改进粒子群优化 BP 神经网络的洪水智能预①测模型研究

该文提出改进的PSO-BP算法在洪水预测应用中建立预测模型.以BP神经网络为基础,提取观测站往年平均径流量作为洪水属性.采用改进的PSO-BP算法对神经网络的各个参数进行优化,最后建立模型应用于流域观测站的洪水预报模型,叙述了PSO粒子群算法和BP神经网络算法,详细阐述粒子群算法优化BP神经网络的权值和阈值,得出最优的BP神经网络预测适应度值.通过实验仿真对比,结果表明此方法预测结果比BP神经网络算法和混沌径向基神经网络模型算法精度更高,提高了预测的效率.     

宜昌站洪峰流量过程神经网络预测模型研究

以长江上游寸滩-宜昌河段为研究对象,建立了考虑区间降雨的河道洪水预报BP神经网络模型,论证了应用人工神经网络模型进行洪水预报的可行性。以1982年至1986年的洪水预报作为仿真,表明该模型能较好地反映区间降雨的影响,对大中小各种洪水过程都能进行准确预报。     

数据驱动的中小河流智能洪水预报方法对比研究

近几年在洪水预报中,数据驱动洪水预报模型得到了广泛的应用,并取得了良好的效果,但是数据驱动模型大都用于大流域,很少用于小流域.中小河流大多位于资料短缺的山丘区,洪水具有突发性强,汇流时间快,预见期短的特点.为此分别构建了SVM模型、BP神经网络模型、RBF网络模型、极限学习机(ELM)模型,并利用所构建的模型对昌化流域进行预报;结果表明,SVM模型和RBF网络模型在低流量区段预测较准确,而且模型预报稳定;BP神经网络模型在高流量区段较准确,但是模型预报结果不稳定;ELM模型预报误差较大,而且预报不稳定;于是采用组合模型方式:低流量区段采用SVM模型或RBF网络模型,高流量区段采用BP神经网络模型,实验结果表明组合模型预报效果更好.     

基于模糊聚类和BP神经网络的流域洪水分类预报研究

传统的流域洪水预报大都通过率定一组水文模型参数来寻求一个流域径流形成的一般性或平均化规律,其预报精度需要进一步提高.用模糊聚类ISODATA迭代模型将历史洪水分为若干类型,进行水文预报模型参数的分类调试;并建立BP神经网络分类模型判断实时洪水所属类别,选择其相应类别的模型参数实现流域洪水的分类预报.在辽宁省大伙房水库流域的实际应用表明:此方法不但可以实现洪水实时在线分类而且提高了流域整体洪水预报精度,是一种为水库实时调度提供可靠依据的有效洪水预报方法.     

遗传算法与神经网络在洪水预报中的应用

采用遗传学习算法对神经网络BP模型的初始权重进行优化,即先用遗传学习算法进行全局训练,再用BP算法进行精确训练,使网络收敛速度加快和避免局部极小。将该方法运用于洪水预报问题,并利用山西省文峪河水库的历史资料条件建立一个网络,以洪水预报的各种控制因素相关资料作为样本,对网络进行训练并用训练好的网络进行预报。网络的训练速度及预报结果表明,该算法收敛速度较快,预测精度很高,为洪水预报提供了一种新思路和新方法。     

基于雷达测雨的实时洪水预报模型

实时洪水预报系统通常会伴随系统误差，即模型误差和观测误差．为了减小系统误差，本次研究尝试将雷达测雨技术、BP神经网络技术引入流域洪水预报中，并建立基于分布式水文模型的洪水预报模型．将该实时预报模型应用于史灌河流域．从预报的结果来看，该实时预报模型很好地解决了雷达遥感数据与水文模型的耦合，为在流域洪水预报中采用雷达测雨提供了先行的研究基础．     

优选雨量站权重改进降雨输入的洪水预报方法

降雨是驱动水文模型进行洪水预报的重要输入数据,降雨资料短缺给洪水预报工作带来极大挑战．引入边缘雨量站降雨数据,基于随机优选方法,构建优选雨量站权重改进降雨输入的新安江模型,对资料短缺流域进行洪水预测,并在石灰窑以上流域进行试验研究．与泰森多边形权重相比,优选权重改进降雨输入的产流预报精度有显著提高,率定期、验证期产流合格率分别从60%、40%提高至100%、60%,汇流预报精度略有提升;改进降雨输入后的新安江模型的优选参数更符合流域产汇流特征,提升了模型参数的合理性．所提优选雨量站权重改进降雨输入的洪水预报方法,对类似降雨资料短缺流域洪水预报具有重要的参考价值．     

ECMWF集合预报在淮河蒋家集流域的应用

基于欧洲中期天气预报中心(ECMWF)集合降水预报产品(预见期为10 d),提取淮河蒋家集以上流域的预报数据并进行降尺度处理,驱动洪水预报模型,对2008年8月的一次洪水过程进行模拟预报。为探讨ECMWF集合降水预报驱动洪水预报模型的应用效果,将模拟预报的结果与仅采用地面降水观测数据驱动模型的模拟结果进行对比分析。结果表明:采用ECMWF集合降水预报后,洪水模拟预报精度有明显改进,可使洪水预见期提前48 h;洪水模拟预报流量过程线能刻画洪水预报的不确定性范围,可为防洪减灾提供科学决策依据。     

基于神经网络的钢包精炼终点预报

通过改进的BP神经网络,结合炼钢工艺的特点,建立炼钢精炼炉终点模型,对精炼炉终点进行预报,其基本思想是:在对以往的现场数据进行分析和了解及已有的人工神经元网络模型的基础上,结合炼钢的实际工艺特点,确定模型的参数,从而确定预报模型,再根据确定的模型对现场的其他数据进行预报.仿真结果可以表明,应用通过改进的BP神经网络进行炼钢精炼炉终点预报得到了很好的效果.     

经验性洪水预报模型在陆浑水库的应用及其与小花间洪水预报模型结果对比

在对陆浑水库经验性洪水预报模型介绍的基础上,根据历史数据及流域地貌信息确定了模型参数,对1975-2011年25场洪水的计算结果与实测值进行了对比,同时对2003-2011年的7场洪水预报结果与黄委水文局小花间洪水预报模型预报结果进行了对比.结果表明:两模型模拟结果精度相差不大,都能满足预报精度要求,7场洪水小花间洪水预报模型模拟结果整体效果稍好,尤其是洪水过程与实测过程比较吻合;经验性洪水预报模拟结果稍差,但误差在可接受范围之内.两个模型都具有一定实用性,建议两模型联合运用,将小花间洪水预报模型的洪水预报结果作为指导水库防洪调度的主要依据,经验模型的预报结果作为参考.     

应用改进BP神经网络进行用水量预测

针对工业用水量的特点，建立了改进的BP神经网络用水量预测模型，采用遗传算法对BP神经网络权系进行优化改进，改进的BP神经网络算法预测结果好于灰色理论预测和BP算法预测。以本溪市某供水厂用水量数据对改进的BP神经网络模型进行训练并预测，将其预测结果与灰色理论预测和BP神经网络预测结果进行比较分析，得出该方法用于供水系统用水量预测误差较小，同时克服了其他两种算法的缺陷。     

一种智能型预测技术在电力系统中的应用

介绍一种基于BP神经网络的短期电力负荷预测技术,针对BP算法存在的缺陷进行优化,并将经过优化设计的遗传BP算法作为预测技术的核心算法,通过对几种BP网络预测网络的训练、测试验证结果分析比较,表明遗传BP算法的预测技术可以有效、准确的应用于短期电力负荷预测.     

基于灰色系统和人工神经网络的中长期电力负荷预测

利用灰色预测需要样本数据量少、建模过程简单的特点，对中长期电力负荷进行前期预测，结合人工神经网络对大量非线性、非精确性规律具有自适应和自学习能力的优点，在考虑经济因素的前提下对输入数据进行了预处理，采用改进的BP算法最终得出了预测结果．文中的算例表明了该方法是可行且有效的．     

山区小流域洪水预报实时校正研究

为了解决现有实时校正方法对山区小流域洪水进行校正能力不足的问题,引入K最近邻算法用于洪水预报实时校正。以安徽省沙埠流域为试验流域,构建基于K最近邻算法的实时校正模型,同时采用BP神经网络实时校正法和传统的误差自回归方法,以洪峰相对误差和确定性系数为评价指标,分析各校正模型的校正结果。结果表明:基于K最近邻的实时校正法对确定性系数改善最优,BP神经网络实时校正法对洪峰误差校正更精确;将历史洪水资料纳入学习样本后,基于K最近邻的实时校正法的校正能力将进一步提升。基于K最近邻的实时校正法能够有效避免误差自回归方法对洪峰误差控制较差的缺陷,适应性强,反应灵敏,精确度高,可作为山区小流域洪水预报实时校正的有效工具。     

基于遗传BP神经网络的非平稳时间序列预测

BP网是神经网络时间序列预测方法中最常用的网络。针对BP算法局部搜索能力强,而遗传算法全局搜索优势突出的特点,将二者结合构造遗传BP神经网络,用于非平稳时间序列预测。仿真结果表明,该混合算法不仅提高了学习效率,而且对太阳黑子数预测的准确性高于BP算法、传统统计学预测方法。     

基于HS-BP算法的股票预测

为了有效预测股票问题,针对股票走势具有随机波动性和非线性的特点以及BP神经网络收敛速度慢、容易陷入局部极小值的缺点,提出利用和声搜索算法优化BP网络权重的方法改进神经网络,并通过对股票预测指标的分析,建立了股票预测模型,将和声搜索算法优化BP网络应用于所建立的模型中求解.实验结果表明,将HS算法和BP神经网络有机结合,加快了网络收敛速度、避免了局部极小值,有效地刻画了股票的随机波动特性,提高了股票预测的准确性.     

模糊神经网络中长期负荷预报研究

采用动量法、自适应学习率和异变换函数对BP算法进行改进,并通过模糊神经网络对中长期负荷进行预测,还针对BP算法中隐层节点难以确定的不足,大胆采用预测误差曲面方法,使隐层节点个数选择具有科学的依据,算法计算表明,采用模糊神经网络提高了预测精度。     

江西省修河流域洪水预报系统

本系统根据修水流域洪水预报的要求和流域水系、测报站网、水文和气象资料等情况。进行了洪水预报系统的总体框架设计，包括雨量站网分析、流域单元划分、模型率定、模型检验以及各种软件的开发和选用。