海河水利2023，Issue(11) ：63-67,76.DOI:10.3969/j.issn.1004-7328.2023.11.017

基于小波-LSTM的流溪河流域短期库水位预测模型

Short-term Reservoir Water Level Prediction Model of Liuxi River Basin based on Wavelet-LSTM

张浩森 龙岩 康爱卿
海河水利2023，Issue(11) ：63-67,76.DOI:10.3969/j.issn.1004-7328.2023.11.017
✕
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于小波-LSTM的流溪河流域短期库水位预测模型

Short-term Reservoir Water Level Prediction Model of Liuxi River Basin based on Wavelet-LSTM

张浩森 1龙岩 1康爱卿2
扫码查看

作者信息

  • 1. 河北工程大学水利水电学院,河北 邯郸 056038;河北工程大学河北省智慧水利重点实验室,河北 邯郸 056038
  • 2. 中国水利水电科学研究院,北京 100038
  • 折叠

摘要

考虑到原始监测数据中噪声对库水位预测精度的影响,研究提出了基于小波-LSTM神经网络构建的流溪河流域短期水库水位预测模型.模型以流溪河水库和黄龙带水库2015-2020年的时序数据为研究对象,以小波分解对水位时序数据进行多尺度分析,以2019年8月1日为界划分数据集,以均方根误差RSME、纳什效率系数NSE和平均绝对误差MAE为评价指标,并与LSTM模型在1、6和12h预见期情境下的预测结果进行了对比分析.结果表明,在1、6和12h预见期下,小波-LSTM模型和LSTM模型的NSE值均大于0.9,2种模型均取得了不错的预测效果;在相同预见期下,相较于LSTM模型,小波-LSTM模型预测的整体误差和极值误差均更小,模型的整体预测效果更优;对模型输入特征而言,单特征小波-LSTM模型的整体预测误差和极值误差均低于多特征小波-LSTM模型,对水位时序数据的整体预测效果更好,预测中的异常值也相对更少.

关键词

水位预测/LSTM循环神经网络/水库水位/小波分解/预见期

Key words

water level prediction/LSTM recurrent neural network/reservoir level/WD/foresight period

引用本文复制引用

出版年

2023
海河水利
水利部海河水利委员会

海河水利

影响因子：0.21
ISSN：1004-7328
参考文献量14
段落导航相关论文