基于EMD-LSTM模型的河流水量水位预测

发布时间：2021-10-27 07:35

　　基于经验模式分解方法和长短期记忆网络（empirical model decomposition and long short-term memory network, EMD-LSTM）模型对水位数据进行预测。先采用中值滤波对数据序列进行预处理,然后对数据序列进行EMD分解,并对EMD分解的每个特征序列使用LSTM模型进行预测,最后叠加各个序列预测值,得到最终的预测结果。以南水北调工程某河流每隔1 h的瞬时流量、流速和水深监测数据为研究对象,采用EMD-LSTM模型进行建模,试验结果表明,该模型能够实现水位、水速和瞬时流量连续12 h和6 h的准确预测,且比LSTM模型具有更高的预测精度,可为水位预判和水资源的实时调度提供决策依据。 

【文章来源】：水利水电科技进展. 2020,40(06)北大核心CSCD

【文章页数】：8 页

【部分图文】：

LSTM细胞单元结构

以南水北调工程某河流2017年11月3日到2018年6月30日每隔1 h的中水文数据为试验对象,所记录的水文数据包括水深、流速和瞬时流量,共有5 727条记录,水深、流速和瞬时流量的时间序列曲线见图2。2.2 数据预处理和EMD分解

预测窗口长度为12 h的LSTM模型对瞬时流量的EMD分量预测结果

【参考文献】：
期刊论文
[1]基于长短时记忆神经网络的鄱阳湖水位预测[J]. 郭燕,赖锡军.  湖泊科学. 2020(03)
[2]秦淮河流域东山站水位预报研究[J]. 张轩,张行南,江唯佳,闻余华,聂青,徐荣嵘.  水资源保护. 2020(02)
[3]基于多变量LSTM神经网络的地下水水位预测[J]. 闫佰忠,孙剑,王昕洲,韩娜,刘博.  吉林大学学报(地球科学版). 2020(01)
[4]基于ARIMA和EEMD的东江流域季节降水预报研究[J]. 李宁,刘瑜,王大刚.  人民珠江. 2019(03)
[5]基于LSTM神经网络的水电站短期水位预测方法[J]. 刘亚新,樊启祥,尚毅梓,樊启萌,刘志武.  水利水电科技进展. 2019(02)
[6]基于主成分-时间序列模型的地下水位预测[J]. 张展羽,梁振华,冯宝平,黄继文,吴东.  水科学进展. 2017(03)
[7]基于EMD分解的AR模型在年径流预测中的应用[J]. 陈旭,赵雪花.  水电能源科学. 2014(07)
[8]基于遗传算法优化的小波神经网络在地下水位预测中的应用[J]. 徐强,束龙仓,杨桂莲,刘晋,杨丹.  水文. 2010(01)

硕士论文
[1]基于LSTM模型的九龙江流域径流序列预测研究[D]. 冯锐.长安大学 2019



本文编号：3461154