广义回归神经网络在土石坝渗流监测中的应用

通过建立土石坝渗流监测数据的广义回归神经网络(GRNN)模型,对花凉亭水库坝基渗流测压管的监测数据进行了拟合与预测,并将其拟合预测结果与反向传播神经网络(BPNN)、多元逐步回归模型的拟合预测结果进行对比分析。结果表明,GRNN模型在数据拟合与预测方面均取得了很好的效果。     

ARIMA-GRNN模型在大坝安全监测中的应用

为提高大坝安全监测数据预测精度,将差分自回归移动平均模型(ARIMA)与广义回归神经网络(GRNN)相结合,建立了ARIMA-GRNN预测模型。以前期实测值和ARIMA拟合值作为GRNN网络的输入,后期实测值作为网络输出,以平均平方误差最小为原则寻找光滑因子,建立最佳的预测模型,并运用熵权法和标准离差法对各模型进行多指标综合评价。结果表明,ARIMA-GRNN模型预测精度较ARIMA模型明显提高,可应用于大坝安全监测。     

基于IFOA-GRNN的电力系统短期负荷预测

考虑到电网负荷与诸多因素有关，设计了一种带有温度、气象、日期类型的广义回归神经网络（GRNN）负荷预测模型。为了提高该模型的预测精度，提出了一种改进果蝇优化算法优化广义回归神经网络（IFOA-GRNN）的方法，即在利用果蝇优化算法（FOA）进入迭代寻优时，通过改进搜索距离优化该算法的性能和稳定性。利用改进的FOA优化GRNN的光滑参数，然后利用训练好的预测模型对甘肃省某地区进行了短期负荷预测，并与FOA-GRNN和误差反向传播神经网络(BPNN)模型结果进行了误差比较。结果表明， IFOA-GRNN具有较高的预测精度，能够满足电力系统短期负荷预测的要求。     

基于组合模型的月降水量预测研究

近年来,由降水量过多或过少引起的灾害日益增加,因此准确地预测降水量对人类的生活和社会的发展具有重大意义和实际应用价值。基于郑州市1990～2019年的月降水量数据,分别利用SARIMA、Prophet、LSTM单一模型对郑州市2020～2021年的月降水量进行预测。为了提高月降水量的预测精度,提出SARIMA-EMD-LSTM、Prophet-EMD-LSTM两种组合模型,实证表明这两种组合模型预测精度更高,均方根误差显著减少,其中Prophet-EMD-LSTM组合模型的预测效果相对较优。最后利用该模型对郑州市2022年4～12月的月降水量进行了预测,精度较高。     

ARIMA-RBFNN组合模型在白城市降水量预测中的应用

针对降水受大气环流、地形、气压等诸多环境因素影响致使准确预报降水量较为困难的问题,结合ARIMA模型和RBFNN模型各自优势,提出了ARIMA-RBFNN组合模型,对白城市2001~2010年降水量进行了预报,并与ARIMA模型和RBFNN模型预报结果进行了对比分析。结果表明,ARIMA-RBFNN组合模型在预测降水量时最大相对误差为27.33%,最小相对误差为0.70%,平均相对误差为8.54%,预测精度明显优于ARIMA模型和RBFNN模型,可见该组合模型发挥了ARIMA模型和RBFNN模型各自的优点,为精确预测降水量提供了一种有效方法。     

基于PSOGRNN的我国电力消费预测

为准确预测电力消费并给电力发展规划制定提供依据,提出一种电力消费混合预测模型(PSOGRNN),将GDP、人均可支配收入和电力消费历史数据作为输入变量,运用粒子群优化(PSO)算法优化选择用于电力消费预测的广义回归神经网络(GRNN)模型参数值,以此提高模型的预测精度。实例验证结果表明,与自适应GRNN模型、DGM(1,1)模型和最小二乘线性回归模型相比,PSOGRNN模型的预测精度最高,且有效可行。     

基于机器学习方法的安徽省年降水量预测

为准确、可靠地预测安徽省的年降水量,基于安徽省1900～2009年的均一化降水量数据集,使用信号分析技术和机器学习方法建立区域年降水量预测模型。Morlet小波分析和EEMD结果显示,研究区域历史年降水量序列大致存在3、5、20年左右的周期。为提高模型精度,建立5种输入层为3个节点、输出层为1个节点的机器学习模型,即BPNN、WANN、TSNN、SVM、ELM。按4∶1原则,将整理好的样本集中的前85组作为模型训练集,后22组作为测试集。结果表明,5种模型表现较好,率定期的平均相对误差分别为6.1%、12.1%、14.3%、14.3%、13.2%;验证期的平均相对误差为20.6%、13.6%、12.5%、13.0%、14.3%,合格率分别为63.7%、72.7%、77.3%、77.3%、72.7%。总体来看,除BPNN模型外,其余模型均较理想,机器学习方法在非线性水文序列的模拟和预测中具有较好的适用性和可靠性。研究成果可为安徽省未来水资源规划、配置提供指导。     

基于GRNN的冻融期土壤蒸发预测

基于2017～2018年冻融期实测大田土壤蒸发数据和日气象数据,采用主成分分析法与广义回归神经网络(GRNN)相结合的方法对土壤蒸发量进行预测。即先利用主成分分析法提取影响冻融期土壤蒸发的7个主要因子,将其作为GRNN模型的输入变量,土壤蒸发量作为输出变量;再利用10折交叉验证法选取的最佳光滑因子建立GRNN土壤蒸发预测模型。结果表明,GRNN模型预测值与实测值拟合程度较高,R~2为0.982、均方根误差为0.014mm/d、平均相对误差为5.281%、平均绝对误差为0.010mm/d,模型模拟精度较高,可用于冻融期土壤蒸发预测。     

基于GRNN神经网络的生态足迹影响因素预测

为预测区域生态环境的变化趋势,以北之江流域为例,建立了基于时间序列的GRNN神经网络预测模型,将耕地、化石能源地、草地、建筑用地、林地及水域这6类生物生产性土地面积作为生态足迹影响因素,利用GRNN神经网络对生态足迹影响因素进行预测,通过与灰色预测法和BP神经网络模型进行对比,验证了GRNN神经网络模型具有更高的预测精度,进而利用生态足迹影响因素计算了流域的生态足迹。结果表明,北之江流域的生态足迹在2013~2015年会逐步上升,且生态赤字会不断加剧,因此需对流域进行综合规划和治理。     

灰色自记忆模型在杭州市年降水量序列中的应用

将灰色微分方程与自记忆函数相结合构建灰色自记忆模型,并对杭州市年降水量序列进行拟舍和预测,采用逐步回归周期分析法提取该序列的周期项后,再对残差序列建立灰色自记忆模型.结果表明,采用残差序列建立的模型,模拟和预测精度大幅提高.     

龙角山水库入库洪水实用预报方法对比研究

为提高流域洪水预报精度,以山东半岛龙角山水库为例,利用25场洪水资料,选择降雨径流经验相关法和新安江模型对比分析二者的预报精度。结果表明,降雨径流经验相关法在率定期和验证期的地面径流深预报合格率分别为94.1%、87.5%,精度为甲等级别;新安江模型洪峰、峰现时间和径流深三个预报项目平均合格率在率定期、验证期分别为84.3%、83.3%,精度为乙等级别。与新安江模型相比,降雨径流经验相关法能够对洪量做出更为准确的预报,而新安江模型尽管总体预报精度偏低,但其还能对洪峰和峰现时间做出预报。在实际洪水预报作业中,可采用两种预报方法相结合的方式,取长补短,对各种水文预报要素做出更加准确的预报,从而为水库调度决策提供更有利的技术支撑。     

基于H-P滤波预测技术的年用电量预测模型研究

针对电力市场预测电力负荷受众多因素影响及各类预测模型模拟预测误差较大的问题,为提高负荷预测精度,基于H-P滤波预测法将等维信息法、指数回归模型及分布滞后回归模型引入年用电量预测中,通过双层预测降低预测误差,并结合实例比较。对比结果,滤波滞后回归模型的预测综合得分高于滤波指数回归模型。     

基于EMD分解的AR模型在年径流预测中的应用

为提高年径流中长期预测的精度,提出了一种新的时间序列预测方法——基于EMD分解的AR模型,以汾河上游上静游、汾河水库、寨上和兰村四座水文站1956~2000年的年径流序列为例,首先利用经验模态分解(EMD)方法将四座水文站的年径流序列分解为若干个固有模态函数(IMF)分量和一个残余项分量,然后运用自回归(AR)模型分别对各阶IMF进行预测,最后将各阶预测值重构得到年径流量预测值与单独运用AR模型的预测结果进行比较。结果表明,运用基于EMD分解的AR模型对汾河上游年径流进行预测,其预测精度比单独运用AR模型的预测精度有明显提高,表明该方法可行、有效。     

基于Elman神经网络的锦屏一级水电站年平均径流量集合预报研究

为预报锦屏一级水电站年平均径流量,根据其1960~1999年逐年年平均径流量与上年(1959~1998年)逐月74项大气环流指数的相关关系,选出相关性高且与年平均径流有物理联系的大气环流指数作为预报因子;利用多个Elman神经网络建立年平均径流量的集合预报模型,并采用锦屏一级水电站1960~1999年的逐年年平均径流量和筛选的预报因子数据对模型参数进行率定,2000~2011年的逐年年平均径流量对模型预报效果进行检验。结果表明,基于Elman神经网络的单一模型的范化能力较好,多模型的集合预报精度比单一模型的预报精度有进一步提高,可为锦屏一级水电站水资源调度提供参考。     

我国西南地区气象要素变化特征及预测

基于我国西南地区112个测站1961~2012年的逐月降水和气温观测资料,采用趋势系数法、线性倾向估计法、Mann-Kendall突变检验法、相关分析及逐步回归周期分析法等分析了我国西南地区近52年降水量和气温的时间变化特征,并在深入分析影响该地区年平均降水量的大气环流因子的基础上,建立了年平均降水量的多因子逐步回归周期分析预报模型,对当前及未来5年西南地区年平均降水量进行了预测。结果表明,西南地区年均降水量和秋季平均降水量呈显著下降趋势,年均降水量在2003、2009年出现突变,秋季平均降水量在1990年存在突变点;年均及四季平均气温都呈显著上升趋势且存在明显的突变点;副高、欧亚经向环流和极涡强度指数对我国西南地区年平均降水量影响较为显著;年平均降水量的多因子逐步回归周期分析预报模型的拟合预报合格率为100%,预测结果可信。     

基于最小二乘支持向量机的水库来水量预测模型

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(LS-SVM)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于BP模型,为来水量预测提供了一种可靠、有效的方法。     

基于最小二乘组合灰色模型的中长期电力负荷预测

电力负荷预测是实现电力系统管理现代化的重要内容,有效的中长期电力负荷预测可为电网运行方式、电源建设规划等提供可靠的决策依据。针对中长期电力负荷预测,综合考虑负荷的历史数据和未来可能走势,在对三种灰色预测模型分析的基础上,以其预测值为解释变量,实际负荷值为被解释变量,通过最小二乘法建立多元回归方程,并通过计量经济检验,以此构造了负荷预测组合模型。将该模型应用于北京市年用电量预测中,结果表明所构造模型具有较高的预测精度,有效可行。     

水文预报因子选择中两种不同方法的对比分析

鉴于合理选择预报因子和预测方法是提高中长期水文预测准确性的重要环节,以青海省西宁市为例,采用单相关系数法和相关概率法对气温和降水资料进行相关性分析,并在此基础上进行线性和非线性回归预测。结果表明,在给定95%置信度条件下两种相关性分析方法均通过检验,气温和降水线性相关显著,可将气温作为预报因子进行降水预测,但线性回归预测结果不理想,而采用最小二乘支持向量机的非线性方法预测结果较理想。     

基于改进灰色模型与BP神经网络模型组合的风力发电量预测研究

针对灰色模型在数据序列无规律的风力发电量预测中精度不高的问题,通过对原始数据的平滑处理改进灰色模型,并将改进的灰色模型与BP神经网络相结合构建组合预测模型,采用灰色关联法改进组合预测的权重系数。实例分析表明,改进的优选组合模型预测的准确度高于单一模型及传统的优选组合预测模型。