基于PLO-Transformer-LSTM模型的径流式电站入库流量预测

摘要

为提升入库流量短期预测的精度与泛化能力以保障水电站安全运行并优化发电调度，提出一种融合Transformer与长短期记忆神经网络（long short-term memory,LSTM）优势的混合预测模型，并引入极光优化（polar lights optimization,PLO）算法对模型超参数进行智能寻优，构建PLO-Transformer-LSTM预测模型。以大渡河流域深溪沟电站为研究对象，开展1、2、3 d预见期的入库流量预报实验，并将PLO-Transformer-LSTM模型与PLOTransformer和PLO-LSTM模型进行对比分析。结果表明：在1、2、3 d预见期下，PLO-Transformer-LSTM模型的纳什效率系数(Nash-Sutcliffe efficiency,E_NS)较PLO-Transformer模型分别提升了6.0%、5.3%和5.0%，较PLOLSTM模型分别提升了7.4%、7.9%和8.5%，显示出更强的预测稳定性与泛化性；同时，去除水利工程人为调控因子后，模型预测性能显著降低，在1、2、3 d预见期中，E_NS分别降低了4.9%、6.2%、7.3%。结果验证了PLOTransformer-LSTM模型能够较有效地进行入库流量短期预报，且加入人工调控因子可有效提升预测精度。研究成果可为提高在强人类活动影响下短期入库流量的预测精度提供参考。

关键词

深度学习 / 极光优化算法 / 入库流量 / 径流式电站