基于深度学习的径流丰枯急转特征识别与模拟方法OA

针对现有方法在径流丰枯急转事件识别中依赖主观经验、效率低下,以及极端来水样本稀缺导致传统统计模拟方法精度不足的问题,提出一种基于深度学习的径流序列丰枯急转特性识别与模拟方法。首先,采用标准化流量指数(SRI)对径流序列进行标准化处理,并利用径流丰枯急转指数(RDFAI)量化相邻时段丰枯变化强度;然后,基于DBSCAN聚类算法自动识别丰枯急转径流序列;最后,构建改进的带梯度惩罚的Wasserstein生成对抗网络(WGAN-GP),在小样本条件下模拟生成符合历史丰枯演变规律的极端径流序列。以三峡水库1970~2024年6~10月入库径流为输入,将所提方法应用到三峡水库的极端来水情景识别与模拟。研究结果表明:标准化流量指数和径流丰枯急转指数能有效提炼历史径流序列的丰枯急转特征,极端来水事件的识别准确率提升至98.2%;针对三峡水库极端来水特征设计的WGAN-GP神经网络架构,可有效学习三峡水库入库径流的丰枯转变特征,生成符合真实统计分布特性的极端径流序列,有效扩展极端来水场景库。所提方法不依赖复杂概率建模和主观阈值判定,仅基于历史数据学习即可高效识别丰枯急转事件,并在小样本条件下生成统计可靠的极端来水情景,可为水库防洪抗旱调度提供有效的场景支撑。