法提供了设计面向问题的网络结构的途径，在网络结构设计，提高洪水预报精度等方面具有一定的实用性。     

神经网络在洪水实时预报中的应用研究

建立了一种基于神经网络的洪水实时预报模型。运用向后演算法，该模型的权重系数可以在每一时间步长上进行自动更新，较好地反映了实际水文过程和参数的时变性；由于该模型不再需要单独的误差序列实时校正模型，因而更加简洁。最后利用淮河鲇鱼山水库1975－1999年的小时降雨和入库洪水资料对模型参数进行了率定和校核。结果表明，洪水实时预报的效率系数超过96％，洪峰值合格率为92．5％，峰现时间误差都在1h以内。     

遗传算法优化BP神经网络在大坝扬压力预测中的应用

针对BP神经网络的局部极小和收敛慢等问题,提出了利用遗传算法的选择、交叉和变异操作优化BP神经网络的权值和阈值,将优化后的BP神经网络用于预测大坝扬压力。通过实例应用,将遗传算法优化的BP神经网络与逐步回归、BP神经网络预测相对比,结果表明遗传算法优化的BP神经网络收敛快且预测结果精度高。     

基于主成分分析和BP神经网络的赣江流域中长期径流预报

针对赣江流域开展水量调度对中长期径流预报的迫切需求,在分析赣江流域径流特性的基础上,以降雨、径流等常规因子和130项大气环流指数等相关因子为预报因子,分别构建基于相关系数法、逐步回归方法、主成分分析法三种因子筛选方法的BP神经网络中长期径流预报模型。研究结果表明,主成分分析方法筛选的预报因子可较好描述未来径流的变化趋势,所构建的基于主成分分析的BP神经网络中长期径流预报模型在率定期和检验期的合格率均满足规范对作业预报模型的精度要求,可作为赣江流域中长期径流预报的支撑模型。研究成果为赣江流域开展水资源优化配置和水量调度提供了依据。     

基于BP神经网络的工业锅炉房负荷预测

针对工业锅炉房日负荷变化的特点,采用BP人工神经网络模型对热负荷进行预测。在建立模型时,考虑不同小时的热负荷差异,采用24个单输出的BP网络来分别预测每天24h负荷值;利用MATLAB神经网络工具箱NNT(Neural Network Toolbox)分别实现对24个BP网络预测模型的构建及算法改进;最后,应用一个实例对建立的预测模型和实现方法进行了仿真分析,结果证明,该负荷预测模型网络结构小、收敛速度快、预测精度高、具有较高的实用价值。     

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。     

基于模糊聚类和BP神经网络的小水电短期发电能力预测方法

小水电大多为无调节能力的径流式电站,汛期与大中型水电挤占输电通道,导致水电弃水及地区窝电现象日趋严重,因此尽可能准确地掌握小水电发电能力、制定合理的大小水电协调调度计划愈显重要。对此提出了基于模糊聚类和BP神经网络相结合的小水电短期发电能力FC-BP预测方法,将训练样本根据历史运行数据分类,建立相应的BP网络,对待测样本识别归类,预测小水电装机日利用小时数,并将该方法应用于云南省盈江县和云龙县小水电短期发电能力预测中。结果表明,FC-BP预测方法较传统ANN模型预测精度有所提高,且泛化能力更强。     

基于KG-BP神经网络在秦淮河洪水水位预测中的应用

为了提高BP神经网络模型的预测精度,提出了一种基于KNN算法及GA算法优化的BP神经网络的水位预测方法(KG-BP),即通过KNN邻近算法从全样本数据中剔除与待测点相关度较低的样本集,并允许保留K个"优质"训练数据集;将筛选出的"优质"训练数据集代入GA算法中实现初始权阈值的优化;再将"优质"的样本和初始权阈值代入BP模型中进行训练。将该预测方法应用于东山站水位实际预测中,并与BP模型、GA-BP模型的预测结果进行对比分析,验证了KG-BP模型具有较高的预测精度。