无预报信息下基于CNN-LSTM的水库调度规则挖掘

摘要

针对无预报信息场景下调度规则提取精度不足、模型物理可解释性薄弱的问题，以黄河上游龙羊峡水库为例，提出一种基于深度学习的无预报信息调度规则挖掘方法。构建中长期优化调度模型，采用动态规划（dynamic programming,DP）求解最优水位调度轨迹，作为深度学习的训练样本；构建物理机制引导的卷积长短期记忆网络（convolutional neural network-long short term memory,CNN-LSTM），以实现对调度规则的高精度拟合。结果表明：龙羊峡水库年均发电量达66.34亿kW·h，弃水量为0.213亿m³；基于调度样本数据集行训练的模型，其出库流量拟合决定系数（R²）可达0.76；与引入预报信息的模型相比，该方法在无预报条件下的拟合精度接近完美预报情形。通过对比模型，验证了CNN-LSTM在捕捉变量之间的相关联系特征上的优势。所提方法有效提升了调度规则在无预报条件下的泛化能力与实用价值。

关键词

深度学习 / 水量平衡方程 / 水库调度规则 / 径流预报 / 多输出模型