耦合深度学习的水丰水库入库径流中长期预测方法研究

作     者：崔杰连 常亮 赵敏 孟宪明 孙皓晨 董前进 CUI Jie-lian;CHANG Liang;ZHAO Min;MENG Xian-ming;SUN Hao-chen;DONG Qian-jin

作者机构：国网东北分部绿源水力发电公司太平湾发电厂辽宁丹东116000 武汉大学水资源工程与调度全国重点实验室湖北武汉430072 

出 版 物：《中国农村水利水电》 (China Rural Water and Hydropower)

年 卷 期：2024年第8期

页      面：73-80页

学科分类：08[工学] 081501[工学-水文学及水资源] 0815[工学-水利工程] 

基　　金：国家自然科学基金项目(52279024,51979198) 国家电网有限公司科技项目(SGDBLYTPJWJS2310094) 

主　　题：中长期径流预报 相空间重构 小波分析 小波分析-LSTM模型 鸭绿江流域 

摘      要：少资料地区径流中长期预测关系发电厂中长期发电量的多寡,也对电厂短期经济运行有较强的指导作用。鸭绿江流域是东北地区重要的清洁能源基地,由于朝鲜控制了鸭绿江流域超过一半的面积,但其径流数据难以与中方共享,给鸭绿江流域径流中长期预测带来一定的阻碍。以鸭绿江流域水丰水库入库径流为研究对象,分别采用相空间重构模型(局域法、全局法)、LSTM模型、小波分析-LSTM模型、耦合相空间重构(局域法、全局法)和小波分析模型共6个模型方法对水丰水库旬、月及年尺度入库径流进行中长期径流预报工作,以平均绝对误差、平均绝对百分比误差与合格率对上述6个模型的预测结果进行精度评比。结果表明,年径流预报采用耦合相空间重构(全局法)和小波分析模型;月尺度径流预报中,1月预见期1-5月采用耦合相空间重构(局域法)和小波分析模型以及小波分析-LSTM模型效果较好,而6-12月耦合相空间重构(全局法)和小波分析模型具有明显优势;1年预见期中,小波分析-LSTM模型效果较好。旬尺度径流预测,1旬预见期采用小波分析-LSTM模型效果较好,3旬预见期采用小波分析-LSTM模型或耦合相空间重构(全局法)和小波分析模型,1年预见期中耦合相空间重构(全局法)和小波分析模型有明显优势。研究将为水丰水库及下游发电厂制定中长期调度计划提供支持。