基于预报因子聚类分级的日径流预报深度信念模型及应用

作     者：初海波 魏加华 王东方 李家叶 黄跃飞 李铁键 CHU Haibo;WEI Jiahua;WANG Dongfang;LI Jiaye;HUANG Yuefei;LI Tiejian

作者机构：清华大学水沙科学与水利水电工程国家重点实验室北京100084 青海大学三江源生态与高原农牧业国家重点实验室青海西宁810016 国网青海省电力公司青海西宁810008 

出 版 物：《应用基础与工程科学学报》 (Journal of Basic Science and Engineering)

年 卷 期：2018年第26卷第5期

页      面：929-939页

核心收录：

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：十三五国家重点研发计划项目(2017YFC0403600) 国家电网公司项目(52283014000T) 四川省科技厅科技计划项目(2015JZ00110) 

主　　题：预测因子分级 FCM聚类 深度信念网络 径流预报 龙羊峡水库 

摘      要：径流预报是水库运行调度的重要决策依据,提高入库径流预报精度,对水库优化调度和水资源高效利用具有重要意义.本文提出一种基于大样本数据分级策略的深度信念网络模型（Deep Belief Networks,DBN）,以龙羊峡入库径流预报为例,采用Fuzzy C-means（FCM）聚类方法,将总样本训练集分为不同训练样本子集;不同样本子集下,对不同预报因子（只考虑降雨、考虑不同时期的降雨及同时考虑降雨及前期径流）,分别建立DBN模型和人工神经网络模型（Artificial Neural Network,ANN）,分析样本分级和考虑不同因子情况下不同模型的预报结果.结果表明：与不考虑预报因子分级的预报模型相比,基于时间序列聚类的预报模型显著提高了径流预报的精度;通过FCM聚类,将样本分为3类,考虑降雨及前期径流作为预报因子进行分级时,比只考虑降雨、考虑不同时期的降雨时建立的预报模型的预测精度更高.用该模型进行龙羊峡水库入流日径流预报,提高了预报精度,可为龙羊峡水库调度提供决策支持.