摘要：为了有效预测河流水质变化趋势,充分利用水质序列的时序性与多元相关性信息,构建基于灰色关联-长短时记忆网络(Grey Relational Anlysis-Long and Short-Term Memory Network,GRA-LSTM)水质预测模型,以改善水环境质量。选择长江南京段河流型水源地进行实例研究,结果显示:当滑动时间窗口(d)为2,最大训练次数(MaxEpochs)为220,隐含层神经元个数(numHiddenUnits)分别为80与100时,总磷与溶解氧预测效果最佳。将长短时记忆网络(Long and Short-Term Memory Network,LSTM)预测结果与误差反向传播神经网络(Back Propagation,BP)、极限学习机(Extreme Learning Machine,ELM)、支持向量机(Support Vector Machine,SVM)模型预测结果进行对比分析,显示LSTM网络在水质预测研究中具备较强的适用性。运用灰色关联分析选择多元特征输入变量,实现了关键水质指标影响因子重要性定量化排序与冗余信息的消除,相较于单一特征输入的LSTM网络,GRA-LSTM网络能够进一步降低模型预测误差,其中总磷与溶解氧质量浓度预测均方根误差分别降低了11.6%与12.4%。

摘要：为量化梯级水电站水库调度过程中的风险形势,提出了预报信息驱动的梯级水电站水库风险调度模型。基于长短期记忆(LSTM)神经网络建立风险形势预测模型,通过构造预报入库径流、水库运行工况、调度决策与出力破坏程度和弃水量之间的映射关系,动态推演复杂工况下梯级水电站水库调度风险;建立基于风险形势的梯级水电站水库调度模型,提出发电不足风险预控模式和弃水风险预控模式。选取雅砻江流域下游锦屏一级和二滩水库组成的梯级水电站水库作为实例研究,结果表明:与常规发电量最大模型相比,风险调度模型通过提前降低出力来补偿未来出力破坏时段的发电量,锦屏一级和二滩水电站分别减小出力破坏程度46%、63%,通过提前增加发电流量预留库容来缓解蓄水期后续时段的弃水量,锦屏一级和二滩水电站分别降低弃水流量4.8%、5.4%;风险形势预测模型能够将径流不确定性嵌入风险调度模型中,通过风险预控决策动态响应水电站水库调度运行状态和径流形势变化,在保证梯级发电量的同时有效降低调度风险。

摘要：信息技术的应用是提高水利工程移民信息化水平的重要手段,针对现有移民信息管理系统灵活性和通用性低的问题,分析了微软Power BI系列软件实现移民信息管理的可行性。以山东省老岚水库移民项目为例,使用该软件依次快捷完成移民信息的收集、整理和分析工作,并设计出交互式可视化界面,从多个维度展示和查询各类移民信息以及实现移民数据的多端实时共享。研究表明:运用Power BI系列软件虽然在结合地理信息方面仍存在不足,但能够以较低的使用难度和投入成本完成移民信息管理及可视化工作,提高工作效率。验证了其在移民信息管理方面的实用性和适用性,具备一定的推广价值。