基于深度学习的三峡电站未来坝前最大最小水位预测

doi:10.11988/ckyyb.20230804

长江科学院院报 ›› 2024, Vol. 41 ›› Issue (12): 9-14.DOI: 10.11988/ckyyb.20230804

基于深度学习的三峡电站未来坝前最大最小水位预测

王永强¹^,²^,³(), 张森¹^,²^,³, 谢帅¹^,²^,³(), 周涛¹^,²^,³

¹ 长江科学院水资源综合利用研究所,武汉 430010
² 长江科学院流域水资源与生态环境科学湖北省重点实验室,武汉 430010
³ 长江水利委员会长江经济带保护与发展战略研究中心,武汉 430010

收稿日期:2023-07-24 修回日期:2023-09-18 出版日期:2024-12-01 发布日期:2024-12-01
通信作者:
谢帅(1993-),男,河南南阳人,工程师,博士,研究方向为水文预报。E-mail: xieshuai@mail.crsri.cn
作者简介:
王永强(1982-),男,河南郑州人,正高级工程师,博士,研究方向为水电能源优化运行。E-mail: wangyq@mail.crsri.cn
基金资助:
国家重点研发计划重点专项(2022YFC3202300); 国家自然科学基金面上项目(42271044); 水利部重大科技项目(SKS-2022120); 湖北省自然科学基金联合基金项目(2022CFD027); 中央级公益性科研院所基本科研业务费项目(CKSF2021486); 中国长江电力股份有限公司资助项目(Z242302057)

Predicting Maximum and Minimum Future Water Levels in front of Three Gorges Dam Using Deep Learning

WANG Yong-qiang¹^,²^,³(), ZHANG Sen¹^,²^,³, XIE Shuai¹^,²^,³(), ZHOU Tao¹^,²^,³

¹ Water Resources Department, Changjiang River Scientific Research Institute, Wuhan 430010, China
² Hubei Provincial Key Laboratory of Basin Water Resources and Eco-environmental Sciences,Changjiang RiverScientific Research Institute,Wuhan 430010,China
³ Research Center on Protection and Development Strategyfor Yangtze River Economic Belt, Changjiang Water Resources Commission, Wuhan 430010, China

Received:2023-07-24 Revised:2023-09-18 Published:2024-12-01 Online:2024-12-01

摘要/Abstract

摘要：

最大最小水位是计算梯级水库调度问题、水电站经济运行问题等时要考虑的重要约束条件,其精确预测能为水电站经济运行提供支持。常用的迭代计算容易误差积累,导致多时段预测结果可信度降低。选取对时间序列问题有良好处理效果的长短时记忆网络模型(LSTM),将其应用于三峡电站未来4 d最大最小坝前水位预测中,依据水量平衡预测框架构建传统预测模型;基于LSTM使用不同特征变量构建2种深度学习模型,并比较其预测效果。计算结果表明,考虑三峡库区水面线传播规律后的深度学习模型预测具有精确稳定的预测效果,99%预测绝对误差<40 cm。

关键词: 水电站经济运行, 水位预测, LSTM, 深度学习, 神经网络, 三峡电站

Abstract:

The maximum and minimum water levels are crucial constraints in the calculation of cascade reservoir operations and the economic operation of hydropower stations. Traditional iterative methods for multi-period predictions lack credibility due to error accumulation. This study employs a Long Short-Term Memory (LSTM) model which is effective in handling time series problems to predict the maximum and minimum water levels of the Three Gorges Reservoir over the next four days. Two LSTM-based deep learning models incorporating different characteristic variables are developed, and a conventional forecast model based on the water balance framework is also constructed for comparison. Results demonstrate that the deep learning model, which considers the propagation law of water surface profiles in the Three Gorges Reservoir area, delivers accurate and stable predictions, achieving an absolute error of less than 40 cm for 99% of the predictions.

Key words: economic operation of hydropower station, water level prediction, LSTM, deep learning, neural network, Three Gorges hydropower station

中图分类号:

TV741大型水电站

王永强, 张森, 谢帅, 周涛. 基于深度学习的三峡电站未来坝前最大最小水位预测[J]. 长江科学院院报, 2024, 41(12): 9-14.

WANG Yong-qiang, ZHANG Sen, XIE Shuai, ZHOU Tao. Predicting Maximum and Minimum Future Water Levels in front of Three Gorges Dam Using Deep Learning[J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(12): 9-14.

图/表 12

图1 三峡电站坝前水位计算要素与流程

Fig.1 Elements and process of calculating upstream water level at the Three Gorges Dam

表1 模型基础特征变量

Table 1 Basic feature variables of the model

数据类型	特征变量
历史数据 (4 d)	三斗坪水位、凤凰山水位、三峡入库流量、寸滩-凤凰山区间降雨三峡、葛洲坝历史出力
未来预报数据(4 d)	三峡、葛洲坝出力计划、三峡入库流量预报、寸滩-凤凰山区间降雨预报

图2 LSTM三门四步示意图

Fig.2 Schematic diagram of LSTM calculation steps

表2 模型参数优化前后训练损失值对比

Table 2 Comparison of training loss values before and after model parameter optimization

阶段	模型训练损失值降低过程/10^-3
优化前	8.2➝4.0➝0.16➝0.84➝0.53➝0.43
优化后	5.5➝1.6➝0.36➝0.27➝0.19➝0.17

表3 模型特征说明

Table 3 Description of model features

模型名称	模型特征
LSTM_Model1	特征变量不考虑三峡库区水面线
LSTM_Model2	特征变量考虑三峡库区水面线,即白沙沱、石宝寨、万县、云阳奉节、巴东、巫山、秭归的水位数据

表4 水量平衡算法模型和LSTM_Model2计算三峡库区未来4 d最大最小水位平均绝对误差

Table 4 Mean absolute errors of maximum and mini-mum water levels for the next four days calculated by the water balance model and LSTM_Model2

方法	时间	MAE/cm		方法	时间	MAE/cm
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡算法	第1日	13.4	9.5	LSTM_Model2	第1日	6.3	6.2
	第2日	22.8	19.2		第2日	7.3	7.1
	第3日	31.7	28.1		第3日	8.0	7.8
	第4日	40.4	36.9		第4日	9.0	8.4

表5 模型计算未来4 d最大最小水位R2

Table 5 R2 of maximum and minimum water levels for the next four days calculated by different models

方法	时间	R²		方法	时间	R²
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡算法	第1日	0.998	0.999	LSTM_Model2	第1日	0.999	0.999
	第2日	0.995	0.998		第2日	0.999	0.999
	第3日	0.991	0.994		第3日	0.999	0.999
	第4日	0.984	0.989		第4日	0.999	0.999

图3 水量平衡算法模型与LSTM_Model2第4日最大水位预测误差分布

Fig.3 Comparison of prediction error of maximum water level on the fourth day between water balance model and LSTM_Model2

表6 LSTM_Model1与LSTM_Model2 MAE对比

Table 6 Comparison of MAE between LSTM_Model1 and LSTM_Model2

方法	时间	MAE/cm		方法	时间	MAE/cm
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡法	第1日	6.81	7.52	LSTM_Model2	第1日	6.3	6.2
	第2日	8.54	8.40		第2日	7.3	7.1
	第3日	7.68	7.84		第3日	8.0	7.8
	第4日	9.28	8.42		第4日	9.0	8.4

图4 LSTM_Model2预测第4日最大水位绝对误差年内分布

Fig.4 Monthly distribution of absolute error of maximum water level on the fourth day predicted by LSTM_Model2

表7 LSTM_Model2各时期计算误差对比

Table 7 Calculation errors of LSTM_Model2 in different periods

时期	MAE/cm	MAXE	时期	MAE/cm	MAXE
消落期	0.11	0.37	回蓄期	0.10	0.45
汛期	0.14	0.73	其他时期	0.04	0.27

图5 三峡水库2020年出力与入库流量箱型图

Fig.5 Boxplot of output and inflow of Three Gorges Reservoir in 2020

[1]	孟万尚, 赵帅杰, 李琳. 基于人工神经网络的梯形闸门流量计算模型[J]. 长江科学院院报, 2024, 41(9): 86-92.
[2]	兰小机, 贺永兰, 武帅文. 基于RF-BiLSTM模型的河流水质预测[J]. 长江科学院院报, 2024, 41(7): 57-63.
[3]	余周, 姜涛, 范鹏辉, 牛超群, 陈兵. 基于EMD-DELM-LSTM组合模型的湖泊水位多时间尺度预测[J]. 长江科学院院报, 2024, 41(6): 28-35.
[4]	方星桦, 阳军生, 黄定著, 詹双桥, 张聪. 基于全景展开图像的隧道围岩节理识别方法[J]. 长江科学院院报, 2024, 41(5): 116-123.
[5]	吴启亮, 郑航, 刘悦忆, 陈进. 基于气候变化情景的汉江流域景观生态风险变化模拟[J]. 长江科学院院报, 2024, 41(4): 78-88.
[6]	程风雯, 甘进, 李星, 吴卫国. 基于DCGAN的水下结构物表面缺陷图像生成[J]. 长江科学院院报, 2023, 40(9): 155-161.
[7]	郭利进, 许瑞伟. 基于改进果蝇算法的LSTM在水质预测中的应用[J]. 长江科学院院报, 2023, 40(8): 57-63.
[8]	陈文龙, 杨云丽, 张煜, 胡祖康. 基于天地协同与深度学习的灌区地下水位模拟[J]. 长江科学院院报, 2023, 40(7): 88-95.
[9]	雷庆文, 高培强, 李建林. 时序分解和CNN-LSTM相融合的月径流预报模型[J]. 长江科学院院报, 2023, 40(6): 49-54.
[10]	王渤权, 金传鑫, 周论, 沈笛, 蒋志强. 基于长短期记忆网络的西丽水库水质预测[J]. 长江科学院院报, 2023, 40(6): 64-70.
[11]	黄远远, 彭潜, 徐兵. 一种考虑遮挡物的地铁隧道表面裂缝识别方法[J]. 长江科学院院报, 2023, 40(5): 145-152.
[12]	刘巍, 葛海彬, 徐妍彦, 赵洪光, 金京善, 季昊巍. 基于智能机器人的水下建筑物裂缝检测方法与应用[J]. 长江科学院院报, 2023, 40(4): 164-169, 190.
[13]	张岩, 刘嘉昊, 吕园, 李志豪, 张燕楠, 李昇, 陈撰文. 不同石粉参数对混凝土力学性能的影响[J]. 长江科学院院报, 2023, 40(3): 166-173.
[14]	宋佳, 白杨, 王小林. 基于深度学习的黄土干湿循环损伤分析[J]. 长江科学院院报, 2023, 40(2): 87-94.
[15]	邵琥翔, 丁凤, 杨健, 郑子铖. 基于深度学习的黑臭水体遥感信息提取模型[J]. 长江科学院院报, 2022, 39(4): 156-162.

基于深度学习的三峡电站未来坝前最大最小水位预测

Predicting Maximum and Minimum Future Water Levels in front of Three Gorges Dam Using Deep Learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

相关文章 15

编辑推荐

Metrics

本文评价