利用长短期记忆网络进行水库最优调度
机器学习
2021-09-10 v1
摘要
对水库入流的可靠预报是水库最优调度的关键因素。基于入流预报的水库实时调度能带来显著的经济效益。然而，入流预报是一项复杂的任务，因为必须纳入气候与水文变化的影响。因此，本研究的主要目标是开发一种基于长短期记忆（LSTM）的入流预报新方法。实时入流预报，即水库的日入流预报，有助于水资源的高效调度。同时，可以高效监测泄流量的日变化，从而提高调度的可靠性。本研究提出了一种基于 LSTM 的朴素异常检测算法基线。换言之，它为任何基于深度学习的预测模型提供了一个用于洪水与干旱预报的强基线。使用来自印度 Bhakra 大坝过去 20 年的观测日数据验证了该方法的实用性。本文的模拟结果清楚地表明，LSTM 方法优于传统的预报方法。尽管实验是在印度 Bhakra 大坝水库的数据上运行的，但 LSTM 模型与异常检测算法是通用的，只需极少改动即可应用于任何流域。本文提出的 LSTM 方法的一个显著实用优势是，它能够充分模拟历史数据中的非平稳性与非线性。
引用
@article{arxiv.2109.04255,
title = {Optimal Reservoir Operations using Long Short-Term Memory Network},
author = {Asha Devi Singh and Anurag Singh},
journal= {arXiv preprint arXiv:2109.04255},
year = {2021}
}