基于splice-LSTM的多因素西江水位预测模型研究

准确的水位和水量等水文时间序列预测是水资源管理的重要依据。受上游支流流量、水位等因素影响，传统的单因素水位预测模型不能有效考虑众多因素，水位预测精度面临严峻挑战。以典型西江干线梧州站水位精准预测为研究对象，建立了基于splice-LSTM的多因素水位预测模型，采用拼接的长短期记忆网络(LSTM)和全连接线性模型(Linear),对2020～2021年西江干线多站点的流量数据进行分析，预测梧州站点的水位。研究结果表明：(1)由于splice-LSTM中引入了非线性层，提高了近期历史输入数据的权重，使得模型预测值更加接近历史真实值，降低了预测误差，Linear部分可以提高模型对于线性成分的敏感性，使得模型在水位峰值处的预测更加准确；(2) splice-LSTM模型与传统单因素的ARIMA模型、LSTM模型相比，在水位预测方面准确度分别提升14.4%,10.1%。研究成果可为西江船闸运行调度中心精准预调度船舶提供参考。     

小波神经网络模型在河道流量水位预测中的应用

鉴于BP神经网络学习收敛速度慢、参数选择困难、易陷入局部极值等缺点,提出小波神经网络河道流量水位预测模型,以盘龙河天保站流量水位预测为例进行分析。采用循环算法确定最佳BP神经网络结构,并在相同网络结构及期望误差等条件下,运用GA优化BP神经网络初始权值和阈值,构建传统BP、GA-BP神经网络河道流量水位预测模型作为对比预测模型。结果表明:小波神经网络结合了神经网络与小波分解在函数逼近上的优点,其预测精度高于传统BP和GA-BP网络模型,表明小波神经网络用于河道流量水位预测是合理可行和有效的,可为水文预测预报提供新的途径和方法。且小波神经网络模型具有计算简便、逼近能力强、收敛速度快,能有效避免局部极值等特点,有着广阔的应用前景。     

基于LSTM-Arima的大坝变形组合预测模型及其应用

大坝变形是水压、温度等多种因素综合作用的结果,变形监测数据是非平稳非线性的时间序列,并且在时间维度上具有关联性。为充分挖掘变形监测数据在长短时间跨度上的关联性,提出了应用长短期记忆网络(LSTM)预测大坝变形的方法。为进一步提升预测精度,利用自回归差分移动平均模型(Arima)对预测残差进行误差修正,从而建立基于LSTM-Arima的大坝变形组合预测模型。以某混凝土重力坝为例,将组合模型的预测结果与Arima模型、支持向量机(SVM)的预测结果进行对比分析。结果表明LSTM-Arima的预测结果优于Arima模型和SVM的预测结果,LSTM-Arima的均方根误差(RMSE) 比Arima模型和SVM分别降低了40.65%和59.00%,平均绝对误差(MAE)分别降低了35.49%和55.60%,表明LSTM-Arima模型具有较高的预测精度。研究成果对于更精确地开展大坝变形预测有一定参考价值。     

基于优化非等时距权重傅里叶灰色模型的变形预测

针对传统非等时距灰色模型对变形预测精度偏低问题,首先在传统非等时距灰色模型的基础上引入权重系数优化生成序列,然后利用傅里叶变换函数对残差进行修正,建立了权重优化-傅里叶变换函数残差修正的组合预测模型;最后以某下承式集散拱肋拱桥为背景,对其主梁变形进行预测。预测结果表明：该模型预测值总体平均相对误差为2.4%,高于传统非等时距灰色模型,预测精度为1级,为主梁变形预测提供了一种有效的技术手段。     

基于LSTM神经网络的水电站短期水位预测方法

针对常规水位预测方法信息挖掘能力不足和启发式算法机理不明确等缺点,提出了一种基于长短时记忆(long short-term memory, LSTM)网络的水位预测方法。该方法采用水位和出力等直接监测数据,避免了出入库流量等间接计算值带来的二次误差,进而提升水位预测的准确率;采用梯度下降法与Broyden-Fletcher-Goldfarb-Shanno (BFGS)算法相结合训练模型,Wolfe-Powell线搜索方法选取步长,提高模型收敛速率。将该方法用于葛洲坝水电站的上下游水位预测,结果表明,该方法能够实现下游水位连续6 h和上游水位连续3 h的准确预测,具有较高的预测精度和实用性,为葛洲坝水库的实时调度提供了技术支撑。     

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。     

基于灰色马尔可夫链的兰村泉域地下水位预测

将兰村泉域S1长观孔2001—2010年的年平均水位埋深作为特征因素序列,降水量和人工开采量作为相关因素序列,采用灰色系统理论将GM(1,N)模型应用于兰村泉域岩溶地下水位埋深预测,并应用马尔可夫模型对输出结果进行残差修正。结果表明:经过修正后的GM(1,3)模型的拟合精度达到97.41%,比没有经过残差修正的GM(1,3)模型高出9.62%,修正后的预测值更加贴近原始值,准确性提高。采用马尔可夫残差修正模型对2011—2013年兰村泉域水位埋深值进行预测,结果表明:2011年、2012年、2013年的地下水位预测值分别为33.24、32.01、31.12 m,地下水位缓慢回升。     

小波-神经网络混合模型预测地下水水位

由于过量开采地下水,华北平原的许多城市出现地下水水位持续下降趋势,由此导致了许多严重的环境问题,如地下水枯竭、地面沉降和海水入侵等。为了准确预测城市地下水水位变化,利用小波变换的多尺度分析特征,建立了小波-神经网络混合模型(以下简称"混合模型"),并研究了其在地下水水位预测中的精度。利用北京市平谷区地下水水位观测资料,分别用BP网络和混合模型对该区地下水水位进行了预测。采用均方根误差(RMSE)、平均绝对误差(MAE)和线性相关系数(R)对模型预测的精度进行度量。预测结果表明:混合模型第1至第3个月的地下水水位平均绝对误差分别是0.535,0.598和0.634 m;而BP模型的平均绝对误差分别为0.566,0.824和0.940 m。混合模型的预测误差分别为BP模型的95%,73%和67%。使用混合模型能明显提高预测的精度,显著增加有效预测时段长度。     

基于EMD-LSTM耦合模型的趵突泉岩溶地下水水位预测应用

由于岩溶地下水具有强烈的非线性及非平稳波动特征,水位预测结果容易产生较大误差。针对岩溶地下水水位预测精度较差的问题,提出一种EMD-LSTM耦合模型,首先采用经验模态分解（EMD）将趵突泉岩溶地下水水位分解为5个分量（4个本征模函数项和1个残余项）,以此消除水位数据的非平稳波动性;同时构建长短期记忆（LSTM）神经网络模型,并将与地下水水位动态变化密切相关的降水量（表征含水层补给项）和月平均气温值、月最高气温值、月最低气温值、水汽压值（表征含水层排泄项）作为输入项分别对5个分量进行预测,最终将分量预测结果累加获得地下水水位预测值。结果表明：EMD能够显著消除岩溶地下水水位的非平稳波动特征;EMD-LSTM耦合模型可有效提高岩溶地下水水位的预测精度,其均方根误差相比于LSTM神经网络模型、ARIMA模型分别减小了27.86%和59.94%。总体来说,本文所提出的EMD-LSTM耦合模型具有较强的可靠性和稳定性,可为岩溶地下水水位的精确预测提供借鉴。     

BP网络在大坝变形空间多测点监测模型中的应用

利用BP网络的较强函数非线性映射能力,对大坝多个测点的变形监测数据进行了仿真及预测,所建立的空间多测点BP网络模型以水位、温度、时间、测点坐标作为输入参数,以大坝变形值作为网络输出.结果表明,通过有代表性的学习样本对网络的训练,模型的拟合及预报结果能够满足精度要求,同时,与传统的统计建模方法相比,大坝变形多测点BP网络模型具有实施容易、运行速度快、误差修正方便、操作简单、运行灵活等优点.     

基于 Embedding-GRU 的水库水位预测模型

为解决因水库数据采集设备能力有限、水文数据不全导致预测水库水位时预测精度较低的问题，以四岭水 库每小时水位监测数据为例，提出基于嵌入式-门控循环单元（Embedding-gated?recurrent?unit，Embedding-GRU）的 水库水位预测模型，即利用 Embedding 方法将单维降雨量数据升维至多维数据，扩大降雨的气候特征，结合 GRU 算法进行水库水位预测。将该模型与传统深度学习算法长短期记忆（long?short-term?memory，LSTM）、门控循环单 元（gated?recurrent?unit，GRU）、双向门控循环单元（bidirectional?recurrent?neural?network，BiGRU）这 3 种模型对比， 结果显示：Embedding-GRU 模型的预测效果均优于其他传统模型，平均绝对误差 EMA和均方根误差 ERMS分别平均 下降 19.6% 和 7.7%，并且在预测次日水库水位的应用场景中决定系数 R2能够达到 0.989?37。结果表明：该模型耦 合多种算法，扩大单变量的气候特征，具有较高预测精度和泛化能力。相较传统模型，基于 Embedding-GRU 的水 库水位预测模型能够对缺少温度、气压、风速、蒸发量等监测数据的水库进行可靠度较高的预测，适用水库范围 更广，为水库日常运维、除险加固提供参考。     

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

考虑水文模型参数时变的水库水位多预见期实时预报——以水布垭水库为例

精准可靠的坝前水位预测可支撑水库的调度决策,保障流域防洪安全。传统水库水位实时预报方法均基于降雨径流稳态假定,在变化环境下精度不高。为此,本研究提出了一种整合水文模型参数时变和实时校正的水库水位多预见期实时预报方法：识别变化环境下水文模型参数的时变过程,构建时变参数与自然、社会经济因子的函数关系;基于时变参数函数式构建预报调度集成模型,以预见期内多个时刻预报水位与观测水位的吻合程度为目标函数率定水文模型的参数;采用基于反向拟合算法的实时校正技术进行误差校正,输出不同预见期的水库水位预报。以水布垭水库流域为研究对象,结果表明,较传统水库水位预报方法,论文提出的方法在率定期和检验期的平均绝对值误差分别下降了0.050和0.040 m,可为防洪减灾提供高精度、长预见期的水库水位预测。     

基于分段LassoLarsCV算法的水位预测研究——以三峡库区长寿站为例

三峡水库蓄水以来,由于入库流量统计和地形资料测量等存在系统性误差,通过求解圣维南方程组计算的长寿站水位精度有时难以满足实际应用需求。对此,采用分段套索最小角回归交叉验证(Lasso Least angle regression Cross Validation, LassoLarsCV)算法预测长寿站水位。首先收集了2009～2019年相关水位和流量数据并进行标准化处理,然后根据坝前水位和入库流量对数据进行分类;最后针对每一个类别,从2009～2018年的数据中随机抽取80%用于训练线性模型,剩余20%数据用于检验并调整分段方案,以2019年的数据进行测试,采用LassoLarsCV算法模型求解。结果表明:采用LassoLarsl算法得到的长寿站水位误差可以控制在1.2 m以内,99.47%的水位误差在0.5 m以内,效果优于传统水动力学方法。LassoLarsCV可直接研究出、入库流量和坝前水位与长寿站水位的映射关系,降低了模型对输入数据准确性的要求,同时提高了长寿站水位的计算精度。     

基于双向长短时神经网络的水量预测方法研究

短期需水量预测是开展城镇供水管网智能调度和基于流量的漏失在线预警的基础,受限于需水量的非线性变化,传统模型的预测精度和稳定性较差,尤其是对于15 min间隔的需水量预测。为解决此问题,提出了一种利用深度学习的水量预测方法,建立了双向长短时记忆循环神经网络模型预测常州市某DMA入口15min的水量。结果表明,双向长短时记忆循环神经网络模型的预测效果优于传统人工神经网络模型,能够有效提升水量预测模型的精度与稳定性。     

基于 EMD － ＲVM － Arima 的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法( EMD) 、相关向量机理论( ＲVM) 以及 Arima 误差修正模型对大坝变形监测数据进行分析预测。首先利用 EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数( IMF) 以及残差序列,再以 ＲVM 预测模型对上述结果进行分析预测,最后利用 Arima 误差修正模型对预测残差进行误差修正,从而建立了以 ＲVM 为基础预测模型的 EMD － ＲVM － Arima 大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为 2. 89 mm,同时计算出SVM、ＲVM 法的平均残差为 11. 62 mm、9. 30 mm。可以看出,EMD － ＲVM － Arima 模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。     

基于BiLSTM-NFC的地下水埋深预测方法研究

为了提高地下水埋深预测的精度,提出了双向长短时记忆循环神经网络(BiLSTM)融合非全连接神经网络(NFC)的深度学习模型。使用自适应矩估计优化函数(Adam),耦合双曲正切(Tanh)、软最大逻辑回归(Softmax)和线性整流单元(ReLU)3个激活函数,且将学习率设置为动态的,以黄河下游人民胜利渠灌区1993—2018年的地下水埋深预测为例,将BiLSTM-NFC与BiLSTM、长短时记忆循环神经网络(LSTM)及LSTM-NFC的预测结果进行对比分析。结果表明:双向网络的性能优于单向网络,NFC可以防止过拟合,还能明显降低模型的均方误差(MSE);与BiLSTM、LSTM-NFC和LSTM相比,BiLSTM-NFC的学习能力、稳定性、可靠性及泛化能力最强;BiLSTM-NFC在测试集上的准确率(Acc)可以达到100%,最接近无偏估计,MSE比LSTM的减小96.60%,平均相对误差(MRE)减小85.63%,相关系数(r)增大34.81%;模型在图形处理单元(GPU)上比在中央处理单元(CPU)上训练时间明显缩短,合理设置多种激活函数可以解决单一激活函数的弊端;使用BiLSTM-NFC可以准确地预测地下水埋深的变化情况。     

基于小波分解及Arima误差修正的径流预测模型及应用

为改善传统径流预测模型对随机性时间序列的预测效果并不理想的现状,构建基于小波分解及Arima误差修正的径流预测模型。应用小波分解法将径流时间序列进行分解和重构,使非平稳、随机性的径流时间序列平稳化,对数据样本预处理后建立以相关向量机(RVM)为理论基础的径流预测模型,并采用改进粒子群算法进行核函数全局寻优,最后对模型拟合残差进行Arima误差修正。通过实例计算得到传统支持向量机(SVM)模型、RVM模型和径流预测模型的预测值平均误差分别为8.60%,9.02%和3.64%。结果表明:通过小波分解及重构方法对非平稳时间序列的预处理可有效提高预测精度,同时Arima误差修正也有很好的效果,相比于SVM模型、RVM模型,基于小波分解及Arima误差修正的径流预测模型具有更高的预测精度,在实际工程中具有一定的可行性。     

基于EMD-LSTM模型的河流水量水位预测

基于经验模式分解方法和长短期记忆网络(empirical model decomposition and long short-term memory network,EMD-LSTM)模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。     

小浪底-花园口区间洪水智能预报方法研究

结合实际资料,以改进的神经网络模型检验了小浪底一花园口区间洪水智能预报方法的可行性和精度的可靠性,并对出现个别较大误差的原因进行了分析。研究结果表明,采用遗传算法优化网络初始权再和引人峰值修正系数的改进BP算法进行洪水预报,其模型合理、算法可靠、精度较高。同时,为充分发挥神经网络对复朵系统映射的优势,建议：①加强水文观测力度,获得较为准确的观测资料,包括连续的水位、流量资料,洪峰传播时间以硬区间人流等;②在实际应用中直接采用当前洪水数据作为训练样本,以使网络更能反映当前洪水的演进规律,并提高预报精度;③开展误差实时修正的研究,将误差修正方法引入到模型中;④扩大建模范围,建立降雨-径流预报模犁,并考虑区间入流情况,以进一步提高网络的预报精度,延长预见期。