基于深度学习神经网络超参数优化的入库径流预测方法研究——以云南省暮底河水库为例.pdf

收稿日期:2 0 2 3-0 1-1 6基金项目:澜沧江非一致性径流演变规律及驱动机制研究(9 1 5 4 7 2 0 5);云南省创新团队建设专项(2 0 1 8 HC 0 2 4);国家澜湄合作基金项目(2 0 1 8-1 1 7 7-0 2)通信作者:崔东文(1 9 7 8-),男,教授级高级工程师,主要从事水资源管理保护及智能算法在水文水资源系统中的应用研究等工作.E-m a i l:c d w g r 1 6 3.c o mD O I:1 0.1 3 3 9 3/j.c n k i.i s s n.1 6 7 2-9 4 8 X.2 0 2 3.0 4.0 0 5引用格式:陈金红,崔东文.基于深度学习神经网络超参数优化的入库径流预测方法研究:以云南省暮底河水库为例J.三峡大学学报(自然科学版),2 0 2 3,4 5(4):2 5-3 2.基于深度学习神经网络超参数优化的入库径流预测方法研究 以云南省暮底河水库为例陈金红1 崔东文2(1.云南省水利水电投资有限公司,昆明 6 5 0 0 5 1;2.云南省文山州水务局,云南 文山 6 6 3 0 0 0)摘要:准确的入库日径流预测在水库优化调度中发挥着重要作用.为提高日径流预测精度,提出了基于小波包变换(WP T)并结合了白鲨优化(WS O)算法的门限循环控制单元(G RU)、长短期记忆神经网络(L S TM)、卷积神经网络(C NN)日径流时间序列预测模型,以云南省暮底河水库2 0 1 82 0 2 0年入库日径流时间序列预测为例对各模型进行检验.首先利用WP T将日径流时序数据分解为若干子序列分量;其次引入WS O对G RU、L S TM、C NN超参数进行调优,建立WP T-WS O-G RU、WP T-WS O-L S TM、WP T-WS O-C NN模型;最后利用所建立的模型对各子序列分量进行预测及加和重构,并构建WP T-G RU、WP T-L S TM、WP T-C NN及基于B P神经网络的WP T-WS O-B P、WP T-B P作 对 比 分 析 模 型.结 果 表 明:WP T-WS O-G RU、WP T-WS O-L S TM、WP T-WS O-C NN模型对实例日径流预测的平均绝对百分比误差EMA P分别为3.6 7%、5.5 2%、8.9 8%,平均绝对误差EMA分别为0.1 2 0、0.1 5 5、0.3 2 9m3/s,确定性系数DC分别为0.9 9 6 2、0.9 9 5 7、0.9 7 4 0 s,预报合格率RQ分别为9 8.1%、9 6.4%、8 9.6%,预测效果优于对应未经WS O调优的WP T-G RU、WP T-L S TM、WP T-C NN模型及WP T-WS O-B P、WP T-B P模型,其中WP T-WS O-G RU模型具有更高的预测精度和更好的泛化能力,WP T-WS O-L S TM模型次之.WS O能有效调优G RU、L S TM、C NN超参数,提高G RU、L S TM、C NN预测性能.WP T-WS O-G RU、WP T-WS O-L S TM模型在入库日径流时间序列预测研究中具有较好的应用前景.关键词:日径流预测;门限循环控制单元;长短期记忆神经网络;卷积神经网络;白鲨优化算法;小波包变换中图分类号:P 3 3 3 文献标志码:A 文章编号:1 6 7 2-9 4 8 X(2 0 2 3)0 4-0 0 2 5-0 8S t u d y o n t h e M e t h o d o f R u n o f f I n f l o w P r e d i c t i o n B a s e d o n D e e p L e a r n i n g N e u r a l N e t w o r k H y p e r p a r a m e t r i c O p t i m i z a t i o n a C a s e S t u d y o f t h e M u d i h e R e s e r v o i r i n Y u n n a n P r o v i n c eCHE N J i n h o n g1 C U I D o n g w e n2(1.Y u n n a n W a t e r R e s o u r c e s a n d H y d r o p o w e r I n v e s t m e n t C o.,L t d.,K u n m i n g 6 5 0 0 5 1,C h i n a;2.Y u n n a n P r o v i n c e W e n s h a n W a t e r B u r e a u,W e n s h a n 6 6 3 0 0 0,C h i n a)第4 5卷 第4期2 0 2 3年8月三峡大学学报(自然科学版)J o f C h i n a T h r e e G o r g e s U n i v.(N a t u r a l S c i e n c e s)V o l.4 5 N o.4A u g.2 0 2 3A b s t r a c t A c c u r a t e d a i l y i n f l o w p r e d i c t i o n p l a y s a n i m p o r t a n t r o l e i n r e s e r v o i r o p t i m a l o p e r a t i o n.I n o r d e r t o i m p r o v e t h e a c c u r a c y o f d a i l y r u n o f f p r e d i c t i o n,a t h r e s h o l d c y c l e c o n t r o l u n i t(G RU),a l o n g a n d s h o r t t e r m m e m o r y n e u r a l n e t w o r k(L S TM),a n d a c o n v o l u t i o n a l n e u r a l n e t w o r k(C NN)d a i l y r u n o f f t i m e s e r i e s p r e d i c t i o n m o d e l s b a s e d o n w a v e l e t p a c k e t t r a n s f o r m(WP T)a n d w h i t e s h a r k o p t i m i z a t i o n(WS O)a l g o r i t h m a r e p r o p o s e d.T h e m o d e l s a r e t e s t e d b y t h e d a i l y i n f l o w t i m e s e r i e s d a t a o f t h e M u d i h e R e s e r v o i r i n Y u n n a n P r o v i n c e f r o m 2 0 1 8 t o 2 0 2 0.F i r s t l y,t h e WP T i s u s e d t o d e c o m p o s e t h e d a i l y r u n o f f t i m e s e r i e s d a t a i n t o s e v e r a l s u b s e q u e n c e c o m p o n e n t s.S e c o n d l y,t h e WS O i s i n t r o d u c e d t o a d j u s t t h e s u p e r p a r a m e t e r s o f G RU,L S TM a n d C NN,a n d t h u s WP T-WS O-G RU,WP T-WS O-L S TM a n d WP T-WS O-C NN m o d e l s a r e e s t a b l i s h e d.F i n a l l y,t h e e s t a b l i s h e d m o d e l i s u s e d t o p r e d i c t a n d r e c o n s t r u c t t h e s u b s e q u e n c e c o m p o n e n t s,a n d t h e WP T-G RU,WP T-L S TM,WP T-C NN,a n d WP T-WS O-B P a n d WP T-B P m o d e l s b a s e d o n t h e B P n e u r a l n e t w o r k a r e c o n s t r u c t e d f o r c o m p a r i s o n a n d a n a l y s i s.T h e r e s u l t s s h o w t h a t t h e a v e r a g e a b s o l u t e p e r c e n t a g e e r r o r MA P E o f WP T-WS O-G RU,WP T-WS O-L S TM a n d WP T-WS O-C NN m o d e l s f o r d a i l y r u n o f f p r e d i c t i o n o f t h e c a s e i s 3.6 7%,5.5 2%a n d 8.9 8%r e s p e c t i v e l y.T h e m e a n a b s o l u t e e r r o r(MA E)i s 0.1 2 0 m3/s,0.1 5 5 m3/s a n d 0.3 2 9 m3/s r e s p e c t i v e l y,a n d t h e d e t e r m i n a t i o n c o e f f i c i e n t(D C)i s 0.9 9 6 2,0.9 9 5 7 a n d 0.9 7 40 s r e s p e c t i v e l y.T h e p r e d i c t i o n q u a l i f i c a t i o n r a t e(Q R)i s 9 8.1%,9 6.4%a n d 8 9.6%r e s p e c t i v e l y,w h i c h i s b e t t e r t h a n t h a t o f WP T-G RU,WP T-L S TM WP T-C NN m o d e l a n d WP T-WS O-B P,WP T-B P m o d e l s w i t h o u t WS O o p t i m i z a t i o n.Am o n g t h o s e m o d e l s,t h e WP T-WS O-G RU m o d e l h a s h i g h e r p r e d i c t i o n a c c u r a c y a n d b e t t e r g e n e r a l i z a t i o n a b i l i t y,f o l l o w e d b y WP T-WS O-L S TM m o d e l.WS O c a n e f f e c t i v e l y t u n e t h e s u p e r p a r a m e t e r s o f G RU,L S TM a n d C NN t o i m p r o v e t h e p r e d i c t i o n p e r f o r m a n c e.T h e WP T-WS O-G RU a n d WP T-WS O-L S TM m o d e l s h a v e a g o o d a p p l i c a t i o n p r o s p e c t i n t h e p r e d i c t i o n o f t h e t i m e s e r i e s o f d a i l y i n f l o w t i m e s e r i e s p r e d i c t i o n r e s e a r c h.K e y w o r d s d a i l y i n f l o w f o r e c a s t;g a t e d r e c u r r e n t u n i t;l o n g-s h o r t t e r m m e m o r y n e u r a l n e t w o r k;c o n v o l u t i o n a l n e u r a l n e t w o r k;w h i t e s h a r k o p t i m i z a t i o n a l g o r i t h m;w a v e l e t p a c k e t t r a n s f o r m1 研究背景较为准确的日径流预报是实现水库优化调度的前提条件之一,是实现水资源综合利用,满足供水、发电、生态保护等目标的重要保障.近年来,各种机器学习模 型,如B P神 经 网 络1、长 短 时 记 忆 神 经 网络2-3、支持向量机4-5、极限学习机6、深度信念网络7等已在日径流预测研究中得到应用.由于日径流受气象、人类活动等多种因素影响,时间序列具有非线性、多尺度等特征,传统单一模型难以获得满意的预测效果.当前,多种方法融合技术已在日径流时间序列预测研究中得到应用,如孙望良等8提出去趋势波动分析(D F A)-变分模态分解(VMD)-长短时记忆神经网络(L S TM)日径流预报模型,利用三峡水库日径流预报实例对模型进行检验,结果表明该模型具有较好的预报精度;黄景光等9提出小波分析(WD)-支持向量机(S VM)特征分类组合预测模型,并通过宜昌三峡水库日径流预测实例对模型进行验证;黄巧玲等1 0提出小波支持向量机回归模型(WS V R),通过张家山站日径流预报实例对模型进行检验;任化准等1 1提出小波分析(WD)-粒子群优化算法(P S O)-支持向量机(S VM)日径流预报模型,利用金沙江石鼓站日径流预报对模型进行检验;陈良等1 2提出经验模态分解(EMD)-注意力机制(AT T)-B i L S TM组合预测模型,通过四川省清溪河站点日径流预测对模型进行验证,并 构 建L S TM、AT T-L S TM、AT T-B i L-S TM作对比模型,结果证实了该模型的优越性;李新华等1 3融合小波包分解方法、象群优化算法和极限学习机、深度极限 学习机,提 出WP D-EHO-E LM、WP D-EHO-D E LM预测模型,并应用于云南省景东水文站日径流时间序列多步预报,结果显示该模型具有较高的多步预报精度和稳定性能.近年来,随着大数据和人工智能的发展,卷积神经网络(C NN)、长短期记忆神经网络(L S TM)和门控循环单元(G RU)已在径流预报1 4-1 6研究中得到应用.C NN为深度学习的代表算法之一,是一类包含了卷积计算且具有深度结构的前馈神经网络,可以进行监督学习和非监督学习,基本架构由输入层、卷积层、非线性激活层、池化层和全连接层5部分组成,已在特征提取1 7、负荷识别1 8、预测研究1 9等行业领域得到应用.L S TM为循环神经网络(R NN)的一个变种,是一种具有记忆长短期信息能力的神经网络,其62三 峡 大 学 学 报(自 然 科 学 版)2 0 2 3年8月克服了R NN面临的梯度消失问题,具有选择性通过新信息和 选 择 性 删 除 旧 信 息 等 功 能,已 在 问 题 分类2 0、预测研究2 1-2 4等行业领域得到广泛应用.G RU是L S TM的变种,与L S TM相比,G RU拥有更低的复杂度以及更好的预测性能,已在各类预测研究2 5-2 7中广泛应用.在实际应用中,C NN超参数(包括层数、学习率、M i n i B a t c h S i z e大小、卷积层核大小和数量等)、G RU、L S TM超参数(包括层数、学习率、隐含层节点数等)对C NN、L S TM、G RU预测性能具有较大影响,通过人工不断调整试错得到的C NN、L S TM、G RU超参数,不仅依赖调参人的先验知识,而且易陷入局部最优解,很难获得合适的超参数.目前,海洋捕食者算法2 1、粒子群优化算法2 8、差分进化算法2 9、改进蝙 蝠 算 法3 0、麻 雀 优 化 算 法3 1、教 学 遗 传 算法3 2等已在C NN、L S TM、G RU超参数调优中得到应用,并取得较好的调优效果.为提高日径流时间序列预测精度,改进C NN、L S TM、G RU预测性能,拓展群体智能算法(S I A)在C NN、L S TM、G RU超参数调优中的应用范畴,本文基于小波包变换(WP T)和“分解算法+智能算法+预测模型+叠加重构”思想,提出白鲨优化(WS O)算法分别调优C NN、L S TM、G RU超参数的日径流时间序列预测模型,并构建WP T-G RU、WP T-L S TM、WP T-C NN模型及基于B P神经网络的WP T-WS O-B P、WP T-B P模型进行对比分析,通过云南省暮底河水库日径流预测实例对各模型预测性能进行检验,为日径流时间序列预测研究提供参考.2 数据来源与研究方法2.1 研究区概况与数据来源云南省暮底河水库位于盘龙河上游右岸一级支流暮底河下游河段,属红河流域泸江水系,距文山城1 3 k m,是一座以供水和防洪为主,调节下游发电,改善生态环 境 为 辅 的 中 型 水 库.暮 底 河 水 库 总 库 容5 7 8 5万m3,兴 利 库 容4 5 7 2万m3,集 水 面 积3 0 7k m2,多年平均来水量2.3 6亿m3,供水人口4 0万,是国家重要集中式供水水源地.提高暮底河水库入库日径流时间序列预测精度,对于缓解城市水资源供需矛盾、提高城市防洪抗旱能力、实现水资源综合利用效益最大化具有重要意义.本文以暮底河水库2 0 1 8年1月1日至2 0 2 0年1 2月3 1日共1 0 9 6组日径流时间序列数据为研究对象,入库日径流变化曲线及训练、预测样本如图1所示.从图1可以看出,暮底河水库最大入库日径流量3 3.8m3s-1,最小入库日径流量1.1m3s-1,月均入库日径流量4.8m3s-1,日径流时序数据呈现出典型的多尺度、高度非线性特征,起伏变化十分激烈.图1 暮底河水库入库日径流时间序列变化图2.2 研究方法2.2.1 小波包变换(WP T)WP T能同时对信号低频部分和高频部分进行分解,更适用于水库日径流时间序列分解.WP T对日径流原始信号进行分解的公式为3 3-3 6:dj,2nl=khk-2ldj-1,nkdj,2n+1l=kgk-2ldj-1,nk (1)重构算法为:dj,nl=k(hl-2kdj+1,2nk+gl-2kdj+1,2n+1k)(2)式中:dj,2nl、dj,2n+1l为小波包系数;j为尺度参数;l、k为平移参数;n为频率参数;hk-2l、gk-2l分别为小波包分解中的低通、高通滤波器组;dj,nl为小波包重构后小波包系数;hl-2k,gl-2k分别为小波包重构的低通、高通滤波器组.2.2.2 白鲨优化(WS O)算法WS O算法是B r a i k等于2 0 2 2年提出一种基于白鲨深海觅食策略的新型优化算法3 7.该算法灵感来自于白鲨敏锐的听觉和嗅觉功能,这些功能有助于白鲨探索整个搜索空间来追踪、定位和捕获猎物,并通过白鲨位置的不断更新来达到求解优化问题的目的.参考文献3 7,WS O算法数学描述简述如下:1)初始化WS O是一种基于种群的优化算法,该算法通过式(3)随机生成均匀分布的白鲨种群个体位置wij.wij=lj+R(uj-lj)(3)式中:wij为第i头白鲨第j维位置,i=1,2,n,其中n为白鲨种群规模;uj、lj分别为第j维搜索空间上、下限;R为介于0和1之间的随机数.2)速度更新白鲨大部分时间都在狩猎和追踪猎物.WS O算法中,白鲨根据猎物移动来感知其位置,并更新自身72第4 5卷 第4期 陈金红,等 基于深度学习神经网络超参数优化的入库径流预测方法研究速度.数学描述如下:vik+1=vik+p1(wg b e s tk-wik)c1+p2(wvikb e s t-wik)c2(4)式中:vik+1为第i头白鲨第(k+1)次迭代速度;vik为第i头白鲨第k次迭代速度;wg b e s tk为迄今为止白鲨在第k次迭代中获得的全局最优位置;wik为第i头白鲨第k次迭代位置;wvikb e s t为第i头白鲨第k次迭代速度对应的最优位置;c1、c2为介于0和1之间的随机数;p1、p2分别为wg b e s tk、wvikb e s t控制系数,描述为p1=pm a x+(pm a x-pm i n)e-(4k/K)2,p2=pm i n+(pm a x-pm i n)e-(4k/K)2;k、K分别为当前迭代次数和最大迭代次数;pm a x、pm i n分别为控制系数最大、最小值;表示收缩因子.3)位置更新基于最优猎物的位置更新.WS O算法中,白鲨通过朝最优猎物移动来更新自身位置以找到最优或次优猎物.数学描述如下:wik+1=wik wo+ua+lb R0,b=s g n(wik-l)0,s g n()为正负号返回函数;u、l分别为搜索空间上、下限;wo为逻辑向量,描述为wo=(a,b);f为白鲨波浪运动频率;mv为白鲨接近猎物时随迭代次数增加而增加的动力;其他参数意义同上.基于最好白鲨的位置更新.WS O算法中,白鲨通过朝着最优白鲨位置移动以靠近猎物最优位置.数学描述如下:w ik+1=wg b e s tk+r1Dks g n(r2-0.5)r3WP T-WS O-L S TM模型WP T-G RU模型WP T-WS O-C NN模 型 WP T-WS O-B P模 型WP T-L S TM模型WP T-C NN模型WP T-B P模型.4 结 论针对日 径 流 时 间 序 列 多 尺 度、非 线 性 特 征 和G RU、L S TM、C NN超参数选取困难等不足,本文采用WP T分解方法对暮底河水库入库日径流序列进行分解,构建WP T-WS O-G RU、WP T-WS O-L S TM、WP T-WS O-C NN模型进行单步预测,并通过EMA P、EMA、RQ、DC 4个评价指标对模型预测精度进行分析比较,得出的结论如下:1)本 文8种 模 型 预 测 精 度 由 高 到 低 依 次 为WP T-WS O-G RU模型WP T-WS O-L S TM模型WP T-G RU模 型 WP T-WS O-C NN模 型 WP T-WS O-B P模型WP T-L S TM模型WP T-C NN模型 WP T-B P模 型.其 中WP T-WS O-G RU、WP T-WS O-L S TM模型具有更好的预测精度和更好的泛化能力,将其用于日径流时间序列预测是可行的,模型不但在整体上实测值与预测值的拟合效果较佳,而且在峰值和谷值处的预测效果也较好,具有很好的实际应用意义和推广价值.2)WP T-WS O-G RU、WP T-WS O-L S TM、WP T-WS O-C NN模型预报的RQ均大于8 5%,预报精度等级均为甲等,具有较好的预测精度,可满足入库日径流预测精度要求.3)文章提出 的WP T-WS O-G RU、WP T-WS O-L S TM、WP T-WS O-C NN模型通过使用WP T分解处理日径流时序数据,获得更具规律的子序列分量;同时利用WS O调优G RU、L S TM、C NN超参数,提高了模型的预测精度.4)C NN网络优势在于信号特征提取,在径流预测方 面 效 果 不 如G RU、L S TM网 络.将C NN与G RU、L S TM网络结合,可进一步提高径流预测精度.参考文献:1 段勇,任磊.基于B P神经网络的黄河中游日径流预测研究J.人民黄河,2 0 2 0,4 2(S 2):5-8.2 胡庆芳,曹士圯,杨辉斌,等.汉江流域安康站日径流预测的L S TM模型初步研究J.地理科学进展,2 0 2 0,3 9(4):6 3 6-6 4 2.3 郑勇,马炳焱,成静清,等.基于多种学习方案L S TM的信江流域径流预测J.水力发电,2 0 2 2,4 8(7):2 2-2 7.4 马乐宽,邱瑀,赵越,等.基于改进的神经网络与支持向量机的小流域日径流量预测研究J.水资源与水工程学报,2 0 1 6,2 7(5):2 3-2 7.5 辛波.基于改进WP S O-S V R模型的梯级电站日入库径流量预测研究J.水利技术监督,2 0 1 8,2 6(1):8 1-8 4.6 周婷,温小虎,冯起,等.基于BMA多模型组合的疏勒河径流预测研究J.冰川冻土,2 0 2 2,4 4(5):1 6 0 6-1 6 1 9.7 钱立鹏,刘长征,陈翠忠,等.一种基于深度信念网络的径流量预测方法J.石河子大学学报(自然科学版),2 0 2 1,3 9(2):2 5 9-2 6 4.13第4 5卷 第4期 陈金红,等 基于深度学习神经网络超参数优化的入库径流预测方法研究8 孙望良,周建中,彭利鸿,等.D F A_VMD_L S TM组合日径流预测模型研究J.水电能源科学,2 0 2 1,3 9(3):1 2-1 5.9 黄景光,吴巍,程璐瑶,等.基于小波支持向量机特征分类的日径流组合预测:以宜昌三峡水库为例J.中国农村水利水电,2 0 1 8(6):3 3-3 9.1 0黄巧玲,粟晓玲,杨家田.基于小波分解的日径流支持向量机回归预测模型J.西北农林科技大学学报(自然科学版),2 0 1 6,4 4(4):2 1 1-2 1 7.1 1任化准,陈琼,何有良,等.WP S O-S V R耦合日径流预测模型研究及应用J.人民长江,2 0 1 7,4 8(1 0):4 0-4 3.1 2陈良,毕晓英,周新志.基于EMD-A T T-B i L S TM的径流量预测模型研究J.现代计算机,2 0 2 2,2 8(1):1 8-2 4.1 3 李 新 华,崔 东 文.基 于 小 波 包 分 解 的EHO-E LM与EHO-D E LM日径流多步预报模型研究J.中国农村水利水电,2 0 2 2(1 0):8 1-8 6.1 4唐海华,李琪,黄瓅瑶,等.基于C NN深度学习的径流预判方法及应用J.水利信息化,2 0 2 0(6):3 7-4 2.1 5胡顺强,崔东文.基于EMD-L S TM-AN F I S模型的年径流预测研究J.人民珠江,2 0 2 1,4 2(3):4 6-5 2.1 6徐冬梅,王亚琴,王文川.基于VMD-G R U与非参数核密度估计的月径流区间预测方法及应用J.水电能源科学,2 0 2 2,4 0(6):1-5.1 7郭庆华.C NN在单帧舰船回转运动图像特征提取中的应用J.舰船科学技术,2 0 2 1,4 3(2 2):1 9 0-1 9 2.1 8赵安军,赵啸,荆竞,等.优化卷积神经网络超参数的非侵入式电力负荷识别算法J.激光与光电子学进展,2 0 2 3,6 0(2):6 3-7 0.1 9余舒,杨志刚.基于D B S C AN和C NN算法的重型车辆NO x排放预测模型J.重庆交通大学学报(自然科学版),2 0 2 2,4 1(8):1 3 4-1 4 1.2 0余本功,许庆堂,张培行.基于MA C-L S TM的问题分类研究J.计算机应用研究,2 0 2 0,3 7(1):4 0-4 3.2 1胡顺强,崔东文.基于海洋捕食者算法优化的长短期记忆神经网络径流预测J.中国农村水利水电,2 0 2 1(2):7 8-8 2.2 2李校林,吴腾.基于P F-L S TM网络的高效网络流量预测方法J.计算机应用研究,2 0 1 9,3 6(1 2):3 8 3 3-3 8 3 6.2 3史建楠,邹俊忠,张见,等.基于DMD-L S TM模型的股票价格时间序列预测研究J.计算机应用研究,2 0 2 0,3 7(3):6 6 2-6 6 6.2 4宋刚,张云峰,包芳勋,等.基于粒子群优化L S TM的股票预测模型J.北京航空航天大学学报,2 0 1 9,4 5(1 2):2 5 3 3-2 5 4 2.2 5徐 冬 梅,夏 王 萍,王 文 川.基 于 黏 菌 算 法 优 化VMD-C NN-G R U模型的年径流预测J.南水北调与水利科技(中英文),2 0 2 2,2 0(3):4 2 9-4 3 9.2 6黄永涛,刘晓青,季威,等.HCM-P S O-G RU组合预测模型在大坝变形预测中的应用J.水电能源科学,2 0 2 1,3 9(1 2):1 2 0-1 2 3.2 7孟安波,陈顺,王陈恩,等.基于混沌C S O优化时序注意力G R U模型 的超 短 期风 电功 率 预测 J.电网 技术,2 0 2 1,4 5(1 2):4 6 9 2-4 7 0 0.2 8赵安军,赵啸,荆竞,等.优化卷积神经网络超参数的非侵入式电力负荷识别算法J.激光与光电子学进展,2 0 2 3,6 0(2):6 3-7 0.2 9孙祺淳,李媛媛.D E算法优化C NN的滚动轴承故障诊断研究J.噪声与振动控制,2 0 2 2,4 2(4):1 6 5-1 7 1.3 0段中兴,温倩,周孟,等.基于改进蝙蝠算法优化L S TM网络的短时客流预测J.铁道科学与工程学报,2 0 2 1,1 8(1 1):2 8 3 3-2 8 4 0.3 1吴铁洲,邹智,姜奔,等.基于T L B GA-G RU神经网络的短期负荷预测J.计算机工程,2 0 2 2,4 8(1 1):6 9-7 6.3 2刘可真,阮俊枭,赵现平,等.基于麻雀搜索优化的A t-t e n t i o n-G RU短期负荷预测方法J.电力系统及其自动化学报,2 0 2 2,3 4(4):9 9-1 0 6.3 3徐冬梅,张一多,王文川.基于小波包分解的L S-S VM-A R I MA组合降水预测J.南水北调与水利科技(中英文),2 0 2 0,1 8(6):7 1-7 7.3 4杨琼波,崔东文.基于小波包分解的A J S-GMDH月径流时间序列预测研究J.水力发电,2 0 2 2,4 8(6):4 5-5 1.3 5朱刘柱,王绪利,马静,等.基于小波包分解与循环神经网络的 综 合 能 源 系 统 短 期 负 荷 预 测 J.电 力 建 设,2 0 2 0,4 1(1 2):1 3 1-1 3 8.3 6叶瑞丽,郭志忠,刘瑞叶,等.基于小波包分解和改进E l-m a n神经网络的风电场风速和风电功率预测J.电工技术学报,2 0 1 7,3 2(2 1):1 0 3-1 1 1.3 7B R A I K M,HAMMOUR I A,A TWAN J,e t a l.Wh i t e S h a r k O p t i m i z e r:a n o v e l b i o-i n s p i r e d m e t a-h e u r i s t i c a l-g o r i t h m f o r g l o b a l o p t i m i z a t i o n p r o b l e m sJ.K n o w l-e d g e-b a s e d s y s t e m s,2 0 2 2,2 4 3(7):1 0 8 4 5 7.3 8李彦霖,蔡满春,芦天亮,等.遗传算法优化C NN的网站指纹攻击方法J.信息网络安全,2 0 2 1,2 1(9):5 9-6 6.3 9王秀杰,张帅,田福昌,等.基于TV F-EMD-P S O-G R U的月径流模型与应用研究J.天津大学学报(自然科学与工程技术版),2 0 2 2,5 5(8):8 0 2-8 1 0.责任编辑 卢亚霞23三 峡 大 学 学 报(自 然 科 学 版)2 0 2 3年8月