基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

基于相空间重构和GA-BP网络的径流预测

将相空间重构理论与神经网络以及遗传算法相结合提出了径流时间序列预测模型,通过相空间重构将一维径流时间序列拓展为多维序列,挖掘了更为丰富的信息,反映出系统的非线性特征,有利于神经网络建模和训练。研究表明,基于相空间重构理论的遗传算法和BP神经网络组合模型可较好地解决径流预测。以深圳宝安铁岗水库月径流为例,采用小波消噪对数据预处理,利用遗传算法训练BP神经网络,计算结果表明模型具有较高的预测精度。     

小波网络耦合模型在地下水位动态预测中的应用

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

虹吸井对尾矿坝地震液化的影响分析

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

基于小波分析和PSO优化神经网络的短期风电功率预测

针对风电场风速和风电功率序列起伏波动大、无明显变化规律等特点以及传统神经网络收敛速度慢、易陷入局部极小值等缺陷,提出了基于小波分析和改进粒子群算法优化神经网络的短期风电功率预测方法。首先,通过小波方法将用于神经网络训练的历史风速和风电功率序列进行分解,再针对风速和风电功率的各个分量分别建立相应的神经网络模型,采用分期变异粒子群算法对各个分量的神经网络学习算法进行优化,最后将各个分量的预测值进行小波重构得到风电功率预测结果。江苏如东某风电场风电机组的实验结果证明预测精度较传统神经网络方法有较大提高,验证了所提出方法的有效性。     

基于相空间重构的BP神经网络月径流预测模型及应用

针对径流时间序列的非线性特点,利用重构相空间的嵌入维数确定神经网络结构,建立了基于相空间重构理论的BP神经网络月径流预测模型,并采用该模型预测了瀑布沟水库的径流时间序列。结果表明,该BP神经网络预测模型收敛速度快、预测精度较高。     

基于小波分析的BP网络预测模型及其在年径流预测中的应用

鉴于小波变换序列中尺度系数系列和小波系数系列变化特征存在较大差异,提出了一种新的小波分析与BP网络结合方式,即建立两个BP网络分别对两类系数系列进行预测,再对各小波变换系数的预测值进行小波重构,获得原序列的预测值。将该模型应用于二滩电站入库年径流量预测,结果表明该模型预测精度高,可为水电站提供可靠的入库年径流预测结果。     

基于小波变换的改进混合蛙跳-差分进化-神经网络预测模型的短期风速预测

针对目前对风速序列短期预测中不同组合算法预测精度较差、适应性不强等问题,提出一种基于小波变换的组合预测模型算法,将风速序列经小波变换降低波动性与无序性,利用混合蛙跳算法(shuffled frog leaping algorithm,SFLA)优化逆向传播(back propagation,BP)神经网络的初始权值与阈值,将差分进化(difference evolution,DE)算法用于混合蛙跳算法子种群个体寻优策略,提高个体收敛速度与精度.通过将经小波变换分解得到的高、低频分量分别经组合模型算法进行风速预测与重构,通过实例验证,10、30 min相较60 min预测结果平均绝对百分比误差分别提高33.59％、12.21％,均方根误差分别提高28.77％、8.22％,三者平均预测误差分别为0.037、-0.014、0.011 m/s,与混合蛙跳-BP神经网络算法、BP神经网络算法横向对比,结果表明所提组合预测模型算法预测性能指标最佳.     

基于AdaBoost与BP神经网络的风速预测研究

介绍了基于AdaBoost的多神经网络集成预测方法。集成方法的预测结果优于其他方法的预测结果,这一点在理论上和经验上已经得到证明。AdaBoost是适用于时间序列预测的集成方法。基于AdaBoost算法,采用多个BP神经网络训练随机生成的风速样本,再由多个训练结果生成最终的风速预测值。用该方法预测的误差低于用单一BP神经网络进行的预测,其分析和仿真结果表明了其优越性。     

基于神经网络和小波分析的超短期风速预测

文章将神经网络和小波分析理论相结合,提出了一种基于神经网络和小波分析的超短期风速预测方法。利用神经网络的非线性学习能力和小波理论的多分辨分析能力实现对风电场的风速预测,为风功率预测提供理论依据。首先,通过搭建神经网络物理模型,用以预测风机轮毂处的风速信号;其次,将该风速信号进行小波多分辨分解,滤除高频分量,得到较为平稳的对风速预测起决定性作用的低频分量;最后,对基于神经网络和小波分析的组合预测方法进行了仿真,并与NWP风速模型和实测风速进行了对比。结果表明,提出的基于神经网络和小波分析组合预测方法更贴近实测风速,对超短期风速预测起到了良好的效果。     

风电场风速预测模型研究

介绍了两种风电场风速预测模型,分别是BP神经网络模型和小波-BP神经网络组合模型。BP神经网络模型是风速预测中常用的模型之一,小波技术和BP神经网络结合,即为组合模型。小波技术将风速时间序列按时间和频率两个方向展开,体现了各成分对预测值贡献率的不同。将BP神经网络模型和小波-BP神经网络组合模型分别应用到我国朱日和风电场的逐时风速预测中,从预测结果对比得出组合模型更适合该风电场的逐时风速预测。     

基于灰色关联分析的GA-BP网络需水预测模型研究

针对城市需水预测涉及因素众多、不同地区影响因子不尽相同且多寡不一及影响因子的选择直接决定需水量预测的结果与实际是否相符等问题,提出了灰色关联分析法、遗传算法和BP神经网络相结合的需水预测模型,并以南京市为例,通过灰色关联分析法筛选出主要影响因素,采用遗传算法优化BP神经网络,构建基于灰色关联分析的GA-BP神经网络需水预测模型。实例应用结果表明,该模型用于需水预测能够比较全面地考虑需水量影响因子,与传统BP网络相比,GA-BP网络预测精度更高,训练速度更快,可作为资料时间序列较短情况下一种较好的需水预测方法。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

基于MMAS BP算法的短期风速非线性组合预测模型

为提高风电场短期风速的预测精度,引入一种基于改进蚁群算法优化神经网络的非线性组合预测方法,按误差平方和最小原则对所建灰色GM(1,1)模型、BP网络和RBF网络三种单一预测数据进行非线性组合,并将其结果作为最终预测值。仿真结果表明,该方法的平均绝对误差及均方误差分别为17.76%和3.68%,均小于单一模型、线性组合模型及神经网络组合模型的预测结果,提高了网络的泛化能力,降低了预测风险,为风电场风速预测提供了一种新途径。     

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。     

双自适应神经网络和快速TLS-ESPRIT的谐波检测方法及仿真

针对BP神经网络应用于谐波分析时收敛速度慢、初始值选取不当等问题,为实现谐波的准确检测,提出双自适应BP神经网络和快速TLS-ESPRIT(总体最小二乘法—旋转矢量不变技术)相结合的检测方法。该方法利用快速TLS-ESPRIT算法得到频率和信号源个数,将频率作为BP神经网络的初始值,信号源数作为中间节点个数,经双自适应BP神经网络得到网络权值,进而完成谐波的幅值和相位检测。仿真试验结果表明,该算法在检测谐波时,检测速度更快,且具有较高的检测精度。     

支持向量机和BP神经网络在水轮发电机轴承故障诊断中的应用

支持向量机(SVM)与BP神经网络相比各有优缺点,通过对支持向量机和BP神经网络在水轮发电机滚动轴承故障诊断中的仿真实验,来对比两者在轴承故障诊断上的泛化能力。首先通过应用经验模态分解(EMD)的方法将轴承振动信号进行分解,得到本征模函数(IMF),再将IMF的平均能量值作为故障特征向量。将这些特征向量作为支持向量机和BP神经网络的学习样本。经过仿真研究结果表明,在小样本集的前提下,支持向量机在轴承故障诊断中的精确度不但受样本数量变动的影响较小,准确度也高于BP神经网络,具有较强的泛化能力。对水轮发电机滚动轴承故障诊断模型的应优先考虑选择SVM。     

内燃机机油泵性能建模方法的比较研究

通过对目前几种常用的机油泵工作特性建模方法进行比较分析,指出全工况下对机油泵性能进行建模的必要性。结合前期研究结果,对BP网络、延迟BP网络、径向基函数网络和反馈型神经网络这四种典型的神经网络模型进行实例比较研究,从而得到预测全工况下机油泵性能的最佳神经网络模型。还对神经网络建模方法的不足以及相应的联合建模方案进行了初步探讨,提出利用先进的CFD仿真分析手段,结合尽可能少的实验数据,实现全工况下的机油泵性能的预测和建模。