基于改进 GRA-NARX 模型的不同预见期 泵站水位预测

基于超参数自动率定的 GRA-NARX（grey?relation?analysis-nonlinear?autoregressive?model?with?exogenous?inputs） 模型是 GRA-NARX 模型的一种有效改进。以南水北调东线一期工程洪泽泵站为例，使用基于超参数自动率定的 GRA-NARX 模型，针对 1?h 和 2?h 时间间隔的输入数据，分别预测 3 个短预见期（2?h、4?h、6?h）和 1 个长预见期（12?h） 的泵站站前水位，并与 GRA-BP（grey?relation?analysis-back?propagation）模型的预测结果进行比较。结果表明：不同 预见期（2?h、4?h、6?h、12?h）下，基于超参数自动率定的 GRA-NARX 模型的相关系数、均方根误差和平均绝对误差 等指标均相差不大，预测精度高，且皆优于 GRA-BP 模型；采用 1?h 时间间隔的输入数据预测结果优于 2?h 时间间 隔的输入数据结果。研究成果可为不同预见期泵站站前水位预测提供理论参考。     

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。     

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。     

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%。     

基于相关向量机的调水工程调蓄水位预测模型

调蓄水位与其影响因素之间存在着复杂的非线性关系,针对BP神经网络模型的局限性,选取泵站开启时间差、起调水位、入流量、出流量作为主要影响因素,建立一种基于相关向量机(relevance vector machine, RVM)的调水工程调蓄水位预测模型。通过实例应用表明在相同样本情况下与BP神经网络模型预测结果相比,RVM预测模型均方根误差和平均绝对误差均小于BP神经网络预测模型的预测结果,说明在调水工程调蓄水位的预测中,RVM预测模型具有精度高、离散性小等优点,为调水工程调蓄水位的预测提供了一条新途径。     

NARX在土石坝渗流预测中的应用

渗流监测是掌握大坝安全性态的重要手段,针对土石坝渗流压力存在滞后于库水位的特点,引入具有延时输入特性的带外源输入的非线性自回归神经网络(Nonlinear Auto-regressive with Exogenous inputs neural network, NARX)实现土石坝渗压的有效预测。以某一水库大坝为例,将历史某时段的库水位和降雨等影响因子作为输入序列,渗压测值作为输出序列,分别建立NARX网络多因子和单因子模型进行拟合训练和多步预测,并将预测结果与传统回归模型和传统BP神经网络进行对比。研究结果表明,在RMSE、MAE、MAPE 3种精度指标下,NARX模型均优于2种传统模型。其中,在单因子条件下,NARX仍具有良好的表现。NARX的延迟输入特性可在一定程度上模拟坝体水流渗透的滞后性,对于土石坝的渗压预测具有良好的应用效果。     

基于BP神经网络模型的 黄龙滩电厂下游水位流量关系分析

丹江口大坝加高后,回水顶托对黄龙滩电厂产生了一系列不利影响,在分析这些不利影响的过程中,需要计算丹江口大坝到黄龙滩电厂的水位流量关系。而传统的水力学方法计算量大,且过程复杂。为了能够简单高效地进行水位流量关系的计算,提出了一种基于BP神经网络模型的方法,将丹江口水库到黄龙滩电厂的河道分为两段,构建两个BP神经网络模型分别进行模拟计算。结果表明:丹江口水库至堵河口的模型的水位模拟结果最大偏差为0.011 m,均方根误差为0.003 3 m;堵河口至黄龙滩电厂的模型的水位模拟结果最大偏差为0.246 9 m,均方根误差为0.084 1 m。两个模型的模拟精度都较高,证明该方法具有可行性。     

基于灰色-BP神经网络组合模型的水位预测案例

为了提高水位预测的精确度,提出一种将灰色模型和神经网络模型相结合的灰色-BP神经网络预测方法。该方法通过分别计算灰色模型和神经网络模型预测结果的均方误差,按照误差计算权重并重新组合,得到最终的预测结果。研究证明,该方法比灰色模型和神经网络模型预测精度高,预报结果更加接近实测值。     

南水北调中线工程水位的水动力-神经网络耦合预测模型

南水北调中线工程通常以闸前常水位调度运行,而水位在闸门调控影响下多数处于非平稳状态,探索其变化规律对于监测数据和研究方法均有一定限制和要求。监测数据方面,针对大量的高频监测数据选取均值滤波、滑动平均值滤波、递推中位值平均滤波法、滑动小波变换进行数据预处理,提高数据质量、增强数据预测的可行性。研究方法层面,以BP神经网络模型和长短期记忆(long short-term memory, LSTM)网络模型为主体框架,以水动力模型的模拟数据为辅助支撑,对比单神经网络在不同工况下的预测效果,输出水动力-神经网络组合预测结果。结果表明：数据预处理是数据分析和预测的必要环节,高频数据滤波处理再预测可以提高数据预测的精度;均值滤波、递推中位数均值滤波方式对数据预处理的效果最好,指标合理时滤后决定系数(R²)精度均超过0.95,且均方根误差(RMSE)和平均绝对误差(MAE)不超过0.02,准确性高;基于滤后数据进行模型构建,通过对比数据驱动模型和数据-机理双重驱动模型的计算结果,R²维持在0.98附近,RMSE、MAE维持在0.01左右,耦合模型具有更好的...     

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。     

遗传小波神经网络在大坝变形预测中的应用

针对传统的数学统计模型无法完全描述大坝变形量与多种荷载因素之间非线性映射关系的缺点,引入了一种基于遗传算法的小波神经网络模型,利用该模型对小波神经网络的初始权值、尺度因子进行全局优化搜索,克服了BP神经网络初始化的随机性以及网络易陷入局部极小值的不足,将该模型运用于大坝坝顶的径向、切向位移预测,结果表明,遗传算法优化的小波神经网络模型结构稳定性更好,预测精度较BP神经网络模型、小波神经网络模型有较大提高。     

基于小波神经网络的GPS高程异常拟合模型探究

利用GPS进行高程测量具有很多优越性,高精度地确定高程异常对于用GPS高程测量部分代替普通几何水准测量具有重要意义。依据BP神经网络和小波神经网络的基本原理,利用实验数据证实了小波神经网络模型比BP神经网络模型和文献[6]模型在GPS高程异常拟合中具有更高的精度,说明小波神经网络在GPS高程异常拟合中具有较强的实用性。     

基于人工神经网络的土石坝震损病害的预测研究

本文介绍了基于L-M(Levenberg-Marquardt)算法的BP神经网络模型,利用模型对土石坝进行损害预测.选取243座震损土石坝水库为研究对象,确定土石坝裂缝、渗漏、滑坡为本次预洲的指标.同时采集243座水库震损土石坝的裂缝、渗漏、滑坡等三大震损病害资料,通过专家意见划分其等级,作为实测值.经过神经网络模型反...     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

混流式水轮发电机组神经网络模型预测控制

 针对混流式水轮发电机组(FTGS)复杂的非线性特性,提出了包含混流式水轮机神经网络模型(FTNNM)的FTGS的神经网络模型预测控制(NNMPC)。利用神经网络辨识模型(NNIM)预测FTGS对控制信号的反应,并采用优化算法计算来优化未来FTGS性能的控制信号。仿真结果表明NNMPC对FTGS是一个有效的工具。     

基于 C4．5决策树算法的土质边坡稳定性评价研究

采用神经网络进行土质边坡稳定性评价时，差异性较大的训练样本往往会使评价结果不太理想。针对这一问题引入 C4．5决策树算法，采用多个土质边坡工程的实测数据，运用信息增益率进行分类属性的选择，并对建立好的树体结构进行剪枝操作，建立基于决策树的土质边坡稳定性评价模型。将该模型与 BP 神经网络和 LVQ （Learning Vector Quantization，学习向量量化）神经网络进行对比分析，结果显示决策树模型分类正确率最高，达到90％，模型所用时间为2．24 s，表明把决策树用于土质边坡稳定性评价是合理的。     

改进Elman网络及其在水轮发电机组故障诊断中的应用

针对水轮发电机组故障诊断系统，分析了改进BP网络在故障诊断中的不足，提出了利用改进Elman网络进行水轮发电机组故障诊断的方法。该方法具有精度高、收敛快、可以避免局部最小的优点，从而为水轮发电机组故障诊断提供了一种更有效的方法。     

RBF与GRNN神经网络模型在城市需水预测中的应用

针对需水量预测具有受诸多因素影响的复杂、高维和非线性等特性,本文基于RBF与GRNN神经网络算法原理,构建RBF与GRNN神经网络需水预测模型,将模型应用于城市需水预测中,并与基本BP神经网络模型以及灰色GM(1,1)需水预测模型的拟合、预测结果进行了对比分析.结果表明:①RBF与GRNN神经网络模型有着较高的拟合、预测精度,平均相对误差均在5％以内,表明研究建立的RBF与GRNN神经网络模型应用于需水预测是合理可行的,模型泛化能力强,预测精度高,算法稳定,与基本BP网络算法相比,RBF与GRNN网络模型还具有收敛速度快、调整参数少和不易陷入局部极小值等优点,可以更快地预测网络,有着良好的应用前景.②相对而言,RBF与GRNN神经网络模型预测精度要优于基本BP网络和灰色GM(1,1)模型.     

用聚类算法及Hopfield神经网络布置环状管网

为了降低供水管网的工程投资,提出了一种环状给水管网优化设计的方法,把环状管网布置问题用K-Means算法分解成许多小规模的环状问题,对于每一个小规模的环状管网用Hopfiled连续型神经网络求解环状的最短距离,然后把各个基环当成一个点,再用Hopfield神经网络以较大的概率求出最优路径。对某小区58个供水点进行了供水管网实例计算,结果表明:该供水管网的质心间最短距离为2.893 7 km,能量函数为递减状态且最终的能量函数值为1.447,再连接相邻聚类中的最接近的两个点就形成供水管网的环状布置。