期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于机器学习的变电站地下水埋深智能预报预警模型
1
作者
罗苑萍
孙世泰
+4 位作者
黄旭斌
郑泽举
蔡镕鸿
梁伟强
胡立堂
《水利水电技术(中英文)》
2025年第8期118-130,共13页
【目的】设计一套准确且高效的地下水位动态预测模型对于变电站排水系统的智能监控与预警系统的有效应用以及确保变电站安全稳定运行至关重要。【方法】聚焦于220kV园区变电站的试点研究项目,针对极致梯度提升树(XGBoost)、随机森林(RF...
【目的】设计一套准确且高效的地下水位动态预测模型对于变电站排水系统的智能监控与预警系统的有效应用以及确保变电站安全稳定运行至关重要。【方法】聚焦于220kV园区变电站的试点研究项目,针对极致梯度提升树(XGBoost)、随机森林(RF)和长短期记忆模型(LSTM)三种机器学习模型进行了综合评估,重点分析了三种模型在预测暴雨情景下地下水埋深动态方面的性能表现。模型的训练数据来源于经过校准和验证的地下水流数值模型,并结合多种暴雨情景下的地下水埋深动态预测结果作为基准参考值。为了较好地评估这些模型的预测准确性和可靠性,采用了Nash-Sutcliffe效率系数(NSE)、均方根误差(RMSE)、Pearson相关系数和平均绝对误差(AE)作为评价指标。【结果】研究结果显示,XGBoost、RF和LSTM三种模型均能在时间尺度上模拟出与基准结果相近的地下水埋深动态,NSE、RMSE和Pearson相关系数分别达到0.9998、0.0031 m和0.9999,但在空间上表现差异大,RF模型模拟的AE小于0.01 m,XGBoost模型模拟的AE小于0.26 m,LSTM模型给出的AE小于0.12 m。使用20%网格点的模型数据进行机器学习训练输入,RF模型的性能依然表现最佳,同时模型训练和预测的时间效率提升了5倍。【结论】基于机器学习模型构建的地下水埋深动态预测模型表现良好,在排水系统的智能监控与预警系统中具有良好的应用前景。
展开更多
关键词
变电站
地下水埋深预警系统
机器学习
智能监控
数值模拟
在线阅读
下载PDF
职称材料
题名
基于机器学习的变电站地下水埋深智能预报预警模型
1
作者
罗苑萍
孙世泰
黄旭斌
郑泽举
蔡镕鸿
梁伟强
胡立堂
机构
广东电网有限责任公司揭阳供电局
出处
《水利水电技术(中英文)》
2025年第8期118-130,共13页
基金
清华大学-宁夏银川水联网数字治水联合研究院专项统筹重点项目(SKL-IOW-2023TC2307)
“十四五”国家重点研发项目(2023YFC3708903)
广东揭阳惠来园区输交电工程项目(0352004823220005)。
文摘
【目的】设计一套准确且高效的地下水位动态预测模型对于变电站排水系统的智能监控与预警系统的有效应用以及确保变电站安全稳定运行至关重要。【方法】聚焦于220kV园区变电站的试点研究项目,针对极致梯度提升树(XGBoost)、随机森林(RF)和长短期记忆模型(LSTM)三种机器学习模型进行了综合评估,重点分析了三种模型在预测暴雨情景下地下水埋深动态方面的性能表现。模型的训练数据来源于经过校准和验证的地下水流数值模型,并结合多种暴雨情景下的地下水埋深动态预测结果作为基准参考值。为了较好地评估这些模型的预测准确性和可靠性,采用了Nash-Sutcliffe效率系数(NSE)、均方根误差(RMSE)、Pearson相关系数和平均绝对误差(AE)作为评价指标。【结果】研究结果显示,XGBoost、RF和LSTM三种模型均能在时间尺度上模拟出与基准结果相近的地下水埋深动态,NSE、RMSE和Pearson相关系数分别达到0.9998、0.0031 m和0.9999,但在空间上表现差异大,RF模型模拟的AE小于0.01 m,XGBoost模型模拟的AE小于0.26 m,LSTM模型给出的AE小于0.12 m。使用20%网格点的模型数据进行机器学习训练输入,RF模型的性能依然表现最佳,同时模型训练和预测的时间效率提升了5倍。【结论】基于机器学习模型构建的地下水埋深动态预测模型表现良好,在排水系统的智能监控与预警系统中具有良好的应用前景。
关键词
变电站
地下水埋深预警系统
机器学习
智能监控
数值模拟
Keywords
substation
groundwater depth early warning system
machine learning
intelligent monitoring
numerical simulation
分类号
TU99 [建筑科学]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于机器学习的变电站地下水埋深智能预报预警模型
罗苑萍
孙世泰
黄旭斌
郑泽举
蔡镕鸿
梁伟强
胡立堂
《水利水电技术(中英文)》
2025
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
