SMA-LSTM模型在径流预报中的适用性研究

摘要：

径流预报对于防洪、发电和生态调度等具有重要意义.以大渡河丹巴以上流域为研究区域,采用黏菌优化算法(SMA)对长短期记忆神经网络(LSTM)的隐藏层输出维度进行优化,构建SMA-LSTM模型对未来10日径流过程进行预报,以探讨深度学习方法对流域径流预报的适用性.基于2012-2017年的日降雨量和日流量资料,构建了预见期为10天的逐日径流SMA-LSTM预报模型,以2018-2019年的资料进行模型验证;采用最大1日径流量相对误差和10日总径流量相对误差作为SMA-LSTM模型精度的评价指标,并与未优化的LSTM模型和新安江模型结果进行对比.结果表明:SMA-LSTM模型具有较高的模拟和预报精度,无论是在率定期还是验证期,两种指标均控制在±10％以内,且两种指标的绝对值平均都不超过7％;整体而言,SMA-LSTM模型精度更高,预报的径流过程与实测过程更为贴近.研究成果可供流域径流预报实际工作参考.

关键词：长短期记忆神经网络(LSTM)、黏菌优化算法(SMA)、径流预报

所属期刊栏目：43

分类号：TV124(水利工程基础科学)

资助基金：国家自然科学基金;国能大渡河流域水电开发有限公司科技项目

在线出版日期：2023-03-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：47-51,56