一种基于LSTM模型的水库水位预测方法

• 作者: 刘威 尹飞
• 来源期刊: 无线电工程
• 学科: 工学
• 关键词: 水位预测 深度学习 长短期记忆模型 洪水预测
• 年，卷（期）: 2022,（1）
• 所属期刊栏目: 专题:智能信号处理技术|Special Topic: Intelligent Signal Processing Technology
• 页码范围: 83-87
• 页数: 5页
• 分类号: TP389.1
• 语种: 中文
• DOI: 10.3969/j.issn.1003-3106.2022.01.012

摘要

受降水量、径流等因素的影响,水库的长期水位预测面临巨大挑战.提出了一种新的基于长短期记忆(Long Short Term Memory,LSTM)网络的时间序列模型,对沂沭泗流域中的石梁河水库水位进行了预测和性能评价.该模型整合了降雨、 水流和土壤含水量等历史信息,并通过实验获取最优预测步长,从而提高了模型的预测准确度,并且稳定性更好,避免出现较大的误差.实验使用Nash-Sutcliffe效率(NSE)、Pearson相关系数平方(R2)和绝对均方根误差(Root Mean Square Errors,RMSE)等评价指标,与基本的多层感知机模型和卷积神经网络(Convolutional Neural Networks,CNN)比较,得出如下结论:①LSTM模型的预测值不存在明显较小的波峰或波谷;② 模型的预测精度不会随着预测时间步长的增加而急剧下降;③ 在真实的洪水事件预测中,雨量较小时不会引起预报线的波动,且预测洪峰时偏离度较小.当然,如何在大规模流域中应用该模型,以及对流域中的多个水库水位同时预测等问题,将在未来的工作中进行进一步的研究和分析.