基于LSTM神经网络的复杂工况下明渠流量预测

• 全文链接
• 请求原文

作   者：

郭世圆;  马为之;  卢瑞麟;  刘晋龙;  杨志刚;  王忠静;  张敏; 

作者机构：

清华大学计算机科学与技术系;  清华大学水利水电工程系;  清华大学智能产业研究院; 

关键词：

长短期记忆神经网络;  渠道流量预测;  智能水联网; 

期刊名称：

清华大学学报(自然科学版)

i s s n：

年卷期：

2023 年 012 期

页   码：

1924-1934

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。