提高长期洪水预测精度方法的研究

文章对２００１年春季发布的全国汛期定性定量洪水长期预报和实况验证,较系统地总结出提高作业预报精度的１０种作法,同时也对今后做好长期旱涝预报作了探讨。     

基于CNN-LSTM的大坝变形组合预测模型研究

为了提高大坝变形预测模型精度和泛化能力，建立了一种基于卷积神经网络(Convolutional neural networks, CNN)与深度学习长短期记忆(Long short-term memory, LSTM)神经网络的组合预测模型CNN-LSTM。该模型先利用CNN提取大坝变形监测时间序列的特征，再利用LSTM生成特征描述，该模型精度高、泛化能力强。以柏叶口水库混凝土面板堆石坝为例，经过CNN-LSTM模型计算，将模型变形预测值与原型监测资料进行对比，再与LSTM模型及CNN模型的预测结果进行对比。结果表明，CNN-LSTM模型预测值最接近监测资料实测结果。     

小型水电站建设项目的安全管理研究

小型水电站是指发电机规模在50MV以下的水电站.我国的小水电资源非常丰富,理论上的蕴藏达到1.5亿kw,开发待开发的装机容量达到7 100万kw,相应的年发电量约为2 000亿kw/h、2 500亿kw/h.随着小水电的发展,由于一些历史上的遗留问题及自身存在的缺点,所暴露出的安全问题也越来越多.如部分水电站的运行管理单位安全意识淡薄,只考虑经济效益而不顾安全的投入,机电设备年久失修,更有甚者,水电站的泄洪闸门锈蚀严重,无法正常启闭;运行管理人员缺乏专业技术及安全管理教育,无证上岗现象极为常见;水电站负责人对安全检查工作应付了事,对潜在的安全隐患没有给予足够的重视.因此,目前的处境是,一方面,在当前国家政策激励下,小水电项目的受重视程度越来越高,发展速度进一步得到提升,特别是在农村经济中的地位日益突出;另一方面,目前小水电的安全管理存在严重的缺陷,这就需要在总结过去国内外小水电项目发展经验的基础上,提出符合中国国情的小型水电站安全管理理论,以期对实践做出指导.     

小水电工程施工水土流失预测方法研究——以湖北省通山县宝石水电站为例

本文在对现行小水电水土流失的预测方法进行比较的基础上,分析了容易使预测结果产生偏差的影响因素,提出了工程类比和专家预测相结合的定性定量的预测方法,并结合湖北省通山县宝石水电站的具体情况详细探讨了工程类比和专家预测相结合法的应用,指出预测时应注意分时段和分区的二维预测,有利于小水电水土流失的防治和综合治理.     

小水电工程施工水土流失预测方法研究——以湖北省通山县宝石水电站为例

本文在对现行小水电水土流失的预测方法进行比较的基础上,分析了容易使预测结果产生偏差的影响因素,提出了工程类比和专家预测相结合的定性定量的预测方法,并结合湖北省通山县宝石水电站的具体情况详细探讨了工程类比和专家预测相结合法的应用,指出预测时应注意分时段和分区的二维预测,有利于小水电水土流失的防治和综合治理.     

基于小波神经网络的朝阳降水预测模型研究

本研究立足于朝阳地区1970—2010年的降水资料,利用MATLAB平台运用小波神经网络降水预测模型对朝阳地区降水量进行预测研究,并将该结果分别与真实值、BP神经网络预测结果对比分析,结果发现:基于小波神经网络的降水量预测模型取得了较高的预测精度,弥补了神经网络预测模型的缺点,减少了迭代次数,能够客观的反应朝阳地区降水情况且方法直观,为朝阳地区的降水量预测提供了较为有效的方法。     

基于BP神经网络的尼尔基水库短期洪水预报研究

人工神经网络(ANN)诞生于20世纪40年代,兴起于80年代,以其非线性特性、大量的并行分布结构以及出色的学习和归纳能力,广泛应用于水文各要素的预测分析。本次研究利用ANN中最常见的BP(Back Propagation)神经网络,由上游3个控制站(即柳家屯、库漠屯和科后)的流量,模拟出未来24 h的尼尔基入库流量,分析二者的非线性关系以用于水库短期洪水预报。预报方案中各预报要素精度均达甲级水平,可用于实际作业预报。     

锅炉结渣特性的预测模型研究

分析了电站锅炉结渣的影响因素,确定了评判锅炉结渣倾向性的指标。设计了预测评判系统平台,可用各种指标及算法进行比较研究,并将模糊数学和BP网络相结合,构成模糊神经网络模型,用此方法建立评判模型对山西大唐国际云冈热电有限责任公司机组的燃用煤种进行了结渣预测,取得了良好的效果。     

基于神经网络的小型水库洪水预报研究

针对经验预测方法精度不高,传统水文模型应用至小型水库进行洪水预报工作量大、推广较难的问题,引入具有强大特征学习能力的人工神经网络(ANN)方法,结合遗传算法(GA)寻参,对小型水库进行洪水预报。利用GA实现ANN中时间步长和隐含层神经元节点参数自动寻优,可避免寻参盲目性,针对性地为各小型水库构建个性化洪水预报模型。通过构建反向传播(BP)、长短期记忆(LSTM)、门控循环单元(GRU)神经网络洪水预报模型,对实测洪水过程进行模拟对比试验。结果表明：LSTM模型预报精度高、稳定性良好,能学习并模拟实际洪水过程水位变化规律,预报性能优于BP和GRU模型。     

BP神经网络和灰色系统预测模型在深基坑地表沉降中的应用

简单地介绍了BP神经网络与灰色系统GM（1,1）模型原理,并利用MATLAB语言及其工具箱,结合某深基坑工程的地表沉降监测数据编制了预测预报程序,实现了地表沉降数据的预测预报。分析了这2种模型的预测结果。     

基于GRA-NARX神经网络的泵站站前水位预测模型

针对多种水工建筑物相互作用和影响下的泵站水位预测难题,提出基于GRA-NARX（grey relation analysis-nonlinear autoregressive model with exogenous inputs）神经网络的泵站站前水位预测模型。该模型包括灰色关联分析(GRA)和NARX神经网络两部分,利用3种训练算法和不同时间延迟分别对密云水库调蓄工程屯佃泵站站前水位进行2 h预测,并与NARX模型和GRA-BP(grey relation analysis-back propagation)模型的预测结果进行比较。研究结果表明,GRA-NARX-BR(grey relation analysis-nonlinear autoregressive model with exogenous inputs-bayesian regularization)模型用于水位预测能够比较全面地考虑影响因子,预测精度高,相关系数最高达0.986 62,均方根误差最小为0.008 6 m,预测效果比NARX模型和GRA-BP模型好,且时间延迟越长,均方根误差越小。模型也可在其他调水工程中推广使用。     

几种需水量预测模型的比较研究

针对需水量预测具有受诸多因素影响的复杂非线性输入输出特性,提出了需水量预测的LS-SVM模型,以k-fold交叉验证法确定LS-SVM模型参数。将该模型应用于河北省南水北调受水区需水量预测中,并与BP神经网络模型以及多元回归模型的拟合、预测结果进行了对比分析。比较结果表明,LS-SVM的拟合精度虽然低于BP神经网络模型,但预测精度高于其他两种模型,因此,在训练样本较少的情况下,LS-SVM模型仍有较高的预测精度和较强的泛化能力,且在需水量预测方面具有很好的应用前景。     

小型水电站技术改造措施的研究

水电站属于一项综合工程设施,主要完成水能向电能的转换。它包括由泄水、挡水建筑物形成的水电站引水系统以及水库、机电设施、发电厂房等。经引水系统将水库的高水位引入厂房,通过对水轮发电机的推动从而产生电能,然后通过升压变压器、输电线路、开关站等将电能送入电网。文章针对小型水电站进行了分析,阐述了我国小型水电站在运行过程中存在的问题,并进一步给出了相关的措施进行水电站的技术改造。     

基于BP神经网络的城市给水管网爆损预测模型研究

通过使用BP神经网络模型的训练算法,并借助MATLAB神经网络工具箱,初步建立了具有一定精度的城市供水管网爆管和漏损预测模型,对管网事故预防、管网维护及更新起到了一定的指导作用.     

基于支持向量机的东港市降水量预测模型研究

水是生命之源,降水量的变化直接影响着农业生产和生态平衡.本文立足于辽宁省东港站1970年～2013年共44年的降水量资料,运用支持向量机模型,建立基于支持向量机（SVM）的降水量预测模型,并将SVM模型与BP人工神经网络预测模型预测结果进行对比分析.结果表明：基于支持向量机（SVM）的降水量预测模型预测精度优于BP神经网络预测模型,且收敛速度快,迭代次数少;能够客观的反应东港市降水量情况,且方法简单、可行,为辽宁省东港市的降水量预测提供了较为有效的方法.     

大坝变形的多步预测模型研究

根据大坝变形时间序列分别建立多元线性回归、稳健回归和改进的BP神经网络预测模型,并进行了单步和多步预测研究。结果表明:3种模型对历史样本具有很好的拟和效果;在预测中,稳健回归、多元线性回归模型在单步预测中预测精度较高,而改进的BP神经网络模型在多步预测中预测精度较高,抗干扰性强,适合预见期较长的坝体变形预测。     

基于自相关分析的BP网络年径流预测模型及其应用

在目前利用BP神经网络进行径流预测的方法中,网络输入与输出的确定方法比较模糊,缺乏理论依据.鉴于此,提出通过对数据系列进行自相关性分析来确定网络结构的方法,此方法建立的BP网络预测模型应用于某电站的年径流预测.结果表明,该模型预测精度高,能够满足电站对径流预测的需要.     

西江流域枯季径流模拟预测研究

枯季水文径流预测是现代水文预测预报的一个重要组成部分。随着社会经济发展和人口增加,水资源问题越来越突出,因此开展枯季水文径流模拟预测为准确把握流域枯季水资源水量和水文过程提供依据。西江流域是珠江水系的第一大支流,近年来由于径流量减少,特别是枯季径流变化较大,珠江三角洲河口咸潮上溯年年发生,影响区域生产生活,因此有必要开展枯季径流模拟预测研究。采用多元回归分析和新安江模型研究枯季流量模拟预测过程,为了研究模型在此区域枯季径流模拟预测的适用性,选择西江梧州水文站的数据进行参数率定和验证。经比较分析,认为新安江模型在枯季径流模拟预测中效果较好,模拟预测结果为流量峰值相对误差小于20%,径流深相对误差小于15%,确定性系数值大于0.70,精度较好,说明新安江模型在梧州水文站的枯季径流模拟预测中是适用的。     

基于BP神经网络的降雨型滑坡预报研究

滑坡严重威胁着水库、大坝的安全运营.结合某区滑坡监测资料,采用BP神经网络数学模型,以46个强降雨诱发的滑坡点作为样本进行BP网络训练,用另外10个样本对BP网络模型进行检验.结果表明:1个检查样本的输出值与理想输出值有较大的差别,2个样本输出值与理想输出值有一定的差别,其余7个值与理想输出值吻合得非常好,总的来说,预测精度可以满足要求.     

基于G-LSTM模型的短期径流预报 ——以长江上游寸滩断面-三峡入库断面为例

长短时记忆神经网络(LSTM)具有极强的复杂多变量时间序列非线性关系拟合和历史数据认知能力,适用于对径流这类复杂时间序列过程进行模拟和预报.基于LSTM,采用灰色关联分析法(GRA),选取合适的预报因子建立G-LSTM预报模型,探究了该模型在短期径流预报中的应用和效果.将该方法应用于长江上游寸滩断面-三峡入库断面的径流...