摘要：【目的】针对人工调控主导的水库型水源地水位变化规律复杂、传统预测方法精度不足的难题，本文旨在构建并验证一种物理信息融合的多模块机器学习耦合预测框架，以实现对此类水库水位的合理且兼具高时效性的预测，为水库的精细化调度提供决策支持。【方法】本文将该预测框架应用于JZ水库，对水库内运行机理不同的调控单元进行定制化建模；（1）对引水闸门流量预测采用双层级联模式，基于先知模型（Prophet）的闸门开度时序预测与基于极端梯度提升（XGBoost）的流量系数（Cd）动态估计，通过闸门流量计算公式获得预测结果：（2）对取水泵流量预测采用二阶段策略，利用随机森林（RF）和XGBoost分离了泵启停状态预测与流量大小预测：（3）对具有强周期性特征的输水泵流量，直接采用轻量级梯度提升机（LightGBM）模型进行流量预测。最终，各模块预测结果在水量平衡方程的物理约束下进行耦合，计算未来24 h水位变化。【结果】将本文提出的预测框架与传统机理模型在测试集上的预测结果进行对比分析，结果表明；本方法各指标表现均优于传统机理模型，纳什效率系数（NSE）由0.03显著提升至0.56，平均绝对误差（MAE）由0.20 m减小为0.19 m，平均绝对百分比误差（MAPE）由9.03%减小为8.06%，同时本方法计算效率较传统模型显著提升。【结论】本文提出的多模块耦合预测框架，通过将复杂系统拆解并深度融合数据驱动与物理机理后再进行耦合预测，为解决人工调控主导型水库水位预测问题提供了兼具精度与效率的参考方法，为水源地智能化管理提供新思路和技术支持。

关键词：水位预测；多模块耦合预测框架；水源水库；双层级联模式；二阶段策略；物理信息融合

基金资助：国家重点研发计划（2021YFC3201303）：上海市科委“科技创新行动计划”（23DZ1203002）

下载

查看