楊 慶,任 超
(1.桂林理工大學(xué)測繪地理信息學(xué)院,廣西桂林541004;2.廣西空間信息與測繪重點實驗室,廣西桂林541004)
受溫度、水壓和時間效應(yīng)等諸多因素共同影響,大壩在運營過程中往往會發(fā)生不同程度的形變,及時掌握大壩變形的演變規(guī)律并作出準(zhǔn)確預(yù)報,對大壩安全具有重要意義[1]。早期傳統(tǒng)的大壩變形預(yù)測方法有回歸分析法、灰色理論和時間序列法等,如常見的多元線性回歸模型(Multivariable Linear Regression,MLR)取得了較好的效果[2]。但在實際問題中,更常見的是非線性、非平穩(wěn)時間序列。由于大壩變形受多種影響因素共同影響,呈現(xiàn)出高度的非線性和非平穩(wěn)性,難以建立較為準(zhǔn)確的變形量與影響因素之間復(fù)雜的關(guān)系模型,預(yù)測效果不佳[3]。目前,小波神經(jīng)網(wǎng)絡(luò)(Wavelet Neural Networks,WNN)模型被廣泛用于非線性、非平穩(wěn)性時間序列預(yù)測,其具有極強的自學(xué)習(xí)和非線性動態(tài)處理能力,在非線性系統(tǒng)建模和時間序列預(yù)測中表現(xiàn)出優(yōu)越性,可以有效彌補多元線回歸模型在處理非線性數(shù)據(jù)方面的不足,具有較高的精度[4]。任超等[5- 6]直接依據(jù)歷史變形數(shù)據(jù)進行建模分析,來進行大壩變形預(yù)測,沒有充分考慮影響因素與大壩變形量的關(guān)系,不能更符合實際地反映出大壩變形規(guī)律[7]。文獻[8]指出,一個變化異常復(fù)雜的非線性、非平穩(wěn)隨機序列很難使用單一模型進行有效預(yù)報。單個預(yù)測方法往往都有各自的不足,難以獲得完全的信息量,誤差較大,而恰當(dāng)?shù)慕M合模型則可以實現(xiàn)優(yōu)勢互補,達到減少誤差的目的[9]。因此,本文充分考慮了影響因素對大壩變形的影響,并采用組合模型的思想,將多元線性回歸和小波神經(jīng)網(wǎng)絡(luò)相結(jié)合,充分發(fā)揮兩者各自的優(yōu)勢,將有望對大壩變形中隱含的特征信息進行多層次、多角度挖掘和分析,從而提高預(yù)測精度。
多元線性回歸模型是反映多個影響因素與因變量之間的一種關(guān)系模型,其理論模型為
yi=β0+β1x1+β2x2+…βpxp+ε
(1)
式中,yi為實測變形量;β0為模型常數(shù)項;βp為模型系數(shù);x為影響因子;ε是隨機誤差,E(ε)=0。
小波神經(jīng)網(wǎng)絡(luò)是一種把小波基函數(shù)作為隱含層激勵函數(shù)的多層前饋神經(jīng)網(wǎng)絡(luò),具有信號向前傳播的同時誤差向后傳播的特點。在信號傳遞過程中,信號從輸入層經(jīng)隱含層神經(jīng)元逐層處理,最后到達輸出層。輸出層“判斷”輸出結(jié)果是否是期望輸出,若是則輸出結(jié)果,否則進入反向傳播過程。反向傳播過程根據(jù)網(wǎng)絡(luò)預(yù)測誤差更新網(wǎng)絡(luò)連接權(quán)值、尺度因子和位移因子,使預(yù)測輸出無限接近期望輸出,直至達到預(yù)測要求,具體可參照文獻[4, 10-11]。
大壩變形的影響因素主要分為水位、溫度、時效3部分。庫水位決定大壩上游靜水壓力,而靜水壓力是壩體上最主要的荷載,是引起大壩變形的主要因素之一。溫度分量描述的是氣溫荷載作用下效應(yīng)量的彈性變化部分,其變化會引起壩體變形。時效分量是除了水位、溫度荷載以外的諸因素所引起的因變量隨時間變化的部分。
本文利用小波神經(jīng)網(wǎng)絡(luò)模型在非線性系統(tǒng)建模和時間序列預(yù)測中的優(yōu)越性,將其引入到多元線性回歸模型中,有利于從多角度、多層次地挖掘大壩變形信息,提高預(yù)測精度。設(shè)大壩在不同時間段的變形序列為{Y(x)=(tx,Hx,Tx),x=1,2,…,n},其中t為時效分量,H為上游水位影響因子,T為溫度影響因子。預(yù)測流程見圖1,即首先對其進行多元線性回歸預(yù)測,得到預(yù)測值Li和殘差G,再利用小波神經(jīng)網(wǎng)絡(luò)對G進行修正,得到殘差預(yù)測值Hi,進而得到最終大壩變形預(yù)測值w為
w=Li+Hi(i=1,2,…n)+ε
(2)
式中,ε為隨機誤差。
圖1 模型預(yù)測流程示意
為綜合評定模型的精度,采用均方根誤差(Root Mean Square Error,RMSE)和平均絕對誤差(Mean Absolute Error,MAE)作為模型評價指標(biāo)。MAE和RMSE分別表示為
(3)
(4)
本文以某抽水蓄能電站下庫大壩變形的監(jiān)測數(shù)據(jù)為例,42期觀測結(jié)果見表1。由表1可知,該大壩變形最大值為2.52 mm,最小值為-1.86 mm,相差4.38 mm,該大壩變形幅度較大,隨機性較強,呈現(xiàn)明顯的非線性。如果只用在非線性數(shù)據(jù)處理上存在缺陷的多元線性回歸模型對大壩變形進行分析和預(yù)測,很難得到令人滿意和可靠的結(jié)果。因此,本文將具有非線性數(shù)據(jù)處理優(yōu)勢的小波神經(jīng)網(wǎng)絡(luò)引入到多元線性回歸模型中進行分析和預(yù)測,有利于兩者各自優(yōu)勢的充分發(fā)揮。為驗證本文算法的有效性和可行性,建立3種方案進行對比分析,方案1為多元線性回歸模型;方案2為WNN模型;方案3為基于MLR-WNN的大壩變形預(yù)測模型。
本文將表1中1~30期數(shù)據(jù)作為試驗數(shù)據(jù),31~40期數(shù)據(jù)作為測試數(shù)據(jù),對大壩變形和影響因子建立多元線性回歸模型,并對其產(chǎn)生的誤差進行小波神經(jīng)網(wǎng)絡(luò)修正,各模型的計算結(jié)果見表2和圖2。由表2、圖2可知,方案1、2的預(yù)測結(jié)果不穩(wěn)定,部分預(yù)測與實測值相差比較大;方案1的殘差最大值為1.04 mm,部分預(yù)測值與實測值偏差較大;方案2的殘差最大值為1.28 mm;方案3的預(yù)測值和殘差均優(yōu)于其他模型,殘差最小值為0.03 mm,最大值僅為0.45 mm。顯然,本文模型的預(yù)測值與實測值吻合最好,優(yōu)于其他模型,預(yù)測精度較高,可以顯示出大壩變形的總體趨勢。
表1 某抽水蓄能電站下庫大壩變形監(jiān)測數(shù)據(jù)
表2 各模型變形計算結(jié)果對比 mm
圖2 各模型預(yù)測結(jié)果與實際對比
為了進一步綜合評定新算法的優(yōu)劣,采用均方根誤差和平均絕對誤差2項指標(biāo)進行評定。方案1的MAE和RMSE分別為0.483、0.603 0 mm;方案2的MAE和RMSE分別為0.36、0.504 1 mm;本文模型的MAE和RMSE分別為0.122、0.171 1 mm。顯然,基于MLR-WNN模型的預(yù)測精度均優(yōu)于多元線性回歸和WNN模型,具有較高的預(yù)測精度,可信度較高。因此,本文算法具有一定的使用價值,可以用于大壩變形預(yù)測。
本文將在非線性系統(tǒng)建模和時間序列預(yù)測中有優(yōu)勢的小波神經(jīng)網(wǎng)絡(luò)引入到多元線性回歸模型中,有效彌補了多元線性回歸模型在處理非線性數(shù)據(jù)方面的不足。首先,對大壩變形和影響因子數(shù)據(jù)建立多元線性回歸模型,并對其產(chǎn)生的誤差進行小波神經(jīng)網(wǎng)絡(luò)修正。經(jīng)理論和算例分析,并與多元線性回歸和WNN模型對比分析表明,本文算法預(yù)測精度較高,可以用于大壩變形預(yù)測,為大壩變形預(yù)測研究提供了一種新思路。
參考文獻:
[1] 蔣延臣, 張琴, 周立, 等. 基于小波方法的非線性回歸模型研究[J]. 測繪學(xué)報, 2006, 35(4): 337- 341.
[2] 劉波, 張斌, 喻佳, 等. 基于多元線性回歸模型的大壩變形預(yù)報研究[J]. 人民長江, 2010, 41(20): 53- 55.
[3] 王新洲, 范千, 許承權(quán), 等. 基于小波變換和支持向量機的大壩變形預(yù)測[J]. 武漢大學(xué)學(xué)報: 信息科學(xué)版, 2008, 33(5): 469- 471.
[4] GUAN Che, LUH P B, MICHEL L D, et al. Very short-term load forecasting: wavelet neural networks with data pre-filtering[J]. IEEE Transactions on Power Systems, 2013, 28(1): 30- 41.
[5] 任超, 梁月吉, 龐光峰, 等. 基于經(jīng)驗?zāi)B(tài)分解和支持向量機的大壩變形預(yù)測[J]. 水電能源科學(xué), 2014, 32(12): 67- 70.
[6] 任超, 梁月吉, 龐光峰, 等. 基于EEMD的大壩變形多步預(yù)測方法研究[J]. 大地測量與地球動力學(xué), 2015, 35(5): 816- 820.
[7] 萬程輝, 何習(xí)平. 基于小波分析回歸模型的大壩監(jiān)測數(shù)據(jù)處理[J]. 測繪科學(xué), 2009, 34(5): 113- 115.
[8] HUANG N E, WU M L, QU W D, et al. Applications of Hibert-Huang transform to non-stationary financial time series analysis[J]. Applied Stochastic Models in Business and Industry, 2003, 19(3): 245- 268.
[9] 吳斌平, 岳攀, 鄢玉玲, 等. 考慮時間影響的神經(jīng)網(wǎng)絡(luò)組合模型對心墻堆石壩變形的預(yù)測研究[J]. 水力發(fā)電學(xué)報, 2016, 35(9): 78- 86.
[10] 劉萍萍. 小波神經(jīng)網(wǎng)絡(luò)在大壩變形預(yù)測中的應(yīng)用研究[D]. 西安: 長安大學(xué), 2012.
[11] 鄧勇, 張冠宇. 遺傳小波神經(jīng)網(wǎng)絡(luò)在變形預(yù)報中的應(yīng)用[J]. 測繪科學(xué), 2012, 37(5): 183- 186.