基于时间序列分解的回水区水库可持续运行与洪水风险管理预测模型

《Sustainability》:Time Series Decomposition-Based Prediction Model for Sustainable Reservoir Operation and Flood Risk Management in Backwater Reaches

【字体: 大 中 小 】 时间:2026年07月08日 来源:Sustainability 4.1

编辑推荐:

  大型水库回水区水位预测是水库运行调度与防洪控制中的关键步骤,直接影响水—能源—生态系统平衡的可持续性。该问题极具挑战性,原因在于水库水动力机制任意复杂且影响因素众多。本文提出了一种基于时间序列分解的特征提取方法,通过一种新型神经网络架构从数据样本中提取特征。为

  
大型水库回水区水位预测是水库运行调度与防洪控制中的关键步骤,直接影响水—能源—生态系统平衡的可持续性。该问题极具挑战性,原因在于水库水动力机制任意复杂且影响因素众多。本文提出了一种基于时间序列分解的特征提取方法,通过一种新型神经网络架构从数据样本中提取特征。为准确量化大型水库的复杂水力条件,研究人员研究了一种神经网络基函数展开(Neural Basis Expansion)方法,以融合外生变量(如水库调蓄、上游汇流及水流传播时间等)。与传统基于长短期记忆网络(Long Short-Term Memory, LSTM)的方法不同,该方法无需依赖循环架构,能够利用前向与后向残差链接(Dual Residual Links)作为主干,确保模型训练过程中信息的有效性与结构性分布。研究人员在三峡水库实测数据上开展了大量实验以评估所提方法的性能。结果表明,该方法在所有评估指标上均达到了最先进(State-of-the-Art)的性能水平,可为大型水库的精细化与可持续运行提供可靠的技术支撑。
本文围绕大型水库回水区水位预测这一关键科学问题展开研究。研究背景方面,三峡工程作为中国重要的水利枢纽,承担着防洪、水资源开发等综合功能,其安全高效稳定运行对国家水安全和经济发展具有不可替代的意义。水库运行过程中,水位是防洪调度、发电调节及航运安全保障的核心控制参数,其准确预测与科学调控是实现各项调度目标的必要前提。在研究与应用的初期阶段,水库水位预测主要依赖操作人员实践经验建立的线性数学关系、数学曲线拟合及相关技术指南,但该方法存在误差累积的缺陷,时间间隔越长,误差累积效应越明显,预测参考价值逐渐丧失;对于三峡水库这样的超大水库,即使微小的预测误差也会导致水量计算的巨大偏差。

目前,水动力方法是水位预测的主要途径。该方法基于圣维南方程组(Saint-Venant Equations)的严格理论框架,对输入边界条件的精度要求极高,边界条件明确时可获得较高计算精度,边界条件模糊时则可能出现显著计算偏差。在大型水库防洪调度中,干流及主要支流来水通常可以可靠预测,但区间入流基于流域降雨特征估算,其空间分布难以准确预测,成为最难以精确量化的边界条件,限制了水动力方法满足特定站点水位计算实时精度需求的能力。此外,许多相关研究成果仅在中、小型水库得到验证,缺乏大型水库预测性能的实证支撑。由于三峡水库蓄水量大、回水长度长,其水力特性更为复杂,削峰过程中出流变化会对坝前水位产生跌水及回水影响,导致上游水位变化规律极其复杂、难以精准模拟。

与水动力模型不同,数据驱动方法中的时间序列预测方法可从历史序列数据中提取水库水位内部变化模式,动态优化模型超参数,从而适应水文气象条件及水库工程系统运行状态的变化,显著提高水位预测的精度与实时性。研究人员指出,机器学习方法相较于水动力模型具有减少输入数据需求、缩短计算延迟等明显优势。尽管基于LSTM的方法能够处理梯度消失问题,但仍主要采用两类改进策略:基于注意力机制的方法和并行化改进。研究人员聚焦于基于注意力机制的方法,该类方法通常以注意力机制训练基础模型,且注意力机制通过为预测提供透明解释来增强模型的可解释性。

研究人员分析了现有方法的主要局限性,包括:循环架构方法中学习历史信息时的梯度消失问题;在模型学习过程中同时保留水文数据样本的结构分布与关键信息;将注意力机制的思想拓展至更广泛的架构(如全连接神经网络),以解释外生变量的独立贡献。为应对水动力与数据驱动学习方法现存的上述局限性,研究人员提出了三项改进措施:第一,引入一种基于神经网络基函数展开的新型时间序列预测架构用于水位预测,以提升泛化性能并解决梯度消失问题;第二,将神经网络提供的非线性变换能力与多季节建模的灵活性相结合,同时考虑降雨等变量的交互事件,该架构可将预测分解为经典的水平分量、趋势分量和季节分量,并可确定外生变量的影响;第三,使时间序列预测方法能够拟合更多外生变量,因为新方法所用的信息来自外生变量而非LSTM模型自身的每次迭代。

该新框架简称为双残差全连接网络(Fully Connected network-based Dual Residual Links, DRFC),以神经网络基函数展开(Neural Basis Expansion, NBE)作为基础子结构,外生变量的随机性进一步减少了边缘过拟合,最终模型缩写为DRFC-NBE。该方法具有以下特点:仅使用全连接网络优化时间序列预测的新型骨干架构;首次将外生变量融入非循环架构,确保神经网络基函数展开后信息具有有效且合理的结构性分布;将时间序列预测方法的思想通过时间序列信号分解方法及新型残差链接技术拓展至更广泛领域。

在技术方法方面,研究以三峡水库蓄水以来的回水敏感区——长寿水文站为研究对象,选取2015年1月1日至2025年12月31日的历史运行数据,共计95,872个逐时数据点,其中2015至2024年数据用于模型训练与验证,2025年数据用于模型测试。根据坝前水位和入库流量两个变量将数据分为7类,训练集与验证集按90%与10%随机拆分。模型输入采用"当前时刻+6小时延迟"的双时间步样本组织模式,整合多源外生变量,包括三峡水库总入库流量、寸滩水文站流量、武隆水文站流量、水库出库流量及坝前水位,并加入寸滩—三峡区间降雨数据以表征区间平均降雨。模型架构上,DRFC-NBE采用并行堆叠结构处理趋势、季节和外生分量,每个堆栈由多个全连接块组成,包含双残差链接进行信号分解;每个模块通过完全连接层学习回溯(Backcast)与预测(Forecast)分量的展开系数,回溯模型用于后续块输入数据的去噪,预测结果自适应聚合生成最终水位预测输出。模型还引入可解释性配置,将预测结果分解为趋势分量(低阶多项式函数拟合)、季节分量(傅里叶谐波基函数建模)和外生分量(关键时间依赖外生变量的线性组合),并通过时序卷积网络(Temporal Convolutional Network, TCN)结构从时间相关水文协变量中获取上下文向量。

研究结果部分,研究人员首先对比了所提DRFC-NBE与历史平均法(Historical Average, HA)、全连接网络(Fully Connected Network, FCN)、卷积神经网络(Convolutional Neural Network, CNN)、长短期记忆网络、空间注意力LSTM(Spatial Attention LSTM, SA-LSTM)、时间注意力LSTM(Temporal Attention LSTM, TA-LSTM)等基线方法的性能。结果表明,在低、中预测时间步上,几乎所有评估指标均优于高预测时间步,高预测时间步对模型更具挑战性。DRFC-NBE在两项指标上均获得最优排名,在18项评估指标中14项取得最高分。所提方法的平均均方根误差(Root Mean Square Error, RMSE)为38.17,比排名第二的PatchTST低3.31。在VII类(大流量条件)所有评估指标上,该方法甚至实现了100%最优结果,体现了复杂水文数据变化条件下预测性能的稳健性。LSTM系列方法取得了可接受的结果,但缺乏显著优势;TA-LSTM在所有评估指标上排名第二;PatchTST在多项指标上表现良好但标准差明显较高,稳定性不足。在缺失值掩蔽实验和噪声污染实验中,当外生变量输入按5%、10%、15%和20%的比例随机掩蔽,并对流量变量施加20%的随机偏移噪声时,LSTM系列和PatchTST的绝对平均误差(Mean Absolute Error, MAE)随缺失率增加而快速上升,Transformer的阻塞机制对不完整时间序列尤为敏感;而DRFC-NBE的分解结构将趋势、季节和外生分量分离,避免了缺失数据和噪声对所有分量的交叉污染,具有自然过滤特性,在20%数据缺失和干扰条件下,MAE仅增加14.7%,显著优于TA-LSTM的22.1%和PatchTST的26.3%。

Giacomini–White检验在三组MAE数据上开展,构建了比较模型间MAE差异的检验矩阵。结果显示,模型预测性能呈现明显的三层层级分布,所提方法是唯一在检验矩阵整列方向呈现深绿色的模型。与HA模型(第三层最差模型)相比平均误差超过60,与TA-LSTM模型(第二层代表)相比平均误差约15,证明该方法预测性能的提升具有统计显著性和工程应用价值,且不同预报时段的MAE差异无明显衰减趋势,在短期和长期预报中均能比次优模型保持更稳定的性能,表现出更强的泛化能力。

在不同类别数量对比实验中,在相同模型架构和实验设置下,研究人员比较了五类和九类划分方案。五类方案将水位区间差异较大的数据合并,削弱了类别内水力条件的异质性,导致模型预测精度下降,尤其是高预测时间步,全时段MAE平均增加2.8%、预报合格率(Forecast Qualification Rate, QR)平均降低3.2%;九类方案在短预报步长(t+1~t+3)因数据同质性提高而略有优化,MAE较七类方案低1.7%,但随预报步长延长,高水阶段训练样本不足6000个,模型出现过拟合迹象,长步长泛化能力下降。大流量条件区间(原VII类)在三种分类方案中未发生变化,性能差异在0.3%以内,验证了所提模型的稳健性。

在输入步长优化实验中,研究人员设置了3h、6h、9h和12h四种输入时间步长。6h步长为均衡最优解,在七类中五类为严格最优解;9h步长在I类有1%~1.5%的微弱优势。I类中,长寿河段位于回水尾部,水面比降接近天然河道,水流面积小、流速慢;VII类中3h步长有2%~4%的微弱优势,大流量条件下实际洪水波传播时间缩短至3h,时间步长错位将导致峰谷完全相位失配。在长预报期内,库区整体调蓄功能起主导作用,初始输入步长相位偏差占总误差的比例大幅降低。

消融实验包括基于不同数据输入和不同模型架构两类策略。数据输入消融表明,寸滩站洪峰流量对长寿站水位影响最直接显著,缺少寸滩流量数据时t+1步长MAE达32.62,高于TA-LSTM模型;三峡水库入库流量决定库区整体回水顶托水平,对长寿站水位的影响仅次于寸滩流量;出库流量影响具有明显滞后性和间接性,在蓄水期(9—10月)权重增加。模型架构消融表明,去除回溯预测残差连接和部分前向预测连接后,预测精度显著降低,双残差堆叠结构显著优于所有替代架构,在预定固定的数学分解空间下以结构化方式重新分配预测误差方差,使外生变量对误差的贡献突出。

在主要超参数消融实验中,对多项式阶数、傅里叶基、堆栈数、块数及TCN卷积核大小五种主要超参数进行了测试。当各超参数在合理范围内调整时,MAE最大绝对偏差小于1.6,RMSE最大绝对偏差小于1.2,相对性能偏差在多数配置中小于2%,预测精度优势不依赖于特定超参数。

在可解释时间序列信号分解方面,研究将最终预测结果清晰分解为三个可独立解释的结构分量:趋势分量由低阶多项式函数拟合,代表数据序列的长期缓慢变化与单调演化;季节分量通过傅里叶谐波基函数建模,捕捉周期性波动;外生分量通过关键时间依赖外生变量的线性组合,量化外部影响对水位预测的贡献程度。在枯季低流量、回水效应显著场景下,趋势分量主导水位变化,外生分量贡献较少;对应洪季洪水过程,外生变量贡献显著增加,趋势分量呈现洪水过程线特征。趋势分量与其他分量的相对差距约一个数量级,季节和外生分量的贡献比可感知。外生变量贡献权重完全符合三峡水库"汛期以流量为主导、枯期以回水顶托为主导"的基本特征。

在计算效率和模型推理速度方面,统计了各模型的可训练参数量、单样本CPU/GPU推理延迟及批量(256样本)GPU推理延迟。LSTM系列模型因串行迭代开销,推理延迟为该模型的4~6倍;PatchTST因自注意力计算复杂度高,参数量和时延均为所有模型最高。DRFC-NBE采用非递归全连接双残差堆叠结构,无循环迭代和注意力模块,参数量远低于LSTM系列和PatchTST。时间复杂度上,DRFC-NBE所有计算均为全连接矩阵乘法及残差加减,无串行依赖,完全可并行化,整体线性复杂度极低,实际推理速度接近轻量化FCN。空间复杂度上,循环架构LSTM需为每个时间步存储隐藏状态,激活开销线性增加;SA-LSTM和TA-LSTM在循环网络基础上增加注意力矩阵存储,导致内存随序列长度的二次方扩展;PatchTST通过分块策略压缩序列长度,有效降低注意力显存。

研究与讨论部分的总结如下:该研究提出了面向大型水库回水区水位预测的时间序列分解框架,并在三峡水库开展了大量实验。主要发现包括:所提方法在准确水位预测方面表现良好,带双残差链接的堆叠全连接网络架构优于其他主流基于LSTM的架构;研究提出了一种基于非递归结构的外生变量神经网络基函数展开方法,能够有效融合水库调蓄、上游汇流和水流传播时间等外生变量并兼顾其对模型学习过程的影响;研究表明不依赖流行但复杂的循环架构,通过精心设计的全连接网络在时间序列预测中也能获得更优性能。

研究结论翻译如下:本研究提出了一种面向大型水库回水区水位预测的时间序列分解框架,并在三峡水库开展了大量实验。主要发现如下:(1)所提方法在准确水位预测方面表现良好,带双残差链接的堆叠全连接网络架构较其他主流基于LSTM的架构展现出更优性能。(2)本研究提出了一种基于非递归结构的外生变量神经网络基函数展开方法,能够有效融合水库调蓄、上游汇流和水流传播时间等外生变量,并兼顾其对模型学习过程的影响。(3)该研究不依赖流行但复杂的循环架构,表明通过精心设计的全连接网络在时间序列预测中也能获得更好的性能。未来研究中,时间序列分解可实现外生变量的精准学习与融合,仍存在诸多可能的改进方向。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号