基于随机森林算法的大坝应力预测模型的构建及其应用

针对传统统计模型在大坝应力监测时预测精度不高且容易出现过度拟合现象,将随机森林算法引入大坝应力预测中,构建了基于随机森林算法的大坝应力预测模型,对某混凝土重力坝的应力监测数据进行处理、分析和预测,并以平均绝对误差、平均误差平方和及相对误差平方和为指标与多元线性回归模型和神经网络模型进行对比。结果表明,当预测范围在训练集样本范围内时,基于随机森林算法的大坝应力预测模型的预测精度较高,稳定性较好,为大坝应力预测提供了一种新途径。     

基于PSO_GM_MC的某混凝土双曲拱坝监控模型

大坝位移的准确预测对大坝安全监控具有重要意义。针对传统的GM(1,1)模型在大坝位移监控中存在预测误差较大的问题,利用粒子群优化算法(PSO)对背景值权重参数寻优重构,借助马尔科夫链(MC)实现残差优化,建立了大坝位移的PSO_GM_MC监控模型。实例分析表明,PSO_GM_MC监控模型与传统灰色模型GM(1,1)相比,在大坝位移预测精度上有较大提高,可用于大坝位移的安全监控。     

基于PSO-WNN的大坝安全监控模型研究

针对大坝安全监控中小渡神经网络模型(WNN)训练时间较长且易陷入局部极小值的缺陷,提出采用粒子群优化算法(PSO)取代传统的梯度下降法对小波神经网络中的各参数进行优化.建立了PSO-WNN模型并用于大坝安全监测的拟舍和预报.实例结果表明,PSO-WNN模型收敛速度快、预测精度及稳定性高,为大坝变形监测分析提供了一种有效的新型建模方法.     

基于改进PSO-SVM-MC模型的大坝变形监测模型

分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。     

基于SCE-UA/SVM的大坝变形预测模型研究

为提高大坝变形预测模型的精度,采用复合形交叉进化算法(SCE-UA),以均方根差最小为目标来优化支持向量机(SVM)的参数,从而建立了基于SCE-UA/SVM的大坝变形预测模型,并结合实际监测数据,对比分析了该模型与统计模型的优劣。结果表明,该模型能够提高大坝变形的预测精度,为大坝变形预测提供了一种新的思路。     

基于灰色关联分析与随机森林回归模型的短期负荷预测

针对人工神经网络和支持向量机存在的泛化误差大、具有局部最优以及参数选取困难等缺点,将随机森林回归模型引入电力系统短期负荷预测,提出了一种基于相似日与随机森林回归模型的短期负荷预测方法。利用灰色关联分析法计算原始训练样本与预测日各影响因素间的关联系数,选取相似度较高的历史样本构成相似日样本集,对随机森林回归模型进行训练。将预测日的特征向量输入训练好的模型中,取所有回归树输出结果的平均值作为最终的负荷预测结果。实际算例表明,与常规支持向量机法和常规随机森林回归法相比,该组合方法可以有效地提高短期负荷预测的精度。     

ABC BP模型在混凝土双曲拱坝变形监控中的应用

因大坝变形具有很强的非线性、随机性,致使预测困难,将人工蜂群算法(ABC)与BP神经网络相结合,利用人工蜂群算法具有强全局优化能力、强鲁棒性等优点,克服BP神经网络收敛速度慢、易陷入局部极小点等缺点,建立ABC BP、BP神经网络大坝变形预测模型对小湾大坝变形监测数据进行预测。结果表明,与单纯的BP神经网络预测模型相比,ABC BP算法提高了大坝变形预报的精度,加快了网络的收敛速度,能更高效准确地进行大坝变形监控预报。     

大坝变形的ε-SVR数值模拟

在新建水利枢纽、大坝除险加固以及监测系统不稳定等原因导致有效观测序列较短的情况下,为了对大坝变形进行有效的监控和预测,用基于不敏感损失函数的支持向量回归机(ε-SVR)对大坝变形进行数值模拟。采用支持向量回归机、序贯极小优化算法对大坝变形水平位移各分量的特征因子进行选择,模型建立后分离水压、温度、时效等主要分量,并分析其对变形的影响。对实际工程进行数值模拟的结果表明,依靠较少的支持向量就可以建立模型,该模型具有拟合效果稳定、预测结果准确可靠的特点,可以应用于大坝短期观测资料的分析。     

基于FCM-WOA-LSTM的大坝变形预测模型及其应用

随着大坝变形监测资料的持续积累和变形测点数量的不断增多,预测分析全部变形测点往往需耗费大量的时间,容易造成反馈不及时的问题。对此,引入模糊C-均值聚类算法(FCM),根据大坝变形规律的相似程度进行分区,将鲸鱼优化算法(WOA)用于长短期记忆神经网络(LSTM)模型的参数优化,建立基于FCM-WOA-LSTM的大坝变形预测模型,以某混凝土双曲拱坝的实测变形资料作为样本数据进行预测分析,并与LSTM模型和SVM模型的预测结果进行对比。结果表明,FCM-WOA-LSTM模型预测结果的平均绝对误差M_MAE、均方误差M_MSE、均方根误差R_RMSE均为3种模型中最小,且拟合段的3个评价指标值和预测段的3个评价指标值均接近,FCM-WOA-LSTM模型具有更高的预测精度和更好的适用性。     

支持向量机的核函数及其参数选择对大坝监控模型预测精度的影响

鉴于支持向量机的核函数及其参数选择对大坝变形监控模型的预测精度有重要影响,基于支持向量机常用的高斯核函数、多项式核函数及其线性混合核函数分别建立了大坝监控模型,并利用改进的粒子群算法对支持向量机的惩罚因子和核参数进行寻优。实例分析结果表明,基于高斯核函数的大坝监控模型的拟合能力较好,基于多项式核函数的监控模型的泛化能力较好,基于混合核函数的监控模型的综合性能较好。     

基于优化果蝇算法和统计模型的混凝土坝变形预测模型及应用

鉴于构建大坝安全监测模型时传统统计模型拟合精度受样本系列长度、资料可靠性、拟合方法等多种因素影响,提出一种基于优化果蝇算法和统计模型的混凝土坝变形预测模型,利用优化果蝇算法对统计模型各项系数进行优化,以提高统计模型的预测精度。对某混凝土拱坝变形的拟合和预测结果表明,相比于统计模型,基于优化果蝇算法和统计模型的变形预测模型预测精度更高,拟合效果更好。     

基于集合经验模态分解和自回归滑动平均的某碾压混凝土重力坝变形预测模型及应用

为更精确地预测大坝变形数据,针对大坝变形监测序列的非线性和非平稳性问题,提出了一种结合集合经验模态分解和自回归滑动平均模型的大坝变形预测模型。首先利用集合经验模态分解法将非平稳的大坝变形监测数据分解为具有不同特征尺度的本征模态函数,然后分析各分量特征并分别建立自回归滑动平均模型,选择各自适合的最优模型参数,最后叠加各分量的预测结果作为最终的变形预测结果。分析结果表明,相较单一预测模型,结合集合经验模态分解和自回归滑动平均模型的组合预测模型的预测精度更高。     

基于特征优选与改进极限学习机的锂电池SOC估计北大核心CSCD

为提高数据驱动方法预测荷电状态(state of charge,SOC)的效率与精度,提出一种基于特征优选与改进极限学习机的SOC估计方法。采用公开数据作为训练集,利用随机森林(random forest,RF)算法判定训练集各特征对SOC的影响程度,选择出最优训练样本,并对优选样本的合理性进行验证;利用极限学习机(extreme learning machine,ELM)对SOC进行预测,针对ELM在预测过程中随机产生的权值及阈值的不稳定性导致SOC估计精度不理想的问题,选取麻雀搜索算法(sparrow search algorithm,SSA)进行参数优化以提高估计精度;随后,通过BJDST工况仿真试验对SSA参数优化的有效性进行验证;在恒流放电与DST工况实验下,分别利用改进极限学习机(SSA-ELM)、ELM、支持向量机(support vector machine,SVM)与BP神经网络(back-propagation neural network,BPNN)对SOC进行预测,结果表明,SSA-ELM算法预测效果最优,预测误差基本保持在1.5%以内,可实现较高精度的SOC预测。     

PSO-RBF在大坝变形监测中的应用

针对传统径向基神经网络(RBF)在大坝安全监测应用中易陷入局部最优及预测精度不高的问题,引入粒子群算法(PSO),对输入的大坝安全监测数据进行初步的聚类处理,找出初步聚类中心后令其为PSO的初值,根据运算法则更新初值以寻求适合训练数据的最优基函数中心。以小湾大坝为例,应用Matlab仿真模拟计算了大坝变形量,结果表明PSO-RBF与传统RBF的拟合效果都很好,PSO-RBF预测准确度更高。     

FCM-RVM预警模型在某重力坝典型坝段水平位移预测中的应用

针对大坝变形原型监测数据的非线性和影响因子的相关性问题,提出一种基于模糊C-均值聚类（FCM）和相关向量机(RVM)的组合建模方法。首先用FCM方法对影响因子进行相似聚类,然后运用RVM算法分别对每一聚类样本进行训练学习得到对应的RVM模型,其中RVM算法中的核参数采用改进的粒子群（PSO）算法寻优。将各组合算法用于某重力坝典型坝段水平位移的安全模型构建中,并与多种模型预测结果对比,结果表明,FCM-RVM预警模型的预测精度较高。研究结果可为类似工程的大坝变形预警提供参考。     

基于ABAQUS有限元分析的大坝变形混合模型

基于Hyper Mesh软件进行大坝有限元建模、网格划分、加入荷载及约束边界条件,采用ABAQUS有限元程序进行结构计算,并应用有限元分析法获得水位位移分量构建大坝变形混合模型。实例验证结果表明,该混合模型拟合较好,可作为大坝变形监控工具。     

基于改进AWNN的风电功率超短期多步预测

为提高风电功率超短期多步预测精度,针对梯度修正学习算法采用随机初始化网络参数训练自适应小波神经网络(AWNN)易陷入局部最优的缺点,将粒子群(PSO)算法和差分进化(DE)算法相结合,提出利用IPSO-DE算法优化AWNN的初始化网络参数,得到改进AWNN模型(IAWNN)并将其用于风电功率超短期多步预测。仿真结果表明:IPSO-DE算法优化AWNN初始化网络参数的性能优于IPSO算法、DE算法和梯度修正学习算法,所提改进模型的多步预测性能优于AWNN模型、持续法(PM)模型和BP神经网络(BPNN)模型。     

基于GA-LMBP神经网络模型的大坝渗流压力预报分析

为克服传统BP神经网络在渗流压力预测过程中收敛慢、计算量大和易陷入局部极小等缺陷,依据渗流压力的影响因素,研究了模型的结构和输入输出因子,建立了基于遗传算法和LM算法相结合的GA-LMBP神经网络的大坝渗流压力预测模型,即通过遗传算法(GA)的选择、交叉和变异操作得到BP网络的一组全局最优近似解(即网络的初始权值和阈值),再以该近似解为初值,利用LM算法对BP网络进行优化训练,将训练好的网络用于渗流压力的预测。实例应用结果表明,在相同精度的要求下,GA-LMBP神经网络模型收敛速度快、预测精度高,对大坝渗流压力的预测效果更佳,是值得采用的一种模型。     

改进的非等间距GM(1,1)大坝位移监控模型

针对传统GM(1,1)监控模型在拟合和预测大坝位移方面的不足,通过采用积分方式重构背景值、引进最佳赋权矩阵体现原始数据的时间影响效应、优化残差等途径,提出了改进的非等间距GM(1,1)大坝位移监控模型。结合工程实例,对比分析表明改进的GM(1,1)监控模型相比于传统GM(1,1)监控模型在对大坝位移原始监测资料分析的基础上,预测精度有较大提高,可作为一种新的预测手段应用于大坝位移预测中。     

基于LS-SVM的基坑变形时间序列预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,构造滚动时间窗.,以已有的实测时间序列为样本,利用最小二乘支持向量机(LS-SVM)建立基坑预测模型,应用网格搜索算法优化模型参数,连续滚动地多步预测基坑变形.实例结果表明,该模型预测效果优于BP神经网络,具有所需数据少、推广能力强等优点.