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。     

风速时间序列非线性短期预测

针对风速时间序列复杂的非线性特征,根据C-C算法确定重构参数(嵌入维数及延迟时间)并对风速重构相空间,建立径向基函数神经网络(RBF网络)及Volterra自适应预测模型对风速时间序列进行预测,以Lorenz方程数值解为例验证了两种预测方法的可行性。结果表明:RBF神经网络模型和Volterra自适应预测模型都能对实测风速时间序列进行较为准确的预测,预测误差分别在0.3和0.1 m/s内;Volterra自适应预测模型预测结果总体较RBF神经网络模型预测精度更高,且随着预测时间的增大,预测误差呈增大趋势,这与混沌存在初值敏感性的特征相符。     

基于广义回归神经网络模型的径流预测研究

为提高径流预报精度,构建了基于广义回归神经网络模型的径流预测模型并将其应用于浙江丽水小溪流域中,对白岩测站50年月平均径流资料进行模拟研究,并与BP神经网络模拟结果进行对比。结果表明,广义回归神经网络预测精度较BP神经网络模型高,更接近径流监测实测值,平均相对误差为11.06%,且预报结果比较稳定,为径流时间序列模拟提供了一种更优的建模方法。     

基于最大Lyapunov指数-校正的风电功率实时预测研究

依据混沌相空间重构理论,提出基于最大Lyapunov指数-校正的风电功率实时预测模型,该预测模型将Lyapunov指数预测模型的一步预测值作为真实值加入到原序列中,对新构成的时间序列进行相空间重构和预测,从而实现了多步预测,并依据风电功率的物理实际约束对Lyapunov指数的预测值进行校正。以东北某风电场的实测数据为例,对风电功率进行实时预测,预测结果验证了模型的有效性。     

基于EMD和LS-SVM的中长期径流预报

提出将EMD与LS-SVM模型相耦合的新的径流中长期预测方法,采用EMD分解年径流序列,应用LS-SVM模型预测和重构IMF分量.基于岷江紫坪铺水文站年径流资料预测和检验该模型,并与单独的LS-SVM模型及BP神经网络模型比较.实例结果表明,该方法预报精度高,预测径流行之有效.     

基于小波消噪和混沌序列的SVM模型研究应用

基于小波消噪理论,采用改进小数据量法计算最大Lyapunov指数,对北碚水文站月径流时间序列进行混沌特性识别,利用C-C法重构相空间挖掘北碚站月径流时间序列中的信息,通过SCE-UA算法优化出惩罚因子、核宽度,并引入径向基核函数简化非线性问题的求解过程.实例结果表明,SVM径流预测模型实现了精度与实用性的统一,可较好处理复杂的水文序列,具有较高的泛化能力和预测精度,为资料匮乏地区预报研究提供了一种新方法.     

基于多嵌入维数的径流组合预测

针对理论混沌参数计算方法很难得到实际径流时间序列的最佳嵌入维数,采用多嵌入维数组合预测对径流时间序列预测方法进行改进。利用Lyapunov指数预测模型分别计算了一系列不同嵌入维数情况下的预测值,根据预测效果对结果进行选择,并利用组合原理对其进行集成得到最后的预测值。实例分析表明,相对于单嵌入维数法,多嵌入维数组合预测方法可以综合利用不同相空间中的有用信息,提高径流时间序列预测的精度。     

基于混沌分析和神经网络的风速直接多步预测

针对风速序列的混沌特性,提出了一种将混沌分析和神经网络相结合的短期风速直接多步预测新方法,以提高其预测精度。首先,对风速序列进行混沌特性分析和相空间重构;然后,根据重构相空间的特征参数,结合预测需求,确定Elman网络结构;最后,利用空间欧式距离选取的样本对Elman网络进行训练,建立风速直接多步预测模型。以华北地区某风电场实测风速为例进行仿真测试,结果表明与单步迭代法和直接神经网络法相比,该文方法在进行风速直接多步预测时具有更好的整体误差指标。     

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。     

基于相空间分析的电力负荷序列预测算法

对电力负荷时间序列进行准确预测,避免电力负荷过载,传统方法采用线性时间序列预测算法,没有考虑电力负荷时间序列的自相似性和高斯性,导致预测精度不高。提出一种基于非线性时间序列分析和相空间重构的电力负荷序列预测算法。构建了电力负荷数据的非线性时间序列分析模型,采用相空间重构方法把电力负荷数据嵌入到高相空间中,在相空间中提取电力负荷时间序列的非线性特征,实现对电力负荷时间序列的准确预测,仿真结果表明,采用该方法进行电力负荷预测的精度较高,通过相空间分析能有效反应电力负荷数据的内部结构特征,提高预测性能和电力负荷数据的特征分析能力。     

结合均生函数的神经网络在中长期水文预报中的应用

针对中长期径流预报在水库中长期运行方案制定及调度决策形成中的作用,基于传统和智能预报方法各自的优势,利用均生函数模型记忆时间序列的内在规律,采用偏最小二乘方法对预报因子进行降维处理,建立了结合均生函数的神经网络预报模型,并利用神经网络模型修正预报结果。实例计算表明,该模型不仅可提取径流序列的特征,且预报精度也较单一的均生函数模型和神经网络模型有所提高。     

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。     

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。     

年径流变化的BP神经网络预报模型研究

针对现有基于线性方法的年径流预报模型预报精度不高的问题,利用乌江洪家渡1963~2016年径流系列资料,以5~10月月平均流量作为预报影响因子,构建以年径流量为预报对象的BP神经网络模型,形成6-11-1的网络结构,并选取泛化能力强的贝叶斯规则法TRAINBR为训练函数。模拟结果表明,模型预报效果良好,对于年径流预报具有实用价值;BP神经网络模型相比逐步线性回归方法能更精确表达年径流预报因子与预报对象的映射关系;采用的训练函数TRAINBR能有效改善模型的泛化能力。研究成果可为径流预报提供参考。     

基于改进杂草算法优化的神经网络模型在径流预报中的应用

针对BP神经网络在径流预报中易陷入局部最优解的缺陷及智能优化算法的优势,引入改进的杂草算法优化神经网络权值和阈值,将传统的杂草算法个体以正态分布空间扩散的方式改进为混合种群多种分布的方式产生子代个体。以金沙江流域中长期径流预报为例,将改进杂草算法优化的神经网络模型的径流预报结果与传统的BP神经网络和基于遗传算法优化的神经网络模型的预报结果进行对比。结果表明,改进杂草算法优化的神经网络应用到金沙江流域的径流预报精度较高,模型收敛更快,结果更加稳定,在实际预测中合理可行,具有一定的应用优势。研究成果为径流预报提供了新思路。     

基于LS-SVM和RBF的月降雨混沌时间序列预测

以乌尔逊河为例,采用相空间重构理论计算实测月降雨的延迟时间、嵌入维数、G-P饱和关联维数和Laypunov指数,证明月降雨时间序列存在混沌现象。运用LS-SVM模型对乌尔逊河月降雨混沌时间序列进行预测,并利用交叉验证法求取LS-SVM模型两个重要参数的最佳组合,同时与RBF神经网络模型进行了对比分析。结果表明,在做混沌时间序列分析时LS-SVM模型的预测精度优于RBF神经网络模型。     

DFA_VMD_LSTM组合日径流预测模型研究

为有效提取径流序列的局部特征信息、提高神经网络径流预测模型的非线性拟合能力和预测性能,引入变分模态分解(VMD)、去趋势波动分析(DFA)方法,提出了一种基于长短时记忆(LSTM)神经网络的组合日径流预测模型(DFA_VMD_LSTM),并采用均方误差(RRMSE)、平均绝对误差(MMAE)、平均绝对百分误差(MMAP...     

蝗虫优化相关向量机模型在径流预测中的应用

针对径流序列不稳定导致预测精度不高的问题,提出一种基于变分模态分解(VMD)和蝗虫优化算法(GOA)优化相关向量机(RVM)的组合径流预测模型。首先对原始非平稳的径流序列采用VMD得到若干个相对稳定的分量序列,再分别建立RVM预测模型,并采用GOA优化RVM中核函数的参数,最后累加所有分量的预测值得到径流序列的预测值。实例结果发现,较传统的BP神经网络、支持向量机及基于经验模态分解的支持向量机等模型,该模型预测精度更高,预测结果能为水电站的经济运行、水资源的有效利用等提供决策依据。