入库径流过程预报误差多维随机模拟模型

包含多个预见期的入库径流过程预报误差的随机模拟随着维度增加而难度增大。为了更加精确快速地分析和得到入库径流过程预报误差的变化规律,本文利用变分自编码器(VAE)方法耦合神经网络和低维隐变量的模拟生成复杂高维数据的特性,建立了基于VAE的入库径流过程预报误差随机模拟模型。以锦屏一级水电站的入库径流过程预报误差模拟为例,将以上模型与改进的Gibbs方法的模拟效果进行对比。结果表明,本文模型所得误差序列的均值、标准差、峰度系数等特征统计量更贴近于实际误差序列,且程序运行时间相比改进的Gibbs方法减少了69%~94%,为考虑入库径流预报不确定性的水电站水库调度提供了更为丰富的参考信息。