基于SBGS模型与后处理误差校正的水位预测OA
为有效防范三峡—葛洲坝梯级水库调度引发的下游淹没风险,以葛洲坝下游胭脂坝站水位为研究对象,构建Squeeze-and-Excitation Block、GRU与Selfattention耦合的深度学习模型(SBGS模型),并结合自回归、高斯过程回归和随机森林3种后处理方法形成“深度学习+误差校正”的双阶段预测框架,实现了24 h预见期的水位预测,最后利用2017~2024年逐小时水位数据进行验证。结果表明:①SBGS模型平均绝对误差为0.08 m,合格率为70.1%,相较于单一GRU模型精度更高;②自回归、高斯过程回归及随机森林3种后处理方法均能提升原始模型的预测精度,随机森林后处理结果精度最高,平均绝对误差减小至0.05 m,合格率提升至81.9%;③剔除葛洲坝出库计划与实际出库流量偏差较大时段后,SBGS模型及3种后处理预测结果精度显著提升,更真实反映了模型性能。研究成果可为葛洲坝下游淹没风险防范、梯级水库优化调度提供参考。
谢志刚;赵国龙;尹瑞琪;易子军;冯铖杰;刘天成
中国长江电力股份有限公司三峡水利枢纽梯级调度通信中心,湖北宜昌443133长江水利委员会水文局长江三峡水文水资源勘测局,湖北宜昌443000长江水利委员会水文局长江三峡水文水资源勘测局,湖北宜昌443000中国长江电力股份有限公司三峡水利枢纽梯级调度通信中心,湖北宜昌443133中国长江电力股份有限公司三峡水利枢纽梯级调度通信中心,湖北宜昌443133长江水利委员会水文局长江三峡水文水资源勘测局,湖北宜昌443000
信息技术与安全科学
水位预测Squeeze-and-Excitation BlockGRUSelfattention深度学习模型后处理胭脂坝水位站三峡—葛洲坝梯级水库
《人民长江》 2026 (8)
P.72-78,88,8
中国长江电力股份有限公司项目(Z242302031)湖北省自然科学基金项目(2022CFD164)。
评论