基于输入因子影响分析的LSTM梯级泵站站前水位实时预测模型

摘要

相比于传统的渠道水动力学方程求解站前水位，机器学习模型因其响应快、稳态误差小等特点，被广泛应用于渠道水位预测。然而，输入数据庞杂、时序预测困难等原因直接限制和影响了预测精度，如何准确评价输入数据对预测结果的影响，是水位预测模型应用亟待解决的难题之一。以南水北调东线两湖段典型工程为研究对象，提出一种测试输入数据对预测结果影响分析的框架，构建基于长短时记忆网络（long short-term memory, LSTM）模型的泵站站前水位实时预测模型，通过对各输入因子的敏感性分析，实现预测模型数据输入集的优化，并基于该数据组合对不同预见期下的邓楼泵站站前水位进行预测分析。结果表明：以长沟站前水位、长沟泵站流量、邓楼站前水位指标作为输入参数的组合最优，平均绝对误差（mean absolute error, EMA）、均方误差（mean squared error, EMS）、均方根误差（root mean square error, ERMS）和平均绝对百分比误差（mean absolute percentage error, EMAP）4项指标均小于0.05，相关系数（r）和决定系数（R2）均大于0.95，剔除突变数据后最大水位误差不超过0.02 m。

关键词

LSTM神经网络 / 站前水位 / 水位预测 / 敏感性分析 / 时间序列