基于EEMD与SE的IPSO-LSSVM模型在坝肩边坡变形预测中的应用

坝肩边坡变形在外部因素影响下呈现出不确定性和随机性,从而不易预测。基于聚类模态分解(EEMD)、样本熵(SE)和改进型粒子群算法优化的最小二乘支持向量机(IPSO-LSSVM)方法,提出一种名为EEMD-SE-IPSO-LSSVM的坝肩边坡变形预测模型。首先,利用EEMD将原始坝肩边坡变形时间序列分解为若干个不同复杂度的子序列,并基于SE判定各子序列的复杂度,将相近的子序列进行合并重组以减少计算规模;然后,分别对各重组子序列建立IPSO-LSSVM预测模型;最后,将各预测分量进行叠加重构,得到最终的大坝变形预测值。以澜沧江苗尾水电站左岸坝肩边坡为例,将BPNN、RBFNN、LSSVM、EEMD-SE-LSSVM与EEMD-SE-PSO-LSSVM进行对比研究。结果表明,该模型的计算精度优于其他神经网络模型,具有较好的适宜性和稳定性,是一种可靠的坝肩边坡变形预测方法,能够为大坝安全监测提供有价值的参考。     

基于VMD-PE-CNN的混凝土坝变形预测模型

为了进一步提高混凝土坝变形预测精度,基于“先分解再重构”的思想,将变分模态分解(VMD)、排列熵(PE)与卷积神经网络(CNN)相结合,提出了一种混凝土坝变形预测模型。通过VMD和计算模态分解余量的PE将原始实测变形时间序列数据自适应地分解为一系列具有不同频域尺度特征的模态分量,然后将每个模态分量作为单独的子序列,采用CNN直接对各子序列进行时域建模并预测,最后将各个子序列的预测值叠加重构得到最终的大坝变形预测值。实测数据计算结果表明：采用计算模态分解余量PE的方法可以得到最优的模态分量个数,实现实测数据的最优分解;较之于CNN和LSTM模型,VMD-PE-CNN模型在测试数据上的均方根误差分别降低了61.8%和65.5%,显示出更强的预测能力。     

基于CEEMDAN-PE-LSTM的混凝土坝变形预测

由于混凝土坝变形监测数据有明显的非线性、非平稳特征,且数据序列包含一定的噪声,容易导致模型预测精度不高。针对上述问题,提出了基于自适应噪声完全集合经验模态分解（CEEMDAN）-排列熵（PE）-长短时记忆神经网络（LSTM）的混凝土坝变形预测模型。利用CEEMDAN对非线性信号的自适应分解能力,将原始变形数据分解为频率不同、复杂度差异明显的一组固有模态函数（IMF）,降低序列中不同尺度信息的相互影响。基于PE算法将复杂度相近的IMF分量进行合并重组。最后,对若干重组序列分别构建LSTM模型进行预测,将预测结果相加得到最终变形预测值。以某混凝土坝水平位移监测数据进行建模分析,结果表明:CEEMDAN-PE-LSTM模型与常规模型相比预测精度显著提高,能更好地对非线性数据序列进行预测。与单一的LSTM模型相比,平均绝对误差、平均绝对百分比误差和均方根误差分别降低了76.43%、75.55%和74.73%,表明该模型通过对原始序列的分解与重组获取不同尺度特征,可以更好地把握非线性、非平稳数据的变化规律,提高预测精度,能有效运用于混凝土坝的变形预测。     

基于LSTM的混凝土坝变形预测模型

为提升混凝土坝变形预测的精度,采用具有出色的非线性数据挖掘能力与时间序列长、短期预测性能的长短期记忆网络(LSTM),提出了基于LSTM网络的混凝土坝变形预测模型.实例分析表明,相比于常用的逐步回归、多元回归等方法,基于LSTM网络构建的变形预测模型可有效挖掘大坝变形与影响因子间复杂的非线性关系,模型的建模与预测精度均得以显著提升.     

基于EEMD-LSTM-MLR的大坝变形组合预测模型

大坝变形监测数据序列具有非平稳、非线性特征,是水压、温度和时效综合作用的结果。引入集合经验模态分解(EEMD)方法处理变形数据,在得到多尺度大坝变形分量的基础上,对于其变化复杂的高频分量,采取长短期记忆神经网络(LSTM)以获得较优预测结果;对于周期性变化的低频分量,借助多元线性回归(MLR)实现快捷且有效的预测;最终通过分量重构,得到大坝变形的预测结果。工程实例分析表明:EEMD方法避免了模态混叠现象,可以得到更为合理的多尺度变形分量;LSTM和MLR分别对高、低频分量具有良好的预测能力。将分量叠加重构的最终结果分别与多种单一预测算法、基于EMD的组合算法以及传统模型等预测效果比较表明,基于EEMD-LSTM-MLR的组合预测模型的平均绝对误差(MAE)、平均绝对百分误差(MAPE)及均方根误差(RMSE)均低于上述对比模型,有着更高的预测精度,为大坝变形预测提供了新的思路。     

基于EMD-EEMD-LSTM的大坝变形预测模型

大坝变形监测数据通常呈强波动性,针对大坝变形信息中的高频分量,提出了EMD-EEMD-LSTM模型对其中的大坝变形信息进行分析,预测大坝变形趋势。首先,选取EMD对原始大坝变形序列进行分解,得到若干分量;针对高频分量,使用EEMD对其进行分解,以挖掘蕴含其中的有效变形信息;最后以LSTM为预测模型,对上述得到的各分量进行建模分析。分析表明,EMD-EEMD模型可以有效解决了原始变形序列及高频分量的强波动性,结合LSTM在时序预测中的优越性,基于EMD-EEMD-LSTM的大坝变形预测模型具有较高精度。     

基于优化VMD与GRU的混凝土坝变形预测模型

为提高大坝变形预测精度,基于“分解-重构”思想,采用变形信号处理技术对实测变形加以时频分解,并结合深度学习网络对分解信号分项预测再重构,提出一种基于优化变分模态分解(VMD)与门控循环单元(GRU)的混凝土坝变形预测模型。该模型使用灰狼优化算法(GWO)优化的VMD把原始数据分解为一组最优本征模态分量(IMF),利用GWO优化的GRU网络对每个IMF分量进行滚动预测,通过叠加各个分量的预测结果得到位移序列预测结果,解决了VMD人工选择参数导致分解效果差及GRU人工选择参数影响训练速度、使用效果及鲁棒性等问题。工程实例预测结果表明,该模型的预测误差小,具有良好的预测精度与稳健性。     

基于VMD-EEMD-CNN-LSTM混合模型的月径流预测

针对传统径流预测模型对月径流序列尖峰点预测精度不足的问题,文章提出了一种VMD-EEMD-CNN-LSTM混合预测模型。首先,对原始月径流序列进行变分模态分解(VMD)处理,得到具有有限带宽的本征模态分量(VMF)和较高复杂性的残差项(Res)。然后通过集合经验模态分解(EEMD)对Res进行二次分解,有效挖掘原始径流的隐藏信息。把各分量作为卷积神经网络(CNN)-长短期记忆网络(LSTM)组合预测模型的输入,最后对各预测结果进行叠加重构,得到最终的结果。以乌江流域洪家渡水电站实测月径流数据为例,结果表明：VMD-EEMD-CNN-LSTM模型具有更高的精确度,能有效提高对月径流序列尖峰点的预测精度。     

基于EEMD的BP神经网络边坡预测研究

针对边坡变形中非平稳和非线性的数据处理问题,提出一种基于集合经验模态分解(EEMD)和BP神经网络相结合的边坡变形预测新算法(EEMD-BP)。该算法先对边坡变形序列进行EEMD分解,有效分离出隐含在时序中具有不同尺度特征的子序列,进而对各子序列建立BP神经网络预测模型,最后叠加各子序列预测值得到边坡变形最终预测结果。与GM(1,1)和BP神经网络模型对比分析表明,该算法预测精度较高,在边坡变形波动剧烈时段,也能保证较优的局部预测值和较好的全局预测精度。     

EEMD-GA-SVM模型在滑坡位移预测中的应用

滑坡变形在外部因素影响下易表现出随机性和非线性不易预测的特点,为此有必要提出更加有效的预测方法。利用集合经验模态分解(EEMD)滑坡位移原始时间序列,可得到多组复杂度差异明显的新位移变形子序列,然后针对各变形子序列的特点,分别建立变形子序列的GA-SVM预测模型,再将各子序列预测模型相叠加,最终构建出基于集合经验模态分解与遗传算法优化的支持向量机(EEMD-GA-SVM)滑坡变形预测模型。以恩施市香炉坝村滑坡为例,通过对比EEMD-GA-SVM和BPNN、SVM、GA-SVM各种边坡变形预测模型的预测精度,发现EEMD-GA-SVM模型精度更高且更为可靠,能够为滑坡安全监测提供有价值的参考。