处理机调度算法模拟程序设计_采用人工神经网络、支持向量回归、深度学习算法建模和模拟水库调度...

学术简报

题目:

Modeling and simulating of reservoir operation using the artificial neural

network, support vector regression, deep learning algorith

作者:

Di Zhang ^a , Junqiang Lin ^a,⁎, Qidong Peng ^a ,Dongsheng Wang ^b , Tiantian Yang ^c ,Soroosh Sorooshian ^c , XuefeiLiu ^a , Jiangbo Zhuang ^a

^a State Key Laboratory of Simulation and Regulation of Water Cycle in River Basin,China Institute of Water Resources and Hydropower Research, Beijing, China

^b China Renewable Energy Engineering Institute, Beijing, China

^cDepartment of Civil and Environmental Engineering, Center for Hydrometeorology and Remote Sensing [CHRS], University of California-Irvine, Irvine, CA, USA

期刊/日期:Journal of Hydrology/2018

文案：聂盼盼排版：聂盼盼校核：潘仁伟

Part.1

研究背景

近年来，人工智能模型在水库调度优化领域的研究发展迅速，但仍存在许多不足之处。首先，目前人工智能模型的研究主要集中在一个具体的案例问题(通常是单一的时间尺度或流态)上，缺乏对复杂操作场景(多尺度、多流态)模型的模拟效果的系统对比。其次，深度学习模型作为一种流行的人工智能模型，对时间序列问题有较强的解决能力，但该模型能否有效、准确地解决水库调度问题尚不清楚。第三，参数设置是人工智能建模的关键技术。然而，对不同模型参数的研究和综合比较研究却很少报道。

Part.2

研究方法和目的

本研究采用BP(back propagation)神经网络、支持向量回归 SVR(support vector regression) 技术和LSTM (long - short-term memory)三种人工智能模型，利用近30年的水库运行历史记录，分别按月、日、小时时间尺度模拟水库运行。本研究旨在总结参数设置对模型性能的影响，探讨LSTM模型在水库运行模拟中的适用性。

图1 比较BP神经网络(a)、SVR (b)和LSTM (c)模型预测和观测的小时流量 在负荷调度高峰期，LSTM模型的模拟精度高于BP神经网络和SVR。总体而言，最佳精确度排名是LSTM模型>SVR>BP神经网络。

图2  BP神经网络的性能随隐节点数和最大迭代次数的变化而变化。(a)和(d)为每月统计结果;(b)和(e)表示每日统计结果;(c)和(f)表示每小时统计结果

图3  LSTM模型的性能随隐藏节点数量和最大迭代次数的变化而变化。(a)和(d)为每月统计结果;(b)和(e)表示每日统计结果;(c)和(f)表示每小时统计结果 对于BP神经网络和LSTM来说，隐藏节点数和最大迭代次数是影响模拟精度的两个关键参数。此外，隐藏节点数量对模拟精度的影响没有明显规律，但最大迭代次数的增加可以显著提高两种模型的模拟精度。 表1 不同最大迭代(MI)和不同隐节点数(H) BP神经网络在不同时间尺度上的统计性能(粗体和下划线表示在同一时间尺度上的最佳统计量)

三种模型和三种时间尺度的计算速度有显著差异。总的来说，不同模型之间时间消耗等级为BP神经网络>SVR>LSTM模型。BP神经网络是运行时间最长的模型，随着不同最大迭代(MI)的增加，所消耗的时间会增加。

表2  采用不同核函数的SVR在不同时间尺度上的统计性能，采用不同的结构参数(r)、惩罚系数(C)和多项式度(d)(粗体和下划线的值表示在同一时间范围内的最佳统计数据)

由表2易看出：

时间尺度	模拟精度
	1	2	3	4
月	Sigmoid	Polynomial	RBF	Linear
日	Sigmoid	RBF	Linear	Polynomial
小时	Sigmoid	RBF	Polynomial	Linear

Part.3

研究结论

(1)对于BP神经网络和LSTM模型，应优先考虑最大迭代次数对模型性能的影响;对于SVR模型，核函数的选择影响模拟性能，应该优先选择sigmoid核函数和RBF核函数;

(2) BP神经网络和SVR适合模型从少量数据中学习水库调度规则;

(3) LSTM模型能够有效降低其他AI模型所需的时间消耗和内存存储，在模拟低流量工况和运行高峰期出流曲线方面表现出良好的能力。

原文链接

https://www.sciencedirect.com/science/article/pii/S0022169418306462

你在看这篇文章吗？