基于长短时记忆神经网络的水库洪水预报

• 作者: 罗朝林 张波 孟庆魁 陈武奋
• 来源期刊: 人民珠江
• 学科: 工学
• 关键词: 洪水预报 长短时记忆神经网络 预见期 训练速度 白盆珠水库
• 年，卷（期）: 2023,（12）
• 所属期刊栏目: 综合
• 页码范围: 128-134
• 页数: 6页
• 分类号: TP183,TV697.13
• 语种: 中文
• DOI: 10.3969/j.issn.1001-9235.2022.12.018

摘要

精准的洪水预报是做好防洪排涝工作的重要手段之一,而长短时记忆神经网络(long-short-term memory neural network,LSTM)具有很强的时间序列关系拟合能力,非常适用于模拟及预报流域产汇流这一复杂的时间序列过程。为探究LSTM在水库洪水预报领域的适用性,在白盆珠流域针对不同预见期建立LSTM模型,并与新安江模型进行对比。LSTM模型采用流域降雨及水位数据作为输入,不同预见期的水库水位过程作为输出,率定期为5年,验证期为1年。结果表明:LSTM在预见期为1～6 h时都具有较高的预报精度,在预见期为1 h时预报精度最高,达到0.991,随着预见期增长,模型精度逐渐降低,但其预报精度均高于新安江模型。预见期以及隐藏层神经元数量作为神经网络复杂程度的代表既会影响模型预报精度,也会影响模型训练速度。结果证明了基于长短时记忆神经网络模型具有较高的预报精度,对水库洪水预报具有指导意义。