Resumen

El pronóstico de entrada es una de las tecnologías más importantes para las estaciones hidroeléctricas modernas. Bajo la influencia conjunta del suelo, la entrada aguas arriba y la precipitación, la entrada se caracteriza a menudo por el desfase temporal, la no linealidad y la incertidumbre, lo que resulta en la dificultad de una predicción precisa de múltiples pasos de la entrada. Para abordar la relación de acoplamiento entre la entrada y los factores relacionados, este artículo propone un modelo de aprendizaje profundo de memoria a largo plazo basado en el algoritmo de Bagging (Bagging-LSTM) para predecir las entradas de 3h, 12h y 24h en el futuro, respectivamente. Para validar el modelo propuesto, los datos de entrada y del clima relacionados provienen de una estación hidroeléctrica en el sur de China. En comparación con los modelos clásicos de series temporales, los resultados muestran que el modelo propuesto los supera en diferentes métricas de precisión

• Materias:Modelo Matemático Gestión ambiental Sistemas dinámicos Datos estructurales Sistema inalámbrico
• Subjects:Mathematical model Environmental management Dynamic systems Structural data Wireless system
• Palabras claves:Pronóstico de entrada; Central hidroeléctrica; Desfase temporal; No linealidad; Incertidumbre; Predicción a varios pasos
• Keywords:Inflow forecasting; Hydropower station; Time lag; Nonlinearity; Uncertainty; Multistep prediction