[发明专利]一种基于深度学习模型的水库下游水位预测方法

说明书

本发明公开了一种基于深度学习模型的水库下游水位预测方法，采用最大信息系数来筛选下游水位相关因子；在相关性分析的基础上采用遗传算法优化得到单个相关因子间的最佳特征组合；将下游水位相关因子的最佳特征组合作为输入，构建基于卷积神经网络和长短期记忆网络的深度学习模型(CNNLSTM)；采用Adam梯度优化算法来训练CNNLSTM模型权重变量，将训练过的CNNLSTM作为水库下游水位预测模型。本发明的预报方法精细地考虑了下游水位的相关因子，并优化了相关因子的特征组合，采用了深度学习预测模型，有效地提高了下游水位的预测精度，对水库调度中准确计算发电出力具有至关重要的作用。

技术领域

本发明涉及水库下游水位预测技术领域，尤其涉及一种基于深度学习模型的水库下游水位预测方法。

背景技术

水电能源是洁净、廉价、可再生的绿色环保能源。水库发电出力的准确计算是水库调度中的必要环节，对水库实现防洪、发电、供水和航运等综合效益具有重大意义。下游水位是发电出力计算的相关因素之一。目前，在水库调度中，通常采用下泄流量查尾水位流量曲线得到下游水位。然而，尾水位流量曲线通常在建库初期获得，随着水库多年运行，尾水位(也即下游水位)和下泄流量的关系会发生变化，这导致尾水位流量曲线不再准确。其次，尾水位流量曲线关系是在恒定流条件下测量得到的，但水库实际运行过程中并不是恒定流条件，这也使得尾水位流量曲线难以准确刻画运行过程中的尾水位与下泄流量关系。同时，尾水位流量曲线只考虑了当前时段下泄流量与下游水位的关系，而未考虑历史时段下泄流量、下游水位等其他因素的影响，进一步限制了通过尾水位流量曲线获得下游水位的准确度。尾水位流量关系曲线的不准确直接影响下游水位的准确度，进而导致发电出力的计算存在误差，给水库调度实现防洪、发电等综合效益带来较大不利影响。因此，如何精确地获取水库下游水位是亟需解决的理论和实际工程问题。

为了减少下游水位的误差，对尾水位流量关系曲线重新率定和进行水动力学模拟均是解决上述问题的方法之一。对尾水位流量关系曲线重新率定需要工程师花大量时间测定多组数据，费时费力费钱。并且随着水库的运行，这种关系曲线还将会改变，这种方法不是一种高效的方法。而水动力学模拟的方法虽能获取精度比较高的下游水位，但其存在建模复杂、求解耗时的问题。因此，本发明提出一种基于深度学习模型的水库下游水位预测方法，可高效准确地获取水库下游水位。

水库下游水位预测方法可以分为：时间序列模型、统计模型和混合模型。时间序列模型包括自回归模型、滑动平均模型和自回归滑动平均模型等。这类模型需要数据满足平稳性假设，这限制了它们在实际工程问题上的应用。统计模型包括线性回归、支持向量机和人工神经网络等机器学习模型。近年来，由于深度学习的飞速发展，卷积神经网络和循环神经网络等深度学习模型正在取代普通机器学习模型的地位。而混合模型则是指结合多种弱模型的优点得到的强模型，往往比单个模型具有更高的预测精度。因此，本发明提出一种基于卷积神经网络和长短期记忆网络的深度学习模型，来高效准确地预测水库下游水位。

综上所述，现有技术存在的问题是：

(1)传统通过尾水位流量关系曲线得到的下游水位具有误差，对水库调度带来不利影响。

(2)对尾水位流量关系曲线重新率定虽能减少下游水位的误差，但费时费力费钱，不是一种高效的方法。

(3)水动力学模拟的方法虽能获取精度比较高的下游水位，但其存在建模复杂、求解耗时的问题。

(4)普通机器学习模型来预测下游水位所能达到的精度有限。

解决上述技术问题的难度：

(1)水库下游水位受历史下泄流量和历史下游水位等诸多因素影响，呈现出高度的非线性、随机性和不确定性特征，辨识筛选有效的相关因子是本技术的难点之一。

(2)诸多相关因子是同时影响下游水位的，如何组合相关因子得到预测所需的最优特征组合也是本技术的难点之一。