Page 106 - 水利学报2025年第56卷第3期

ＭＤＵＰＬＥＸ算法划分数据集后，降雨径流模型在率定集和验证集的模拟效果非常接近。
然而，对于率定集和验证集数据分配方法的讨论仍然局限于其对降雨径流过程模拟的影响，其对
水库出流模拟的影响尚缺乏研究。现有的水库出流模拟模型还是以时间连续准则划分率定和验证数
据。在气候变化和经济社会发展进程加快的背景下，气候水文条件和人类活动的非一致性越来越明
显，不同时期的来水情况和用水需求可能存在较大差异。因此，仅用某一段连续历史时期的数据作为
率定集训练模型，会导致模型难以充分考虑不同水文情势下的水库调度规律。例如，如果验证集中包
含较多极端降雨事件，而率定集中包含较少极端降雨事件，则水库出流模型可能在模型验证集表现不
佳，无法体现在较高入流量时水库的调度规则。在这种水文序列非一致的条件下，需要采用新的方法
来划分率定集与验证集。鉴于 ＭＤＵＰＬＥＸ算法对数据进行分配已在降雨径流模型中发挥较好的作用，
本文选择将其应用于水库调度模拟，以期提高模拟的精度。
目前水库调度模拟方法大致可以分为两大类。一大类是传统方法，即基于调度图、调度函数等明
确的调度规则进行水库出流模拟。传统水库调度方法的最大问题在于通用性受限。不同的水库有不同
的调度规则，且在日尺度上水库的实际调度规则的公开程度仍较低，难以构建一个通用的模型来模拟
水库出流。其次，多功能水库的调度操作通常蕴含着调度人员的经验和认知，这些经验和个人认知因
素很难完全被概化在调度规则中 ［１０］ 。此外，在气候水文条件和人类活动非一致的条件下，水库实际调
度中也存在一些适应性的操作，这些适应性的调度策略也很难被提炼到基于调度规则的水库调度模拟
方法中。另一大类方法是利用历史调度数据训练机器学习算法构建水库出流模型，该类方法能有效解
决上述问题。
近年来，随着计算机技术的发展，神经网络等机器学习算法逐渐被应用于水库调度模拟。这些算
法无需具体的调度规则，便能深入挖掘历史调度数据中蕴含的调度规则和用水需求变化，从而模拟水
库出流，适用于各类水库，有助于构建通用的水库出流模拟方法。通过学习历史调度数据，机器学习
模型还能吸收水库实际调度操作中的经验和个人认知，学习水库调度人员应对不同水文情势的调度策
略。长短期记忆（ ＬｏｎｇＳｈｏｒｔ － ｔｅｒｍ Ｍｅｍｏｒｙ，ＬＳＴＭ）网络是机器学习中的一种深度学习算法，擅长深度
挖掘数据特征，能够很好地适用于水文时间序列的回归与预测 ［１１ － １２］ 。已有一些研究运用 ＬＳＴＭ开展水
库出流模拟，例如：Ｚｈａｎｇ等 ［１３］ 采用 ＢＰ神经网络、支持向量回归技术和 ＬＳＴＭ 三种模型对葛洲坝水
库月尺度、日尺度和小时尺度水库运行进行模拟，结果表明 ＬＳＴＭ 模型能获得最高的精度，且能够有
效降低计算时间和内存存储；Ｙａｎｇ等 ［１４］ 利用包括 ＬＳＴＭ在内的三种递归神经网络（ＲＮＮ）模型对昭披
耶河流域上游三个大型多功能水库进行出流模拟，讨论了递归神经网络模型在极端入流情况下对多年
调节水库出库流量模拟的适用性；汤正阳等 ［１５］ 使用 ＲＮＮ、ＬＳＴＭ、ＧＲＵ这 ３种循环神经网络进行了溪
洛渡水库的出 流 模 拟， 结 果 表 明 三 种 模 型 均 能 取 得 良 好 的 模 拟 效 果。 此 外， Ｂｏｒａｎ等 ［１６］ 、 Ｙａｌｉａｎ
等 ［１７］ 、Ｓｕｄｅｒｓｈａｎ等 ［１８］ 学者也运用 ＬＳＴＭ模型对水库出流进行了模拟，均取得了良好的成果。
针对水文非一致条件下的水库出流模拟问题，本文以黄河上游的龙羊峡和刘家峡两座大型水库为
研究对象，基于水库历史调度数据，提出耦合 ＭＤＵＰＬＥＸ数据划分算法与 ＬＳＴＭ 模型的水库出流模拟
方法，即首先基于 ＭＤＵＰＬＥＸ算法对数据集进行划分，然后采用率定集数据训练 ＬＳＴＭ 算法，构建水
库出流模拟模型。在评估 ＭＤＵＰＬＥＸ － ＬＳＴＭ模拟效果的基础上，将其性能与基于传统数据划分方法的
ＬＳＴＭ模型以及基于目标调度曲线的水库出流模型进行对比分析。

２ 研究区域概况与研究数据

２．１ 研究区概况 黄河上游的梯级水库群是现今我国综合运行任务最多、涉及的区域范围最广以及调
度规则最复杂的水库群之一。目前黄河上游装机容量超过 １０００ＭＷ 的大型水库有 ６座，承担流域的防
洪、发电、供水、灌溉、防凌等任务 ［１９］ ，还需兼顾生态修复和产业发展。
黄河上游水库群枢纽中，除了龙羊峡水库为多年调节水库以及刘家峡水库为年调节水库之 外，
其余水库都是日调节水库或者径流式水电站。黄河上游水库群枢纽复杂的调度任务主要是依靠龙羊

８
— ３ ８ —