小波网络耦合模型在地下水位动态预测中的应用

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

虹吸井对尾矿坝地震液化的影响分析

针对河套灌区地下水位预测问题,结合小波变换的时频局部特性和神经网络的逼近功能,构建了两种不同耦合方式下小波和BP神经网络相结合的小波网络模型,比较了不同耦合方式下小波网络模型与单纯神经网络模型的预测效果。两种耦合方式下的小波网络模型模拟结果均比单纯使用人工神经网络模型更接近实测值,对低频信号序列及高频信号序列分别进行神经网络模型预测后再进行重构的预测方式比直接将小波分解的多级信号与神经网络结合的预测方式具有更好的预测效果。     

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。     

基于离散小波变换与时间序列的钱塘江潮位预测

针对钱塘江潮位呈现出的周期性、随机性和波动性,为实现对钱塘江潮位的有效预测,提出一种基于离散小波变换和时间序列的预测方法,即先利用离散小波变换将实测的钱塘江潮位序列进行分解与重构,将非平稳的序列转化为多层较平稳的序列;然后利用时间序列建模方法对分解后的各个序列分别建立时间序列模型,对各层进行动态预测;最后将各层预测值求和作为最终的预测结果。试验表明,所提方法预测的效果明显优于其他混合模型及单一模型,能够提供更加准确的潮位预测。     

基于小波变换和LS-SVM的短期风速预测方法

针对风速序列的周期性和非平稳性,提出了基于小波变换和LS-SVM相结合的风电场风速预测模型,利用小波变换的多分辩分析法对风速序列进行分解,将风速序列投影到不同尺度上.结合LS-SVM的小样本学习能力强和计算简单等特点,将小波分解后的各风速子序列分别采用LS-SVM进行训练和预测,最后将各预测结果进行叠加得到最终的风速预测值.与LS-SVM风速预测方法进行比较,采用该文提出的方法可明显提高短期风速预测的精度,并具有较强的适应性,具有一定的工程应用前景.最后通过具体实例验证了该模型的有效性.     

混合小波包与纵横交叉算法的风电预测神经网络模型

针对常规Elman神经网络容易陷入局部最优、泛化能力不足等缺点,提出一种混合小波包变换和纵横交叉算法(CSO)优化神经网络的短期风电预测新方法。该混合方法首先利用小波包变换将风电功率时间序列分解成多个不同频率的子序列,然后采用CSO优化后的神经网络(CSO-ENN)对各分量进行提前24 h预测,最后叠加各子序列的预测值,得出实际预测结果。在实例分析中,利用某风电场实际运行数据进行仿真验证。结果表明:新模型的预测精度明显优于其他混合方法和风电场提供的日前预测结果。     

基于小波分析的BP神经网络潮水位预测方法

分析了潮水的特性,提出了基于小波多分辨分析的BP神经网络潮水位预测方法。通过小波分解与重构技术,将潮水位序列分解成不同层次,得到趋势项、周期项和随机项,利用BP神经网络对每一项进行预测,最后再重构得到原潮水位序列的预测值。实例验证,基于小波分析的BP神经网络潮水位预测方法比单独用神经网络对潮水位进行预测更有效。     

基于小波分析和灰色BP神经网络的滑坡位移预测

滑坡位移时间序列预测对滑坡灾害预警和防治具有重要意义。滑坡位移时间序列具有高度的非线性特征,含有大量噪音且采用常规非线性模型难以准确预测。对此,提出基于小波分析(WA)—灰色BP神经网络的滑坡位移预测模型。该模型先采用小波分析法将滑坡位移时间序列分解为不同频率分量的滑坡子位移,然后采用灰色BP神经网络对各滑坡子位移进行预测,在此基础上将预测得到的各子位移值相加,最终得到预测出的滑坡位移值。以GPS监测获得的郑家大沟滑坡#1监测点的位移时间序列为例,采用WA-灰色BP神经网络模型对其位移进行预测,并与WA-BP神经网络模型及未进行小波分析的单独灰色BP神经网络模型进行对比分析。结果表明,WA-灰色BP神经网络模型准确预测出郑家大沟滑坡#1监测点的位移值,且具有比WA-BP神经网络模型和单独灰色BP神经网络模型更高的预测精度。     

丹江口水库径流预测方法与趋势分析

针对径流量时间序列非线性、非平稳性的特点,基于丹江口水库1933~2001年的入库水量资料,采用紧致型小波神经网络预测水文序列,将小波基与输入向量的内积进行加权计算和反复训练,发挥小波变换良好的时频局域化性质及神经网络的自学习功能,再通过1961~2001年降水量和入库水量的对比,分析了降水和径流的变化过程。结果表明,径流量有减少的趋势。     

大朝山电站入库径流变化及预测研究

采用希尔伯特-黄变换和Mann-Kendall非参数检验法对对澜沦江流域大朝山电站1961～2008年入库径流周期及趋势变化规律进行研究,根据分析结果建立BP神经网络-希尔伯特-黄变换耦合模型预测了未来5 a大朝山电站入库径流.结果表明,大朝山电站入库流量序列主要存在3、7、16 a近似周期成分,1961～2000年入库流量呈减少趋势,在进入21世纪后径流有所增加,未来径流量将继续保持递减趋势,2014年将达到最小值,之后径流有所回升.     

基于遗传算法的参数投影寻踪回归径流预报模型及应用

为提高径流预报精度,采用单相关系数法挑选预报因子,建立了基于遗传算法的参数投影寻踪回归径流预报模型,利用该模型对雅砻江二滩水电站月平均流量进行了预报。结果表明,与BP神经网络模型预报结果相比,投影寻踪回归模型具有更好的预报结果和更高的预报精度。     

青弋江干流径流变化规律分析

为了解青弋江干流径流变化规律,以青弋江流域主要控制站西河镇水文站1970~2010年的径流时间序列为基础资料,采用M-K趋势检验法和小波分析法分析西河镇水文站年际径流变化趋势和变化周期,选用年内分配不均匀系数、完全调节系数、集中度、变率指数等指标分析了径流年内分配特征。结果表明,西河镇水文站年际变化趋势较为平稳,15年周期尺度下的径流丰枯交替较为明显,年内分配各特征指标呈减小趋势,年内径流过程趋于均匀。所得结果可为青弋江流域防洪和水资源合理规划、开发利用提供一定的参考依据。     

基于Wavelet-Anfis模型的陈家湾水库长期径流预测

针对径流序列特性变化复杂且难以预测的问题,提出了基于Wavelet-Anfis的径流预测模型。首先对长期径流序列进行拟合得到原始信号,通过Sym8小波对该信号进行尺度为4的分解,得到对应的低频信号A4和高频信号D1~D4,利用Anfis对这些分解信号逐步训练以确定最佳模型,从而预测出低、高频信号预测期的序列值,最后将各预测序列重构回原尺度生成径流预测值。将该方法应用于陈家湾水库年径流序列中,并与直接Anfis预测结果进行对比。结果表明,Wavelet-Anfis模型预测值的相对误差较小,且具有较快的收敛速度,既有效又准确。     

二滩水电站中长期径流预报研究

针对二滩水电站的实际径流特性和水电站发电调度的要求,应用季节性自回归模型和人工神经网络模型对二滩水电站的月径流、汛期分段和年径流预报进行研究.结果表明,这两种模型对二滩水电站的月径流预报、汛期定性预报均达到了一定精度,可为二滩水电站优化调度的径流输入提供参考依据,尤其是AR(P)模型的非汛期月径流预测和BP模型年径流预测结果可在实际运行中使用.     

基于支持向量机的水电站中长期径流组合预报

中长期径流预报是充分利用水资源、实现水电站优化运行的重要环节。以金沙江中游龙盘电站为研究对象,分别采用自回归滑动平均模型、最近邻抽样回归模型、BP神经网络建立了该水电站月径流预报模型,在分析三种模型预报结果具有一定互补性的基础上进一步建立了支持向量机分月组合预报模型。统计结果表明,与单一预报模型相比,该组合预报模型具有更高的精度和稳定性,为寻求水电站径流预报规律和制定中长期调度计划提供了技术支持。     

基于多方法优选预报因子的天山西部山区融雪径流中长期水文预报

为实现天山西部山区喀什河流域冰川融雪区域的水资源可持续开发利用,更好地支撑所在区域工农业生产发展,有必要开展融雪径流中长期水文预报研究。基于相关系数法、主成分分析法及两种方法相结合的综合方法优选预报因子,采用BP神经网络模型和组合小波BP神经网络模型预报径流。结果表明,采用综合方法筛选出的预报因子集合可以得到更好的预报结果;组合小波BP神经网络模型在3个不同方案中的预测效果均优于BP神经网络模型的预测结果,其预报精度更高。研究成果可为该区域融雪径流模拟研究及洪水预报提供参考。     

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。     

岩溶区流域降雨径流趋势变异分析

为了识别变化环境下岩溶区流域水文序列趋势发生的变异及变异程度并预估未来变化趋势,采用趋势分析法和变异分析法分析了澄碧河水库流域降雨径流序列在3个时间尺度下的趋势性及变异性,并结合相关函数法预估其变化趋势。实例研究表明,流域内降雨序列在不同时间尺度下总体上均呈持续下降趋势(倾向率为-13.6~-32.2mm/10a),相应发生了不同程度的变异(h=0.512~0.956),其中百炼站发生了巨变异,变异强度大致以全年—雨季—枯季尺度递减;年径流与雨季径流呈同步微弱下降趋势,而枯季径流则呈微弱上升趋势,但均处于弱变异(h=0.675)状态;未来一定时期内,水库流域3个时间尺度下降雨序列呈显著下降趋势,而径流则呈微弱减少趋势。     

近50年来滦河下游径流演变特征及成因分析

选用滦河下游滦县水文站1956~2006年径流量资料,采用线性倾向估计、滑动平均、滑动t检验、Yamamoto法、有序聚类和小波分析等方法分析了滦河下游年径流量演变趋势和周期特征,并分析了径流变化原因。结果表明,滦河下游年径流量呈显著下降趋势,年径流量倾向率为-9.5×108m3/10a;年径流量在1979年前后发生了突变,随后总体呈下降趋势;年径流序列主要存在3个尺度的周期变化,其中以30年以上尺度的震荡最强;人口增长、工农业用水增加、跨流域调水等人类活动因素是导致滦河下游径流量减少的主要原因。     

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。