基于Embedding-GRU的水库水位预测模型

作者：杨婷婷; 虞佳颖^*; 肖姚; 罗小亮

来源：南水北调与水利科技（中英文）, 2023, 21(05): 940-950.

DOI：10.13476/j.cnki.nsbdqk.2023.0100

• 人工智能
• 深度学习
• 水位预测
• 嵌入式
• 门控循环单元

为解决因水库数据采集设备能力有限、水文数据不全导致预测水库水位时预测精度较低的问题，以四岭水库每小时水位监测数据为例，提出基于嵌入式-门控循环单元(Embedding-gated recurrent unit,Embedding-GRU)的水库水位预测模型，即利用Embedding方法将单维降雨量数据升维至多维数据，扩大降雨的气候特征，结合GRU算法进行水库水位预测。将该模型与传统深度学习算法长短期记忆(long short-term memory,LSTM)、门控循环单元(gated recurrent unit,GRU)、双向门控循环单元(bidirectional recurrent neural network,BiGRU)这3种模型对比，结果显示：Embedding-GRU模型的预测效果均优于其他传统模型，平均绝对误差EMA和均方根误差ERMS分别平均下降19.6%和7.7%，并且在预测次日水库水位的应用场景中决定系数R2能够达到0.989 37。结果表明：该模型耦合多种算法，扩大单变量的气候特征，具有较高预测精度和泛化能力。相较传统模型，基于Embedding-GRU的水库水位预测模型能够对缺少温度、气压、风速、蒸发量等监测数据的水库进行可靠度较高的预测，适用水库范围更广，为水库日常运维、除险加固提供参考。

• 出版日期2023
• 单位重庆大学; 浙江同济科技职业学院; 航天学院