基于极限学习机的面板堆石坝施工期沉降预测模型及应用

针对大坝安全监控预测中存在的不确定性与非线性问题,提出了基于极限学习机算法的面板堆石坝施工期沉降预测方法,并将其应用于柬埔寨某面板堆石坝沉降预测中。与传统的统计回归分析模型计算的沉降量相比,基于极限学习机算法的预测模型拟合学习速度快,精度高,适用性强,预测值与实测结果吻合较好。     

基于修正Verhulst模型的面板堆石坝沉降预测

通过分析面板堆石坝沉降和Verhulst模型的特征发现,堆石体沉降随时间的变化曲线与Verhulst模型曲线形似。但是,Verhulst模型在预测沉降时,前期预测值与实测值差距较大且预测最终沉降量偏小。为了克服这一不足,提出采用修正的Verhulst模型预测堆石体的沉降,预测结果表明,修正模型可有效提高沉降预测精度,预测面板堆石坝最终的最大沉降量更为合理。     

基于膜聚类的改进极限学习机在短期负荷预测中的应用

针对历史数据样本存在无效性影响预测精度和极限学习机的输出随机性、稳定性较差的问题,提出了一种模糊膜聚类算法与改进极限学习机相结合的组合预测方法。考虑负荷自身特征、天气温度及日类型等指标,利用模糊膜聚类算法选取出与预测日具有相似特性指标的负荷数据作为负荷预测日的输入样本,运用经过粒子群算法及隐含层神经元个数遍历法改进后的极限学习机进行预测。试验结果表明,所提方法对两个地区的某日负荷进行预测时降低了预测误差,提高了短期负荷预测的准确性。     

基于协整理论的极限学习机模型在降水预测中的应用

针对传统降水预测方式存在的不足,提出一种基于协整理论的极限学习机模型,该模型主要利用协整理论将相关序列信息引入,运用极限学习机(ELM)刻画非线性映射关系,并将该模型应用于皖南地区季度平均降水预测中。结果表明,该模型预测结果合理,且具有更佳的表现。     

改进粒子群算法在梯级水电站优化调度研究中的应用

针对梯级电站优化调度具有多阶段、非线性和组合性的特点,采用改进粒子群算法来求解。针对目前采用的基本粒子群算法在求解时存在易陷入局部最优和早熟的缺点,改进粒子群算法以混沌变量生成机制来增加种群的多样性,以逐步优化和随机生成相结合的方法生成初始种群,以增加粒子生成的有效性。实例计算结果表明,改进粒子群算法可以取得较好的效果,并为梯级电站优化调度提供了一种有效的方法。     

粒子群优化极限学习机模型在河南省干旱预测中的应用

干旱预测是提高防旱抗旱能力的重要非工程措施。在评价不同时间尺度标准化降水蒸散指数(S_SPEI)对河南省干旱识别能力的基础上,以能有效表征河南省干旱状况的S_SPEI为模型输出,以基于信息变化率和条件互信息的特征变量选择方法(ICR-CMIFS)筛选得到的河南省主要致旱气候系统指数为模型输入,构建了基于粒子群算法优化极限学习机(PSO-ELM)的干旱预测模型,通过对比该模型与标准极限学习机(ELM)、差分进化算法优化极限学习机(DE-ELM)模型的干旱预测结果,验证PSO-ELM模型在河南省干旱预测中的适用性。结果表明,S_SPEI-3能有效识别河南省典型干旱事件,从时间和空间上可较准确地反映河南省干旱状况;ICR-CMIFS筛选出的河南省主要致旱气候系统指数为西太平洋副高面积指数和NINO指数;PSO-ELM模型能较准确地预测河南省干旱,且预测精度优于DE-ELM模型和标准ELM模型,在河南省干旱预测中具有较好的适用性。     

广义塑性模型在面板堆石坝静力计算中的应用

为了探讨广义塑性模型在土石坝仿真分析中的适用性,分别采用广义塑性模型和邓肯E-B模型对卡基娃堆石坝进行三维有限元静力计算,并结合现场监测资料,对比分析了不同本构模型下堆石和面板应力变形的差异。结果表明,两种模型计算的堆石应力变形规律相似,广义塑性模型计算的水平位移和沉降远小于邓肯E-B模型,更符合实际观测资料;第一主应力比较接近,第三主应力相差较大;竣工时面板变形规律基本一致,蓄水期时面板坝轴线方向位移分布差别较大,邓肯E-B模型计算的面板挠度大于广义塑性模型。与广义塑性模型相比,邓肯E-B模型计算的面板压应力偏大、拉应力区域较大。     

改进粒子群算法在管壳式换热器优化设计中的应用

以管壳式换热器每年的总费用作为目标函数,采用含随机扰动算子的改进粒子群算法(IPOS)对其进行了优化.在优化设计模型中,采用Bell-Delaware法描述壳侧流体,优化变量选择管程数、换热管内径和外径及间距、管布置方式、封头类型、流体分配方式、密封条数、壳程压降和管程压降.对采用IPOS算法得到的优化结果与相关文献的结果进行了比较.结果表明:IPOS算法具有全局收敛、计算精度高、稳定性好的特点,并能获得约束条件下管壳式换热器的最优设计方案.     

基于改进粒子群算法的BP神经网络在初始地应力场反演优化中的应用

为找到一种较为精确的方法反演出最接近实际情况的初始地应力场,首先对传统粒子群算法进行改进,以弥补传统粒子群算法搜索范围过于局限的缺陷,然后将改进粒子群算法与BP神经网络算法相结合,来解决BP神经网络收敛速度慢、精度不足等缺点,最后对某抽水蓄能电站初始地应力场的反演进行优化,并与BP神经网络的计算结果和实测值进行对比,发现该方法可提高优化精度。     

混沌粒子群优化算法在短期负荷预测中的应用

针对短期负荷预测受气象因素影响大、传统参数辨识方法易陷入局部最优导致预测精度不高,采用外源自回归动平均(ARMAX)时间序列模型和混沌惯性权值粒子群优化算法进行模型识别.算例表明,该算法在短期负荷预测中预测精度较高,可供类似工程借鉴.     

关于改进粒子群算法在输电网规划中的应用研究

针对标准粒子群算法在迭代过程中容易陷入局部最优而过早收敛的缺陷,对算法的粒子速度更新公式做了如下改进:首先将更新公式中惯性权值的线性递减策略改为非线性动态递减策略,更好的平衡粒子群算法全局搜索和局部搜索的性能;其次在更新公式中引入了所有粒子个体极值的平均值,使得粒子能够利用更多的参考信息来调整自己的搜索速度.在输电网扩展规划中的应用结果表明,上述两个改进可以有效改善粒子群算法的收敛特性,最终使算法找到全局最优解,从而证明了该改进粒子群算法具有一定的可行性和有效性.     

基于粒子群的支持向量机在径流预测中的应用

针对中长期水文预报中样本缺乏问题,以大伙房水库月径流预测为例,基于粒子群优化算法寻优选择,构建了粒子群优化算法的支持向量机回归预测模型,并与未优化的预测模型进行比较.结果表明,该模型收敛速度快、推广能力强,预测精度高.     

改进的GM(1,1)模型在西安市用水量预测中的应用

针对近年来西安市用水量变化的特点,采用改进的GM(1,1)模型用于用水量预测,并与传统的GM(1,1)预测模型进行了比较.结果表明,改进的GM(1,1)模型可取得较好的预测结果.     

改进的非等间距GM(1,1)模型在大坝沉降分析中的应用

由于影响大坝监测数据因素多,且数据存在非等间距离散的情况,利用传统非等间距GM(1,1)模型的建模原理,分析了数据拟合与预测精度低的原因,提出了优化背景值的改进非等间距GM(1,1)模型,根据两种模型对施工期堆石坝心墙的沉降观测数据进行拟合和预测。实例表明,改进模型精度较高,更接近观测值,可应用于工程实际中。     

改进的GM(1,1)模型在城市用水量预测中的应用

针对GM(1,1)模型对原有数据信息利用不充分、模拟序列首项固定不符合最小二乘法要求两个问题,以原始序列与模拟序列差值平方和最小为条件,利用最小二乘法确定了GM(1,1)白化权函数的时间响应函数中的常数,构建了改进的GM(1,1)模型,并应用于宁波市用水量预测中.结果表明,改进的GM(1,1)模型预测精度大幅提高,具有较好的可行性和实用性,可用于预测城市未来用水量.     

改进的GM(1,1)模型在大坝监测数据预测中的应用

针对传统的GM(1,1)模型存在数据序列的初始值过旧和光滑度较差等缺陷,采用初始值选择和三点平滑法对传统的GM(1,1)模型进行改进,以南方某拱坝#7坝段某测点径向位移样本为例,分别采用两种模型预测其未来值,并与实际值进行比较.结果表明,改进的GM(1,1)模型预测精度较高,更接近于真实值.     

基于粒子群优化算法的RBF神经网络在泾惠渠灌区地下水位埋深预测中的应用

针对不恰当地选取RBF神经网络的网络结构和参数会使网络收敛慢的问题,采用粒子群优化算法对RBF神经网络参数进行优化,建立了基于粒子群优化算法的RBF神经网络模型(PSO-RBF模型),对泾惠渠灌区地下水位埋深进行了模拟和预测。结果表明,与单一的RBF神经网络相比,PSO-RBF模型具有较高的预测精度。再根据时间序列预测法预测的降水量、径流量、蒸发量、渠灌引水量、地下水开采量、气温等模型的输入变量,用训练好的PSO-RBF模型预测了泾惠渠灌区2009~2020年地下水位埋深,发现该灌区地下水位埋深呈下降趋势。     

改进的GM(1,N)灰色模型在邯郸市地下水矿化度预测中的应用

针对传统GM(1,N)模型求解时假定相关因素为线性相关与实际不符的问题,提出改进的GM(1,N)非线性优化方法,并将其应用于邯郸市2010～2015年地下水矿化度的拟合预测中,对比改进的GM(1,N)模型、传统GM(1,N)模型、多元线性回归分析、BP神经网络模型的拟合预测结果,验证改进的GM(1,N)模型的有效性。结果表明改进的非线性GM(1,N)模型拟合精度最好,其预测精度略低于BP神经网络模型。