摘要：【目的】 该研究欲探究使用神经网络模型替代湖泊水库非线性水文水质过程机理模型的可行性,实现快速计算在咸潮入侵期间不同取水条件下的输水水质。 【方法】 该研究提出了一种基于联合建模的氯化物输水浓度预测方法。 该方法使用周期趋势分解算法(STL)分解提取取水浓度波动特征,基于高斯噪声进行数据增强以构建合成样本,并生成模拟工况方案,交由MIKE 21 机理模型计算,最终将计算结果用于训练长短期记忆(LSTM)神经网络模型。 【结果】 该研究将该方法施用于陈行水库,结果如下:(1)探究不同参数下STL 分解的时序特征提取效果,发现选择周期参数(n_p)= 12 使STL 分解的效果较好;(2)对比不同隐藏层神经元个数与预测步长下LSTM 模型的预测效果,发现预测效果随神经元个数增加先升后降,随预测步长增加持续下降,选取神经元个数为128 与预测步长为24 h 的总体效果较好;(3)对比不同结构神经网络的预测能力,发现LSTM 在预测集预测效果最佳[均方根误差(RMSE)=0.13 mg/L,平均相对误差(MRE)= 0.04,纳什效率系数(NSE)= 0.96];(4)使用实际实测数据与预报数据验证LSTM 模型,发现其对预测氯化物输水浓度具备较高精度(RMSE=0.29 mg/L,MRE=0.09,NSE=0.58),且所需算力与时间远低于MIKE 21 机理模型。 【结论】 该研究提出的湖泊水库氯化物输水浓度预测方法经验证同时具备较高计算精度与速度,能够替代机理模型为水库管理者应对咸潮入侵提供快速决策支持。

关键词：咸潮，长短期记忆(LSTM)，周期趋势分解算法(STL)，数据增强，MIKE，21

基金资助：上海城投水务(集团)有限公司科研项目:基于在线数据联动的陈行水源地水质预报及应对措施研究(KYYS220001);上海市级科技重大专项:人工智能基础理论与关键核心技术(2021SHZDZX0100)

下载

查看