基于LSTM神经网络的复杂工况下明渠流量预测 |
| |
引用本文: | 郭世圆,马为之,卢瑞麟,刘晋龙,杨志刚,王忠静,张敏.基于LSTM神经网络的复杂工况下明渠流量预测[J].清华大学学报(自然科学版),2023(12):1924-1934. |
| |
作者姓名: | 郭世圆 马为之 卢瑞麟 刘晋龙 杨志刚 王忠静 张敏 |
| |
作者单位: | 1. 清华大学计算机科学与技术系;2. 清华大学智能产业研究院;3. 清华大学水利水电工程系;4. 宁夏大学西北土地退化与生态恢复省部共建国家重点实验室培育基地 |
| |
摘 要: | 复杂工况条件下明渠流量预测是一项基础问题,通常是建立非线性偏微分方程组并数值计算,时间成本与时空步长精细程度成指数关系,需在精度与效率之间权衡。该文基于“实时感知、水信互联、过程跟踪、智能处理”水联网理论,研究了明渠水流控制中闸门上下游序列特征,结合了渠道与闸门各类动静态特征,提出了基于长短期记忆(long short-term memory, LSTM)神经网络的明渠流量预测方法。实验结果表明,该方法在各渠段上预测准确率均大于97%,效率在100 000条数据规模上比求解Saint-Venant方程的数值计算方法提高了308倍。该文验证了人工智能方法改进传统明渠流量预测问题的可行性,合理设计的深度学习模型可取得准确性与效率的双赢,为人工智能解决水力学问题提供了新的思路。
|
关 键 词: | 渠道流量预测 长短期记忆神经网络 智能水联网 |
|
|