小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于BP神经网络的渠道墩柱断面过冰能力预测

冰凌问题是寒冷地区渠道冬季输水面临的一个主要问题,预测易出现冰塞的桥墩、闸墩等束窄断面的过冰能力,对冰水二相流安全输水具有重要意义。通过物理模型试验分析墩柱断面的渠道过冰能力,根据试验数据,采用量纲分析与BP神经网络方法,对渠道墩柱断面过冰能力进行预测,预测结果较单一BP神经网络预测和非线性拟合得出的结果更为精确。     

基于GA-Elman的河流水位预测方法研究

河流水位的变化过程是一个复杂的非线性过程,传统的神经网络预测存在误差较大、收敛速度慢、稳定性差等问题。为了实现对河流水位的有效预测,提出基于遗传算法(GA)优化Elman神经网络的河流水位预测模型。将GA与Elman网络进行有效结合,解决了单一Elman网络存在的不足。选取永定河的监测站点水文数据对河流水位进行预测与检验,并分别将其与Elman网络与BP网络预测结果进行对比。对比结果表明:GA-Elman水位预测模型的收敛速度快、精度高,可根据预测结果实现对水库、拦河闸合理调用,实现对河流水资源的有效配置,以满足灌溉、发电、防洪等工作的需求。     

天然河道水位流量预测模型分析

本文提出BP神经网络河道流量水位预测模型,以榆树沟站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,构建BP神经网络河道流量水位预测模型。结果表明:BP神经网络用于河道流量水位预测是合理可行和有效的,预测准确度可达到92.3%,可为水文预测预报提供新的途径和方法。且BP神经网络模型具有计算简便逼近能力强收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

改进的BP神经网络模型在地下水预测中的应用研究

针对传统BP神经网络模型局部较易收敛的缺点,引入小波分析函数对传统BP神经网络模型节点计算进行改进,并将改进的BP神经网络模型在新疆地区地下水预测中进行应用,研究结果表明:改进的BP神经网络模型可解决模型局部较易收敛问题,预测的地下水水位和实测的地下水水位更为接近,预测的地下水水位和实测水位之间的相关性年尺度达到0.85,高于传统BP神经网络模型的预测精度。     

自适应BP神经网络对黄河下游洪水位的预报

利用黄河下游多水文站的多年水位资料,用自适应BP神经网络对艾山水文站的水位进行预测,同时与逐步回归分析以及普通BP神经网络得到的结果对比,结果表明：①自适应BP神经网络的预报精度高于普通BP神经网络、逐步回归法,尤其对最高洪水水位的预报精度有较大的提高;②普通BP神经网络存在易陷入死循环、收敛速度慢、对神经元个数依赖大等缺点,可以利用学习率自适应调整和动量法改进BP神经网络;③建议在补充、完善资料的基础上,将神经网络与时间序列相结合,加强黄河下游洪水水位预报的研究和实验,进一步提高预报精度。     

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.     

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。     

PSO-BP神经网络在多输出水利定额编制中的应用

针对运用BP神经网络模型来编制水利定额存在收敛慢、精度低、稳定性差的缺陷,提出利用粒子群算法(PSO)来优化BP神经网络初始权值阈值的模型,优化模型结合了粒子群全局搜索能力和BP网络的局部探优能力。在运用MATLAB对算法模型进行编程中,首先确定模型的关键参数和开展数据的预处理,其次利用标准粒子群算法优化BP神经网络的初始连接权值阈值,最后将优化的连接值带入BP模型训练并预测,实验中连续运行了50次模型。结果表明:BP模型的双输出预测精度分别为11.13%和8.41%,有10次未达到目标精度;PSO-BP模型的双输出预测精度分别为5.65%和5.44%,全部达到目标精度。因而得出结论,PSO-BP模型比单纯BP神经网络的预测精度和稳定性更好,更适合用来指导水利定额的编制工作。     

改进的土石坝GACO-BP渗流监控模型研究

为克服标准BP算法训练效率低、易陷入局部极值等不足,引入遗传蚁群混合算法(GACO),并对其混合时间和信息转换的计算方法进行改进,利用改进后的算法优化标准BP神经网络的权值和阈值,对土石坝的渗流压力进行监控。以某土石坝为例,利用GACO-BP神经网络监控模型以测压管水位为指标对其渗流压力进行预测,将预测结果与同结构的经典BP神经网络预测结果进行对比发现,GACO-BP神经网络模型在训练速度和预测精度上明显更好,在土石坝渗流压力预测和分析方面具有较好的实用性。     

基于 BP 神经网络的调水工程调蓄水位预测模型

在调水工程中,如果泵站站前水位过低,会危及泵站安全,如果水位过高,会危及周边安全,因此探寻调水工程中河渠湖库水位变化显得尤为重要。以南水北调东线山东段南四湖为研究区域,寻求不同起调水位、出入流量、泵站开启时间差的调水方案下泵前水位变化规律。先利用耦合模型对不同的调水方案进行数值模拟,然后选取23组调水方案及其数值模拟所得的泵前水位作为样本训练BP神经网络,建立BP神经网络调蓄水位预测模型并进行验证,最后利用预测模型对不同调水方案进行泵前水位预测。结果表明,BP神经网络预测模型具有很强的预测能力,预测模型结果与耦合模型结果泵前水位基本吻合,水深相对误差小于9.15%,而模型计算效率提升96.67%。     

LM-BP算法在径流预测中的应用

为改善常规BP神经网络的性能,根据Nguyen-Widrow初始化规则对网络层的权值和阈值进行了初始化,利用黄金分割法对隐层节点数所在区间进行了寻优,并采用Levenberg-Marquardt优化算法改进了BP神经网络模型,然后利用经隐层单元优化的LM-BP网络模型对某流域的年径流量进行了预测检验。结果表明:经隐层单元优化的LM-BP网络收敛速度快;2001—2010年年径流量预测结果的相对误差均小于20%,合格率为100%。     

基于LMBP神经网络的土石坝渗流压力预测

渗流压力是反映大坝工作状态的重要物理量,对渗流压力进行预测分析可以及时了解大坝渗流状况和趋势。为克服标准BP算法收敛速度慢、泛化能力弱和计算量大等不足,引入LM算法优化标准BP神经网络的权值和阈值,提高BP神经网络对土石坝渗流压力的预测效果。根据渗流分析,给出了渗流压力的统计模型,由统计模型选取上下游水位、降雨和时效作为神经网络输入层因子,以渗流压力作为输出层因子,建立了3层LMBP神经网络大坝渗流压力预测模型。利用MATLAB进行了多组仿真试验,确定了使本次渗流压力预测效果更好的训练样本数据量区间。以渗流压力实测数据及同期库水位和降雨资料作为训练样本,在选取适当数据量的训练样本的基础上,运用LM算法对BP网络进行训练,利用测试样本对训练好的神经网络进行测试。将同结构的LMBP神经网络和标准BP神经网络应用于某土石坝渗流压力的预测中,应用结果表明,LMBP神经网络收敛速度更快、拟合和预测精度更高,在土石坝渗流压力分析和预测应用方面是可行的。     

基于小波分析的NARX神经网络在水位预测中的应用

高精度的水位预测能为防洪决策、水资源管理等提供重要的调度依据,减少洪旱灾害损失。为提高预报精度,提出一种基于小波分析的NARX神经网络模型(DWT-NARX),综合考虑洪泽湖入湖流量、出湖流量、周边用水、前期水位等因素,对洪泽湖日水位进行预报,并与BP神经网络、NARX神经网络模型进行比较。结果表明,三种模型在短历时预报中均取得了较好的模拟预测效果。当预见期为1或2天时,Nash-Sutcliffe效率系数均大于0.9,合格率大于85%;当预见期超过3d,NARX模型在水位变幅较大的时段预测结果变差,BP模型出现严重的震荡现象,NARX和DWT-NARX模型结果均优于BP神经网络,DWT-NARX在整体上结果最优。研究成果可为洪泽湖的水位预报提供一定的参考价值。     

神经网络对贮灰坝的稳定预测

应用改进的BP神经网络对贮灰坝的安全状况进行了实时在线分析和预测,预测了水位变化时贮灰坝的安全系数,分析了贮灰坝安全系数的影响因素,具有很好的工程实用价值。     

改进BP神经网络集成模型在径流预测中的应用

为提高径流预测预报的精度和泛化能力,建立了基于3种基本改进算法的BP神经网络集成预测模型。利用ADF单位根检验方法、自相关分析方法确定径流时间序列的平稳性和模型的输入向量。针对BP神经网络标准算法收敛速度慢、易陷入局部极值的缺陷,采用自适应动量梯度法、共轭梯度法和Levenberg-Marquardt法分别改进BP神经网络标准算法,依次构建基于3种改进算法的BP神经网络模型对文山州南利河董湖水文站年径流进行预测,并构建GA-BP预测模型作为对比模型;采用加权平均方法对各单一模型预测结果进行综合集成。结果表明:集成模型对南利河2001-2005年径流预测平均相对误差绝对值为4.67%,最大相对误差绝对值为7.11%,精度和泛化能力均优于各单一模型和GA-BP模型。集成模型克服了单一模型预测精度不高和误差不稳定的缺点,具有较好的预测精度和泛化能力,是提高径流预测预报精度的有效方法。     

ARIMA与ANN组合预测模型在中长期径流预报中的应用

基于时间序列预测模型及BP神经网络,提出了新的组合预测方法.该方法采用三层结构的BP神经网络来构造组合预测模型,运用时间序列模型预测方法得出的预测结果,采用历史滚动法将前5年的预测结果数据作为BP网络的输入,以当前年份的预测结果为网络期望输入,建立了ARIMA-ANN组合预报模型.利用Matlab7神经网络工具箱对塔里木河上游源流卡群水文站的年径流量进行了预报及验证.结果表明:组合模型的预报结果精度高,容错能力强,是中长期径流预报的有效方法.     

改进Elman神经网络在径流预测中的应用

针对传统静态前馈神经网络动态性能较差的缺点,提出一种基于遗传算法（GA）优化Elman神经网络连接权值的GA-Elman多元变量年径流预测模型.以新疆伊犁河雅马渡站径流预测为例进行实例分析,并构建传统Elman,传统BP和GA-BP多元变量年径流预测模型作为对比模型,预测结果与文献IEA-BP网络模型预测结果进行对比.结果表明:①GA-Elman模型的拟合及预测效果略优于文献IEA-BP模型,该模型用于多元变量年径流预测是合理可行的,具有较好的预测精度和泛化能力.②在相同网络结构及传递函数等条件下,GA-Elman模型的预测精度和泛化能力优于GA-BP模型,传统Elman模型优于传统BP模型,表明具有适应时变特性的Elman反馈动态递归网络预测性能优于BP网络;GA能有效优化Elman神经网络连接权值,使网络的预测精度和泛化能力有了较大提高.     

优化BP神经网络在地下水计算中的应用

采用动态惯性因子对粒子群算法进行改进,并将其应用到BP神经网络的优化中,依据滦河某观测站数据建立地下水动态预测网络模型.预测结果表明:在训练样本、预报因子和建模参数都相同的情况下,BP神经网络的收敛速度明显较慢;粒子群算法代替梯度下降法优化BP神经网络,有效地提高了计算精度、加快了收敛速度、改善了神经网络的稳定性;混合动态惯性因子的粒子群算法,收敛速度快速提高,计算误差大幅减小,精度及稳定性均较高.     

变形预报中RBF和BP神经网络有效性比较

通过仿真实例,对RBF和BP神经网络在变形监测数据预测中的应用进行比较,提出一种RBF网络参数优化的二维区间搜索算法。训练和仿真结果表明,在相同精度要求下,RBF神经网络比BP神经网络的训练速度更快、效率更高、泛化能力更强。将两种网络得出的预测结果进行比较得出,RBF网络用于变形监测数据处理可以得到更好的预测效果。