训练数据量对LSTM网络学习性能影响分析

以雅砻江岷江和嘉陵江为研究流域,采用K-最近邻(KNN)算法模拟生成130年的气象数据,并采用SWAT模型计算各流域出口水文站的径流过程;然后分别以前5年、10年、20年、40年和80年的降雨和径流数据对网络进行训练,以最后50年数据作为验证。主要结果表明:LSTM网络的学习能力随着神经元数量增加不断提高,但对水文序列数据的学习则存在过拟合严重的问题;增加训练数据量,可以有效地降低LSTM网络过拟合现象。

基于迁移学习的长短时记忆神经网络水文模型

针对无/缺水文资料地区水文建模的难题,提出了基于迁移学习的长短时记忆神经网络(LSTM)水文模型。以嘉陵江、乌江和岷江流域为例,基于实测水文气象数据,采用K-最近邻算法与土壤和水评价模型(SWAT)模拟生成气象和径流数据,并构建实测和模拟样本集;然后构建不同的网络迁移微调策略和网络学习情景,分析迁移网络的可能性和性能。结果表明,固定网络的细胞层并微调网络其他层时,迁移学习的效果较好;同流域和跨流域进行网络迁移时,迁移后的网络更稳定且精度更高;跨流域迁移时,源流域和目标流域的相似度越高,迁移网络的难度更小,精度更高。该模型为无/缺水文资料地区构建水文模型提供了新的思路。

基于梯级POA优化调度模型的水库调节能力分析

由于梯级水库群的建成,流域水文过程改变明显,已建水库的调度发生了改变。对已建水库调节能力的评估,有利于重新定义水库对兴利调节的作用。以磨刀溪流域上的门坎滩和大滩口为例,提出“虚拟调节库容”概念,构建梯级POA优化调度模型核定小水电调节能力。计算结果比原运行方式减少的弃水量,有效提升下游水库对于来水的调节能力。研究成果提供一种可参考的水库调节能力核定方法,提高小水电的发电效益。