摘要：構(gòu)建合理在線監(jiān)控模型是實(shí)時(shí)掌控大壩安全性態(tài)的重要保障。針對LSTM模型受多參數(shù)組合影響、最優(yōu)參數(shù)泛化能力弱、人工選取參數(shù)難的問題，深入分析了學(xué)習(xí)率、分塊尺寸、最大迭代次數(shù)和隱藏層單元數(shù)等關(guān)鍵參數(shù)對大壩安全在線監(jiān)控模型精度的影響規(guī)律，提出了融合非線性慣性權(quán)重、收縮因子及柯西擾動(dòng)項(xiàng)的粒子群優(yōu)化改進(jìn)算法（IPSO），并與LSTM模型耦合構(gòu)建了針對大壩安全監(jiān)控的IPSO-LSTM模型。工程校驗(yàn)表明：該模型能自動(dòng)搜尋最優(yōu)參數(shù)、精度高、魯棒性強(qiáng)，適用于不同類型、不同長度的大壩安全監(jiān)測數(shù)據(jù)序列，相對人工定參的LSTM模型誤差至少能降低30%。相關(guān)經(jīng)驗(yàn)可為大壩運(yùn)行安全在線監(jiān)控提供技術(shù)支持。

關(guān) 鍵 詞：大壩安全；監(jiān)控模型；粒子群優(yōu)化改進(jìn)算法（IPSO）；長短時(shí)神經(jīng)網(wǎng)絡(luò)（LSTM）；自動(dòng)尋優(yōu)

中圖法分類號(hào)：TV698.1

文獻(xiàn)標(biāo)志碼：ADOI：10.16232/j.cnki.1001-4179.2024.12.030

0 引 言

大壩賦存地質(zhì)與運(yùn)行環(huán)境復(fù)雜，風(fēng)險(xiǎn)源多，如何保障其長期安全高效運(yùn)行是業(yè)界普遍關(guān)注的重點(diǎn)問題。隨著云計(jì)算、大數(shù)據(jù)、人工智能等新一代信息技術(shù)的快速發(fā)展與應(yīng)用，國家對大壩運(yùn)行安全在線監(jiān)控提出了更高的要求^［1］。如何有效利用海量安全監(jiān)測數(shù)據(jù)合理構(gòu)建大壩運(yùn)行安全在線監(jiān)控模型，實(shí)時(shí)掌握大壩運(yùn)行安全性態(tài)，是近年來業(yè)界關(guān)注的熱點(diǎn)問題。

傳統(tǒng)大壩安全在線監(jiān)控模型以統(tǒng)計(jì)學(xué)模型、確定性模型和混合模型為主，研究成果主要集中在模型因子優(yōu)化、模型泛化能力及魯棒性提升等方面^［2-4］。近年來，隨著計(jì)算機(jī)及人工智能技術(shù)不斷發(fā)展，人工智能模型逐漸成熟，支持向量機(jī)^［5］（SVM）、相關(guān)向量機(jī)^［6］（RVM）、回歸樹^［7］（RT）、隨機(jī)森林^［8］（RF）、極限學(xué)習(xí)機(jī)^［9］（ELM）、卷積神經(jīng)網(wǎng)絡(luò)^［10］（CNN）等機(jī)器學(xué)習(xí)方法逐漸運(yùn)用于大壩安全在線監(jiān)控模型構(gòu)建中。其中，Schmidhuber和Hochreiter共同提出的基于循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）的長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)^［11］（LSTM）模型因適合處理和預(yù)測長間隔的時(shí)間序列，且具有記憶網(wǎng)格自環(huán)系數(shù)可調(diào)、不同門類學(xué)習(xí)率可控、特定記憶功能較強(qiáng)等特點(diǎn)，對非線性數(shù)據(jù)序列的擬合預(yù)測效果較好^［12］，在大壩運(yùn)行安全在線監(jiān)控中應(yīng)用良好^［13］，如譚瀛^［14］、歐斌^［15］、鄧思源^［16］、馬佳佳^［17］等均利用LSTM構(gòu)建了大壩變形預(yù)測模型，具有良好的擬合預(yù)測效果。但相關(guān)學(xué)者研究也發(fā)現(xiàn)^［18-20］，LSTM模型超參數(shù)較多且對模型精度影響較大，實(shí)際運(yùn)用中需反復(fù)調(diào)試、比選模型參數(shù)方可確定其適用范圍，極大地影響了模型適用性，但目前尚缺乏關(guān)鍵參數(shù)對大壩安全在線監(jiān)控LSTM模型影響規(guī)律的系統(tǒng)研究。

粒子群優(yōu)化算法（PSO）是一種高效的參數(shù)尋優(yōu)算法，能夠與機(jī)器學(xué)習(xí)算法融合以解決超參數(shù)問題，如楊曉曉等^［21］利用PSO算法對SVM模型參數(shù)尋優(yōu)，在大壩變形監(jiān)控中展現(xiàn)出極大的優(yōu)越性；張鈺彬等^［22］利用PSO算法提高了BP神經(jīng)網(wǎng)絡(luò)水位預(yù)測的精度。目前PSO-LSTM模型已應(yīng)用于電壓控制、交通管理和水產(chǎn)養(yǎng)殖等多領(lǐng)域^［23-25］，但在大壩安全在線監(jiān)控模型中應(yīng)用相對較少，且存在粒子尋優(yōu)過程中易陷入局部最優(yōu)而“早熟”的問題。為此，本文結(jié)合大壩安全監(jiān)測數(shù)據(jù)序列特征，深入分析關(guān)鍵參數(shù)對LSTM模型精度和泛化能力的影響規(guī)律，融合非線性慣性權(quán)重、收縮因子和柯西擾動(dòng)項(xiàng)，提出了改進(jìn)粒子群優(yōu)化算法IPSO，構(gòu)建了大壩安全在線監(jiān)控IPSO-LSTM模型，并校驗(yàn)了模型精度和穩(wěn)定性，以為大壩安全在線監(jiān)控提供重要技術(shù)支撐。

1 LSTM模型在大壩安全監(jiān)控中的適用性分析

不同壩型、不同監(jiān)測項(xiàng)目的數(shù)據(jù)呈現(xiàn)不同的規(guī)律，監(jiān)測數(shù)據(jù)序列的類型也多樣，一般包括周期型（如重力壩順河向位移、土石壩上游過渡區(qū)滲壓等）、直線上升型（如大壩壩頂及壩體沉降位移等）、水平直線型（如裂縫開合度、帷幕后滲壓測點(diǎn)等）和弱規(guī)律型（如大壩橫河向位移、應(yīng)力應(yīng)變等），因此大壩安全在線監(jiān)控模型應(yīng)具有較強(qiáng)的泛化能力，能適用于不同的數(shù)據(jù)類型。而大壩安全在線監(jiān)控LSTM模型在實(shí)際應(yīng)用中存在以下問題：

（1）參數(shù)眾多且對模型精度影響大，泛化能力差，人工設(shè)置難度大。LSTM模型參數(shù)眾多，主要包括學(xué)習(xí)率、分塊尺寸、最大迭代次數(shù)、隱藏層單元數(shù)、丟棄率和輸入層神經(jīng)元數(shù)等，其中影響模型精度的可調(diào)參數(shù)主要包括學(xué)習(xí)率、分塊尺寸、最大迭代次數(shù)、隱藏層單元數(shù)等，且其有效范圍較大，分別是：0.0001～0.1、1～40、1～1000、1～500。為深入分析模型參數(shù)對模型精度的影響，本文選擇不同類型、不同長短的實(shí)際工程監(jiān)測數(shù)據(jù)序列（表1和圖1），采用單一控制變量法逐一分析學(xué)習(xí)率、分塊尺寸、最大迭代次數(shù)和隱藏層單元數(shù)4項(xiàng)參數(shù)不同取值情況對LSTM模型精度的影響，計(jì)算結(jié)果見圖2。從圖2中可以看出，學(xué)習(xí)率、分塊尺寸的變化對模型精度影響較大，且不同類型測點(diǎn)的最優(yōu)參數(shù)取值差異較大；隱藏層單元數(shù)對模型精度的影響雖然也較大，但不同類型測點(diǎn)的最優(yōu)參數(shù)取值相近，取值可相對固定；最大迭代次數(shù)超過300后對模型精度基本無影響，但對模型計(jì)算效率影響較大，且不同類型測點(diǎn)的最優(yōu)取值差異相較其他參數(shù)最大。

整體上，采用人工選取并設(shè)定LSTM模型參數(shù)的主觀性與隨機(jī)性過強(qiáng)，且最優(yōu)參數(shù)的泛化能力較弱，即某類型測點(diǎn)適宜的最優(yōu)參數(shù)應(yīng)用于其他類型測點(diǎn)時(shí)效果較差，要構(gòu)建高精度的監(jiān)控模型，需逐一進(jìn)行參數(shù)調(diào)整，需耗費(fèi)大量的時(shí)間和人力。

（2）單一最優(yōu)參數(shù)的簡單組合無法達(dá)到整體最優(yōu)效果。將上述4種類型測點(diǎn)在單一參數(shù)控制條件下的最優(yōu)參數(shù)進(jìn)行組合，進(jìn)一步分析其對模型精度的影響，計(jì)算結(jié)果如表2所列。從表中可知，采用各最優(yōu)參數(shù)組合構(gòu)建的模型并不是整體最優(yōu)，分析其原因在于LSTM模型受多參數(shù)共同作用，各參數(shù)在計(jì)算過程中相互影響、相互修正、相互學(xué)習(xí)，通過單一控制變量法簡單獲取的最優(yōu)組合參數(shù)并不是多維空間函數(shù)下的整體最優(yōu)結(jié)果。因此，為提高LSTM在線監(jiān)控模型的精度和適用性，需實(shí)現(xiàn)模型關(guān)鍵參數(shù)的自動(dòng)優(yōu)選。

2 IPSO算法改進(jìn)原理與效果

改進(jìn)粒子群優(yōu)化算法（IPSO）通過更新代表問題潛在解的粒子速度v和位置x，實(shí)現(xiàn)粒子在空間中搜索與移動(dòng)，以粒子適應(yīng)度fit_i最小為標(biāo)準(zhǔn)尋求最佳解。本文通過設(shè)置非線性慣性權(quán)重^［26］、收縮因子^［27］和柯西擾動(dòng)項(xiàng)來改進(jìn)粒子群的v_id與x_id的更新方法，計(jì)算公式為

v_id=ωv_id+φ［c₁rand_1dp_{best，id}-x_id+c₂rand_2dG_best，id-x_id］（1）

x_id=x_id+v_id（2）

式中：v_id是粒子的運(yùn)動(dòng)速度；x_id是粒子所處的位置；ω是慣性權(quán)重；rand_1d和rand_2d為區(qū)間［0，1］的隨機(jī)數(shù)，增加搜索的隨機(jī)性；p_best是粒子的歷史最優(yōu)位置；G_best是擾動(dòng)后全局最優(yōu)極值；c₁和c₂是加速因子，用于控制向全局最優(yōu)粒子g_best和局部最優(yōu)粒子p_best運(yùn)動(dòng)方向的步長；φ是收縮因子。

（1）慣性權(quán)重ω。慣性權(quán)重ω是確定粒子收縮速度的一項(xiàng)重要參數(shù)，ω值越大，粒子進(jìn)化速度越快，搜索范圍也越大。粒子群優(yōu)化算法（PSO）采用線性慣性權(quán)重遞減方法，不能自適應(yīng)改變慣性權(quán)重以優(yōu)化尋優(yōu)能力。本文提出的改進(jìn)粒子群優(yōu)化算法（IPSO）采用非線性慣性權(quán)重遞減方法，如式（3）所示，即慣性權(quán)重ω隨迭代次數(shù)增加以非線性形式遞減，其前期變化速度增加，能有效避免粒子群陷入早熟的問題，而后期變化速度減緩，則能準(zhǔn)確搜索到最優(yōu)參數(shù)。

ω=ω_max-ω_max-ω_mini/i_max（3）

式中：i_max表示最大迭代次數(shù)；ω_max與ω_min分別代表慣性權(quán)重的最大值和最小值。

（2）收縮因子φ。收縮因子φ主要控制粒子的速度v。為保證粒子能快速收斂，同時(shí)避免粒子過早收斂，改進(jìn)粒子群優(yōu)化算法（IPSO）利用加速因子c₁、c₂對φ進(jìn)行動(dòng)態(tài)調(diào)整，同時(shí)利用控制值C（C≥4）限制C₁，C₂的取值范圍，有效提高了算法的收斂率，計(jì)算公式為

φ=2/∣2-C-C²-4C∣C=c₁+c₂（4）

（3）柯西擾動(dòng)項(xiàng)。為了提升粒子群的收斂速度與精度，降低粒子陷入局部最優(yōu)的概率，改進(jìn)粒子群優(yōu)化算法（IPSO）在原本g_best的基礎(chǔ)上對粒子群內(nèi)長時(shí)間保持不變的粒子增加一個(gè)柯西擾動(dòng)項(xiàng)，使其能跳出局部最優(yōu)，同時(shí)產(chǎn)生一個(gè)較小的步長，從而加速算法收斂，計(jì)算公式如下：

G_best，id=g_best，id+η×Cauchy0，1（5）

式中：g_{best，id}是群體的全局極值在第d維的分量；η為柯西擾動(dòng)參數(shù)，能控制柯西分布擾動(dòng)權(quán)項(xiàng)大小；Cauchy（0，1）是服從比例參數(shù)t=1的柯西分布隨機(jī)數(shù)。

為驗(yàn)證改進(jìn)粒子群優(yōu)化算法（IPSO）的有效性，本文將其尋優(yōu)能力與粒子群優(yōu)化算法（PSO）對比，典型測點(diǎn)JG09計(jì)算結(jié)果見表3與圖3。從圖表中可以看出，隨著迭代次數(shù)的增加，傳統(tǒng)PSO算法突破了3次局部最優(yōu)，在第11次迭代時(shí)適應(yīng)度收斂于9.08×10^-4。而改進(jìn)IPSO算法突破了5次局部最優(yōu)，在第52次迭代時(shí)收斂于3.78×10^-4，尋優(yōu)能力明顯提升，這與改進(jìn)粒子群優(yōu)化算法（IPSO）能有效避免粒子在尋優(yōu)過程中陷入“早熟”，從而提升其全局搜索能力有關(guān)。

3 大壩安全在線監(jiān)控IPSO-LSTM模型構(gòu)建

模型總體架構(gòu)如圖4所示，具體步驟如下：

（1）數(shù)據(jù)集獲取。提取大壩環(huán)境量監(jiān)測數(shù)據(jù)（如氣溫、降雨、庫水位等），以及大壩安全監(jiān)測效應(yīng)量數(shù)據(jù)（如變形、滲流、應(yīng)力應(yīng)變等），標(biāo)準(zhǔn)化處理后獲取模型構(gòu)建的特征數(shù)據(jù)集。

（2）LSTM模型構(gòu)建。采用特征數(shù)據(jù)集，構(gòu)建LSTM模型，并初始化神經(jīng)網(wǎng)絡(luò)架構(gòu)和模型參數(shù)。即設(shè)定學(xué)習(xí)率、分塊尺寸、最大迭代次數(shù)、隱藏層單元數(shù)、丟棄率和輸入層神經(jīng)元數(shù)等模型參數(shù)的初始值。

（3）基于改進(jìn)粒子群優(yōu)化算法IPSO的模型關(guān)鍵圖4 大壩安全在線監(jiān)控IPSO-LSTM模型構(gòu)建流程

Fig.4 Construction process of IPSO-LSTM model for dam safety monitoring

參數(shù)尋優(yōu)。為了提高模型精度并保證計(jì)算效率，選擇對模型精度影響較大且泛化能力較弱的學(xué)習(xí)率、最大迭代次數(shù)和分塊尺寸的3個(gè)關(guān)鍵參數(shù)，采用改進(jìn)粒子群IPSO算法進(jìn)行自適應(yīng)尋優(yōu)。

（4）IPSO-LSTM模型構(gòu)建。將采用改進(jìn)粒子群IPSO算法獲取的模型最優(yōu)參數(shù)值輸入到LSTM模型中，即完成IPSO-LSTM模型構(gòu)建，從而實(shí)現(xiàn)相應(yīng)監(jiān)測數(shù)據(jù)集的擬合和預(yù)測，同時(shí)完成模型校驗(yàn)。

4 模型校驗(yàn)

4.1 模型精度分析

本文針對表1所列的不同類型監(jiān)測數(shù)據(jù)序列，分別構(gòu)建逐步回歸、LSTM、PSO-LSTM及IPSO-LSTM監(jiān)控模型，并采用可決系數(shù)（R²）、均方根誤差（RMSE）和平均絕對偏差（MAE）3個(gè)評(píng)價(jià)指標(biāo)對比分析模型效果，計(jì)算成果見表4和圖5（每個(gè)分圖中的上圖為擬合段，下圖為預(yù)測段），由圖表可知：

（1）針對規(guī)律性較好、數(shù)據(jù)序列較長的周期型的JG09測點(diǎn)與直線上升型的EB01測點(diǎn)，4種模型精度均較高，可決系數(shù)均在0.95以上，IPSO-LSTM模型的擬合及預(yù)測精度均略高于其他模型。

（2）針對規(guī)律性差或監(jiān)測序列較短的弱規(guī)律型TC1-7測點(diǎn)和水平直線型M3Y6-2測點(diǎn)，受數(shù)據(jù)規(guī)律性差、數(shù)據(jù)與環(huán)境量響應(yīng)關(guān)系弱等因素影響，逐步回歸模型效果較差，可決系數(shù)R²最低僅在0.6附近，部分測點(diǎn)擬合、預(yù)測段甚至出現(xiàn)漂移現(xiàn)象。采用LSTM模型擬合預(yù)測效果提升明顯，但受參數(shù)泛化能力影響，M3Y6-2測點(diǎn)的可決系數(shù)R²僅能達(dá)到0.87，而PSO-LSTM模型和IPSO-LSTM模型的可決系數(shù)則可分別提升至0.89與0.90。IPSO-LSTM模型的均方根誤差和平均絕對誤差較其他3種模型均明顯降低，以TC1-7測點(diǎn)擬合段為例，IPSO-LSTM模型較逐步回歸、LSTM、PSO-LSTM等模型的均方根誤差分別降低76%，33%，23%。

整體上，IPSO-LSTM模型有效解決了人工選取參數(shù)的問題，能更加精準(zhǔn)地獲取不同樣本訓(xùn)練過程中最佳的網(wǎng)絡(luò)參數(shù)，能更好地處理非線性與不確定性問題，相較于逐步回歸、LSTM、PSO-LSTM等模型具有更好的擬合預(yù)測精度、泛化能力及魯棒性。

4.2 模型穩(wěn)定性分析

為了進(jìn)一步探究模型穩(wěn)定性，本節(jié)分析其對不同長度數(shù)據(jù)序列的適應(yīng)性。仍采用表1中的4類典型測點(diǎn)，隨機(jī)抽取原始數(shù)據(jù)序列中90%，80%，70%，60%的測次形成新的數(shù)據(jù)序列，并建立IPSO-LSTM監(jiān)控模型，其結(jié)果對比見表5與圖6。

從圖表中可以看出，對規(guī)律性較好、數(shù)據(jù)序列較長的周期型JG09測點(diǎn)與直線上升型EB01測點(diǎn)，采用不同數(shù)據(jù)占比建立的模型精度均較高，模型可決系數(shù)基本穩(wěn)定在0.99左右。而對規(guī)律性差或較短的序列，數(shù)據(jù)量占比越小對應(yīng)的建模精度越低，特別是在數(shù)據(jù)序列的末端，擬合值偏離實(shí)測值明顯。分析其原因在于測值序列非線性數(shù)據(jù)特征明顯，隨監(jiān)測數(shù)據(jù)量減少，IPSO-LSTM對非線性數(shù)據(jù)的處理與信息挖掘能力降低，從而影響模型精度。整體上不同類型、不同長度序列的IPSO-LSTM模型精度均較高，可決系數(shù)均能達(dá)到0.85以上，具有良好的穩(wěn)定性，可較好地適用于大壩安全在線監(jiān)控。

5 結(jié) 論

（1）長短時(shí)神經(jīng)網(wǎng)絡(luò)（LSTM）模型參數(shù)眾多，學(xué)習(xí)率、分塊尺寸和最大迭代次數(shù)是對模型精度影響較大且泛化能力較弱的關(guān)鍵參數(shù)。

（2）通過融合非線性慣性權(quán)重、收縮因子及柯西擾動(dòng)項(xiàng)，提出了改進(jìn)粒子群優(yōu)化算法IPSO，克服了傳統(tǒng)PSO算法在尋優(yōu)中容易陷入“早熟”、收斂速度慢等問題，可實(shí)現(xiàn)LSTM模型關(guān)鍵參數(shù)的自動(dòng)尋優(yōu)。

（3）工程檢驗(yàn)表明，IPSO-LSTM模型相較于逐步回歸、LSTM、PSO-LSTM等模型具有更好的擬合預(yù)測精度、泛化能力及魯棒性。以規(guī)律性差且數(shù)據(jù)序列較短的測點(diǎn)為例，它的可決系數(shù)較逐步回歸、LSTM、PSO-LSTM模型分別提升59%，6%，2%，均方根誤差RMSE分別降低76%，33%，23%。

（4）IPSO-LSTM模型有效解決了LSTM模型受多參數(shù)組合影響、最優(yōu)參數(shù)泛化能力弱、人工選取參數(shù)難的問題，適用于類型多樣、長度差異大、非線性特征明顯的大壩安全監(jiān)測數(shù)據(jù)序列，監(jiān)控模型魯棒性和泛化能力均較好。

參考文獻(xiàn)：

［1］水利部.水利部關(guān)于加強(qiáng)水庫庫容管理的指導(dǎo)意見［EB/OL］.（2024-04-01）［2023-12-15］.111000/2023-00370.http：//www.mwr.gov.cn/zwgk/gknr/202401/t20240109_1700708.html.

［2］WEI B，YUAN D，XU Z，et al.Modified hybrid forecast model considering chaotic residual errors for dam deformation［J］.Structural Control and Health Monitoring，2018，25（8）：e2188.

［3］李明超，任秋兵，沈揚(yáng).貝葉斯框架下的大壩變形交互式預(yù)測模型及其驗(yàn)證［J］.水利水電快報(bào)，2019，40（1）：5.

［4］MATA J，TAVARES C A，COSTA J.Constructing statistical models for arch dam deformation ［J］.Structure Control and Health Monitoring，2014，21（3）：423-437.

［5］李澗鳴，包騰飛，盧遠(yuǎn)富，等.基于GAMPSO-SVM的大壩變形監(jiān)控模型［J］.三峽大學(xué)學(xué)報(bào)（自然科學(xué)版），2015，37（6）：42-46.

［6］胡雨菡，包騰飛，朱征，等.基于IABC-FCM-RVM算法的拱壩變形預(yù)測模型［J］.武漢大學(xué)學(xué)報(bào)（工學(xué)版），2020，53（12）：1055-1064.

［7］SALAZAR F，TOLEDO M，ONATE E，et al.Interpretation of dam deformation and leakage with boosted regression trees ［J］.Engineering Structures，2016，119：230-251.

［8］羅浩，郭盛勇，包為民.拱壩變形監(jiān)測預(yù)報(bào)的隨機(jī)森林模型及應(yīng)用［J］.南水北調(diào)與水利科技，2016，14（6）：116-121，158.

［9］曹恩華，包騰飛，胡紹沛，等.基于變量篩選優(yōu)化極限學(xué)習(xí)機(jī)的混凝土壩變形預(yù)測模型［J］.長江科學(xué)院院報(bào)，2022，39（7）：59-65.

［10］翟征秋，程林，宋效第，等.基于卷積神經(jīng)網(wǎng)絡(luò)的防坡堤施工沉降預(yù)測［J］.水運(yùn)工程，2021（8）：202-206，219.

［11］HOCHREITER S，SCHMIDHUBER J.Long short-term memory ［J］.Neural Computation，1997，9（8）：1735-1780.

［12］程冬梅.LSTM研究現(xiàn)狀綜述［J］.信息系統(tǒng)工程，2022（1）：149-152.

［13］王麗蓉，鄭東健.多監(jiān)測項(xiàng)目聯(lián)合的大壩安全監(jiān)控模型［J］.西北水電，2021（6）：8-14，25.

［14］譚瀛，馬剛，徐建華，等.基于多變量時(shí)間序列和LSTM網(wǎng)絡(luò)的面板縫變形預(yù)測［J］.人民長江，2022，53（10）：198-204.

［15］歐斌，吳邦彬，袁杰，等.基于LSTM的混凝土壩變形預(yù)測模型［J］.水利水電科技進(jìn)展，2022，42（1）：21-26.

［16］鄧思源，周蘭庭，王飛，等.大壩變形的XGBoost-LSTM變權(quán)組合預(yù)測模型及應(yīng)用［J］.長江科學(xué)院院報(bào)，2022，39（10）：72-79.

［17］馬佳佳，蘇懷智，王穎慧.基于EEMD-LSTM-MLR的大壩變形組合預(yù)測模型［J］.長江科學(xué)院院報(bào)，2021，38（5）：47-54.

［18］周祥，張世明，蘇林鵬，等.基于注意力機(jī)制與LSTM-CCN的月降水量預(yù)測［J］.人民長江，2024，55（6）：129-135.

［19］郭燕，賴錫軍.基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的鄱陽湖水位預(yù)測［J］.湖泊科學(xué)，2020，32（3）：865-876.

［20］殷兆凱，廖衛(wèi)紅，王若佳，等.基于長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）的降雨徑流模擬及預(yù)報(bào)［J］.南水北調(diào)與水利科技，2019，17（6）：1-9，27.

［21］楊曉曉，劉懿，王超，等.基于改進(jìn)PSO算法和SVM的大壩監(jiān)控模型研究［J］.人民長江，2015，46（18）：97-100，104.

［22］張鈺彬，練繼建，王孝群，等.基于PSO-水量平衡-BP耦合模型的短期水位預(yù)測［J］.人民長江，2023，54（3）：90-95.

［23］蒲清昕，劉明順，朱煜昆，等.基于改進(jìn)粒子群算法優(yōu)化長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的孤網(wǎng)電壓控制方法［J］.自動(dòng)化與儀器儀表，2023（12）：247-251，256.

［24］連蓮，穆雅偉，宗學(xué)軍，等.基于改進(jìn)粒子群算法優(yōu)化LSTM-AM的公交客流量預(yù)測［J/OL］.控制工程：1-9［2024-05-29］.https：∥doi.org/10.14107/j.cnki.kzgc.20220556.

［25］曹守啟，周禮馨，張錚.采用改進(jìn)長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的水產(chǎn)養(yǎng)殖溶解氧預(yù)測模型［J］.農(nóng)業(yè)工程學(xué)報(bào)，2021，37（14）：235-242.

［26］SHAO B L，LI M L，ZHAO Y，et al.Nickel price forecast based on the LSTM neural network optimized by the improved PSO algorithm［J］.Hindawi，2019（2）：1-15.

［27］趙珊，張紀(jì)會(huì)，朱玉菲.基于模糊推理的帶收縮因子的粒子群算法［J］.青島大學(xué)學(xué)報(bào)（工程技術(shù)版），2018，33（3）：9-14，37.

（編輯：胡旭東）

Study on IPSO-LSTM model for online monitoring dam operation safety

DAI Peilin¹，LI Yanling¹，ZHOU Ziyu²

（1.College of Water Resource and Hydropower，Sichuan University，Chengdu 610065，China； 2.POWERCHINA Zhongnan Engineering Coporation Limited，Changsha 410014，China）

Abstract： Constructing a reasonable online monitoring model is an important guarantee for real-time control on dam safety.Aiming at the problems of conventional LSTM model such as easily affected by multi-parameters combination，weak generalization ability of optimal parameters and difficult manual selection of parameters，the influence of key parameters such as learning rate，block size，maximum number of iterations and number of hidden layer units on the accuracy of dam safety online monitoring model were deeply analyzed.An improved particle swarm optimization algorithm （IPSO） integrating nonlinear inertia weight，shrinkage factor and Cauchy disturbance term was proposed，and the IPSO-LSTM model for dam safety monitoring was constructed by coupling with LSTM model.The engineering verification showed that this model can automatically search for the optimal parameters，has high accuracy and strong robustness，and is suitable for dam safety monitoring data sequences of different types and lengths.The error can be reduced by at least 30% compared with the conventional LSTM model with artificial parameters.Relevant experiences can provide technical support for online monitoring of dam operation safety.

Key words： dam safety；monitoring model；improved particle swarm optimization algorithm （IPSO）；long and short time neural network （LSTM）；automatic optimization