论文部分内容阅读
截止到2018年,中国已经建设完成大坝9.8万余座,是世界上拥有大坝数量最多的国家。大坝不仅能调度水利资源的时空分布,同时也是合理配置水资源的最为重要的工程措施之一。大坝具有防洪、抗旱、发电、航运、灌概、养殖、旅游等功能。因此大坝在我国的国民经济建设中发挥着至关重要的作用。然而溃坝事件时常发生,在影响国家的经济效益的同时,还会对周围的百姓造成十分巨大的生命和财产的损失。而大坝的损坏一般都是由量变到质变的,这个过程是不可能靠人的直觉来发现的,因而必须进行完善可靠的变形监测工作。因此对大坝变形进行有效的监测并对获取到的变形监测数据进行准确的预测,是确保大坝安全运行的十分必要的手段。大坝变形受水压、气温、地质条件等多种因素的影响,受限于管理成本和水平,小型水库大坝通常难以获取上述监测数据。因此对于小型水库来说仅使用历史大坝变形监测数据来进行预测是一种既能节约成本又行之有效的方法。本文使用小型水库利山水库大坝获取的5个点位的水平位移数据进行实验,数据为2018年12月16日至2019年1月12日测得。将5组数据的异常值剔除并对缺失值进行插值填补,得到5组有672条数据的水平位移数据。水平位移数据选择前500条数据为训练集,后172条数据为测试集。针对大坝变形监测数据同时存在非线性、趋势性、周期性和随机性的特征的问题,本文选择基于局部加权回归的周期趋势分解（Seasonal-Trend decomposition procedure based on Loess,STL）、布谷鸟搜索算法（Cuckoo Search,CS）和长短期记忆神经网络（Long Term and Short Term Memory neural network,LSTM）构建了组合模型STL-CS-LSTM,该模型首先使用STL方法将时间序列分解成趋势分量、周期分量和余项分量,使用基于布谷鸟搜索算法优化过的LSTM模型对趋势分量和余项分量进行预测;周期分量则使用简单周期估计方法预测,本文采用的数据是逐小时的,周期设置为24,也就是t时刻的序列值等于（t+24）时刻的序列值。最后将三个分量的预测值相加得到最后的预测结果。对数据进行预处理后,将组合模型STL-CS-LSTM的预测结果与LSTM模型、FNN模型、SVR模型、XGBoost模型、GRU模型的预测结果进行对比分析,可得6个模型的预测精度从高到底依次为:STL-CS-LSTM模型、LSTM模型、FNN模型、SVR模型、GRU模型、XGBoost模型。预测性能最好的STL-CS-LSTM模型的RMSE小于0.028mm,MAE小于0.025mm,而R2高于0.9,预测精度能够满足工程的实际需要。