论文部分内容阅读
近年来,随着经济社会的日益发展,人类和水资源的矛盾日益突出,健康的水环境是保障民生、提高人们生活水平的必然要求,是经济社会与生态环境和谐发展的基本条件。平原水库作为人类与自然相互交流的渠道,对平原水库健康进行诊断预测研究已成为当前的热点领域之一。随着数据驱动技术在水利行业中的迅速推广以及平原水库健康管理理念的逐渐兴起,平原水库健康监测平台积累了海量的水库健康监测数据,因此需要将数据驱动技术与平原水库健康管理相结合,采用数据驱动技术对平原水库健康诊断预测具有重要意义。本文分析了水库健康监测数据的特点,采用神经网络方法和深度学习方法对平原水库健康进行诊断预测。采用MATLAB软件对BP神经网络、RBF神经网络和粒子群优化的灰色神经网络编程,对水库健康进行诊断预测;采用TensorFlow平台对长短期记忆网络(LSTM)和门循环神经网络(GRU)编程,对水库健康进行预测。通过分析对比,选择合适的方法对水库健康诊断预测,以保证水库健康状况诊断和水库健康状况预测的精确性,为水库管理者对水库健康状况有一定判断,取得的主要结论如下:(1)在对平原水库的健康诊断方面,采用BP神经网络、RBF神经网络和粒子群算法优化的灰色BP神经网络分别对水库健康进行诊断分析。通过分析对比,RBF神经网络比BP神经网络训练速度快,训练精度也要优于BP神经网络,对水库健康的诊断更加简单有效;粒子群优化的灰色BP神经网络弥补了BP神经网络和灰色模型的不足,粒子群算法将参数进一步优化,对比单一的BP神经网络和RBF神经网络更能体现出优点和先进性,粒子群算法优化的灰色BP神经网络在对水库健康的诊断效果更好,达到了对水库健康诊断的目的。(2)在对平原水库的健康预测方面,BP神经网络和RBF神经网络不具备对未知天数的水库健康指标预测的功能,粒子群算法优化的灰色BP神经网络采用灰色模型和BP神经网络组合模型预测了未来15天水库健康状态,并且预测结果基本符合水库健康的变化规律,能为水库管理者对水库健康的研究分析起到借鉴作用。(3)采用深度学习方法中的长短期记忆网络(LSTM)和门循环神经网络(GRU)对水库健康监测数据的五项指标进行深度学习,详细对水库健康综合评价指标、结构安全指标、生态环境功能指标、社会功能健康指标和健康稳定指标进行了分析,分别对五项指标进行了预测,预测五项指标未来15天的变化状态。通过分析对比,得到GRU算法在测试集中的均方根误差几乎都小于LSTM算法,拟合程度也要比LSTM算法更好。在对未来15天的预测中GRU算法效果更理想,比较符合数据变化的规律,达到了对水库健康状态预测的目的。以上研究方法能够有效的针对平原水库的健康诊断预测问题,已建好的神经网络模型和深度学习模型可更好的服务于水库健康的数据分析,保障水库健康、高效、可持续的运行。