我国河流众多、径流丰沛、落差巨大,蕴藏着非常丰富的水电资源。其陆地水力资源理论蕴藏量在10MW及以上的河流共有3886条,分别建有共9.8万余座水坝,在提供清洁能源同时,还对防洪、供水、灌溉起重要作用。于上个世纪80年代以前建设的老坝基本上为土石坝,出险的几率较高。目前,我国200米级以上高坝主要集中在西部地区,高海拔、高地震烈度、高边坡、地质条件极为复杂,需要对大坝的安全监测进行研究。由于大坝的变形是一个受水压因子、时效因子、温度因子等多因素共同影响的、长期的、非线性的复杂变化过程,而传统方法是利用单一的理论方法、算法模型进行大坝变形预测,所以这种基于理想严格的假定条件之下的传统模型难以取得良好的预测效果。在此情况下,引入能够进行复杂逻辑运算和非线性关系实现的一种非线性信息处理模型——人工神经网络,构建对大坝的变形预测模型。为此,本文以神经网络中近年研究热点的极限学习机为基础研究手段,结合遗传算法、粒子群优化算法,提出组合模型,并创新性地融入了经验模态分解、补充集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)滤波、影响因子选择与分析和差分整合移动平均自回归模型(Autoregressive Integrated Moving Average model,ARIMA)误差修正等理论知识,构建了基于多因素神经网络的大坝变形预测模型及模型的误差修正和精度评定。具体研究内容包括以下几方面:(1)研究学习了经验模态分解的相关理论和主要特性,并针对经验模态分解(empirical mode decomposition,EMD)存在的问题,深入研究了集合经验模态分解和补充集合经验模态分解。由于大坝的变形是多种因素共同作用的结果,因此通过分解,可以更好的对应分析其物理因素的影响。在此之上,科学合理进行大坝变形监测数据的滤波,提高了大坝变形预测模型的精度。(2)利用Spearman秩相关系数对智能算法输入层中主要影响因子进行分析评价,并据此进行影响因子的选择,最终确认大坝变形预测模型的影响因子。同时为消除量纲和数值差距的影响,对大坝变形预测模型的影响因子和变形监测数据进行归一化处理。(3)将遗传算法、粒子群算法和极限学习机相结合,利用遗传算法(Genetic Algorithm,GA)算法和粒子群优化算法(Particle Swarm optimization,PSO)算法对极限学习机(Extreme Learning Machine,ELM)神经网络的输入权值和隐含层阈值进行优化,分别构建GA-ELM和PSO-ELM组合模型,并结合之前选取的多种大坝变形影响因子构建基于多因素神经网络的大坝变形预测模型,结合实例验证。(4)利用ARIMA误差修正模型对预测结果进行残差修正,减弱大坝变形预测模型的预测残差,进一步提高模型精度。结合均方根误差RMSE、平均绝对误差MAE和平均相对误差MRE三个评价系数,对所有预测结果进行评价分析,验证构建的基于多因素神经网络的大坝变形预测模型的合理性。