

版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、隨著計(jì)算機(jī)技術(shù)的迅速發(fā)展和預(yù)測(cè)優(yōu)化理論的深入研究,水利科學(xué)工作者幾乎嘗試應(yīng)用了各種算法來(lái)解決水文預(yù)報(bào)和水庫(kù)群的優(yōu)化調(diào)度問(wèn)題,并且取得了豐富的研究成果和一定的實(shí)踐效果。但由于在水文中長(zhǎng)期預(yù)報(bào)方面缺乏機(jī)理上的認(rèn)知突破,在水庫(kù)群優(yōu)化調(diào)度方面一些新方法仍存在理論與應(yīng)用上的問(wèn)題,所以尚有大量的基礎(chǔ)工作、理論研究、模型與方法改進(jìn)等課題需要進(jìn)一步的研究和解決。本文主要是進(jìn)行模型與方法的改進(jìn)工作,深入研究了模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、小波分頻預(yù)測(cè)和微
2、粒群算法在水文預(yù)報(bào)和水庫(kù)調(diào)度中的建模及其系統(tǒng)集成方法,主要內(nèi)容如下: (1) 針對(duì)傳統(tǒng)模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練速度慢的缺點(diǎn),模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)采用 Levenberg-Marquardt 算法,其收斂速度近似二階。Levenberg-Marquardt 算法是Gauss-Newton 法的改進(jìn)形式,既有 Gauss-Newton 法的局部特性,又具有梯度法的全局特性,提供了Newton法的速度和保證收斂的梯度下降法之間的折衷
3、,收斂的迭代次數(shù)少,能快速完成網(wǎng)絡(luò)訓(xùn)練。兩個(gè)實(shí)例分析結(jié)果表明,Levenberg-Marquardt算法訓(xùn)練速度快,并且訓(xùn)練得到的模糊優(yōu)選神經(jīng)網(wǎng)絡(luò)模型的模擬預(yù)測(cè)結(jié)果都比較滿意。 (2)利用微粒群算法的全局尋優(yōu)特性來(lái)進(jìn)行支持向量機(jī)的參數(shù)識(shí)別。在支持向量機(jī)建模過(guò)程中選擇徑向基函數(shù)為核函數(shù),在此基礎(chǔ)上應(yīng)用微粒群算法用于辨識(shí)支持向量機(jī)參數(shù)。在微粒群搜索參數(shù)前,對(duì)參數(shù)做了指數(shù)變換,使[0,1]區(qū)間和[1,∞]區(qū)間有著相同的搜索概率。微粒群
4、算法的適應(yīng)值函數(shù)以支持向量機(jī)模型的推廣能力為標(biāo)準(zhǔn),討論了測(cè)試樣本的最小誤差和留一法對(duì)支持向量機(jī)學(xué)習(xí)方法推廣能力的兩種估計(jì)。支持向量機(jī)訓(xùn)練算法采用序列極小化訓(xùn)練算法,為了提高支持向量機(jī)模型的訓(xùn)練速度,訓(xùn)練工作集的選擇利用了目標(biāo)函數(shù)的二階導(dǎo)數(shù)信息,使工作集中的兩個(gè)乘子在當(dāng)前訓(xùn)練迭代步中具有最大的改變量。最后以長(zhǎng)江的宜昌站、寸灘站和漫灣水庫(kù)的月徑流資料為例,分別采用 ARMA 模型、季節(jié)性 ARIMA 模型、BP神經(jīng)網(wǎng)絡(luò)模型以及所建立的支持向
5、量機(jī)模型進(jìn)行模擬預(yù)測(cè),實(shí)例結(jié)果顯示了該模型有效性。 (3) 利用小波分析的多分辨率功能,建立了月徑流序列的小波分頻預(yù)測(cè)模型。該模型通過(guò)小波分解方法將月徑流非平穩(wěn)時(shí)間序列分解為多個(gè)細(xì)節(jié)信號(hào)序列和一個(gè)逼近信號(hào)序列,然后運(yùn)用平穩(wěn)時(shí)間序列的ARMA模型對(duì)各信號(hào)序列分別進(jìn)行預(yù)測(cè)。以長(zhǎng)江的宜昌站和寸灘站的月徑流資料為例,分別采用ARMA模型、季節(jié)性ARIMA模型、BP 神經(jīng)網(wǎng)絡(luò)模型以及本文所建立的小波分頻預(yù)測(cè)模型進(jìn)行模擬預(yù)測(cè),并討論了小波分
6、解尺度數(shù)對(duì)小波分頻預(yù)測(cè)模型的影響。最后還討論了小波分頻預(yù)測(cè)模型的實(shí)用性、缺陷和小波拓延方式對(duì)預(yù)測(cè)精度的影響。 (4)對(duì)基本微粒群算法進(jìn)行了改進(jìn),以進(jìn)一步提高基本微粒群算法的優(yōu)化性能,并將其用于求解梯級(jí)水庫(kù)群優(yōu)化調(diào)度問(wèn)題。該算法為了提高搜索效率引進(jìn)了類似遺傳算法的交叉和變異算子,其中交叉是微粒在解空間中的位置以一定的概率隨機(jī)進(jìn)行算術(shù)交叉,變異是微粒以一定的概率隨機(jī)使速度矢量的某一維分量變?yōu)?。為了加速收斂,初始微粒群生成時(shí)采用了有
7、條件的隨機(jī)自動(dòng)生成方式,并利用懲罰函數(shù)法來(lái)處理邊界條件和其它非等式約束。以豐滿-白山梯級(jí)為計(jì)算實(shí)例,計(jì)算結(jié)果與常規(guī)動(dòng)態(tài)規(guī)劃法和常規(guī)微粒群算法相比,表明改進(jìn)算法計(jì)算速度更快,優(yōu)化調(diào)度結(jié)果比較滿意。最后還研究了改進(jìn)微粒群算法參數(shù)(交叉概率、變異概率、微粒個(gè)數(shù)和微粒最大速度等)的取值范圍。 (5)首先根據(jù)歷史月徑流資料,以“支持向量機(jī)方法”估計(jì)出當(dāng)年各月的來(lái)水量;然后根據(jù)歷史年徑流資料,采用加權(quán)馬爾可夫鏈預(yù)估當(dāng)年總的來(lái)水情況;最后根據(jù)
8、總的來(lái)水情況來(lái)修正當(dāng)年主汛期各月來(lái)水。這樣,各月預(yù)報(bào)來(lái)水獲得后,再采用“改進(jìn)微粒群算法”進(jìn)行水庫(kù)群的優(yōu)化調(diào)度計(jì)算。同時(shí)以白山—豐滿梯級(jí)水電站水庫(kù)群為例,提出了徑流預(yù)測(cè)與優(yōu)化調(diào)度相結(jié)合的確定水電站最優(yōu)運(yùn)行方式的滾動(dòng)預(yù)測(cè)決策方法。探討了實(shí)際、預(yù)報(bào)、上限、下限和插值5種不同徑流描述情況下水庫(kù)的發(fā)電效益,計(jì)算結(jié)果表明本文提出的滾動(dòng)預(yù)測(cè)決策方法在白山—豐滿梯級(jí)水電站水庫(kù)群是可行的。 (6)首先以圖論分析方法,把水庫(kù)群概化成一張有向圖,運(yùn)用
9、鄰接表、鄰接矩陣和關(guān)聯(lián)矩陣進(jìn)行拓?fù)浞治鼋鉀Q了水庫(kù)群的集成問(wèn)題。并以圖論為基礎(chǔ),利用方案關(guān)聯(lián)表進(jìn)行方案的拓?fù)浞治?,降低了方案管理的?fù)雜性,便于用戶使用與管理。然后研究了軟件工程中的多種設(shè)計(jì)模式在水庫(kù)預(yù)報(bào)調(diào)度系統(tǒng)中的應(yīng)用,并將上述預(yù)報(bào)優(yōu)化調(diào)度模型融入其中。應(yīng)用橋梁模式實(shí)現(xiàn)水庫(kù)預(yù)報(bào)調(diào)度系統(tǒng)的體系結(jié)構(gòu)設(shè)計(jì)與數(shù)據(jù)存取、應(yīng)用策略模式實(shí)現(xiàn)預(yù)報(bào)優(yōu)化調(diào)度模型管理、應(yīng)用迭代子模式和裝飾模式實(shí)現(xiàn)預(yù)報(bào)調(diào)度方案管理、應(yīng)用代理模式實(shí)現(xiàn)用戶權(quán)限管理、應(yīng)用單例模式實(shí)現(xiàn)
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 水庫(kù)中長(zhǎng)期水文預(yù)報(bào)模型研究.pdf
- 水電站水庫(kù)群中長(zhǎng)期徑流預(yù)報(bào)及短期優(yōu)化調(diào)度研究.pdf
- 淺談中長(zhǎng)期水文預(yù)報(bào)的方法
- 烏江梯級(jí)水庫(kù)群中長(zhǎng)期發(fā)電優(yōu)化調(diào)度研究.pdf
- 中長(zhǎng)期水文預(yù)報(bào)2015.03.11
- 基于集成學(xué)習(xí)的中長(zhǎng)期水文預(yù)報(bào)研究.pdf
- 68575.綜合利用水庫(kù)中長(zhǎng)期水文預(yù)報(bào)方法及宏觀調(diào)度策略研究
- 中長(zhǎng)期水文統(tǒng)計(jì)預(yù)報(bào)方法研究及應(yīng)用.pdf
- 東江水庫(kù)中長(zhǎng)期徑流預(yù)報(bào)方法研究.pdf
- 水電站(群)中長(zhǎng)期預(yù)報(bào)及調(diào)度的智能方法研究.pdf
- 35838.中長(zhǎng)期水文預(yù)報(bào)及調(diào)度技術(shù)研究與應(yīng)用
- 基于多核并行計(jì)算的水庫(kù)群中長(zhǎng)期優(yōu)化調(diào)度研究.pdf
- 耦合中長(zhǎng)期徑流預(yù)報(bào)信息的水庫(kù)調(diào)度方式研究.pdf
- 中長(zhǎng)期水文預(yù)報(bào)的模糊神經(jīng)網(wǎng)絡(luò)方法研究.pdf
- 水電站群中長(zhǎng)期徑流預(yù)報(bào)及發(fā)電優(yōu)化調(diào)度的智能方法應(yīng)用研究
- 水電系統(tǒng)中長(zhǎng)期優(yōu)化調(diào)度降維方法研究.pdf
- 湘江流域中長(zhǎng)期水文預(yù)報(bào).pdf
- 大伙房水庫(kù)徑流中長(zhǎng)期預(yù)報(bào)方法應(yīng)用研究.pdf
- 41774.水庫(kù)中長(zhǎng)期徑流預(yù)報(bào)及興利調(diào)度方式研究
- 基于極點(diǎn)對(duì)稱模態(tài)分解的水庫(kù)中長(zhǎng)期預(yù)報(bào)及調(diào)度.pdf
評(píng)論
0/150
提交評(píng)論