三峡入库洪水概率预报的深度学习模型

被引：13

作者：

崔震 ^{[1
]}

郭生练 ^{[1
]}

汪芸 ^{[1
]}

张俊 ^{[2
]}

王俊 ^{[1
,2
]}

胡挺 ^{[3
]}

李帅 ^{[3
]}

机构：

[1] 武汉大学水资源与水电工程科学国家重点实验室

[2] 长江水利委员会水文局

[3] 中国长江三峡集团有限公司流域管理中心

来源：

水力发电学报 | 2023年 / 42卷 / 04期

基金：

国家重点研发计划;

关键词：

洪水预报; 深度学习; 编码-解码结构; 概率预报; 不确定性分析;

D O I：

暂无

中图分类号：

TP18 [人工智能理论]; P338 [水文预报]; TV697 [水库管理];

学科分类号：

081104 ; 0812 ; 0835 ; 1405 ;

摘要：

将长短时记忆（LSTM）神经网络嵌套至编码-解码（ED）结构，构建了LSTM-ED深度学习模型，采用贝叶斯概率预报处理器量化洪水预报不确定性，提出了一种三峡入库洪水概率预报业务方法，并讨论了降雨预报对洪水概率预报性能的影响。选用向家坝—三峡坝址区间流域2010—2021年汛期6 h降水径流资料序列训练和检验模型，开展了1～7 d预见期入库洪水预报。结果表明：LSTM-ED模型的模拟预报精度优于LSTM模型，验证期1～7 d预见期纳什效率系数高于0.92；概率预报连续排位概率分数相对平均绝对误差降低26.82%～32.74%，考虑预报降雨可进一步提高概率预报性能，为调度决策者提供可靠的风险信息。

引用

页码：1 / 10

页数：10