基于LSTM神经网络的复杂工况下明渠流量预测

复杂工况条件下明渠流量预测是一项基础问题,通常是建立非线性偏微分方程组并数值计算,时间成本与时空步长精细程度成指数关系,需在精度与效率之间权衡。该文基于“实时感知、水信互联、过程跟踪、智能处理”水联网理论,研究了明渠水流控制中闸门上下游序列特征,结合了渠道与闸门各类动静态特征,提出了基于长短期记忆(long short-term memory, LSTM)神经网络的明渠流量预测方法。实验结果表明,该方法在各渠段上预测准确率均大于97%,效率在100 000条数据规模上比求解Saint-Venant方程的数值计算方法提高了308倍。该文验证了人工智能方法改进传统明渠流量预测问题的可行性,合理设计的深度学习模型可取得准确性与效率的双赢,为人工智能解决水力学问题提供了新的思路。