融合相空间重构和深度学习的径流模拟预测

发展对数据依赖程度低、快捷实用和精准的模拟预报技术,可为资料缺乏地区径流模拟预测提供有效的解决办法。从数据驱动的角度,提出一种融合相空间重构(PSR)和长短期记忆神经网络(LSTM)的径流预测复合模型PSR-LSTM,在国内外不同气候分区的10个流域(站点)进行验证。结果表明：PSR-LSTM能够提取水文变量的多维子空间特征,并较好预测不同时间尺度的径流变化过程;相较于LSTM,PSR-LSTM预测未来1、3、5、7、9时间步长的纳什效率系数在10个流域平均提高1.49%～9.77%,均方根误差平均降低17.01%～19.72%,对训练数据量的依赖程度相比LSTM降低25%～33%。研究成果可为广大资料短缺流域水文过程模拟和预测提供参考。     

改进量子粒子群算法在水电站群优化调度中的应用

针对量子粒子群算法求解水电站群优化调度问题存在的早熟收敛、寻优能力欠佳等缺陷,从种群初始化、进化和变异等方面提出了改进量子粒子群算法。该方法引入混沌搜索增强初始种群质量;通过加权更新种群最优位置中心改善种群进化模式并提升收敛速度;利用邻域变异搜索增加种群多样性避免早熟收敛。同时依据问题特点设计了矩阵实数编码方式与复杂约束处理方法。乌江梯级综合对比分析表明所提方法能切实保证快速获得高质量优化调度结果,有效提高梯级水能利用率,如长序列模拟调度较逐步优化算法分别减少8.9%的弃水和72.3%的耗时,是一种适用于大规模水电站群优化调度的高效实用方法。