CN116402209A - 基于改进神经网络模型的三峡水库坝前来漂量预测方法 - Google Patents

基于改进神经网络模型的三峡水库坝前来漂量预测方法 Download PDF

Info

Publication number
CN116402209A
CN116402209A CN202310316593.1A CN202310316593A CN116402209A CN 116402209 A CN116402209 A CN 116402209A CN 202310316593 A CN202310316593 A CN 202310316593A CN 116402209 A CN116402209 A CN 116402209A
Authority
CN
China
Prior art keywords
neuron
neural network
loc
hidden layer
improved
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310316593.1A
Other languages
English (en)
Inventor
王奇
王海
简铁柱
邢龙
李帅
赵明亮
任实
申赵勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202310316593.1A priority Critical patent/CN116402209A/zh
Publication of CN116402209A publication Critical patent/CN116402209A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0418—Architecture, e.g. interconnection topology using chaos or fractal principles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Physiology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及基于改进神经网络模型的三峡水库坝前来漂量预测方法，包括：采集三峡水库入库流量、出库流量以及坝前来漂量数据并划分训练、测试集；设定粒子群算法以及改进的神经网络结构和参数；利用训练集对改进的神经网络进行训练，训练中利用改进的粒子群算法对改进的神经网络的权值和阈值进行优化求解；计算预测误差并判断是否合格；将训练好的改进的神经网络用于三峡水库坝前来漂量的实时预测。本发明利用粒子群算法对误差逆传播神经网络的训练过程进行优化改进后，将改进的误差逆传播神经网络作为三峡水库坝前来漂量预测模型，使预测模型的连接权重更加逼近最优的理想值，提高了来漂量预测精度以及针对库坝数据信息不确定性的适应能力。

Description

基于改进神经网络模型的三峡水库坝前来漂量预测方法
技术领域
本发明属于水电工程智能预测领域，具体涉及一种基于改进神经网络模型的三峡水库坝前来漂量预测方法。
背景技术
三峡水库成功蓄水之后，汛期上游会有大量的漂浮物聚集于坝前水面，给三峡枢纽工程的安全稳定运行带来了安全隐患，同时大量漂浮物会给水库生态系统修复带来挑战。因此，掌握三峡水库坝前汛期来漂量的准确规律至关重要。成金海等通过运用小波分析的理论方法对三峡库区坝前来漂量的演变趋势进行了预测，但该方法不能得到具有高度不确定性的汛期来漂量的准确预测结果。
与此同时，现有技术中缺乏针对三峡库区坝前汛期来漂量的预测方法。
发明内容
本发明的技术问题是现有技术中缺乏能适应汛期入库量等高度不确定性的坝前来漂量预测模型，现有的采用小波分析等数学模型的来漂量演变趋势预测方法的准确性成问题。
本发明的目的是解决上述问题，提供一种基于改进神经网络模型的三峡水库坝前来漂量预测方法，构建基于误差逆传播神经网络的漂量预测模型，并采用粒子群算法对误差逆传播神经网络的权重进行优化改进，提高来漂量预测模型的精度以及针对库坝数据信息不确定性的适应能力。
本发明的技术方案是基于改进神经网络模型的三峡水库坝前来漂量预测方法，包括以下步骤：
步骤1：采集三峡水库入库流量、出库流量以及坝前来漂量数据，对得到的数据集进行特征工程和数据预处理，并划分训练集和测试集；
步骤2：设定粒子群算法以及改进的神经网络的参数；
步骤3：利用训练集对改进的神经网络进行训练，训练过程中利用改进的粒子群算法对改进的神经网络的权值和阈值进行优化求解；
步骤4：利用测试集对训练后的改进的神经网络进行测试，计算预测误差；
步骤5：判断预测误差是否在允许范围之内，若是，则结束训练，执行步骤6，否则，执行步骤3对改进的神经网络进行训练；
步骤6：将训练好的改进的神经网络用于三峡水库坝前来漂量的实时预测。
优选地，所述坝前来漂量预测方法利用单隐层误差逆传播神经网络建立来漂量预测模型，所述单隐层误差逆传播神经网络输入层包含d个输入神经元，第i个输入神经元记为xi，隐藏层包含q个隐层神经元，第h个隐藏层神经元的阈值记为γh，第h个隐藏层神经元的输出值记为bh，输入层第i个神经元与隐藏层第h个神经元之间的连接权重记为ξih，隐藏层第个h神经元的输出值记为ph，输出层包含l个输出神经元，第l个输出神经元记为yl′，第j个输出层神经元的阈值记为λj，隐藏层第h个神经元与输出层第j个神经元之间的连接权重记为ωhj，计算过程中使用的激活函数为Sigmoid函数，以下简称为f()，整体预测误差记为E。
优选地，所述坝前来漂量预测方法采用逻辑斯蒂混沌映射进行改进的粒子群算法的种群初始化，具体操作如下：
loc′s+1＝a·loc′s(1-loc′s) (1)
v′s+1＝a·v′s(1-v′s) (2)
式中s表示种群初始化过程的第s次迭代，loc′s表示第s个混沌位置且loc′s∈(0，1)，
Figure BDA0004150314150000021
v′s表示第s个混沌速度且v′s∈(0，1)，/>
Figure BDA0004150314150000022
a为控制参数；
按照式(1)和式(2)生成混沌位置和混沌速度后，将其映射到种群个体的取值空间内：
locs＝(locmax-locmin)·loc′s (3)
vs＝(vmax-vmin)·v′s (4)
式中vmax、vmin分别表示种群中粒子的最大、最小飞行速度；locmax、locmin分别表示种群中粒子的最大、最小移动位置。
进一步地，改进的神经网络训练过程中，利用粒子群的个体的位置、速度对改进的神经网络的输入层与隐藏层的连接权重及其对应的阈值进行优化更新；同样地，利用粒子群的个体的位置、速度对改进的神经网络的隐藏层与输出层的连接权重及其对应的阈值进行优化更新。
优选地，所述采用高斯径向基函数作为神经网络输出层的激活函数，高斯径向基函数的计算公式如下：
Figure BDA0004150314150000023
Figure BDA0004150314150000031
式中ρ()表示高斯径向基函数；βj表示第j个输出层神经元的输入；z为输出层所有神经元输入值的中心。
优选地，步骤2中，所述引入差分变异算子对粒子群算法的寻优过程进行改进，利用差分进化算法中的差分变异算子对获得的种群全局极值进行差分变异，降低算法陷入局部最优的可能性，种群全局极值gbest的计算式如下：
gbest＝gbest+F·(gbest-Xr)，且Xr≠gbest
式中F表示缩放因子，为[0，1]上的随机数；r为{1，2，…，N}中的随机数；Xr表示当前种群中除全局极值以外的随机个体对应的位置。
相比现有技术，本发明的有益效果包括：
1)本发明利用粒子群算法对误差逆传播神经网络的训练过程进行优化改进后，将改进的误差逆传播神经网络作为三峡水库坝前来漂量预测模型，使预测模型的连接权重更加逼近最优的理想值，提高了来漂量预测模型的精度以及针对库坝数据信息不确定性的适应能力。
2)本发明使用高斯径向基函数作为来漂量预测模型输出层的激活函数，进一步地提高了预测模型的预测精度。
3)本发明通过逻辑斯蒂混沌映射改进标准粒子算法的初始化过程，同时引入差分变异算子对粒子进行更新，提高了粒子群算法的寻优能力，降低了算法陷入局部最优的可能性。
4)本发明利用差分进化算法中的差分变异算子对获得的种群全局极值进行差分变异，有效降低了算法陷入局部最优的可能性。
附图说明
下面结合附图和实施例对本发明作进一步说明。
图1为本发明实施例的坝前来漂量预测方法的流程示意图。
图2为本发明实施例的误差逆传播神经网络的结构示意图。
图3为本发明实施例的2012年三峡水库坝前来漂量预测值与实际值的对比图。
图4为本发明实施例的2018年三峡水库坝前来漂量预测值与实际值的对比图。
图5为本发明实施例的2020年三峡水库坝前来漂量预测值与实际值的对比图。
具体实施方式
如图1和图2所示，基于改进神经网络模型的三峡水库坝前来漂量预测方法，包括以下步骤：
步骤1：采集三峡水库入库流量、出库流量以及坝前来漂量数据，对得到的数据集进行特征工程和数据预处理，并划分训练集和测试集；
步骤2：设定粒子群算法以及改进的神经网络的参数，所述参数包括种群大小N、个体维度D、训练集和测试集合的划分比例、改进粒子群算法的最大迭代次数iteration；
实施例中利用单隐层误差逆传播神经网络建立来漂量预测模型；实施例的单隐层误差逆传播神经网络输入层包含d个输入神经元，第i个输入神经元记为xi，隐藏层包含q个隐层神经元，第h个隐藏层神经元的阈值记为γh，第h个隐藏层神经元的输出值记为bh，h＝1，2…q；输入层第i个神经元与隐藏层第h个神经元之间的连接权重记为ξih，隐藏层第个h神经元的输出值记为ph，输出层包含l个输出神经元，第l个输出神经元记为yl′，第j个输出层神经元的阈值记为λj，隐藏层第h个神经元与输出层第j个神经元之间的连接权重记为ωhj，计算过程中使用的激活函数为Sigmoid函数，以下简称为f()，整体预测误差记为E。
采用逻辑斯蒂混沌映射进行改进的粒子群算法的种群初始化，具体操作如下：
loc′s+1＝a·loc′s(1-loc′s) (1)
v′s+1＝a·v′s(1-v′s) (2)
式中s表示种群初始化过程的第s次迭代，loc′s表示第s个混沌位置且loc′s∈(0，1)，
Figure BDA0004150314150000041
v′s表示第s个混沌速度且v′s∈(0，1)，/>
Figure BDA0004150314150000042
a为控制参数，实施例中a＝4；
按照式(1)和式(2)生成混沌位置和混沌速度后，将其映射到种群个体的取值空间内：
locs＝(locmax-locmin)·loc′s (3)
vs＝(vmax-vmin)·v′s (4)
式中vmax、vmin分别表示种群中粒子的最大、最小飞行速度；locmax、locmin分别表示种群中粒子的最大、最小移动位置。
实施例中，引入差分变异算子对粒子群算法的寻优过程进行改进，利用差分进化算法中的差分变异算子对获得的种群全局极值进行差分变异，降低算法陷入局部最优的可能性，种群全局极值gbest的计算式如下：
gbest＝gbest+F·(gbest-Xr)，且Xr≠gbest (5)
式中F表示缩放因子，F为[0，1]上的随机数；r为{1，2，…，N}中的随机数，N表示粒子群种群大小；Xr表示当前种群中除全局极值以外的随机个体对应的位置。
实施例中，采用高斯径向基函数作为单隐层误差逆传播神经网络输出层的激活函数，高斯径向基函数的计算公式如下：
Figure BDA0004150314150000051
Figure BDA0004150314150000052
式中ρ()表示高斯径向基函数；βj表示第j个输出层神经元的输入；z为输出层所有神经元输入值的中心。
步骤3：利用训练集对改进的神经网络进行训练，训练过程中利用改进的粒子群算法对改进的神经网络的权值和阈值进行优化求解；
记适应度函数为fit()，计算每个粒子对应位置的适应度函数值fit(LOCi)，将第i个粒子当前搜索到的适应度函数值最大的位置记为第i个粒子的个体极值，即Pi，best＝(pi，1，pi，2，…，pi，D)；将种群中适应度函数值最大的位置记为全局极值，即gbest＝(g1，g2，…，gD)。
迭代更新粒子的飞行速度分量vi，j和位置分量loci，j，
vi，j(t+1)＝vi，j(t)+c1r1(t)[pi，j(t)-loci，j(t)]+c2r2(t)[gi(t)-loci，j(t)] (8)
loci，j(t+1)＝loci，j(t)+vi，j(t+1) (9)
式中，t表示第t次迭代，r1，r2为[0，1]内均匀分布的随机数，c1，c2均为学习因子，vi，j为种群中第i个粒子的第j维速度分量。
粒子群迭代过程中的边界条件处理：在算法计算过程中，若vi，j＞vmax，则取vi，j＝vmax；若vi，j＜-vmax，则取vi，j＝-vmax；若xi，j＞xmax，则取loci，j＝locmax；若loci，j＜-locmax，则取loci，j＝locmax。
粒子群迭代过程终止条件：若t＜T，则重复迭代操作直至满足t≥T。
单隐层误差逆传播神经网络隐藏层神经元的输出值ph的计算式如下：
Figure BDA0004150314150000061
单隐层误差逆传播神经网络输出层神经元的输出值yj的计算式如下：
Figure BDA0004150314150000062
实施例中，单隐层误差逆传播神经网络训练过程中采用梯度下降策略以负梯度方向进行连接权重和阈值的调整，给定学习率η，η取(0，1)上的数值，则输入层至隐藏层之间参数的变化梯度m、输入层至隐藏层连接权重的变化调整值Δζih、隐藏层至输出层的变化梯度n、隐藏层至输出层的变化调整值Δωhj、阈值γh的变化调整值Δγh、阈值λj的变化调整值Δλj的具体表达式如下：
n＝y′j(1-y′j)(yj-y′j) (12)
Δωhj＝ηnbh (13)
Δλj＝-ηn (14)
Figure BDA0004150314150000063
Δζih＝ηmxi (16)
Δγh＝-ηm (17)
利用粒子群个体对连接权重ξih及其对应的阈值γh进行优化改进时，
locs＝ξihs (18)
vs＝γhs (19)
locmax＝ξihmax (20)
locmin＝ξihmin (21)
vmax＝γhmax (22)
vmin＝γhmin (23)
其中ξihs表示初始化过程中第s次迭代得到的输入层第i个神经元与隐藏层第h个神经元之间的连接权重，γhs表示初始化过程中第s次迭代得到的第i个隐藏层神经元的阈值，ξihmax表示输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最大值，ξihmin输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最小值，γhmax表示隐藏层神经元阈值的最大值，γhmin表示隐藏层神经元阈值的最小值。利用粒子群个体对连接权重ωhj及其对应的阈值λj进行优化改进时，
locs＝ωhjs (24)
vs＝λjs (25)
locmax＝ωhjmax (26)
locmin＝ωhjmin (27)
vmax＝λjmax (28)
vmin＝λjmin (29)
其中，ωhjs表示初始化过程中第s次迭代得到的输入层第i个神经元与隐藏层第h个神经元之间的连接权重，λjs表示初始化过程中第s次迭代得到的第i个隐藏层神经元的阈值，ωhjmax表示输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最大值，ωhjmin输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最小值，λjmax表示隐藏层神经元阈值的最大值，λjmin表示隐藏层神经元阈值的最小值。
实施例中，利用粒子群个体对改进的神经网络模型的连接权重及其对应的阈值进行优化改进时，根据式(18)-式(23)或者式(24)-式(29)将改进的神经网络模型的连接权重和相应的阈值赋值给粒子群的个体粒子，利用粒子群的迭代算法进行个体粒子的迭代更新，将迭代更新后的个体粒子的数值再赋值给改进的神经网络模型的连接权重及其对应的阈值，实现改进的神经网络模型的连接权重及其对应的阈值的寻优。
步骤4：利用测试集对训练后的改进的神经网络进行测试，计算预测误差；
单隐层误差逆传播神经网络的预测误差E的计算式如下：
Figure BDA0004150314150000081
步骤5：判断预测误差是否在允许范围之内，若是，则结束训练，执行步骤6，否则，执行步骤3对改进的神经网络进行训练；
步骤6：将训练好的改进的神经网络用于三峡水库坝前来漂量的实时预测。
为检验本发明的基于改进神经网络模型的三峡水库汛期坝前来漂量预测方法的高效性，以三峡水库为实例对象，以日为时间尺度，选取三峡水库坝前来漂量较多的2012、2018和2020年中每年7月1日至8月31日的坝前来漂量、平均入库流量、平均出库流量作为训练和测试数据，训练集和测试集设置值为3∶1。
分别运用本发明的改进的误差逆传播(Improved Back Propagation，IBP)神经网络模型、标准误差逆传播(Back Propagation，BP)神经网络模型支持向量机(SupportVector Machine，SVM)进行100次预测，统计平均预测值并将其与实际值对比分析结果如图3-5所示，统计预测结果的平均绝对百分误差MAPE、均方根误差RMSE、拟合优度R2以及算法平均完成一次完整预测所需时间，2012年、2018年和2020年的预测结果分别如表1、表2、表3所示。
表1 2012年坝前来漂量预测指标对比表
Figure BDA0004150314150000082
表2 2018年坝前来漂量预测指标对比表
Figure BDA0004150314150000083
表3 2020年坝前来漂量预测指标对比表
Figure BDA0004150314150000084
设置本发明的IBP模型中改进粒子群算法的种群大小N＝50，迭代次数iter＝500。其他参数根据模型自身的选取准则由计算机生成，模型训练的输入值包含日平均入库流量和日平均出库流量，输出值为来漂量，因此上述两种神经网络的输入层神经元数量uint＝2，输出层的神经元数量uout＝1，隐藏层神经元数量umid根据式(31)计算：
Figure BDA0004150314150000091
式中r为常量，表示隐藏层神经元数量的经验常量；
则根据式(31)计算可知umid的取值范围为[3，11]上的整数。
由图3-5可知，相比于BP和SVM模型，本发明的IBP模型预测结果更接近真实值，由表1-3可知，本发明的IBP模型的预测误差更小，所需计算时间更短，从而计算速度更快，因此本发明提出的基于改进神经网络模型的三峡水库坝前汛期来漂量预测方法更为高效。

Claims (6)

1.基于改进神经网络模型的三峡水库坝前来漂量预测方法，其特征在于，所述坝前来漂量预测方法利用神经网络建立来漂量预测模型，并采用高斯径向基函数作为神经网络输出层的激活函数，得到改进的神经网络作为来漂量预测模型；
所述坝前来漂量预测方法包括以下步骤：
步骤1：采集三峡水库入库流量、出库流量以及坝前来漂量数据，对得到的数据集进行特征工程和数据预处理，并划分训练集和测试集；
步骤2：设定粒子群算法以及改进的神经网络结构和参数；
步骤3：利用训练集对改进的神经网络进行训练，训练过程中利用改进的粒子群算法对改进的神经网络的权值和阈值进行优化求解；
步骤4：利用测试集对训练后的改进神经网络进行测试，计算预测误差；
步骤5：判断预测误差是否在允许范围之内，若是，则结束训练，执行步骤6，否则，执行步骤3对改进的神经网络进行训练；
步骤6：将训练好的改进的神经网络用于三峡水库坝前来漂量的实时预测。
2.根据权利要求1所述的三峡水库坝前来漂量预测方法，其特征在于，所述坝前来漂量预测方法利用单隐层误差逆传播神经网络建立来漂量预测模型，所述单隐层误差逆传播神经网络输入层包含d个输入神经元，第i个输入神经元记为xi，隐藏层包含q个隐层神经元，第h个隐藏层神经元的阈值记为γh，第h个隐藏层神经元的输出值记为bh，输入层第i个神经元与隐藏层第h个神经元之间的连接权重记为ξih，隐藏层第个h神经元的输出值记为ph，输出层包含l个输出神经元，第l个输出神经元记为yl′，第j个输出层神经元的阈值记为λj，隐藏层第h个神经元与输出层第j个神经元之间的连接权重记为ωhj。
3.根据权利要求2所述的三峡水库坝前来漂量预测方法，其特征在于，所述坝前来漂量预测方法采用逻辑斯蒂混沌映射进行改进的粒子群算法的种群初始化，具体操作如下：
loc′s+1＝a·loc′s(1-loc′s) (1)
v′s+1＝a·v′s(1-v′s) (2)
式中s表示种群初始化过程的第s次迭代，loc′s表示第s次迭代的混沌位置且loc′s∈(0，1)，v′s表示第s次迭代的混沌速度且v′s∈(0，1)；a为控制参数；
按照式(1)和式(2)生成混沌位置和混沌速度后，将其映射到种群个体的取值空间内：
locs＝(locmax-locmin)·loc′s (3)
vs＝(vmax-vmin)·v′s (4)
式中vmax、vmin分别表示种群中粒子的最大、最小飞行速度；locmax、locmin分别表示种群中粒子的最大、最小移动位置。
4.根据权利要求3所述的三峡水库坝前来漂量预测方法，其特征在于，对连接权重ξih及其对应的阈值γh进行优化时，
locs＝ξihs
vs＝γhs
locmax＝ξihmax
locmin＝ξihmin
vmax＝γhmax
vmin＝γhmin
其中ξihs表示初始化过程中第s次迭代得到的输入层第i个神经元与隐藏层第h个神经元之间的连接权重，γhs表示初始化过程中第s次迭代得到的第i个隐藏层神经元的阈值，ξihmax表示输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最大值，ξihmin输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最小值，γhmax表示隐藏层神经元阈值的最大值，γhmin表示隐藏层神经元阈值的最小值。
5.根据权利要求3所述的三峡水库坝前来漂量预测方法，其特征在于，对连接权重ωhj及其对应的阈值λj进行优化时，
locs＝ωhjs
vs＝λjs
locmax＝ωhjmax
locmin＝ωhjmin
vmax＝λjmax
vmin＝λjmin
其中，ωhjs表示初始化过程中第s次迭代得到的输入层第i个神经元与隐藏层第h个神经元之间的连接权重，λjs表示初始化过程中第s次迭代得到的第i个隐藏层神经元的阈值，ωhjmax表示输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最大值，ωhjmin输入层第i个神经元与隐藏层第h个神经元之间的连接权重的最小值，λjmax表示隐藏层神经元阈值的最大值，λjmin表示隐藏层神经元阈值的最小值。
6.根据权利要求1-5任意一项所述的三峡水库坝前来漂量预测方法，其特征在于，所述采用高斯径向基函数作为神经网络输出层的激活函数，高斯径向基函数的计算公式如下：
Figure FDA0004150314130000031
Figure FDA0004150314130000032
式中ρ()表示高斯径向基函数；βj表示第j个输出层神经元的输入；z为输出层所有神经元输入值的中心。
CN202310316593.1A 2023-03-28 2023-03-28 基于改进神经网络模型的三峡水库坝前来漂量预测方法 Pending CN116402209A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310316593.1A CN116402209A (zh) 2023-03-28 2023-03-28 基于改进神经网络模型的三峡水库坝前来漂量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310316593.1A CN116402209A (zh) 2023-03-28 2023-03-28 基于改进神经网络模型的三峡水库坝前来漂量预测方法

Publications (1)

Publication Number Publication Date
CN116402209A true CN116402209A (zh) 2023-07-07

Family

ID=87017199

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310316593.1A Pending CN116402209A (zh) 2023-03-28 2023-03-28 基于改进神经网络模型的三峡水库坝前来漂量预测方法

Country Status (1)

Country Link
CN (1) CN116402209A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976221A (zh) * 2023-08-10 2023-10-31 西安理工大学 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116976221A (zh) * 2023-08-10 2023-10-31 西安理工大学 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质
CN116976221B (zh) * 2023-08-10 2024-05-17 西安理工大学 基于冲蚀特性的堰塞体溃决峰值流量预测方法及存储介质

Similar Documents

Publication Publication Date Title
CN105809279B (zh) 一种基于多目标量子混合蛙跳算法的水资源优化调度方法
CN109002942A (zh) 一种基于随机神经网络的短期负荷预测方法
CN1043543C (zh) 推断装置
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN111047085B (zh) 一种基于元学习的混合动力车辆工况预测方法
CN108549929A (zh) 一种基于深层卷积神经网络的光伏功率预测方法
CN113408648B (zh) 一种结合深度学习的机组组合计算方法
Allaoua et al. Neuro-fuzzy DC motor speed control using particle swarm optimization
CN104050517A (zh) 基于grnn神经网络的光伏发电预测方法
CN104408518A (zh) 基于粒子群优化算法的神经网络学习优化方法
CN116402209A (zh) 基于改进神经网络模型的三峡水库坝前来漂量预测方法
Cheng et al. Forecasting monthly runoff time series by single-layer feedforward artificial neural network and grey wolf optimizer
CN116526473A (zh) 基于粒子群优化lstm的电热负荷预测方法
CN110661257A (zh) 基于天牛群算法的水火联合电力系统最优经济运行策略分析方法
CN114384931B (zh) 一种基于策略梯度的无人机多目标最优控制方法和设备
Niu et al. Short term load forecasting model using support vector machine based on artificial neural network
CN109359320A (zh) 基于多采样率自回归分布滞后模型的高炉指标预测方法
Na et al. A novel heuristic artificial neural network model for urban computing
Ansari et al. Wind power forecasting using artificial neural network
CN113326968A (zh) 基于调整pso惯性权重的母线短期负荷预测方法及装置
CN111652413B (zh) 基于多Agent分布式海量数据处理的工业电力负荷预测方法
CN114202063A (zh) 一种基于遗传算法优化的模糊神经网络温室温度预测方法
Ramsami et al. Neural network frameworks for electricity forecasting in mauritius and rodrigues Islands
Lin et al. The design of TSK‐type fuzzy controllers using a new hybrid learning approach

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination