發(fā)布時間：2021-01-11 20:20

　　大壩在運(yùn)營過程中會發(fā)生不同程度形變,及時掌握大壩變形的演變規(guī)律并作出準(zhǔn)確預(yù)報(bào),對大壩安全及災(zāi)害的控制具有重要意義。目前,BP神經(jīng)網(wǎng)絡(luò)模型被廣泛用于非線性、非平穩(wěn)性時間序列預(yù)測,但是其存在局部極小化及收斂速度慢等問題,從而導(dǎo)致預(yù)測精度不高。而繼BP神經(jīng)網(wǎng)絡(luò)之后的小波神經(jīng)網(wǎng)絡(luò)結(jié)合了小波時頻局部分析能力和神經(jīng)網(wǎng)絡(luò)的自組織、自學(xué)習(xí)的能力,能夠有效解決BP神經(jīng)網(wǎng)絡(luò)算法中易陷入局部極小化和收斂速度較慢的問題,從而大大提高了變形預(yù)測精度。另一方面,目前有許多方法只是對原始變形數(shù)據(jù)直接建立模型進(jìn)行分析,當(dāng)數(shù)據(jù)非平穩(wěn)性較強(qiáng)時,很難得到令人滿意的結(jié)果。因此,若能通過某種數(shù)據(jù)處理方式,充分挖掘隱含在原始序列中的特征信息,將非平穩(wěn)信號轉(zhuǎn)化為平穩(wěn)信號,再建立預(yù)測模型,將有望提高預(yù)測精度,而集合經(jīng)驗(yàn)?zāi)B(tài)分解法就是一種可以將非平穩(wěn)信號轉(zhuǎn)化為平穩(wěn)信號的數(shù)據(jù)處理方法。基于上述研究,本文將集合經(jīng)驗(yàn)?zāi)B(tài)分解法和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合,對大壩變形信息進(jìn)行分析及預(yù)測。首先,利用集合經(jīng)驗(yàn)?zāi)B(tài)分解法將變形時間序列分解成具有不同物理尺度特征的變形分量,以便降低其非平穩(wěn)性。然后,為了減少建模次數(shù),提高預(yù)測效率,采用游程判定法對波動程度相似... 

【文章來源】：桂林理工大學(xué)廣西壯族自治區(qū)

【文章頁數(shù)】：49 頁

【學(xué)位級別】：碩士

【部分圖文】：

訓(xùn)練效果圖

統(tǒng)計(jì)學(xué)的層面上來講，非平穩(wěn)時間序列是否變得平穩(wěn)，要看檢驗(yàn)后差分序列的自相關(guān)函數(shù)是否按照指數(shù)衰減到零。迅速衰減的序列平穩(wěn)，否則即非平穩(wěn)。如果該變形時間序列經(jīng)過二階差分變換后還沒有達(dá)到平穩(wěn)的要求，這就需要繼續(xù)對原始變形時間序列進(jìn)行三階差分處理，直到該序列經(jīng)差分后變得趨于平穩(wěn)為止。經(jīng)過對大壩變形數(shù)據(jù)進(jìn)行了二次差分，發(fā)現(xiàn)基本趨于平穩(wěn)，所以設(shè)定 ARIMA 模型參數(shù) d=2。對于 ARIMA 模型參數(shù) p和 q 的確定，首先借助統(tǒng)計(jì)學(xué)軟件（SPSS）并按照上述 ARIMA(p,d,q)模型的建模步驟建立 ARIMA 模型，從低階到高階逐步計(jì)算法來識別模型的類型和階數(shù)，經(jīng)比較分析發(fā)現(xiàn)，選擇 ARIMA(2，2，2)模型，擬合曲線與實(shí)際位移曲線偏離程度較小，見圖 3.2，擬合效果最好。再通過圖 3.3 可以知道，殘差都在兩條黑線里面，說明 ARIMA(2，2，2)可以作為大壩變形預(yù)測模型，模型預(yù)測值見表 3.5。

桂林理工大學(xué)碩士學(xué)位論文23圖3.3殘差序列圖表3.5模型預(yù)測結(jié)果與實(shí)際值對比周期/d實(shí)際值/mmARIMA/mm預(yù)測值殘差363.223.780.56374.174.09-0.09385.364.74-0.62395.515.62-0.49404.841.9110.78由表3.5可知，從第36期到第40期，預(yù)測誤差均小于1mm，可以保證全局最優(yōu)的預(yù)測精度，能較好地描述大壩變形規(guī)律。最大殘差為0.78，最小殘差只有0.09，相比其他模型預(yù)測精度較高，可以滿足實(shí)際工程需要。3.6各模型適用性分析針對大壩變形預(yù)報(bào)問題，很多學(xué)者都作出了很多研究，并且提出了很多方法，但是沒有一種方法能夠達(dá)到精準(zhǔn)預(yù)測的效果。ARIMA、多元線性歸回模型和GM（1,1）模型，當(dāng)時間序列較長，波動性較大的時候，預(yù)測精度較低，且ARIMA和多元線性回歸模型是一種線性模型，并不能適應(yīng)非線性預(yù)測的情況，而GM（1,1）模型是一種指數(shù)模型，同樣也不能適應(yīng)非線性預(yù)測的情況。此時出現(xiàn)了對高復(fù)雜的非線性系統(tǒng)處理較好的BP神經(jīng)網(wǎng)絡(luò)模型，但是由于BP神經(jīng)網(wǎng)絡(luò)存在易陷入局部極小值和收斂速度慢等問題，對其進(jìn)行優(yōu)化，則出現(xiàn)了小波神經(jīng)網(wǎng)絡(luò)模型，明顯提高了大壩變形的預(yù)報(bào)精度。但是仍然不能達(dá)到理想的預(yù)報(bào)精度，因?yàn)榇髩巫冃螖?shù)據(jù)具有較高的非平穩(wěn)性，所以本文采用

【參考文獻(xiàn)】：
期刊論文
[1]基于MLR-WNN的大壩變形預(yù)測[J]. 楊慶,任超.  水力發(fā)電. 2018(01)
[2]基于實(shí)時跟蹤的ARIMA大壩安全監(jiān)控模型[J]. 黃夢婧,楊海浪,葉根苗.  中國農(nóng)村水利水電. 2016(12)
[3]大壩變形的小波分析與ARMA預(yù)測模型[J]. 羅德河,鄭東健.  水利水運(yùn)工程學(xué)報(bào). 2016(03)
[4]基于集合經(jīng)驗(yàn)?zāi)B(tài)分解和支持向量機(jī)的大壩變形預(yù)測方法[J]. 盧獻(xiàn)健,晏紅波,梁月吉.  水力發(fā)電. 2016(02)
[5]基于EEMD的大壩變形多步預(yù)測方法研究[J]. 任超,梁月吉,龐光鋒,藍(lán)嵐,唐利.  大地測量與地球動力學(xué). 2015(05)
[6]基于灰色最小二乘支持向量機(jī)的大壩變形預(yù)測[J]. 任超,梁月吉,龐光鋒,藍(lán)嵐.  大地測量與地球動力學(xué). 2015(04)
[7]最優(yōu)非負(fù)變權(quán)組合模型在大壩變形中的應(yīng)用[J]. 任超,梁月吉,龐光鋒,楊興躍.  大地測量與地球動力學(xué). 2014(06)
[8]基于ARIMA-BP神經(jīng)網(wǎng)絡(luò)的組合模型在地基沉降預(yù)測中的應(yīng)用研究[J]. 鄒進(jìn)貴,肖揚(yáng)宣,張士勇.  測繪通報(bào). 2014(S2)
[9]基于EMD與GEP的滑坡變形預(yù)測模型[J]. 李瀟.  大地測量與地球動力學(xué). 2014(02)
[10]經(jīng)驗(yàn)?zāi)Ｊ椒纸饣仡櫯c展望[J]. 毛玉龍,范虹.  計(jì)算機(jī)工程與科學(xué). 2014(01)

博士論文
[1]EMD算法研究及其在信號去噪中的應(yīng)用[D]. 王婷.哈爾濱工程大學(xué) 2010

碩士論文
[1]BP神經(jīng)網(wǎng)絡(luò)在大壩觀測數(shù)據(jù)處理中的應(yīng)用[D]. 金永強(qiáng).合肥工業(yè)大學(xué) 2005



本文編號：2971417