基于循環神經網絡的水庫水位預測方法

紀國良，周 曼，劉 濤，胡騰騰，丁 勇

(中國長江三峽集團有限公司， 湖北 宜昌 443100)

1 研究背景

大型水庫重要站點的水位預測是水庫防洪中的重要問題，目前主要采用水動力學方法計算。水動力學方法基于嚴格的圣維南方程組原理[1]，對輸入邊界條件的準確性有較高要求，當邊界條件清晰時，其計算精度很高；否則，容易造成較明顯的計算誤差。在大型水庫的防洪調度中，干流和較大支流的入庫流量通常有較為可靠的預報，而水庫區間來流則是根據流域降雨情況進行估算，其空間的分布通常難以準確預測，因此區間流量成為最難準確界定的邊界條件，使得水動力學方法在計算某些站點的水位精度時難以滿足實時應用需求。本文針對這一問題開展研究， 使用基于數據驅動的循環神經網絡算法，在區間來流空間分布未知的情況下，提高水庫重要站點的水位計算精度。

目前已有許多工作致力于提高水動力學模型的計算精度。長江科學院黃仁勇等[2]在計算三峽水庫洪水傳播過程時，一方面增加了水庫斷面測量點數量，降低了斷面概化誤差；另一方面不斷提升入庫流量的預報水平并將更多支流加入到模型中。在糙率率定方面，中山大學楊世孝等[3]提出了一種使用最優化方法反求糙率的方式；陳素紅等[4]建立了基于多親遺傳算法的河道糙率率定模型；陳一帆等[5]以糙率和水力狀態量作為河網非線性動態系統狀態變量，采用擴展卡爾曼濾波構建了結合糙率動態校正的河網水情數據同化模型。……