基于权重修正和DRSN-LSTM模型的向家坝下游水位多时间尺度预测

为从大量水位影响因子中提取重要特征实现水位的高效、精准预测，提出改进的深度残差收缩网络与长短时记忆网络的混合模型用于多时间尺度水位预测。选取水位、流量、电站出力等数据拟合为高维特征输入的形式便于网络提取水位变化的动态特征。利用新的半软阈值函数消除深度残差收缩网络的恒定偏差并降低水文数据中的噪声干扰。根据预测误差，采用新构建的误差权重修正函数配合交叉熵函数对水位影响因子进行权重修正。阿基米德优化算法被用于调整长短时记忆网络的参数。将新模型应用于向家坝水电站下游水位的多时间尺度预测，结果表明，该方法的预测精度比现有CNN-LSTM、SVR等模型分别提高47%、61%,预测效率分别提高57%、20%,其短期、中期和长期的最大预测误差为0.09 m、0.14 m、0.31 m,证明模型在多时间尺度的水位预测中取得良好的精度和效率。此外，考虑支流流量后的预测误差最高可降低0.03m,证明模型对回水顶托等复杂水文的适应性，研究成果为洪水预测和城市雨洪预警提供新思路。