基于VMD-LSTM-ARMA模型的径流预测

为了提高径流预测的精度,提出了一种用以解决径流预测等问题的组合预测模型,此模型由变分模态分解(VMD)、长短期记忆网络(LSTM)和自回归移动平均(ARMA)组成。为了降低入库流量的复杂度,利用VMD算法将径流数据分解为3个不同频率的模态分量。低频的模态分量继承了数据的时间特性,可以通过构建LSTM预测模型处理;而2个高频序列是平稳的时间序列,可以通过搭建ARMA预测模型处理。将3个子序列的预测结果进行叠加,最终得到径流的预测结果。采用湘江支流的东江水文站2020年的逐小时流量数据进行流量预测,对比试验和其他算法结果表明:所构建的模型可以有效提高水文预报的精度。

水库管理实时控制方法的有效性研究

本研究采用了模型预测控制(MPC)方法,利用预测模型提供的系统当前状态、未来流入轨迹来描述受控子系统内部动力学运行模式,从而确定最佳预测范围内的控制序列。MPC方法减少了计算量,并能够利用降水或蒸发量来准确预测入流,能有效地对快速变化的水文系统进行管理。在本研究中,采用数据驱动降雨径流模型来描述水库集水区,该模型充分利用了实时水文气象信息,从而提高了入流预测的准确性。将其与非线性最大功率控制方案结合,根据不同的运行目标优化拦河坝运行,结果表明所提出的控制方法具有有效性,优于目前使用的操作模式。