基于深度学习提取时空信息的流域内库水位预测模型研究

周兰庭; 陈思思; 孙永明

doi:10.20040/j.cnki.1000-7709.2024.20230898

欢迎来到能源电力期刊网！

English Version 期刊登录

您当前的位置：

首页 >

文章列表页 >

基于深度学习提取时空信息的流域内库水位预测模型研究

水利枢纽、水工建筑物 | 更新时间：2026-07-09

- 基于深度学习提取时空信息的流域内库水位预测模型研究
- 基于深度学习提取时空信息的流域内库水位预测模型研究
- 水电能源科学 2024年42卷第4期页码：133-136+132
- 作者机构：
  
  1. 河海大学水利水电学院
  2. 江苏省太湖水利规划设计研究院有限公司
- 作者简介：
- 基金信息：
  
  国家自然科学基金项目(51209078)
- DOI：10.20040/j.cnki.1000-7709.2024.20230898
  中图分类号： TV697.2;TP18
- 纸质出版：2024
- 稿件说明：
移动端阅览
周兰庭, 陈思思, 孙永明. 基于深度学习提取时空信息的流域内库水位预测模型研究[J]. 水电能源科学, 2024,42(4):133-136+132.

周兰庭, 陈思思, 孙永明. 基于深度学习提取时空信息的流域内库水位预测模型研究[J]. 2024, 42(4): 133-136+132.
周兰庭, 陈思思, 孙永明. 基于深度学习提取时空信息的流域内库水位预测模型研究[J]. 水电能源科学, 2024,42(4):133-136+132. DOI： 10.20040/j.cnki.1000-7709.2024.20230898.

周兰庭, 陈思思, 孙永明. 基于深度学习提取时空信息的流域内库水位预测模型研究[J]. 2024, 42(4): 133-136+132. DOI： 10.20040/j.cnki.1000-7709.2024.20230898.

摘要

为了解决流域连通水库增多，库水位影响因素复杂且具有非平稳性，难以直接通过水文计算预测的问题，对流域水文站点日降雨序列进行分析，首先将时间序列经小波变换去噪，在此基础上采用最大信息系数(MIC)相关性分析筛选与日水位序列相关性，增加了输入时序降雨与预测水位相关的信息密度，并提出将强相关性序列输入引入Attention机制的长短期记忆(LSTM)预测模型，提高LSTM神经网络选择和提取序列特征的能力。以福建某流域站点实测日降雨序列为例进行试验，结果表明该方法的均方预测误差仅为0.190 8

相比LSTM模型有更高的预测精度，为水库水情调度及防洪减灾管理提供了决策依据。

Abstract

关键词

Keywords

references

曹梦茜,郑东健.基于FCM-WOA-LSTM的大坝变形预测模型及其应用[J].水电能源科学,2023(05).

陈颖,马刚,周伟,吴继业,邹全程.深度学习提取时空特征的堆石坝变形预测模型[J].水力发电学报,2023(05).

李东升,马金锋,饶凯锋,王晓燕.基于小波变换的降雨时间序列去噪方法研究[J].人民长江,2023(05).

方伟,朱润苏.基于时空相似LSTM的空气质量预测模型[J].计算机应用研究,2021(09).

白鹏,龙秋波.3种用水量预测方法在京津冀地区的适用性比较[J].水资源保护,2021(02).

赵雅雪,王旭,蒋传文,张津珲,周子青.基于最大信息系数相关性分析和改进多层级门控LSTM的短期电价预测方法[J].中国电机工程学报,2021(01).

梁吉业,冯晨娇,宋鹏.大数据相关分析综述[J].计算机学报,2016(01).

刘素一,权先璋,张勇传.小波变换在径流序列中应用[J].自然科学进展,2003(06).

浏览量

253

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于LSTM的水库土石坝渗流动态区间预警研究

基于SSA优化的VMD-CEEMDAN-ECACNN-LSTM日径流预测模型研究

基于RF和Self-attention改进LSTM的大坝变形预测方法及异常值判定

基于CNN-LSTM模型的城市洪水二维时空预测研究

基于SEM-AHP混合模型的全域推进海绵城市风险识别