改进的灰色线性回归组合模型在大坝变形监测中的应用

针对传统的灰色线性回归组合模型要求原始数据序列为单调递增的缺陷,以小湾拱坝某测点的径向位移为例,分别采用两种改进的原始数据二次累加生成法和绝对值法建模进行拟合和预测,并与实测值进行比较。结果表明,绝对值法模型精度较高,更接近于实测值。     

基于灰色组合模型的浙江省需水量预测

针对传统需水量预测模型存在的不足,将GM(1,1)模型和灰色Verhulst模型相结合,构建了灰色组合模型,并对模型采用残差和权重分配相结合的二次修正方式进行修正,在分析浙江省1998~2012年用水现状的基础上,利用二次修正后的灰色组合模型预测了2013~2020年浙江省的用水情况。结果表明,在未来的一段时间内,浙江省的需水量增长会逐步加快,尤其体现在居民生活用水和工业用水上。因此,做好工业生产节水工作,加快产业结构调整是今后工作的重点。     

卡尔曼滤波灰色模型在大坝变形预测中的应用

针对灰色模型在大坝变形预测中的不足,将灰色模型与卡尔曼滤波相结合应用于大坝变形预测中,即先使用卡尔曼滤波消除扰动误差,再进行灰色预测。实例应用表明,该组合模型比单纯灰色模型更适用于大坝的变形预测,可作为一种新的预测方法应用于大坝变形监测中。     

基于灰色GMDH网络组合模型的风速预测

风电场风速具有较大的间歇性和波动性,其预测精度有待提高。针对这一问题,文章基于灰色系统理论与GMDH数据分组处理技术,建立了灰色GMDH网络组合风速预测模型;采用某风电场实测风速数据进行预测,并与灰色Verhulst模型预测方法和传统GMDH网络模型预测方法的预测结果进行了对比。算例结果表明,灰色GMDH网络组合风速预测模型能够更精确地预测风速,显示了其可行性与高效性。     

基于灰色动态模型群的济宁市需水量预测

针对以往单一GM(1,1)模型建立过程中难以克服不稳定因素对预测结果的影响,提出根据不同时间段建立多个GM(1,1)模型,基于济宁市2001~2011年用水量数据,采用灰色动态模型群对济宁市2011~2020年需水量进行预测。结果表明,济宁市2011年用水量为26.76×108 m3,到2015年需水量增至29.9×108 m3,2020年增至33.9×108 m3,呈增长趋势,这与济宁市社会经济发展态势相吻合,可见灰色动态模型群用于需水量预测可行、有效。     

基于递推回归的大坝安全动态监控模型

传统静态监控模型是一次性利用全部监测资料建立起来的，不能反映最新观测资料的影响，且随着资料延长，重复工作量较大。针对这些不足，应用递推回归的方法，建立了大坝安全动态监控模型，实例分析表明，动态监控模型的预报和监控效果均好于静态监控模型。     

大坝安全监测遗传回归模型研究及应用

在对简单遗传算法进行改进后，将其引入大坝安全监测领域中，并建立了遗传回归模型，力图解决传统混合模型存在欠拟合问题，工程实例计算结果表明，遗传回归模型的拟合效果较混合模型有明显改善。     

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。     

灰色-模糊组合评价法在大坝安全综合评价中的应用

针对大坝安全综合评价是个复杂的过程,基于模糊综合评价法与灰色聚类评价法各自优缺点,将两种方法组合构建为灰色一模糊组合评价模型,并应用于棋盘山水库大坝安全综合评价中.结果表明,该法正确、实用,可供借鉴.     

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。     

基于因子分析法的大坝变形安全监控模型

针对传统变形监控模型分析和解决变量间相关性的不足,借助因子分析法通过寻求变量的公共因子,概括出相互独立的影响因子,得出影响大坝变形的主要因素及其影响程度。实例分析结果表明,因子分析模型处理监测数据的相关性较传统模型有一定优势,更大限度地解释了原始数据信息。     

基于改进粒子群算法的大坝变形安全监控模型

针对基本的粒子群算法存在训练早熟等问题,调整了算法中的粒子飞行策略,将其应用于大坝变形安全监控模型中,比较了改进前后模型的效果;并建立了逐步回归统计模型,通过对比模型的预测特征参数,比较分析了模型间的预测效果。结果表明,改进的粒子群算法具有改善早熟现象的优点,且预测效果有所提高。     

基于动态SVM-MC的大坝变形监测模型及应用

为了提高大坝监测模型的泛化能力和残差辨识的精确性,将支持向量机模型(SVM)和马尔科夫链模型(MC)相结合,建立了SVM-MC大坝变形监测模型,利用马尔科夫链模型处理SVM模型的残差,在进行预测时,采用动态更新模型的方法,即动态SVM-MC模型,并通过实例应用做了比较。结果表明,动态SVM-MC模型提高了预测的精度和泛化能力,可用于复杂大坝的安全建模。     

云模型在大坝安全监控指标拟定中的应用

针对传统大坝安全监控指标的拟定方法具有一定局限性的问题,在分析原始监测数据的基础上,通过正、逆向云发生器产生监测数据的期望、熵、超熵等数字特征,利用这些数字特征计算定量的转换值,从而实现定量—定性—定量的转换,进而确定安全监控指标,以某混凝土重力坝为例,运用云模型拟定了该坝#9坝段坝顶水平位移安全监控指标,并与典型小概率法的拟定结果进行了对比分析,验证了云模型的优越性。     

大坝安全监控中趋势分量的分析

研究了用小波分析提取效应量中趋势分量的方法,并探讨了趋势分量Logistic增长模型的建立方法。采用某碾压混凝土重力坝某测点的水平位移监测数据,建立了相应的Logistic增长模型,确定了模型参数,获得的位移趋势分量的最终稳定值可作为大坝安全监控的控制量。     

基于熵理论的混凝土坝变形安全监控SVM模型

为解决利用混凝土坝安全监测全序列数据建立的支持向量机(SVM)模型存在结构复杂、计算工作量大等问题,提出利用熵理论选择具有代表性样本代替全序列样本进行建模,即通过建立外部档案,根据外部档案更新算法选择具有代表性的样本,然后将外部档案的样本用作支持向量机的训练样本。将该方法用于某蓄水初期的混凝土坝变形模型的构建中,结果表明,该组合算法在保证模型精度的同时有效降低了模型的复杂程度,减少了模型的训练时间,且使模型的泛化能力得到一定的提升。     

较优GM(1,N)模型在大坝安全监控中的应用

灰色模型可以克服随机分析模型的某些缺点，但有时灰色模型的拟合精度较低，针对这个问题，提出了用灰关联度较大的显著变量建立较优GM（1，N）模型的方法，并将其应用于大坝安全监控领域。算例表明，较优GM（1，N）模型的精度比逐步回归模型要高。