地下河日流量预测模型

将门限自回归模型(TAR)和小波-BP神经网络组合模型应用于后寨河流域出口流量的预测中,建立了阶数分别为5、4、1三段的自回归模型.采用db3小波对地下河日流量序列进行分解作为BP神经网络的输入,建立小波-BP神经网络组合模型.从绝对误差和相对误差角度对比分析两种模型,得出小波-BP神经网络组合模型更适合本地下河日流量预测.针对两模型的不足提出了改进的建议.     

西南岩溶地区地下河系统流量衰减系数的时变特征

鉴于衰减系数是流量衰减分析过程中的关键参数,在给出瞬时衰减系数、名义衰减系数定义的基础上,研究了两种衰减系数的时变特征,据此分析了后寨地下河系统实测流量(冒水坑站和老黑潭站)数据。结果表明,在全部衰减时间内,瞬时衰减系数整体上随时间增加而变小,在每一个衰减段内其数值也是整体变小的;瞬时衰减系数的第一衰减段变幅大于第二衰减段,第二衰减段大于第三衰减段;第一衰减段变化速度大于第二衰减段,第二衰减段大于第三衰减段;名义衰减系数与瞬时衰减系数具有类似的时变特征。     

基于遗传算法与支持向量机的日流量预测

提出了采用遗传算法求解支持向量机最优参数的算法,并将其应用于Chickasaw河的日流量预测.为评估由不同时刻的流量、降水量及蒸发量组成的输入向量对模型预测精度的影响,设计了四种模型输入方案,以方差和确定性系数为标准对其进行评价.结果表明,采用前3 d流量、前1 d降水量及蒸发量的方案3预测精度最高.与BP神经网络模型预测结果对比显示,支持向量机模型预测精度较优,可用于水库或水电站的日流量预测.     

基于NARX神经网络的汽轮机转子温度变化趋势实时预测

利用退役转子及其对应的实际历史运行工况,开展了基于NARX神经网络的汽轮机转子关键位置温度发展趋势实时预测的研究。利用有限元方法,计算了历史运行工况下转子的高保真温度场,获取了关键位置的温度变化趋势。采用NARX神经网络,构建了转子进口蒸汽温度和功率与转子关键位置温度之间的数学关系,通过将输出参数闭环到输入参数集,形成了闭环神经网络结构,实现实时多步预测。预测结果表明,该模型对温度变化趋势的实时预测效果较好,且可以快速校正误差较大的预测结果。     

预测日径流过程的双线性模型

提出了建立双线性模型（ＢＭ）的一套简便实用的方案。实例计算说明：①这套方案在日径流过程预测中可行而有效的;②通过利用预测过程中产生的残差信息进行反馈矫正,保证了ＢＭ模型高的拟合精度和稳健的预测性能,并增强了复杂非线性动态系统的适应性。e     

基于LH-BP松散耦合模型的日径流预测

鉴于基流过程对降雨不敏感,致使传统的BP神经网络日径流预测性能受到制约的问题,结合LyneHollick(LH)数字滤波算法和BP算法的优点,建立了基于LH分割基流与BP神经网络日径流预测的松散耦合模型(LH-BP)。先采用LH数字滤波算法分割出基流,再利用BP神经网络预测锦江流域四个水文站的直接径流和基流。结果表明,LH-BP耦合模型较传统的BP模型性能更优,弥补了传统的BP模型对日径流模拟与预测的不足。     

基于GMS和NCC/GU-WG的晋祠泉水位及流量预测

在综合分析晋祠泉域地质、水文地质资料的基础上,基于GMS建立了泉域三维地质结构模型和分布参数的地下水流数值模型,并结合中国天气发生器(NCC/GU-WG)预测的降雨量数据,模拟了不同岩溶水压采方案下晋祠泉口岩溶水位的变化,并预测了晋祠泉的出流时间和流量。结果表明,从经济和可行性角度来看,逐年压采泉域岩溶水较易实现,且可加快晋祠泉的复流,是较为理想的复流方案。     

基于流量衰减过程的岩溶地区水文地质参数推求方法

针对地质条件复杂的岩溶地区,可通过分析枯期流量衰减过程推求水文地质参数.基于Boussinesq方程构建了Brutsaert和Lopez方法与Mendoza等方法,分析了枯期流量衰减特征与水文地质参数之间的关系.以贵州岩溶地区后寨河流域为例,根据实测枯期流量过程资料推求渗透系数及含水层厚度.计算结果表明,两种方法推求后寨河流域水文地质参数有效可行,可供借鉴.     

基于地貌类型的岩溶小流域产流模型

针对广西横县镇龙乡小流域岩溶结构发育、地下暗河分布广泛、汛期多强降雨及产流过程中地下径流丰富、出流过程非线性、流域不闭合等特点,研究了岩溶小流域不同地貌类型的产流规律,将岩溶地区下垫面分为土壤覆盖区与岩溶裸露区,分别运用蓄满产流模型模拟土壤覆盖区产流,水箱模型模拟岩溶裸露区产流,进而模拟流域总产流,建立了基于地貌类型的岩溶小流域产流概念性水文模型,利用岩溶小流域2010~2011年9场洪水资料进行模型参数率定,2012年4场洪水进行产流量验证。结果表明,模型在岩溶区的模拟效果较好,其预报相对误差范围为4.15%~18.49%,均值为13.82%,但对于前期影响雨量较大、降雨历时长的洪水,水箱模型产流模块产流量更大,受到降雨影响更为敏感,模拟精度相对更高。     

基于高阶BP神经网络的日最大负荷预测

随着社会的发展,人们的日常生活和工作生产越来越依赖于电力系统.精准的电力负荷预测是电网安全、稳定运行的重要保障.为减小节假日在日最大负荷预测过程中的影响,提出了法定节假日对日最大负荷的影响及日类型量化处理方法,并采用一种改进的BP(back propagation)神经网络——高阶BP神经网络进行连续多天最大负荷预测.实验算例结果表明:该数据处理和预测方法能有效地减小节假日对负荷预测的影响,提高了预测精度,并有较强的工程实践价值和应用前景.     

泉水流量预测模型的优化

针对建立岩溶泉水流量预测模型所存在的问题，通过引入降水量主影响年为自变量因子，用主影响年上1a和下1a的降水量为修正因子，并用变量因子的指数大小间接反映其权重及影响度，有效提高了模型的拟合及预测精度。通过实例进行了残差平方和、平均相对误差及相关指数的计算和比较。     

岩溶区水库水系统及其地下子系统研究

对地下库容的形成，存在形态及其与水库的关系进行了分析，认为地下库容对水库的运营，安全具有重大的意义，应该对其展开全面的研究，提出了岩溶区水库水系统的概念，并根据存在上的差别将其分为地表和地下两个子系统；最后对地下库容量的评估方法进行了初步探讨。     

DGA SVR日径流非线性预报模型及应用

实时而准确的日径流量预报在防洪减灾、优化调度等方面起到了巨大作用。将遗传算法(GA)与支持向量回归(SVR)改进模型耦合,同时对SVR三个重要参数(C,σ,ε)进行动态寻优,构建了动态三参数优化GA-SVR日径流非线性预报模型(DGA-SVR)用于黑水河流域日径流预报,通过与BP神经网络和多元线性回归预测结果进行对比分析,DGA-SVR模型预测精度明显优于BP神经网络和多元回归模型。     

基于组合模型的短期风速预测研究

风速具有较大的随机波动性,影响了电网的稳定性,风速预测对于风电并网问题至关重要。本研究采用灰色-马尔可夫链(GM-Markov)与最小二乘支持向量机(LSSVM)预测模型分别对风速进行预测,比较了各单一预测模型的精度;在此基础上研究了动态权重组合模型与0-1法组合预测模型。然后以国内某风电场的实测风速数据为例进行分析,结果表明,单一预测方法时好时坏,稳定性较差,组合预测模型总体效果较好,具有较大的实用价值。     

基于LS-SVM—马尔科夫模型的大坝变形预测

针对单一模型在大坝变形预测中精度不高的问题,提出一种基于LS-SVM—马尔科夫模型的预测方法,即基于LS-SVM模型的预测结果,利用马尔科夫模型对其进行误差修正,从而提高了预测精度。通过对某拱坝变形的预测分析,并与LS-SVM模型预测结果进行对比,发现LS-SVM—马尔科夫模型的预测结果较符合实际情况,该模型具有更高的预测精度和优越性。     

岩溶区矿井突水预测与防治

叙述了岩溶区矿井突水预测与防治的现状,分析了岩溶区矿井突水防治研究的主要内容,基于岩溶区矿井突水产生的具体原因,提出了岩溶区矿井突水防治注意点及相关具体措施,并对岩溶区矿井突水预测与防治进行了总结。     

基于CNN-LSTM的水质预测模型研究

为精确预测水质中的溶解氧(DO)浓度,提出了一种基于卷积神经网络(CNN)和长短期记忆网络(LSTM)的混合模型,通过线性插值法补齐缺失值以提高数据完整性,将溶解氧数据按时间滑动窗口构造连续特征图作为输入,用CNN提取数据中的抽象特征,将特征映射到LSTM中得到预测值,并以安徽省蚌埠闸水质监测数据为样本对模型进行训练和...