一种遗传神经网络潮位预测算法

潮位预测对于潮汐电站日常运行、优化调度有着非常重要的作用。针对潮位受非周期性因素影响而具有非平稳性特点以及传统人工神经网络对潮位预测存在训练速度慢、收敛精度低、易陷入局部最优等缺陷,提出了一种改进实用的遗传神经网络潮位预测算法,首先通过潮位数据的异常值检测,采用均值替换法克服由观测记录产生的数据误差;然后通过神经网络拓扑结构合理设计、节点优选、遗传算法优化网络权值与阈值等措施,建立了潮位预测模型。通过实际港口潮位预测应用验证了算法的有效性。

基于灰色马尔可夫模型的钱塘江高潮位预测

钱塘江高潮位符合海潮变化规律的同时,更容易受到水文、气象等因素影响.针对潮位预报难、预报精度低的问题,通过对2001—2010年钱塘江历史高潮位数据的分析和研究,将灰色系统理论与马尔可夫链结合,建立了灰色马尔可夫潮位残差修正预测模型.利用灰色预测模型对未来的潮位进行预测,并对预测结果用马尔可夫链进行修正,以提高预测精度.该模型预测了钱塘江盐官水文站2011—2012年农历八月十八的高潮位,并与实测高潮位数据和现用的预报方法进行对比,验证了灰色马尔可夫模型在钱塘江高潮位预测中具有较高的精度.

海潮模型在珠江口潮位预测中的精度评估

结合卫星测高技术的海潮模型能方便、精确地模拟大洋潮汐,可用于缺乏观测资料的地区。为评估该方法在珠江河口潮位预测应用中的精度,本文采用NAO.99b、OTPS和WWT等3种海潮模型预测珠江口不同验潮站的潮位过程,与实测数据对比并计算误差均方根。分析结果表明,海潮模型可以较好地预测珠江河口区潮汐基本时间特征,潮位预测精度在一定区域、一定时段不低于传统的预测方法。口门附近尤其口外的预测精度明显高于口内;在洪水期精度下降但口外开阔区域影响较小;在口门处,潮优型河口湾的预测精度高于径流型河口。3种模型中,推荐使用WWT。

基于潮位预测的潮汐校正方法在高分辨率单道地震调查中的应用

单道地震探测技术在海洋勘探各领域应用广泛,潮汐变化对高分辨率单道地震资料的质量有很大影响,尤其是对采集时间跨度较大的资料,在测线交点处存在严重的剖面不闭合现象。利用潮汐预测方法对高分辨率单道地震进行了潮汐校正,经过校正后的资料品质明显得到提升。通过对比不同测线交点处的剖面情况,剖面不闭合现象得到改善,同相轴的对应关系更好。实际应用结果表明,基于潮位预测的潮汐校正方法在高分辨率单道地震调查中的应用有效可靠。

基于离散小波变换与时间序列的钱塘江潮位预测

针对钱塘江潮位呈现出的周期性、随机性和波动性,为实现对钱塘江潮位的有效预测,提出一种基于离散小波变换和时间序列的预测方法,即先利用离散小波变换将实测的钱塘江潮位序列进行分解与重构,将非平稳的序列转化为多层较平稳的序列;然后利用时间序列建模方法对分解后的各个序列分别建立时间序列模型,对各层进行动态预测;最后将各层预测值求和作为最终的预测结果。试验表明,所提方法预测的效果明显优于其他混合模型及单一模型,能够提供更加准确的潮位预测。

基于CNN-BiLSTM的潮汐电站潮位预测

潮汐电站的优化运行需要进行潮位预测。针对传统调和分析方法不能有效处理潮位非线性和非平稳的特性的问题,提出一种CNN-BiLSTM的预测模型,以滑动数据窗口构造潮位数据的特征图作为输入,利用1D CNN提取潮位数据深层特征,然后采用BiLSTM网络生成特征描述,最后输出预测结果。采用芝加哥港口的潮汐数据进行了实验,所提预测模型与调和分析及LSTM模型相比,均方根误差分别降低了66.26%和30.11%。算例结果表明CNN-BiLSTM模型可以实现高精度的短期潮位预测。

基于神经网络LSTM模型的潮位预测研究

潮位预测工作对扫雷布雷、港口及航道管理、水运资源开发、救生打捞等方面具有重要的意义。潮汐调和分析是目前使用最广泛的潮汐数据分析方法,但是依赖于大量的数据,存在短期潮位预测精度不高的问题,针对这个问题本文提出一种深层神经网络LSTM预测模型,可以通过保持神经元的上下文记忆的方式,提高预测精度。经过实验验证,该模型长期预测均方根误差(RMSE)在0.06左右,短期预测均方根误差(RMSE)在0.12上下,预测的结果较为精准。

基于改进的OLS-RBF模型的感潮河段潮位预测研究

文章采用梯度下降函数对传统OLS-RBF模型基础函数权重矩阵进行优化计算,解决传统模型计算收敛效率较差的局限,并将改进的OLS-RBF模型应用于辽宁东部沿海感潮河段的潮位预测。研究结果表明:改进的OLS-RBF模型可将传统模型的收敛效率提高70.2%;在感潮河段最高和最低潮位预测的均方差分别减少8.6%和11.6%,自相关系数分别提高0.23和0.31。研究成果对于沿海感潮河段潮位预测方法提供参考价值。

改进遗传神经网络模型及其在潮位预测中的应用

实时、精准的潮位预测对现代海洋经济的发展具有重要意义。传统调和分析和神经网络方法预测潮位的过程中,受风力、气压等环境因素影响,潮位变化呈时变非平稳特性,会出现预测精度低,收敛速度慢等问题。为此,本文提出一种基于遗传算法优化的反向传播(BP)神经网络预测模型,利用遗传算法的选择、交叉和变异操作对BP神经网络的初始权值和阈值进行全局寻优,从而解决BP神经网络初值选取困难,易陷入局部极值的问题,提高模型的收敛速度并采用实际港口潮位数据对所提方法的性能进行验证。结果表明,相较于传统BP神经网络和粒子群算法优化BP神经网络(PSO-BP)模型,本文所提方法的实时性更高,其模型性能提高50%以上,尤其在小样本情况下,优势更加明显。

基于CEEMDAN-LSTM风暴潮潮位预测分析研究

该文采用自适应噪声完全集合经验模态分解-长短期记忆方法(CEEMDAN-LSTM)对风暴潮潮位进行短期时间序列预测,并与常用机器学习模型进行对比分析,结果表明:基于CEEMDAN-LSTM的神经网络对工程区风暴潮潮位的短期特征能进行高精度的预报,其稳定性和精度较常规机器学习模型都有较大的改进。

台风诱发暴潮极端潮位的预测方法

以杭州湾为例,根据水文站历史潮位资料,采用改进的灰色马尔可夫预测模型对台风诱发暴潮的极端潮位进行预测。同时采用复合极值分布理论对可能出现的极端潮位进行概率预测,使预测结果更为接近真实数值。

异常天气条件下潮位过程神经网络补遗预测方法的研究

以异常天气条件下的实测潮位过程为研究对象,根据其为非平稳时间序列的特点,以人工神经网络BP算法作为预测工具,对潮位时间序列中缺失的数据进行补遗建立:差分方法人工神经网络模型;同一海域邻近潮汐测站潮位过程对应预测的去平均值法人工神经网络模型;对增减水现象潮汐过程预测的气象资料数据库人工神经网络模型。以实测资料验证上述方法的可行性,并取得了很好的预测结果。

潮汐发电中调和分析与人工神经网络预测潮位

潮汐电站发电量与每日潮差的大小有关,通过对潮水位的预测,可以预估潮汐电站的发电量以及编制适合的发电计划。对现有的经典调和分析法和新兴起的人工神经网络潮位预测方法进行了比较分析,总结了两种方法的发展现状和存在的问题。分析表明,人工神经网络方法预测精度更高,和实测数据对比其具有更小的误差;调和分析误差稍大,但是满足国家海洋局规定的允许误差。调和分析法和人工神经网络法的预测结果均可应用于潮汐发电当中。

基于HA-TCN的模块化潮位短期预测方法

针对潮汐电站调度的高精度潮位预测需求,提出一种将调和分析(HA)与时间卷积网络(TCN)两个模块相结合的潮位预测方法。利用调和分析方法预测得到天文潮潮位;利用TCN模型来预测残差部分即非天文潮潮位变化趋势;两者线性求和得到最终的潮位预测值。算例表明,可以实现高精度的潮位预测,且该模型具有良好的泛化性和实用性。

ARIMA模型在潮位序列缺失修复中的应用

目前潮位缺失因素的处理方法主要有多项式拟合法、相邻验潮站参数转换法等,然而多项式拟合法受数据连续性限制较大,潮位数据的采样间隔为1h,因此适用性较差.相邻潮位参数转换法受验潮站潮汐性质影响严重,不同的海域潮汐性质不尽相同,因此其适用范围受到严格限制.研究表明,基于ARIMA模型的潮位预测方法可以有效地修补缺失的潮位序列,其修复精度均控制在30cm以内,可以满足海洋测绘的精度要求.

关于感潮水闸优化调度关键技术的研究

随着我国科学技术的不断进步,我国水闸施工工程也在不断优化和升级,能够有效地提高水闸调度运行的效率,满足不同时期的水源调度需求。针对感潮水闸调度运行受潮期影响较大的问题,本文对水闸运行模拟模型进行了分析,明确水位对过闸流量造成的影响,并通过采用先进的信息技术分析潮位数量模型,建设数学预测模型,结合水闸运行实际,开发水闸优化调度系统,进一步的满足不同潮位的水闸运行需求,保障调度工程的有效进行。

跨海大桥水文监测系统的设计与应用

本论文独立开发了一种针对跨海大桥的水文监测系统,实现了对跨海大桥水文数据的接收、处理、存取、展示、预警和预测不同模块化功能。并以潮汐调和分析原理为基础,设计潮位预测模块,试验验证了该模块潮位预测精度可满足实际工程应用。该系统应用在某跨海大桥上,为其建设运营管理提供重要支持,同时也为相关的桥梁工程和海洋工程领域提供参考和借鉴。

感潮水闸优化调度关键技术研究与探索

针对感潮水闸调度运行受潮汐影响大,过闸流量控制难的问题,从水闸机理模型出发分析了水位(潮位)对过闸流量的影响,然后基于GRU神经网络设计了潮位预测数学模型,结合江都东闸的实际需求,开发了闸站优化调度系统。经与实测数据对比,研究提出的多层GRU神经网络模型可准确的预测高低潮位出现的时刻以及潮位值。软件系统部署后,能很好支撑江都东闸的运行调度工程,在同类工程中具有较高的推广应用价值。