基于元模型理论的空气罐参数优化

密封式空气罐能够有效破坏管道真空，防止发生弥合水锤，针对传统密封式空气罐存在的优化门槛高、优化成本高的问题，提出一种基于元模型理论的空气罐参数优化方法。该方法使用水锤计算软件HAMMER作为源仿真模型，通过数据驱动神经网络的方式对源仿真模型建模，并连接遗传算法对空气罐参数进行寻优。结果表明：神经网络很好代替了源仿真模型，大大降低了建模成本；遗传算法运行结果显示，基于最大安全度优化后的管线最大压力比原设计的小，根据经济性优化后的空气罐体积比原设计的小很多，大大提高了经济性。     

基于主要驱动因子筛选法和深度学习算法的浙江省动态需水量预测

收集了浙江省2000—2020年各用水行业需水量数据,采用基于Spearman秩相关分析的主要驱动因子筛选法筛选了影响各行业需水量的主要驱动因子,进而构造了改进的长短时记忆(LSTM)神经网络需水量预测模型,对各行业需水量进行动态滚动预测,并将改进LSTM模型的预测结果与传统单变量LSTM预测模型、卷积神经网络模型、支持向量回归模型的预测结果进行了对比。结果表明,基于主要驱动因子筛选法改进的LSTM模型能实时动态滚动预测各行业每年需水量,且预测结果精度高于其他3种模型。     

五强溪水电站大坝变形预测模型研究

基于逐步回归法、偏最小二乘回归法和长短期记忆(LSTM)循环神经网络，构建了五强溪水电站大坝变形预测模型。采用拉伊特准则确定可靠的监测数据，基于可靠的监测数据，构建考虑水压、温度、时效因素的混凝土重力坝变形预测逐步回归和偏最小二乘回归模型，根据五强溪大坝坝顶J23测点2006年～2020年的监测资料获得该测点的沉陷曲线逐步回归和偏最小二乘回归预测模型。根据数值试验，选定的LSTM模型包括2个LSTM层，激活函数采用整流线性单元函数，输入序列长度为20。训练集数据取2006年～2017年的监测值，2018年～2020年的监测数据作为测试集数据。采用随机搜索对LSTM循环神经网络的超参数进行优化。比较3种模型结果可知：3种模型在沉降曲线的预测效果均较好；偏最小二乘回归法能合理地解释各分量；训练数据足够时，LSTM循环神经网络的预测精度非常高；采用偏最小二乘法回归模型或LSTM模型预测J23测点变形更为妥当。     

离心泵内部流场的数值模拟研究

计算流体（CFD）技术已经成功地运用于离心泵内部湍流流动的数值模拟。通过实体建模，为某型号离心泵添加固定导叶，然后运用ANSYS软件，基于标准k-ε模型，对离心泵内部流场进行数值模拟，并对添加导叶前后的压力、速度矢量图以及效率与实际的试验数据进行比较。结果发现，添加固定导叶后，出口压力明显增大，液流流动更加均匀，效率也得到大幅提升，而且与实验结果也比较吻合。研究结果进一步验证了仿真模拟的可靠性，同时也为实体泵优化和进一步提升效率研究提供理论参考。     

BP与LSTM神经网络在福建小流域水文预报中的应用对比

LSTM(长短期记忆)神经网络作为一种具有记忆能力的循环神经网络,能够学习时间序列数据间的状态特征,特别适合用于流域降雨径流预报。利用福建省延寿溪流域渡里水文站逐时降雨数据和逐时流量数据,分别采用模块化建模方法构建BP神经网络和LSTM神经网络,并采用集合预报均值的形式以避免模型训练中的参数局部最优解问题,进行未来1～24 h的逐时流量滚动预报。对比2个神经网络模型预报结果表明,LSTM模型整体预报效果优于BP模型,在滚动预报过程中预报精度的衰减速度大大慢于BP模型,1～24 h逐时预报的Nash效率系数为0. 968～0. 740,能够满足短期洪水预报精度要求。     

基于MTGNN的多元气象信息多步长预测研究

气象数据是光伏出力预测的重要依据，气象数据的质量对预测的准确性至关重要。但某些分布式光伏系统缺乏数值天气预报，难以得到准确的气象信息预测。针对这一问题，提出一种基于多元时间序列图神经网络(multivariate time series graph neural networks, MTGNN)的多元气象信息多步长预测方法，将多个种类的气象信息当作多元时间序列处理，每一类气象信息视作图的一个节点，利用图卷积模块负责将节点的信息与其邻居的信息融合，以处理空间依赖关系；利用时域卷积模块负责提取时间特征，最终实现多步长预测。最后利用某地气象装置采集的数据进行仿真验证，结果表明MTGNN的预测精度和稳定性相比于传统LSTM模型均有显著提高。     

基于长短时记忆神经网络（LSTM）的降雨径流模拟及预报

长短时记忆神经网络(LSTM)具有很强的时间序列关系拟合能力,非常适用于模拟及预报流域产汇流这一复杂的时间序列过程。基于LSTM针对不同预见期的径流预报分别建立了流域降雨径流模型,以探讨LSTM在水文预报当中的应用。模型采用流域降雨、气象及水文数据作为输入,不同预见期后的径流过程作为输出,率定期为14a,验证期为2a。结果显示,在预见期为0～2d时LSTM预报精度很高,在预见期为3d时预报精度较差,但仍优于新安江模型。隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度,也会影响模型训练速度。而输入数据长度则仅会在预见期为0的条件下影响模型预报效果。     

基于LightGBM-IndRNN模型的现货市场日前电价预测

日前电价的准确预测对保障电力市场参与者的利益具有重要意义。针对高比例新能源参与现货市场交易导致日前电价预测难度加大的问题，提出一种基于轻型梯度提升机(LightGBM)的独立循环神经网络(IndRNN)日前电价预测方法。首先，使用LightGBM算法计算特征的重要性得分，根据计算值排序提取出重要特征；然后，将筛选得到的新数据集作为输入，运用IndRNN神经网络对其进行训练，从而实现对日前电价的预测；最后，采用北欧电力交易所Nord Pool的数据进行仿真分析。实验结果表明，所提算法与传统预测模型相比，充分考虑了新能源出力不确定性对日前电价的影响，有效提高了预测的准确性。     

基于多种学习方案LSTM的信江流域径流预测

长短期记忆神经网络(LSTM)在径流预测中具有广泛应用,不同的输入使神经网络具有不同的学习方案,从而影响到模型性能。设置3种不同的LSTM学习方案,以前期径流预测当日径流(方案一)、以前期降雨预测当日径流(方案二)和以前期径流和前期降雨预测当日径流(方案三),比较其在相同模型结构下对信江流域丰水期和枯水期径流预测的性能。结果表明,丰水期和枯水期时方案三拟合度最高,平均绝对误差为0.012 6和0.007 6,纳什效率系数为0.94和0.96,对于信江流域基于LSTM的日径流预测,应当将前期降雨与前期径流结合起来作为模型输入。研究对基于数据驱动的径流预测输入集数据的选取有参考价值。     

基于混合模型的短期园区需水预测

为进一步提高短期园区需水预测精度，解决因短期园区人工供水误差较大导致的水、电资源浪费问题，提出一种由麻雀搜索算法(SSA)、卷积长短时记忆神经网络(ConvLSTM)、长短时记忆神经网络(LSTM)组合的SSA-ConvLSTM-LSTM混合模型短期园区需水预测方法，并以河北工程大学为例进行了分析。针对园区用水数据在时间维度上具备的多峰值和多周期特征，采用ConvLSTM挖掘数据中的时空特征；为使预测峰值更接近实际峰值，加入LSTM提升预测性能；为优化混合模型的隐层神经元数和卷积核数，采用SSA优化算法实现自动调参。通过预测河北工程大学1 d和3 d需水量进行模型性能验证，并与其他模型进行对比。结果表明：相比向量自回归(VAR)模型、深度神经网络(DNN)模型和LSTM,该需水预测模型具有更高的预测精度。该方法在短期需水预测上表现出良好的适应性和鲁棒性，具有一定应用价值。     

应用空间导叶的混流式水轮机三维湍流计算和试验分析

应用二维湍流计算方法和试验手段，对采用了新型三维导叶的混流式模型水轮机进行了研究。数值计算中，采用了全三维全流道的湍流计算方法，基于标准κ-ε湍流模型和SIMPLEC数值方法，从蜗壳进口到尾水管出口，包含所有流道在内的整体一次完成计算，得到速度场和压力场的分布，分析了不同导叶形式对水轮机流动的影响。通过试验分析了模型水轮机的能量特性和压力脉动情况。     

水和泥沙交界面上输运过程的数值研究

本文发展了计算海水和泥沙界面附近流场以及流体质点的渗透过程的数学模型。该模型将两个流动区域作为整体考虑，建立统一的控制方程组，并用有限差分法进行求解。其优点是在界面上不使用任何界面条件。通过分析数值结果，得到了流动的水平速度剖面、浓度和压力分布、流体质点的Lagrangian运动等。计算结果与现有实验符合得很好。     

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。     

基于CEEMDAN-LSTM的陶岔渠首水深预测

采用基于自适应噪声的完全经验模态分解-长短期记忆神经网络模型(CEEMDAN?LSTM)对水深进行预测.首先利用中位值平均滤波法对数据进行预处理,再采用CEEMDAN方法对历史水深序列进行分解获得历史水深的高、低频以及残差序列,然后对得到的各个分量使用LSTM神经网络预测,最后叠加各分量预测值重构水深预测结果.以陶岔渠...     

基于ARIMA-CNN-LSTM模型的黄河开封段水位预测研究

为准确预测水文条件复杂的黄河开封段水位变化，提出一种基于ARIMA-CNN-LSTM的多变量水位预测模型。该模型通过综合考虑水位的多重影响因素，结合卷积神经网络(CNN)和长短时记忆网络(LSTM)来学习数据中的非线性特征，同时应用ARIMA模型进行参数校正，从而实现对黄河开封段水位未来一段时间的预测。结果表明：相较于LSTM模型、CNN-LSTM模型、ARIMA模型以及BP神经网络模型，ARIMA-CNN-LSTM模型的预测精度更高，对峰值反应更灵敏，可以更加精准地预测未来一段时间的黄河开封段水位变化。     

有压管道双孔板过流流场的数值模拟

运用计算流体力学方法，通过k-ε湍流模型对有压管道双孔板过流流场进行数值模拟。结合GAMBIT物理造型和Fluent模拟计算，得到管道内压力、速度、流线分布图及沿程压力、速度变化曲线，同时获得消能系数与孔径比的关系曲线，计算结果与经验值符合良好。     

基于LMBP神经网络的土石坝渗流压力预测

渗流压力是反映大坝工作状态的重要物理量,对渗流压力进行预测分析可以及时了解大坝渗流状况和趋势。为克服标准BP算法收敛速度慢、泛化能力弱和计算量大等不足,引入LM算法优化标准BP神经网络的权值和阈值,提高BP神经网络对土石坝渗流压力的预测效果。根据渗流分析,给出了渗流压力的统计模型,由统计模型选取上下游水位、降雨和时效作为神经网络输入层因子,以渗流压力作为输出层因子,建立了3层LMBP神经网络大坝渗流压力预测模型。利用MATLAB进行了多组仿真试验,确定了使本次渗流压力预测效果更好的训练样本数据量区间。以渗流压力实测数据及同期库水位和降雨资料作为训练样本,在选取适当数据量的训练样本的基础上,运用LM算法对BP网络进行训练,利用测试样本对训练好的神经网络进行测试。将同结构的LMBP神经网络和标准BP神经网络应用于某土石坝渗流压力的预测中,应用结果表明,LMBP神经网络收敛速度更快、拟合和预测精度更高,在土石坝渗流压力分析和预测应用方面是可行的。     

反弧形溢洪道水流的物理模型与数字模型研究

采用物理模型、数字模型等方法完成了标准的反弧形溢洪道水流参数比较研究。物理模型由有机玻璃制成，放在试验槽内。沿溢洪道设有测压点。记录了10种不同水流情况的流量数据与压力数据。用解释雷诺和平均纳维尔－斯托克斯方程的计算流体动力学（CFD）商用软件来建立物理模型。从美国垦务局和美国陆军工程师团各种设计计算图表中内插得到的数据作为压力和流量数据。使用无因次流量曲线对各种方法获得的结果进行比较，并对高、中、低水流量情况的压力进行了比较分析。结果表明，物理模型与数字模型所得出的压力和流量结果极为吻合。数字方法的可用性，以及功效为工程人员设计和分析反弧形溢洪道又提供了一种工具。     

若干水文预报方法综述

将现有水文预报方法分为过程驱动模型方法和数据驱动模型方法两大类.过程驱动模型指以水文学概念为基础,对径流的产流过程与河道演进过程进行模拟,从而进行流量过程预报的模型.过程驱动模型近年在中长期预报方面的发展主要表现在对概念性流域降雨径流模型的结构进行改进,以适应较大时间尺度预报的需要.数据驱动模型则是基本不考虑水文过程的物理机制,而以建立输入输出数据之间的最优数学关系为目标的黑箱子方法.数据驱动模型以回归模型最为常用,近年来由于神经网络模型、非线性时间序列分析模型、模糊数学方法和灰色系统模型等的引进,以及水文数据获取能力和计算能力的发展,数据驱动模型在水文预报中受到了广泛的关注.     

水电机组效率的神经网络算法

水电站优化运行要求具有连续水位和导叶开度下的效率特性曲线。本文提出用BP神经网络方法计算机组效率，并建立了BP神经网络模型，以现场效率试验数据作为样本进行训练，并用训练好的网络计算该机组的效率。网络的训练速度及计算结果表明，该算法收敛速度较快，精度高，为计算水电站任意水头及导叶开度下的机组效率提供了新思路和新方法，可用于指导水电机组的优化运行。