新疆博斯腾湖的水位动态短期预测研究

由博斯腾湖1956～1998年的水位动态变化特征可知，其水位具有明显的季节性变化特征,根据1956～1996年的实测水位数据，分别建立了ARIMA(1，l，2)x(0，l，1)12模型和BP神经网络模型，对1997～1998年的博斯腾湖水位进行了预测.结果表明，ARIMA模型和BP网络模型可以进行比较准确的短期预测，而且BP网络的预测更准确，但长期预测误差较大.     

Seq2Seq 模型的短期水位预测

为有效预测未来一定时间内的连续水位,提出了基于序列到序列(Seq2Seq) 的短期水位预测模型,并使用一个长短期记忆神经网络(LSTM)作为编码层,将历史水位序列编码为一个上下文向量,使用另一个LSTM 作为解码层,将上下文向量解码来预测目标水位序列。以流溪河为研究对象,针对不同预测长度分别建立水位预测模型,并与LSTM 模型和人工神经网络(ANN)模型进行了对比。结果表明:Seq2Seq 模型对连续6 h、12 h 和24 h 水位预测的纳什效率系数最高分别为0.93、0.90和0.85;当预测长度为6 h 时,LSTM 和Seq2Seq 模型预测结果相似,ANN 模型精度较低;当预测长度为12 h 和24 h 时,Seq2Seq 模型相比LSTM 模型和ANN 模型预测效果更好,收敛速度更快。     

基于splice-LSTM的多因素西江水位预测模型研究

准确的水位和水量等水文时间序列预测是水资源管理的重要依据。受上游支流流量、水位等因素影响，传统的单因素水位预测模型不能有效考虑众多因素，水位预测精度面临严峻挑战。以典型西江干线梧州站水位精准预测为研究对象，建立了基于splice-LSTM的多因素水位预测模型，采用拼接的长短期记忆网络(LSTM)和全连接线性模型(Linear),对2020～2021年西江干线多站点的流量数据进行分析，预测梧州站点的水位。研究结果表明：(1)由于splice-LSTM中引入了非线性层，提高了近期历史输入数据的权重，使得模型预测值更加接近历史真实值，降低了预测误差，Linear部分可以提高模型对于线性成分的敏感性，使得模型在水位峰值处的预测更加准确；(2) splice-LSTM模型与传统单因素的ARIMA模型、LSTM模型相比，在水位预测方面准确度分别提升14.4%,10.1%。研究成果可为西江船闸运行调度中心精准预调度船舶提供参考。     

基于LSTM模型的宁蒙河段封河时间预测研究

为解决目前使用的封河时间预测模型输入参数多、边界条件要求高以及长预见期预测精度较差等问题,采用长短时记忆(LSTM)循环神经网络模型方法,对黄河宁蒙河段封河时间进行预测.结果表明:在非极端天气条件下,LSTM模型的预报精度满足水情预报的要求,该模型的预见期和预测精度优于传统预报模型,对运行条件和边界条件的要求远低于现有...     

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解（EMD）将趵突泉岩溶地下水水位分解为5个分量（4个本征模函数项和1个残余项）,以此消除水位数据的非平稳波动性;同时构建长短期记忆（LSTM）神经网络模型,并将与地下水水位动态变化密切相关的降水量（表征含水层补给项）和月平均气温值、月最高气温值、月最低气温值、水汽压值（表征含水层排泄项）作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明：EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。     

基于机器学习模型的河道水位预测

结合已有机器学习模型——卷积神经网络(CNN)和门控循环单元(GRU)的优点,构建了并联卷积循环神经网络(PCNN-GRU)模型,并将其用于赣江下游外洲站日尺度水位变化的预测。结果显示:相较于目前流行的长短时记忆(LSTM)模型、GRU模型以及卷积循环神经网络(CNN-GRU)模型,PCNN-GRU模型的均方根误差和平均绝对误差分别降低了18.39%、21.11%、15.48%和21.31%、18.64%、14.28%,纳什-萨特克里夫效率系数和准确率分别提高至0.999 2和88.12%,表明所建模型具有良好的预测性能,可用于河道水位预测。     

ACA-BP网络在冰塞水位预测中的应用

为了更准确地预测冰塞水位,将蚁群算法和神经网络结合起来建立了ACA-BP神经网络模型,并利用黄河河曲段实测资料对冰塞水位进行了预测。结果表明：ACA-BP网络和BP网络都有一定的逼近能力和预测能力;预测结果与实际冰塞水位基本吻合;ACA-BP网络的预测结果优于BP网络。     

基于EEMD-LSTM-ARIMA的土石坝渗压预测模型研究

渗压监测是土石坝渗流安全评价的重要内容之一。由于渗压受到诸多外界因素的影响,测点的渗压值时间序列往往存在非平稳性、局部突变等特点,为此基于“分解-重构-组合”的思想构建了土石坝渗压预测的EEMD-LSTM-ARIMA模型。首先采用集合经验模态分解(EEMD)对时间序列特征进行提取,根据长短期记忆神经网络(LSTM)对提取出的特征分量进行预测,同时结合差分自回归移动平均方法(ARIMA)进行残差修正,组合LSTM和ARIMA的预测结果,重构得到改进预测模型。以某深厚覆盖层上的土石坝工程为例,选取主河床坝体防渗墙后2个典型测点的实测渗压值序列为研究对象进行应用验证。结果表明：相较于单一的LSTM模型和ARIMA模型,改进模型的平均绝对误差MAE、均方误差MSE、均方根误差RMSE均为3种模型中的最小值,预测精度明显优于另外2种模型,该模型为土石坝渗压的精确预测分析提供了新途径。     

基于人工神经网络的晋祠泉水位模拟研究

晋祠泉是太原市第二岩溶大泉,受太原市工农业生产大量开采岩溶水影响,该泉已于1994年4月断流。为了探索人类因素影响下的泉水水位变化趋势,采用前馈神经网络、动态递归神经网络、时延神经网络、非线性动态自回归神经网络、级联神经网络5种人工神经网络,结合14种训练算法构建晋祠泉水位预测模型,基于2013—2017年实测泉水位数据分析各种人工神经网络预测模型精度,结果表明:动态递归神经网络可用来对晋祠泉水位进行准确预测,traincgb、trainrp、traincgf、traincgp等算法效果比较理想。同时应用LSTM深度学习模型预报未来10 a的降水量,进而计算出降水入渗补给量等,并结合动态递归神经网络预测晋祠泉域未来水位变化,结果测定2019年晋祠泉水位可以超过复流最低水位802.59 m。     

基于AR-RNN的多变量水位预测模型研究

影响河流水位的因素众多,鉴于传统的单变量水文预测模型无法充分考虑众多因素,提出了一种基于AR-RNN的多变量水位预测模型。模型包含循环神经网络(RNN)与自回归模型(AR)两个部分。RNN部分为模型引入了大量的非线性层,帮助模型拟合水文序列中的非线性成分。但是大量的非线性层降低了模型对于线性成分的敏感性,AR部分可以提高模型对于线性成分的敏感性,使得模型在水位峰值处的预测更加准确。将AR-RNN模型应用于四川省清溪河流域的水位预测中,结果表明:相对于ARIMA模型、SVR模型和BP神经网络,AR-RNN模型的预测精度更高。     

基于改进LSTM模型的三峡水库蓄水对洞庭湖水位影响的空间异质性分析

针对传统的LSTM模型存在网络训练受阻、泛化能力减弱、预测精度和效率较低的问题,从模型结构和参数优选两方面进行改进。结构方面,在LSTM模型前加入具有多层结构的神经网络层;参数优选方面,采用多层网格搜索法选取模型参数。以长江中游典型通江湖泊——洞庭湖不同湖区的水位预测为例,与传统的LSTM模型、BP神经网络及水动力模型相比,改进型LSTM模型平均均方根误差分别减少58.80%、65.95%、44.14%;从预测计算时间来看,改进型LSTM模型所消耗的时间比传统的LSTM模型缩短62.12%,且明显少于水动力模型,总体来看改进型LSTM模型的整体性能优于其他三种模型。将改进型LSTM模型应用到三峡水库蓄水对洞庭湖水位的影响分析上,结果表明：三峡水库运行对洞庭湖不同湖区水位的影响具有明显的空间异质性,城陵矶站受其影响最为显著,其次为东洞庭湖鹿角站和西洞庭湖南咀站,南洞庭湖受影响最小。蓄水期间东洞庭湖城陵矶站水位平均下降0.44 m,最大降幅为1.55 m;鹿角站水位平均下降0.22 m,最大降幅为1.02 m;西洞庭湖南咀站水位平均下降0.27 m,最大降幅为1.28 m;南洞庭湖杨柳潭站...     

三峡水库水位调度对出库水质影响分析与水质预测

出于防洪、发电与航运需求,三峡水库在汛期维持145 m低水位运行,在非汛期抬升水位至175m维持高水位运行。水库运行期按水位变化分为:水位下降期(175～145 m)、低水位运行期(145 m)、水位上升期(145～175m)和高水位运行期(175 m)。基于2011-2018年三峡水库出库断面水质因子(DO、COD_(Mn)和NH_3—N)监测周报数据,采用综合水质标识指数Pi和自回归综合移动平均模型ARIMA模型评价预测水质,研究三峡水库水位调度对出库断面水质的影响,探究水质对水位变化的响应,并预测水质变化趋势。结果表明:三峡水库季节性水位调度对出库水质影响显著。水质因子(DO、COD_(Mn)、NH_3—N)浓度随水位运行期的改变而出现周期性变化,不同水位运行期水质因子浓度存在差异。高水位运行期DO浓度显著高于低水位运行期,COD_(Mn)和NH_3—N浓度小于低水位运行期;各运行期的综合水质标识指数Pi均符合综合水质指标Ⅰ级标准,其中高水位运行期水质最好,低水位运行期水质最差; ARIMA预测结果显示未来水质符合Ⅰ级标准。水库水文条件受季节性水位调度影响,水质与水位、流量和外源污染输入相关。评价结果有利于在高时间精度下掌握水质实情,进行水资源管理。     

黄河上游天然年径流长期变化趋势预测

基于神经网络理论与传统分析方法,采用改进的BP网络算法,利用黄河青铜峡水文站278年(1723~2000年)的天然年径流时间序列,建立了黄河上游年径流长期变化的BP网络预测模型,并以此模型对2001~2050年黄河上游天然年径流变化趋势进行预测分析,结论认为:①黄河上游天然年径流在未来50 a变化的大趋势是丰水时段占优势,且黄河干流天然年径流变化要经历3个不同的时段,即2001~2013年以多年平均水平为基准上下波动的时段、2014~2037年相对丰水时段和2038~2050年相对枯水时段;②用神经网络理论建立了黄河天然年径流中长期BP网络预测模型,模型预测分析的未来几十年黄河天然年径流变化的大趋势是可信的。     

基于混合模型的短期园区需水预测

为进一步提高短期园区需水预测精度，解决因短期园区人工供水误差较大导致的水、电资源浪费问题，提出一种由麻雀搜索算法(SSA)、卷积长短时记忆神经网络(ConvLSTM)、长短时记忆神经网络(LSTM)组合的SSA-ConvLSTM-LSTM混合模型短期园区需水预测方法，并以河北工程大学为例进行了分析。针对园区用水数据在时间维度上具备的多峰值和多周期特征，采用ConvLSTM挖掘数据中的时空特征；为使预测峰值更接近实际峰值，加入LSTM提升预测性能；为优化混合模型的隐层神经元数和卷积核数，采用SSA优化算法实现自动调参。通过预测河北工程大学1 d和3 d需水量进行模型性能验证，并与其他模型进行对比。结果表明：相比向量自回归(VAR)模型、深度神经网络(DNN)模型和LSTM,该需水预测模型具有更高的预测精度。该方法在短期需水预测上表现出良好的适应性和鲁棒性，具有一定应用价值。     

基于PSO-SVR-LSTM水位预测模型研究

河流的水位变化受到众多复杂因素的影响,水位数据不仅显现非线性特点还具有时序性和复杂性等特点.水位预测的精度提高对河道管理、水利建设、水资源调度、防洪减灾和航运安全等方面具有重大意义.本文利用长短时记忆神经网络(LSTM)在处理长时间序列问题上的优势和支持向量回归机(SVR)能够很好地处理非线性数据的优势以及粒子群优化算...     

基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。     

基于机器学习方法的湖泊表层总氮组合预测模型

地表水体水质参数具有高度非线性和非平稳性特征。为提高水质预测的精度,以鄱阳湖湖区4个在线水质自动监测站总氮(TN)为例,引入变分模态分解(VMD)方法处理原始TN数据,得到具有不同频域的模态分量,对其中变化复杂的各高频分量,采用长短时记忆神经网络模型(LSTM)进行预测,并引入混沌麻雀搜索优化算法(CSSA)对LSTM模型的超参数进行自动率定;对周期性变化的各低频分量,采用多元线性回归模型(MLR)进行预测,再将上述各分量预测结果叠加得到水体TN的预测结果,最终提出了一种新的水质组合模型VMD-CSSA-LSTM-MLR(VCLM),并与3种单一模型LSTM、支持向量回归(SVR)和BP神经网络进行对比,验证了VCLM模型的效果。提出的模型可以作为湖区在线水质监测和水环境综合管理的有效工具。     

基于BiLSTM-NFC的地下水埋深预测方法研究

为了提高地下水埋深预测的精度,提出了双向长短时记忆循环神经网络(BiLSTM)融合非全连接神经网络(NFC)的深度学习模型。使用自适应矩估计优化函数(Adam),耦合双曲正切(Tanh)、软最大逻辑回归(Softmax)和线性整流单元(ReLU)3个激活函数,且将学习率设置为动态的,以黄河下游人民胜利渠灌区1993—2018年的地下水埋深预测为例,将BiLSTM-NFC与BiLSTM、长短时记忆循环神经网络(LSTM)及LSTM-NFC的预测结果进行对比分析。结果表明:双向网络的性能优于单向网络,NFC可以防止过拟合,还能明显降低模型的均方误差(MSE);与BiLSTM、LSTM-NFC和LSTM相比,BiLSTM-NFC的学习能力、稳定性、可靠性及泛化能力最强;BiLSTM-NFC在测试集上的准确率(Acc)可以达到100%,最接近无偏估计,MSE比LSTM的减小96.60%,平均相对误差(MRE)减小85.63%,相关系数(r)增大34.81%;模型在图形处理单元(GPU)上比在中央处理单元(CPU)上训练时间明显缩短,合理设置多种激活函数可以解决单一激活函数的弊端;使用BiLSTM-NFC可以准确地预测地下水埋深的变化情况。     

基于PSO-水量平衡-BP耦合模型的短期水位预测

为降低水电站长期运行过程中频繁的无规律动作对于水头高、库容小、调节性能差的水电站造成的损害，最大限度利用水头优势增发电量，提高水电站运行的效益性和安全性，提出了一种机理与数据混合驱动的水位预测方法。该方法通过PSO(Particle Swarm Optimization)算法优化耦合BP(Back Propagation)神经网络和水量平衡模型，其中，数据驱动模型提供基准值，水量平衡机理模型修正水位趋势的合理性；将该方法应用于沙坪二级水电站的水位预测，对比分析水量平衡模型、BP神经网络模型和耦合模型预测结果。结果表明：提出的耦合模型有效避免了机理模型的累积误差和数据驱动的反常性；相对于水量平衡模型和BP神经网络模型，该耦合模型具有较高的预测精度和实用性，其平均绝对百分比误差MAPE和拟合优度R²分别为0.001 3和0.97,预测幅度更贴近真实水位。研究成果可为水电站面对短期的水位变化提前做出反应提供理论依据。     

五强溪水电站大坝变形预测模型研究

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络，构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据，基于可靠的监测数据，构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型，根据五强溪大坝坝顶J23测点2006年～2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验，选定的LSTM模型包括2个LSTM层，激活函数采用整流线性单元函数，输入序列长度为20。训练集数据取2006年～2017年的监测值，2018年～2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知：3种模型在沉降曲线的预测效果均较好；偏最小二乘回归法能合理地解释各分量；训练数据足够时，LSTM循环神经网络的预测精度非常高；采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。