年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

输入模式和遗传算子对神经网络径流预报精度的影响

采用均匀设计的方法安排数值试验，比较不同的遗传算子组合及数据输入模式对神经网络径流预报精度的影响。研究发现，与未归一数据输入模式相比，归一化数据输入模式使网络预报的精度明显提高；不同算子组合优化神经网络初始权重径流预报精度差别较大，未归一网络的优化效果较归一网络好；同时采用数据归一输入模式与遗传算法优化神经网络初始权重未产生优化效果叠加。     

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。     

二滩水电站中长期径流预报研究

针对二滩水电站的实际径流特性和水电站发电调度的要求,应用季节性自回归模型和人工神经网络模型对二滩水电站的月径流、汛期分段和年径流预报进行研究.结果表明,这两种模型对二滩水电站的月径流预报、汛期定性预报均达到了一定精度,可为二滩水电站优化调度的径流输入提供参考依据,尤其是AR(P)模型的非汛期月径流预测和BP模型年径流预测结果可在实际运行中使用.     

基于自适应模糊推理系统模型的径流中长期预报

介绍了自适应模糊推理系统ANFIS的原理结构及学习算法。以漫湾和双牌两座水库实测月径流序列为研究对象，研究不同的输入及不同的模糊数对自适应模糊推理系统模型做中长期预报的影响，并通过与人工神经网络模型的预报结果进行比较，显示本模型是中长期水文预报方法中较为准确的方法之一。     

基于Web的径流中长期预报系统

以云南电网水调高级应用软件系统为工程背景,采用面向对象的编程思想开发了B/S模式下的径流中长期预报系统.系统涉及云南电网所属的5座主力水电站及其他重要的中小水电站,采用四种常用的中长期预报模型和频率分析方法进行径流预报.系统主要功能包括预报参数率定和检验、多种预报方法间的比较分析、与历史径流过程的对比分析、基础资料添加维护与报表生成等.系统操作简便、功能强大,同时具有良好的稳定性、移植性和可扩展性.     

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。     

GFS可利用性研究及其在旬径流预报中的应用

分析了中长期降雨径流预报研究应用现状和存在的主要问题,研究了利用GFS降雨数值预报信息进行旬径流预报的方法,建立了旬降雨-旬初土壤含水量-旬径流预报模型(PSRM).通过对实例流域历史旬径流资料的模拟优选出模型参数,分析了GFS降雨数值预报信息的可利用性,并给出了利用GFS降雨预报信息和PSRM模型推求径流的方法.结果表明,基于GFS预报降雨信息和PSRM模型推求径流期望值和概率分布用于水库的实时调度可行.     

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.     

基于BP神经网络的大伙房水库洪水预报

鉴于大伙房水库洪水预报模型为集总式模型,其参数不仅需要优选法选定或人工试错法确定,还需要实时校正,因此根据大伙房流域特点提出了一种半分布式BP神经网络洪水预报模型,实现了模型中参数的自动率定,且由于其半分布式的特点还规避了原集总式模型的部分劣势。即采用DEM和ArcGIS根据水文站及自然流域分水线划分流域,创建BP神经网络,然后应用于各子流域断面及入库断面,预报其流量值,并在每个网络中均运用逐步回归分析法对输入层数据进行筛选,以得到影响最显著因子。将所建模型应用于大伙房水库,预报精度较好,可用于大伙房水库的正式预报。     

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。     

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。     

基于BP神经网络的集输-立管系统气液两相流流量测量

针对海洋油气采输工业中集输-立管内气液两相流流量测量问题,在大型集输-立管实验环路上采集立管底部、顶部压力波动信号,提取其绝对值均值、绝对值方差、偏态系数、峰态系数,结合本征模函数(IMF)的高、中、低3个频段上的能量分数,构建了一个包含7个特征参数的BP神经网络测量模型。设计了集成化网络结构,在宽广的流型范围内,以最小均方误差算法(LMS)为基础,引入动量因子α和学习率自适应调节进行算法优化。集成网络预测的气相平均相对误差E_(MR)和均方根相对误差E_(RMS)分别为4.67%、4.91%,液相分别为5.83%、5.87%。     

基于模糊神经网络的电站燃煤锅炉结渣预测

综合运用模糊数学和神经网络知识构建了一个模糊神经网络模型,用以预测电站燃煤锅炉的结渣特性．通过引入反映煤灰特性的4个常用指标以及反映锅炉运行情况的两个指标,使所建模型综合考虑了煤灰特性和锅炉运行因素对结渣的影响．以实际电厂燃煤锅炉为样本,基于改进的BP(back-propagation)算法对网络模型进行了训练．为验证模型的准确性,对7台电站燃煤锅炉的结渣特性进行预测,并将该模型与只考虑煤灰特性指标的常规 BP网络模型进行比较．验证结果表明,模糊神经网络模型的预测结果与实际相符,效果优于常规BP网络模型．     

基于PSO聚类分析与BP网络的短期电力负荷预测

针对短期负荷预测特点, 提出一种基于PSO聚类分析和BP网络的短期负荷预测方法, 通过PSO聚类分析将负荷历史数据分成若干类对输入数据预处理,建立了相应BP网络模型,采用附加动量和变学习速率法预测每小时负荷.以华东某地区实际负荷预测为例,分析结果表明,该方法适应性强、预测精度高、结果满意.     

基于气象因素的短期电力负荷ANN预报模型

提出了一种基于气象因素,利用人工神经元网络进行电力系统短期负荷预报的方法,该方法比较全面地考虑了气象因素对电力系统负荷的影响,操作方便,易有,仿真计算和实例预报结果表明,预报准确较高。     

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。     

基于神经元网络方法的风电场风电功率预报研究

风电大规模并网使风电对电网的冲击问题越来越凸显,许多地方出现了拉闸限电的情形,随着百万千瓦级风电基地、千万千瓦级风电基地的规划及建设,急需开展行之有效的风电场风电功率预报,来满足风电上网调度的实际需求,利用数值模式预报的风速、风向等预报场及风电场逐时风电功率资料,通过神经元网络方法进行了风电场风电功率预报试验,预报精度与2002—2006年欧洲风能计划中的风电场风电功率预报精度相当。     

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。