[发明专利]水库日入水量预测方法

说明书

本发明公开了水库日入水量预测方法，主要解决目前水库日入库量预测模型结构复杂，预测准确度不高的问题。本发明首先通过对数变换降低原始数据的波动性，然后经过LSTM神经网络学习处理后的水库入库量数据变化特征，最后实现水库日入库量的预测。采用LSTM神经网络的方法只需要历史数据的信息就可以充分模拟水文系统的输入输出关系，不需要深入了解系统的基本物理过程。该方法利用了LSTM时间序列分析的优势，LSTM中的输入门，输出门和忘记门使得它可以学习短期和长期时间跨度的时间序列，在水库日入库量序列预测中可以得到更准确的预测结果。

技术领域

本发明涉及水文预报技术，具体是一种基于对数变换和LSTM神经网络的水库日入水量预测方法，方法主要用于对水库的每日流入量进行预测以指导水库的管理操作，减少不必要的水资源的释放，可用于水库的干旱管理、洪水的控制、灌溉用水、水利发电、工业生活用水等方面。

背景技术

水库是水资源管理的重要组成部分，有效的水库操作可以减少水的释放。水库的流入量预测对水库的管理操作是至关重要的，流量预测可用于水库的防汛、抗旱、发电、生活用水及改善生态环境等方面，确定合适的模型对未来水库流入量进行预测对于水资源规划是十分重要的。

为了实现水库入库量精确的预测各种预测模型被提出，提出的模型主要分为两大类一种是基于物理的模型，一种是基于数据驱动的模型。

基于物理的模型采用模拟水文过程的数学函数，并且通常涉及在尺度上具有高空间变异性的复杂非线性过程，基于物理模型的数据源可能非常复杂且有限，需要手工校准大量数据实时困难。数据驱动的模型有能力充分模拟水文系统的输入输出关系，而不需要深入了解系统的基本物理过程，数据驱动的方法可直接映射输入变量和输出变量之间的关系来预测流入，因此很多水文研究者就把注意力放在了数据驱动模型方面。

近几年尝试是采用复杂的神经网络方法实现流域模型。这种方法的优势是一个具有足够隐藏层的神经网络能够近似任何连续函数达到任意程度的准确性。例如“基于多尺度特征提取的混合模型预测方法”，该方法采用集合经验模态分解对原始水库数据进行分解，然后合并成三项趋势，周期和随机项，再用基于深度置信网络和神经网络的深度神经网络模型分别对每一项进行预测，虽然该方法在水库日入库量预测方面存在一定的优势但是模型结构较复杂，需要设计三个深度神经网络模型，而且没有考虑利用未来预测和前期入库量的关系和水库日入库量在雨季的波动性，导致模型在洪峰处的预测误差较大。

发明内容

针对现有技术的缺陷或不足，本发明的目的在于提供一种水库日入量预测模型的构建方法。

本发明首先提供了一种水库日入水量预测模型的构建方法。本发明所提供的水库日入水量预测模型构建方法包括：

步骤1，构建训练集，所构建的训练集包含Q个样本，

其中样本x_q＝{x_q1,x_q2,…,x_qu,…，x_qU，x_q(U+1)}表示训练集中的第q个样本，

q＝1,2,3,…,Q，Q为大于等于1的正整数，u＝1,2,3,……,U，U为大于等于1 的正整数，x_qu＝lnx(t),x(t)∈X，X是待预测水库历史日入库量数据序列，x(t) 是待预测水库t日的入水量，U为待预测水库历史日入库量数据序列X的嵌入维数；

步骤2，构建初始LSTM网络模型，所构建的初始LSTM网络模型的输入节点数为U，输出节点数为1；

步骤3：用归一化后的训练集对初始LSTM网络模型进行训练，得到水库日入量预测模型，样本x_q中前U个数据是LSTM网络模型的输入数据，最后一个数据是输入数据对应的目标输出。

本发明提供的一种水库日入量预测方法包括：