5月6日，數(shù)科大數(shù)據(jù)公司研究團(tuán)隊(duì)攜手清華大學(xué)水利系，在水文水資源領(lǐng)域國(guó)際頂級(jí)期刊《Journal?of?Hydrology》發(fā)表題為《Perception-enhanced bidirectional attention networks for short-term time series forecasting of water level in cascade reservoir system》（面向梯級(jí)水庫(kù)調(diào)度模擬的水位預(yù)測(cè)深度學(xué)習(xí)網(wǎng)絡(luò)）的論文，提出了一種全新的深度學(xué)習(xí)模型——感知增強(qiáng)雙向注意力網(wǎng)絡(luò)（PE-BANet），在梯級(jí)水庫(kù)短期水位預(yù)測(cè)精度與計(jì)算效率方面取得重大突破。
圖為該項(xiàng)成果主要內(nèi)容
梯級(jí)水庫(kù)系統(tǒng)具有極強(qiáng)的上下游水力耦合特征，上游電站的泄水到達(dá)下游存在動(dòng)態(tài)的時(shí)間滯后，且受降雨、調(diào)度指令等多種異構(gòu)變量影響。傳統(tǒng)的流體動(dòng)力學(xué)模型雖然物理可解釋性強(qiáng)，但計(jì)算負(fù)荷高，且難以進(jìn)行實(shí)時(shí)參數(shù)校準(zhǔn)。為此，研發(fā)團(tuán)隊(duì)自主研發(fā)PE-BANet模型，在ModernTCN架構(gòu)的基礎(chǔ)上采用多尺度空間金字塔池化（MSAASP）、雙向注意力機(jī)制等多項(xiàng)關(guān)鍵技術(shù)，讓模型能夠自適應(yīng)地提取跨越多個(gè)時(shí)間尺度的時(shí)序特征。這使得模型可以像專家一樣，同時(shí)感知短期波動(dòng)和長(zhǎng)周期的水流演進(jìn)規(guī)律，有效解決了水流傳播過(guò)程中的大滯后問(wèn)題。經(jīng)驗(yàn)證，該模型與目前主流的Transformer、MLP及RNN等模型相比，不僅在預(yù)測(cè)精度上全面領(lǐng)先，平均水位預(yù)測(cè)誤差減少30%，且由于采用了高效的純卷積架構(gòu)，其推理速度和計(jì)算效率表現(xiàn)同樣卓越，計(jì)算耗時(shí)僅為主流模型的四分之一。
目前，該成果已上線大數(shù)據(jù)公司的云上水電平臺(tái)模型，可為集團(tuán)各流域梯級(jí)電站的實(shí)時(shí)調(diào)度提供可靠的技術(shù)支撐。研究負(fù)責(zé)人表示“這種融合了物理規(guī)律感知與深度學(xué)習(xí)優(yōu)勢(shì)的算法，不僅能提供更長(zhǎng)預(yù)見(jiàn)期的穩(wěn)定預(yù)測(cè)，還能有效緩解傳統(tǒng)模型在水位突變時(shí)的‘峰值滯后’現(xiàn)象，對(duì)于保障流域防洪安全、提升水電資源利用效率具有重大意義”。
