长江科学院院报

长江科学院院报 >

2025 , Vol. 42 >Issue 4: 80 - 86

DOI: https://doi.org/10.11988/ckyyb.20240008

水资源

基于LSTM的三峡-葛洲坝梯级电站超短期水位预测

  • 汪涛 , 1, 2 ,
  • 徐杨 1, 2 ,
  • 曹辉 , 1, 2 ,
  • 刘亚新 1, 2 ,
  • 马皓宇 1, 2 ,
  • 张政 1, 2 ,
  • 谢帅 3 ,
  • 常新雨 4
展开
  • 1 中国长江电力股份有限公司 智慧长江与水电科学湖北省重点实验室,湖北 宜昌 443000
  • 2 中国长江电力股份有限公司三峡水利枢纽梯级调度通信中心,湖北 宜昌 443000
  • 3 长江科学院 水资源综合利用研究所,武汉 430000
  • 4 华中科技大学 土木与水利工程学院,武汉 430000
曹 辉(1983-),男,辽宁抚顺人,正高级工程师,博士,主要从事水文水资源研究。E-mail:

汪 涛(1997-),男,安徽安庆人,助理工程师,硕士,主要从事水库调度技术研究。E-mail:

Office editor: 黄玲

收稿日期: 2024-01-03

  修回日期: 2024-02-21

  网络出版日期: 2025-04-14

基金资助

长江水利委员会长江科学院开放研究基金项目(CKWV20221032/KY)

水利部重大科技项目项目(SKS-2022120)

湖北省自然科学基金联合基金(2022CFD164)

湖北省自然科学基金联合基金(2022CFD027)

收起

LSTM-based Prediction of Short-term Water Level for Three Gorges and Gezhouba Cascade Powerplants

  • WANG Tao , 1, 2 ,
  • XU Yang 1, 2 ,
  • CAO Hui , 1, 2 ,
  • LIU Ya-xin 1, 2 ,
  • MA Hao-yu 1, 2 ,
  • ZHANG Zheng 1, 2 ,
  • XIE Shuai 3 ,
  • CHANG Xin-yu 4
Expand
  • 1 Hubei Provincial Key Laboratory of Smart Yangtze River and Hydropower Science,China Yangtze Power;Co.,Ltd.,Yichang 443000,China
  • 2 Cascade Dispatching Communication Center for the Three Gorges Project,China Yangtze Power Co., Ltd., Yichang 443000,China
  • 3 Water Resources Department, Changjiang RiverScientific Research Institute, Wuhan 430000,China
  • 4 School of Civil and Hydraulic Engineering, HuazhongUniversity of Science and Technology, Wuhan 430000,China

Received date: 2024-01-03

  Revised date: 2024-02-21

  Online published: 2025-04-14

Fold

摘要

三峡-葛洲坝梯级电站的水位预测关系到电站安全稳定运行和综合效益发挥,然而在动静库容计算体系转换关系复杂、电站下游非恒定流等多种因素的综合影响下,传统方法在短期水位预测过程时难以跟踪,在电站承担调峰、调频任务及复杂工况下有突破调度规程及开闸的风险,从而引发工程安全风险和经济损失。采用长短时记忆网络(LSTM)深度学习方法,建立了三峡-葛洲坝梯级电站超短期水位预测模型,利用水位、入库流量、出力数据预测电站超短期的水位过程,并通过大调峰工况数据对模型预测精度进行应用分析。研究结果表明该模型总体精度较高、稳定性和适应性较好,在不同调峰工况下预测精度稳定,但在水位极值处预测结果往往会出现均化现象。三峡、葛洲坝上游水位24 h预测平均误差均<0.05 m。研究成果可为梯级电站精细化调度提供技术支撑。

关键词： 水位预测; 梯级电站; LSTM; 三峡电站; 葛洲坝电站; 误差分析

本文引用格式

汪涛 , 徐杨 , 曹辉 , 刘亚新 , 马皓宇 , 张政 , 谢帅 , 常新雨 . 基于LSTM的三峡-葛洲坝梯级电站超短期水位预测[J]. 长江科学院院报, 2025 , 42(4) : 80 -86 . DOI: 10.11988/ckyyb.20240008

Abstract

Water level prediction for the Three Gorges-Gezhouba cascade hydropower stations is crucial for their safe and stable operation and overall benefits. Nevertheless, due to the combined effects of multiple factors, such as the complex transformation between dynamic and static storage-capacity calculations and the unsteady flow downstream of the stations, traditional methods struggle to accurately predict short-term water levels. When the stations perform peak-shaving and frequency-regulation tasks under complex operating conditions, there is a risk of violating scheduling regulations and opening the gates, which may lead to engineering safety hazards and economic losses. In this study, we employed the Long Short-Term Memory (LSTM) deep-learning method to develop an ultra-short-term water-level prediction model for the Three Gorges-Gezhouba Hydropower Stations. We utilized water-level, inflow, and output data to forecast the ultra-short-term water-level processes of the stations. Subsequently, we analyzed the prediction accuracy of the model using data from peak-shaving scenarios. The results show that the model exhibits high overall accuracy, stability, and adaptability, and maintains stable prediction accuracy under different peak-shaving conditions. However, the prediction results tend to be homogenized at extreme water levels. The average error of 24-hour water-level prediction for the upstream of the Three Gorges and Gezhouba is less than 0.05 m. These findings can offer technical support for the refined scheduling of cascade hydropower stations.

Key words： water level prediction; cascade powerplant; LSTM; Three Gorges powerplant; Gezhouba powerplant; error analysis

开放科学(资源服务)标识码(OSID):

0 引言

三峡-葛洲坝梯级电站,肩负着繁重的防洪、发电、航运、补水、泥沙、生态保护等综合任务,在三峡-葛洲坝梯级电站多目标联合优化调度及安全运行中,水位为防洪控制、发电运行调整、航运安全保障的关键控制指标[1⇓-3]。水位的精准预测和调控对于防洪、发电及其他综合效益的发挥至关重要。在实际运行过程中,水电站的日内水位过程需满足调度规程要求,且水电站需承担电网的调峰、调频任务,复杂工况下调控的微小误差可能造成开闸、修改出力等影响。然而,梯级电站出力-流量-水位过程是一个复杂的耦合系统,当面临三峡水库动库容、葛洲坝电站水位顶托、电站下游非恒定流、梯级电站间的流量传播复杂时滞性等多种因素的综合影响时,超短期时间尺度上三峡-葛洲坝梯级电站的水位预测极为困难,常出现分米级的波动,给调控带来风险,可能减少上万度电能的生产[4⇓-6],对电站综合效益的发挥影响巨大。
传统的水电站水位预测方法有水位-流量曲线法、非恒定流经验公式法等,这些方法均对电站运行过程中出力、流量变化过程进行了简化,无法对水位变化过程进行精细化的跟踪计算,在复杂工况下水位预测精度不高,难以满足调度边界狭窄时的精细化调度要求。如三峡电站水位汛前需消落到145 m时,考虑水位波动,水库水位也不可低于144.9 m,仅0.1 m的调度空间需要极高的短期水位预测精度。
本文针对三峡-葛洲坝梯级电站上下游水位预测问题,将梯级电站看作一个整体,建立了48 h预见期基于深度学习方法的15 min超短期尺度三峡-葛洲坝梯级电站水位预测模型,为梯级电站精细化调度提供了有力支撑。

1 基于LSTM深度学习的水位预测方法

考虑到水位、出力、流量均具有时间序列特性且水位受到多种要素的影响,本文采用了长短时记忆网络(Long Short-Term Memory,LSTM)深度学习方法,原因为:①LSTM是一种非常有普适性和有前景的自适应序列处理方法,在包括水位预测的多个研究领域取得了成功的应用;②水位是在时间维度上连续变化的量,且与历史状态关系密切,采用LSTM使水位信息在逐个时间步长上记忆并传递显得更为合理;③LSTM具有较大的灵活性,可以有多个输入,可兼顾多元回归的思想,将多个影响因素与水位变化建立联系。

1.1 LSTM深度学习方法

LSTM方法是在循环神经网络(Recurrent Neural Network,RNN)的基础上发展起来的。RNN是一种特殊的神经网路结构,其本身包含循环的网络,允许信息在神经元之间传递。该方法在时间序列预测方面具有独特的优势,可通过特定的网络结构,将过去时刻的影响反映到当前的预测之中;同时由于共享不同时刻的权值矩阵,减少了参数数目,使得训练效率大大提高,并且可以处理任意长度的时间序列数据。RNN虽然在理论上可以保留所有历史时刻的信息,但在实际使用时,信息的传递往往会因为时间间隔太长而逐渐衰减,经过多阶段传播后的梯度倾向于消失或爆炸,使得模型丧失了学习到更早信息的能力,这个问题也称为长期依赖问题。针对普通RNN存在的长期依赖问题,Hochreiter等在1997年提出了一种特殊的RNN模型——LSTM网络[2],可以学习长期依赖信息,之后20多年该方法被改良并得到了广泛的应用,且取得了极大的成功。
相比于RNN只有一个传递状态,LSTM有2个传输状态,如图1所示。LSTM的关键是细胞状态(cell state),表示为Ct,用来保存当前LSTM的状态信息并传递到下一时刻的LSTM中。当前的LSTM接收来自上一个时刻的细胞状态Ct-1,并与当前LSTM接收的信号输入xt共同作用产生当前LSTM的细胞状态Ct,进行模型的选择遗忘、选择记忆和输出等操作,从而解决长序列训练过程中的梯度消失和梯度爆炸问题[7⇓⇓-10]。
图1 LSTM算法原理

注:ft、it、0t分别为遗忘门、记忆门和输出门的输出;σ为Siqmoid函数;Wf、Wi、Wo分别为遗忘门、记忆门和输出门的权重矩阵;h为外部状态;Ct为内部状态;b为偏置顶。

Fig.1 Schematic diagram of LSTM algorithm

1.2 模型设计

为了考虑库区水面波动传播对三峡坝前水位的影响及三斗坪水位受到葛洲坝上游水位的顶托,将葛洲坝电站的运行数据信息也加入到输入数据当中。建模训练数据采用2015—2020年的实际运行数据,选取三峡水电站和葛洲坝水电站预测期前24 h的15 min运行数据模型,由LSTM模型挖掘其与预测水位的关系。选取了白沙沱、忠县、石宝寨、万县、云阳、奉节、巫山、巴东、秭归、凤凰山的水位与未来24 h的三峡弃水流量、三峡全厂出力、葛洲坝出力、葛洲坝弃水流量数据以及预测期前24 h的葛洲坝上游水位、凤凰山水位、三峡下游水位一起构成了预测模型的输入数据集。模型预见期为48 h,输出为三峡、葛洲坝的15 min尺度上、下游水位(凤凰山、三斗坪、5号站、7号站)训练前先将数据进行标准化处理,消除量纲的影响,模型设计过程如图2所示。
图2 模型设计过程

Fig.2 Model design process LSTM

模型中,输出层为全连接层,输入变量是一个时间步(t-1)的特征,损失函数采用均方误差(Mean Square Error, MSE),优化算法采用随机梯度下降算法,LAST层中Batch_Size值设为64,epoch超参数为60。将归一化后的输入、输出数据代入模型,采用梯度下降法进行训练,达到设定的终止条件后,保存训练好的模型。预测时,将预测数据归一化后代入模型,对模型的输出结果进行反归一化处理。

2 结果分析

2.1 模型应用情景

为分析模型预测精度,本文针对某月三峡来水偏枯、日内调峰量大、持续补水导致水位有破死水位风险、葛洲坝增容改造完成、高峰出力创新高、高峰入库超满发流量且多次被迫开闸等一系列复杂调度情景,分析三峡-葛洲坝超短期水位预测方法在三峡-葛洲坝调峰工况下的应用情况[11]。

2.1.1 调峰量

某月三峡电站调峰量较大,1—27日平均日调峰量达630万kW,最大日调峰量为900万kW,调峰量超700万kW的天数达12 d。

2.1.2 日内峰型

某月内三峡电站日内出力峰型包含双峰型、单峰型和其他类型3种,其中1—12日、22—24日为双峰型共15 d,13—21日、25—26日为单峰型共11 d,27日为其他类型,各类型日内出力典型过程如图3所示。
图3 各类型日内出力典型过程

Fig.3 Typical processes of daily output

1—12日为双峰型且晚高峰明显大于早高峰,平均调峰量806万kW,日内出力的早高峰位于9:00—11:00,持续时长2 h,平均出力1 157万kW,晚高峰位于20:00—21:45间,持续时长1 h 45 min,平均出力1 617万kW,其中,最大调峰量为900万kW,最大晚高峰出力2 022万kW,最大晚高峰出库达30 000 m3/s,葛洲坝多次被迫开闸。
13—21日为单峰型,平均调峰量613万kW,日内出力只有晚高峰,位于20:00—21:45间,持续时长1 h 45 min,平均出力1 341万kW,最大调峰量为900万kW,最大晚高峰出力1 661万kW。

2.2 模型总体误差统计

为验证超短期模型的预测精度,本节中,采用三峡、葛洲坝的实际出力过程和三峡的实际入库过程数据,在1—27日每日0点开始复盘预见期24、48 h,计算步长15 min尺度的三峡、葛洲坝上下游水位,模型计算误差统计(实际-预测)如表1所示。
表1 实际出力-反推入库24 h误差统计

Table 1 Errors in 24 hours for actual output and back-calculation of reservoir inflow m

预测
站点		 平均误差 绝对值
平均误差		 最大误差 最大日
均误差		 最大日均
绝对值误差
凤凰山 0.005 2 0.032 0 0.145 0.058 0 0.058 0
5号站 0.013 7 0.108 1 0.530 0.286 8 0.286 8
三斗坪 0.093 5 0.134 7 0.680 0.304 4 0.310 0
7号站 0.183 3 0.191 2 1.015 0.317 5 0.317 5
由表1可知,通过准确的来水和出力计划输入,超短期模型对凤凰山的水位预测48 h平均误差不足1 cm,24 h内最大误差不超15 cm,48 h内最大误差在20 cm左右。对5号站的水位预测,24 h平均误差在1 cm左右,但最大误差达到50 cm,48 h内平均误差不超4 cm。从复盘的平均误差和绝对误差来看,模型总体预测精度较高,稳定性较好。

2.3 模型预测误差的极值分布

由2.2节可知,超短期水位预测模型的平均误差及绝对平均误差很小,但仍然存在较大的最大误差。因此,为深入研究模型的稳定性,本节对实际出力-实际来水输入下的模型预测结果中的最大误差发生时间进行分析。
将每日0点开始预测的未来48 h水位最大误差发生时间统计如图4所示。
图4 48 h预测凤凰山、5号站最大误差分布

Fig.4 Maximum 48-hour prediction errors for Fenghuangshan and Station 5

由图4可知,5号站在48 h预测中的最大误差基本发生在47~48 h,处于预测周期的末端,这是由于48 h内的预测水位与实际水位存在误差累积导致。而结合2.2节中每日绝对值平均误差较小,可表明模型具有较好的稳定性,一般情况下不会发生极端误差,较大的累积误差可通过提高预测频次,缩短预见期长度来避免。
而凤凰山的最大误差81%以上发生在20 h以后,只有24日一次发生在18 h以前,当日最大误差仅9.2 cm。最大误差发生较多的时间段在18—20、42—44、34—35 h,即对应时间是预测首日的18—20 h、预测次日的10—11 h和预测次日的18—20 h,均为早晚高峰及出力爬坡阶段,表明超短期模型的凤凰山最大误差与三峡调峰的时期(早晚高峰及出力爬坡阶段)密切相关。

2.4 实际水位极值的模型预测误差

由于实际调度过程中,未来水库水位波动中的水位最高点和最低点是调度人员重点关注的问题,因此,本节中针对超短期模型在水位最高点和最低点的预测情况进行分析。将1—27日的每日实际水位的最高、最低点与采用实际出力-实际入库作为模型输入条件,其水位极值预测误差如表2所示。
表2 每日水位极值预测误差

Table 2 Prediction errors of daily water level extreme values

预测站点 预测误差平均值/m
最高水位 最低水位
凤凰山 0.031 5 -0.018 7
5号站 0.133 9 -0.094 5
三斗坪 0.170 8 -0.029 7
7号站 0.237 4 0.181 8
由表2可知,一般情况下,每日三峡、葛洲坝上游水位的最高水位预测值较实际值偏小,最低水位预测值较实际值偏大。分析原因,由于超短期模型采用15 min尺度数据进行预测,水位预测结果较秒级或1 min级水位测站,结果上有一定均化现象,使得预测结果在最高处相对偏小,最低处相对偏大。
根据统计结果,凤凰山最高水位偏差75%在5 cm以下,最低水位偏差81%在5 cm以下;5号站最高水位偏差78%在30 cm以下,最低水位偏差85%在20 cm以下。

2.5 不同调峰类型及调峰量误差

在实际调度过程中,模型预测往往要面对不同类型的调峰过程和不同的日内调峰量过程,为研究不同调峰类型下超短期模型的鲁棒性和调峰量变化对模型预测精度的影响,本节对不同调峰类型和不同调峰量的模型预测误差进行分析。
(1)不同调峰类型。1—12日为双峰型日内出力,13—22日为单峰型日内出力,研究2种调峰类型下水位预测误差的区别如表3所示。2种峰型的预测误差在各指标下差别均较小,无量级和成倍比的较大差别,可知模型的适应性较强。
表3 双峰型和单峰型下24 h水位预测误差统计

Table 3 Statistics of 24-hour water level prediction errors under double-peak and single-peak patterns m

类型 预测
站点		 平均
误差		 绝对值
平均误差		 最大
误差		 最大日
均误差		 最大日均
绝对值误差
双
峰
型		 凤凰山 0.008 0 0.033 0 0.145 0.058 0 0.058 0
5号站 -0.030 6 0.096 4 -0.462 -0.138 8 0.163 1
三斗坪 0.035 6 0.107 9 -0.485 0.132 6 0.146 8
7号站 -0.182 7 0.184 2 -0.965 -0.393 7 0.293 7
单
峰
型		 凤凰山 0.003 2 0.032 4 0.133 0.050 8 0.050 8
5号站 0.034 4 0.103 0 0.530 0.286 8 0.286 8
三斗坪 0.105 3 0.126 1 0.442 0.297 5 0.297 5
7号站 -0.195 8 0.199 8 -1.015 -0.317 5 0.317 5
(2)不同调峰量。根据每日调峰量的不同,将调峰量与4个预测站点的水位绝对平均误差和绝对最大误差间的关系如图5、图6所示。
图5 不同预测站点的调峰量与水位绝对平均误差关系

Fig.5 Relationship between peak shaving and absolute average error of water level

图6 不同预测站点的调峰量与水位绝对最大误差关系

Fig.6 Relationship between peak shaving and absolute maximum error of water level

由图5、图6可知,凤凰山站与7号站的绝对平均误差和绝对最大误差与调峰量呈现较明显相关性,随着调峰量的增大,凤凰山、7号站的绝对平均误差和绝对最大误差有增大趋势,即调峰量越大,凤凰山站、7号站的误差可能随之增大,但5号站与三斗坪的误差与之关系不明显。

2.6 模型输入对三峡水位预测影响

在实际水位预测过程中,模型通常输入为未来48 h三峡、葛洲坝的计划出力和预报来水,而计划出力、预报来水与实际出力、实际来水存在一定的偏差。
对于葛洲坝水位预测,由于三峡-葛洲坝连算,葛洲坝入库基本受三峡计划决定,受三峡预报来水影响极小,而由于葛洲坝库容较小,水位预测对葛洲坝出力计划响应敏感,实际应用中修改葛洲坝计划后,建议采用超短期水位预测模型重新计算水位。 因此,本节分别采用计划出力和预报来水作为模型输入,分析它们的偏差对三峡水位预测精度的影响。
采用三峡-葛洲坝梯级电站超短期水位预测模型,分别按以下3种模型输入:①计划出力-实际入库。计划出力代替实际出力,分析实时调度中计划偏差对预测精度的影响。②实际出力-预报来水。预报来水代替实际入库,分析预报来水与实际来水间偏差对预测精度的影响。③计划出力-预报来水。分析应用过程中同时受到计划偏差和预报偏差对模型预测精度的影响。误差统计如表4所示。
表4 其他输入情况模型24 h水位误差统计

Table 4 Statistics of 24-hour water level prediction errors with different inputs m

类型 预测
站点		 平均
误差		 绝对
平均
误差		 最大
误差		 最大
日均
误差		 最大日
均绝对
误差
计划出力-
实际入库		 凤凰山 0.003 6 0.031 9 0.149 1 0.059 9 0.060 0
三斗坪 0.078 5 0.134 5 0.734 1 0.302 5 0.308 1
实际出力-
预报来水		 凤凰山 -0.000 5 0.040 0 -0.184 8 0.075 2 0.095 6
三斗坪 0.098 2 0.136 1 0.678 9 0.311 8 0.317 2
计划出力-
预报来水		 凤凰山 0.001 1 0.040 3 -0.181 6 0.076 4 0.094 4
三斗坪 0.077 8 0.134 0.728 2 0.303 1 0.306 9
采用准确的实际出力和实际入库作为模型输入所得的预测误差最小。当采用预报来水代替实际入库做模型输入时,对凤凰山站水位预测影响较大,且凤凰山站水位预测在24 h内的误差增幅较小,在24—48 h的误差会明显增大。
凤凰山站水位预测误差主要来源于入库流量预测误差,但24 h内预报流量误差对凤凰山站水位预测影响较小,48 h内预报流量误差对凤凰山站水位预测影响较大。预测时段越长,预测误差越大。

3 结论

三峡-葛洲坝梯级电站运行水位预测是保障三峡、葛洲坝工程综合效益的发挥和安全稳定运行的重要技术支撑。本文考虑水力联系与水量平衡等物理机制,通过LSTM深度学习方法建立了三峡-葛洲坝梯级电站超短期水位预测模型,基于某月梯级电站大调峰工况数据,对模型预测效果进行了验证与应用分析。结果表明:
(1)基于LSTM的三峡-葛洲坝超短期水位预测方法的总体精度较高、稳定性和适应性较好;三斗坪站预测结果略偏小0.1 m,7号站的预测结果略偏小0.2 m。
(2)凤凰山站水位预测的最大误差与三峡调峰时期(早晚高峰及出力爬坡阶段)密切相关,多出现在早晚高峰时期,5号站水位预测的最大误差则由误差累积,基本出现在48 h预见期末期,较大的累积误差可通过提高预测频次,缩短预见期长度来避免。
(3)预测模型采用15 min尺度数据所得的预测结果有一定均化现象,使得其在最高处相对偏小,最低处相对偏大。在实际使用中,考虑此偏差因素对预测结果的影响,通过误差统计,从偏安全角度出发,凤凰山站按偏高5 cm考虑,葛洲坝按偏高30 cm考虑,最低水位凤凰山按偏低5 cm考虑,葛洲坝按偏低20 cm考虑。
(4)日内调峰峰型变化对超短期水位预测模型精度基本无影响,模型稳定性较高。
(5)随着调峰量增大,凤凰山站、7号站的水位预测误差可能随之增大。
(6)计划出力偏差对凤凰山站水位预测的精度影响较小,预报来水的偏差对凤凰山站水位预测精度的影响较大,且精度影响在预见期24 h内较小、24—48 h较大。
实时调度中应尽量提高来水预报的精度和出力计划准确度,在来水与预报偏差较大时,可通过提高预测频率滚动计算,保证凤凰山水位24 h内的预测精度较稳定。后期研究中将结合实际最高水位的均化规律,对模型受出力数据尺度限制而产生的水位预测均化现象进行优化,并针对电站出力爬坡段的误差扩大的问题,增加深度学习数据序列分段率定,进一步提高模型预测精度。

参考文献

原文顺序 | 文献年度倒序 | 文中引用次数倒序
[1]
徐杨, 樊启祥, 尚毅梓, 等. 非弃水期葛洲坝水电站下游水位变化过程预测新方法[J]. 水利水电科技进展, 2019, 39(3): 50-55.

(XU Yang, FAN Qi-xiang, SHANG Yi-zi, et al. A Novel Forecasting Method for Downstream Water Level Variation of Gezhouba Hydropower Station during Non-abandoning Water Period[J]. Advances in Science and Technology of Water Resources, 2019, 39(3): 50-55.) (in Chinese)

[2]
徐杨, 刘亚新, 汪涛, 等. 基于LSTM的三峡水库短期上游水位预测方法研究[J]. 水利水电快报, 2022, 43(10): 13-18.

(XU Yang, LIU Ya-xin, WANG Tao, et al. Study on Short-term Upstream Water Level Prediction Method of Three Gorges Reservoir Based on LSTM[J]. Express Water Resources & Hydropower Information, 2022, 43(10): 13-18.) (in Chinese)

[3]
刘亚新, 樊启祥, 尚毅梓, 等. 基于LSTM神经网络的水电站短期水位预测方法[J]. 水利水电科技进展, 2019, 39(2): 56-60, 78.

(LIU Ya-xin, FAN Qi-xiang, SHANG Yi-zi, et al. Short-term Water Level Prediction Method for Hydropower Station Based on LSTM Neural Network[J]. Advances in Science and Technology of Water Resources, 2019, 39(2): 56-60, 78.) (in Chinese)

[4]
刘亚新, 姚华明, 徐杨, 等. 白鹤滩蓄水对金沙江下游梯级水库消落期调度影响分析[J]. 水电能源科学, 2021, 39(12): 84-88.

(LIU Ya-xin, YAO Hua-ming, XU Yang, et al. Analysis of Impact of Baihetan Reservoir Impoundment on Operation of Cascade Reservoirs in Lower Reaches of Jinsha River during Drawdown Period[J]. Water Resources and Power, 2021, 39(12): 84-88.) (in Chinese)

[5]
李力. 复杂水力联系下梯级水库短期联合优化调度研究[D]. 武汉: 华中科技大学, 2021.

(LI Li. Research on Short Term Joint Optimization Operation of Cascade Reservoirs under Complex Hydraulic Connections[D]. Wuhan: Huazhong University of Science and Technology, 2021.) (in Chinese)

[6]
刘亚新, 徐杨. 基于机器学习的葛洲坝水电站日均出力预测[J]. 人民长江, 2022, 53(4):201-209,220.

(LIU Ya-xin, XU Yang. Prediction of Daily Power Output of Gezhouba Hydropower Station during Non-discarded Water Period Based on Machine Learning[J]. Yangtze River, 2022, 53(4): 201-209, 220.) (in Chinese)

[7]
刘晓阳, 郭乐. 基于机器学习方法的葛洲坝水电站下游水位预测研究[J]. 水利水电快报, 2022, 43(10):19-22,36.

(LIU Xiao-yang, GUO Le. Research on Downstream Water Level Prediction of Gezhouba Hydropower Station Based on Machine Learning Methods[J]. Express Water Resources & Hydropower Information, 2022, 43(10): 19-22, 36.) (in Chinese)

[8]
胡昊, 马鑫, 徐杨, 等. 基于权重修正和DRSN-LSTM模型的向家坝下游水位多时间尺度预测[J]. 水利水电技术(中英文), 2022, 53(7):46-57.

(HU Hao, MA Xin, XU Yang, et al. Multi-time-scale Prediction of Water Level Downstream of Xiangjiaba Based on Weight Correction and DRSN-LSTM model[J]. Journal of Water Resources and Hydropower Engineering, 2022, 43(10): 46-57.) (in Chinese)

[9]
舒远丽. 基于深度学习的三峡水库实时调度模型研究[D]. 宜昌: 三峡大学, 2021.

(SHU Yuan-li. Research on Real time Scheduling Model of Three Gorges Reservoir Based on Deep Learning[D]. Yichang: China Three Gorges University, 2021.) (in Chinese)

[10]
刘晓锋, 李太斌, 范伟宁, 等. 基于深度学习的水电站水流量和发电量区间预测[J]. 电子技术与软件工程, 2020(9): 221-222.

(LIU Xiao-feng, LI Tai-bin, FAN Wei-ning, et al. Interval Prediction of Water Flow and Power Generation in Hydropower Stations based on Deep Learning[J]. Electronic Technology & Software Engineering, 2020(9): 221-222.) (in Chinese)

[11]
汪涛, 徐杨, 刘亚新, 等. 基于多种群引力粒子群算法的金沙江下游—三峡梯级水库群优化调度[J]. 长江科学院院报, 2023, 40(12): 30-36, 58.

DOI

(WANG Tao, XU Yang, LIU Ya-xin, et al. Optimal Operation of Cascade Reservoirs in the Lower Reaches of Jinsha River to the Three Gorges Based on Multi-group Gravitational Particle Swarm Algorithm[J]. Journal of Yangtze River Scientific Research Institute, 2023, 40(12): 30-36, 58.) (in Chinese)

DOI

Options
文章导航

/

〈 〉

*严禁使用本系统存储、处理、传输涉密信息*
版权所有 © 《长江科学院院报》编辑部
技术支持：北京玛格泰克科技发展有限公司