根据历史位移预报大坝变形的神经网络方法.pdfVIP

第 28卷 第 2期 水 电 自动化 与大坝监测 Vo1．28 No．2 2004年 4月 20 Fl Hydropower Automation and Dam Monitoring Apr．20，2004 51 根据历史位移预报大坝变形的神经网络方法 邓兴升 ，王新洲? (1．湖南省东江水电厂．湖南省资兴市423403；2．武汉大学．湖南省武汉市 430079) 摘要：根据东江大坝变形水平位移实测数据分别建立统计模型和神经网络模型，以历史位移值作 为参数来进行预测、预报，与采用变形因子作参数不同。实践表明，根据历史位移值来预报大坝变 形是可行的，在预报精度方面，神经网络模型比统计模型得到的结果稍优。 关键词：大坝变形；预报；历史位移；神经网络 中图分类号：TV698．11；TP18 0 引言 的系统 。 1．1 神经元模型 预测大坝变形通常根据气温、库水位、时效等变 神经元是人工神经网络的基本处理单元，它一 形因子来进行。变形因子对大坝变形的影响存在滞 般是一个多输入、单输出的非线性元件。神经元输 后性，t时刻的大坝变形是t一1．t一2．…，t一朋寸刻 出除受输入信号的影响外，同时也受到神经元内部 的气温、库水位、时效等因子持续作用的结果，因此 其他因素的影响，所以在人工神经元的建模中，常常 大坝变形预报可以根据因子来进行。如果变形与因 还加有一个额外输入信号，称为偏差(bias)，也称阈 子之间的相关性较好，就可以得到较理想的结果。 值或门限值。 然而，根据因子预测变形也存在一些问题，例 一 个具有，一个输入分量的神经元如图1所示。 如：t时刻的大坝变形是过去多长时间范围内因子 影响的结果；已知t，t一1，t一2，…，t—i时的因子， 可预测未来多长时间范围内的大坝变形；t时刻的 因子影响t时刻大坝变形的概率是多少，若是未知 的，要通过多少次测试计算才能确定。而且建立模 ，} 型时，无论是神经网络模型，还是统计模型，因子的 取法众多，温度、水位、时效等因子的组合也有多种 方式，常常依赖经验。再者，未来一定时期内影响变 输入 神经元 形的因子是未知的，预报的时间就不能太长。 图1 单个神经元模型 为排除这些不确定因素的影响，本文把不同时 输入分量P，( 一1，2，…，，一)通过与和它相乘的 间的位移值作为一个时间序列，引入了另一类预报 方法，它并不是根据影响大坝位移的上述因子来进 权值分量 u， ( 一1，2，…，，．，-厂)相连，以 ( ，P，) 行的，而是把不同时间段的历史位移值作为神经网 一 1 络的输入进行训练，得到网络的优化结构和权值，再 的形式求和后，形成激活函数 -厂(·)的输入。激活函 进行检验和预报。同时建立了统计模型，并与神经 数的另一个输入是神经元的偏差b。权值ZL 和输入 网络模型在预报精度上进行了对比。两种模型得到