Predicting Maximum and Minimum Future Water Levels in front of Three Gorges Dam Using Deep Learning

doi:10.11988/ckyyb.20230804

Abstract

Abstract:

The maximum and minimum water levels are crucial constraints in the calculation of cascade reservoir operations and the economic operation of hydropower stations. Traditional iterative methods for multi-period predictions lack credibility due to error accumulation. This study employs a Long Short-Term Memory (LSTM) model which is effective in handling time series problems to predict the maximum and minimum water levels of the Three Gorges Reservoir over the next four days. Two LSTM-based deep learning models incorporating different characteristic variables are developed, and a conventional forecast model based on the water balance framework is also constructed for comparison. Results demonstrate that the deep learning model, which considers the propagation law of water surface profiles in the Three Gorges Reservoir area, delivers accurate and stable predictions, achieving an absolute error of less than 40 cm for 99% of the predictions.

Key words: economic operation of hydropower station, water level prediction, LSTM, deep learning, neural network, Three Gorges hydropower station

CLC Number:

TV741大型水电站

Cite this article

WANG Yong-qiang, ZHANG Sen, XIE Shuai, ZHOU Tao. Predicting Maximum and Minimum Future Water Levels in front of Three Gorges Dam Using Deep Learning[J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(12): 9-14.

share this article

0
/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: http://ckyyb.crsri.cn/EN/10.11988/ckyyb.20230804

http://ckyyb.crsri.cn/EN/Y2024/V41/I12/9

Figures/Tables 12

Fig.1 Elements and process of calculating upstream water level at the Three Gorges Dam

Table 1 Basic feature variables of the model

数据类型	特征变量
历史数据 (4 d)	三斗坪水位、凤凰山水位、三峡入库流量、寸滩-凤凰山区间降雨三峡、葛洲坝历史出力
未来预报数据(4 d)	三峡、葛洲坝出力计划、三峡入库流量预报、寸滩-凤凰山区间降雨预报

Table 1 Basic feature variables of the model

数据类型	特征变量
历史数据 (4 d)	三斗坪水位、凤凰山水位、三峡入库流量、寸滩-凤凰山区间降雨三峡、葛洲坝历史出力
未来预报数据(4 d)	三峡、葛洲坝出力计划、三峡入库流量预报、寸滩-凤凰山区间降雨预报

Fig.2 Schematic diagram of LSTM calculation steps

Table 2 Comparison of training loss values before and after model parameter optimization

阶段	模型训练损失值降低过程/10^-3
优化前	8.2➝4.0➝0.16➝0.84➝0.53➝0.43
优化后	5.5➝1.6➝0.36➝0.27➝0.19➝0.17

Table 2 Comparison of training loss values before and after model parameter optimization

阶段	模型训练损失值降低过程/10^-3
优化前	8.2➝4.0➝0.16➝0.84➝0.53➝0.43
优化后	5.5➝1.6➝0.36➝0.27➝0.19➝0.17

Table 3 Description of model features

模型名称	模型特征
LSTM_Model1	特征变量不考虑三峡库区水面线
LSTM_Model2	特征变量考虑三峡库区水面线,即白沙沱、石宝寨、万县、云阳奉节、巴东、巫山、秭归的水位数据

Table 3 Description of model features

模型名称	模型特征
LSTM_Model1	特征变量不考虑三峡库区水面线
LSTM_Model2	特征变量考虑三峡库区水面线,即白沙沱、石宝寨、万县、云阳奉节、巴东、巫山、秭归的水位数据

Table 4 Mean absolute errors of maximum and mini-mum water levels for the next four days calculated by the water balance model and LSTM_Model2

方法	时间	MAE/cm		方法	时间	MAE/cm
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡算法	第1日	13.4	9.5	LSTM_Model2	第1日	6.3	6.2
	第2日	22.8	19.2		第2日	7.3	7.1
	第3日	31.7	28.1		第3日	8.0	7.8
	第4日	40.4	36.9		第4日	9.0	8.4

Table 4 Mean absolute errors of maximum and mini-mum water levels for the next four days calculated by the water balance model and LSTM_Model2

方法	时间	MAE/cm		方法	时间	MAE/cm
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡算法	第1日	13.4	9.5	LSTM_Model2	第1日	6.3	6.2
	第2日	22.8	19.2		第2日	7.3	7.1
	第3日	31.7	28.1		第3日	8.0	7.8
	第4日	40.4	36.9		第4日	9.0	8.4

Table 5 R2 of maximum and minimum water levels for the next four days calculated by different models

方法	时间	R²		方法	时间	R²
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡算法	第1日	0.998	0.999	LSTM_Model2	第1日	0.999	0.999
	第2日	0.995	0.998		第2日	0.999	0.999
	第3日	0.991	0.994		第3日	0.999	0.999
	第4日	0.984	0.989		第4日	0.999	0.999

Table 5 R2 of maximum and minimum water levels for the next four days calculated by different models

方法	时间	R²		方法	时间	R²
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡算法	第1日	0.998	0.999	LSTM_Model2	第1日	0.999	0.999
	第2日	0.995	0.998		第2日	0.999	0.999
	第3日	0.991	0.994		第3日	0.999	0.999
	第4日	0.984	0.989		第4日	0.999	0.999

Fig.3 Comparison of prediction error of maximum water level on the fourth day between water balance model and LSTM_Model2

Table 6 Comparison of MAE between LSTM_Model1 and LSTM_Model2

方法	时间	MAE/cm		方法	时间	MAE/cm
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡法	第1日	6.81	7.52	LSTM_Model2	第1日	6.3	6.2
	第2日	8.54	8.40		第2日	7.3	7.1
	第3日	7.68	7.84		第3日	8.0	7.8
	第4日	9.28	8.42		第4日	9.0	8.4

Table 6 Comparison of MAE between LSTM_Model1 and LSTM_Model2

方法	时间	MAE/cm		方法	时间	MAE/cm
方法	时间	最大水位	最小水位	方法	时间	最大水位	最小水位
水量平衡法	第1日	6.81	7.52	LSTM_Model2	第1日	6.3	6.2
	第2日	8.54	8.40		第2日	7.3	7.1
	第3日	7.68	7.84		第3日	8.0	7.8
	第4日	9.28	8.42		第4日	9.0	8.4

Fig.4 Monthly distribution of absolute error of maximum water level on the fourth day predicted by LSTM_Model2

Table 7 Calculation errors of LSTM_Model2 in different periods

时期	MAE/cm	MAXE	时期	MAE/cm	MAXE
消落期	0.11	0.37	回蓄期	0.10	0.45
汛期	0.14	0.73	其他时期	0.04	0.27

Table 7 Calculation errors of LSTM_Model2 in different periods

时期	MAE/cm	MAXE	时期	MAE/cm	MAXE
消落期	0.11	0.37	回蓄期	0.10	0.45
汛期	0.14	0.73	其他时期	0.04	0.27

Fig.5 Boxplot of output and inflow of Three Gorges Reservoir in 2020

Related Articles 15

[1]	MENG Wan-shang, ZHAO Shuai-jie, LI Lin. Flow Calculation Model for Trapezoidal Gate Based on Artificial Neural Network [J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(9): 86-92.
[2]	LAN Xiao-ji, HE Yong-lan, WU Shuai-wen. River Water Quality Prediction Based on RF-BiLSTM Model [J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(7): 57-63.
[3]	YU Zhou, JIANG Tao, FAN Peng-hui, NIU Chao-qun, CHEN Bing. Multi-time Scale Prediction for Lake Water Level Based on EMD-DELM-LSTM Combined Model [J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(6): 28-35.
[4]	FANG Xing-hua, YANG Jun-sheng, HUANG Ding-zhu, ZHAN Shuang-qiao, ZHANG Cong. A Recognition Method for Surrounding Rock Joints of Tunnel Based on Panoramic Developed Images [J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(5): 116-123.
[5]	WU Qi-liang, ZHENG Hang , LIU Yue-yi, CHEN Jin. Simulation of Landscape Ecological Risk Change in Hanjiang River Basin under SSP-RCP Scenarios [J]. Journal of Changjiang River Scientific Research Institute, 2024, 41(4): 78-88.
[6]	CHENG Feng-wen, GAN Jin, LI Xing, WU Wei-guo. Image Generation for Surface Defects of Underwater Structures Based on Deep Convolutional Generative Adversarial Networks [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(9): 155-161.
[7]	GUO Li-jin, XU Rui-wei. Application of LSTM Model Combining Improved Fruit-Fly Algorithm after Seasonal-Trend Decomposition using LOESS to Water Quality Prediction [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(8): 57-63.
[8]	CHEN Wen-long, YANG Yun-li, ZHANG Yu, HU Zu-kang. Simulation of Groundwater Level in Irrigation Area Based on Sky-Earth Cooperation and Deep Learning [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(7): 88-95.
[9]	LEI Qing-wen, GAO Pei-qiang, LI Jian-lin. A Monthly Runoff Forecast Model Combining Time Series Decomposition and CNN-LSTM [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(6): 49-54.
[10]	WANG Bo-quan, JIN Chuan-xin, ZHOU Lun, SHEN Di, JIANG Zhi-qiang. Water Quality Prediction for Xili Reservoir Based on Long-Short Term Memory [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(6): 64-70.
[11]	HUANG Yuan-yuan, PENG Qian, XU Bing. A Method of Identifying Surface Crack of Subway Tunnel in Consideration of Occlusions [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(5): 145-152.
[12]	LIU Wei, GE Hai-bin, XU Yan-yan, ZHAO Hong-guang, JIN Jing-shan, JI Hao-wei. A Crack Detection Method Based on Intelligent Robot and Its Application to Underwater Building [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(4): 164-169, 190.
[13]	ZHANG Yan, LIU Jia-hao, LÜ Yuan, LI Zhi-hao, ZHANG Yan-nan, LI Sheng, CHEN Zhuan-wen. Influence of Stone Powder Parameters on Mechanical Properties of Concrete [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(3): 166-173.
[14]	SONG Jia, BAI Yang, WANG Xiao-lin. Damage Analysis of Loess under Dry-Wet Cycles Based on Deep Learning [J]. Journal of Changjiang River Scientific Research Institute, 2023, 40(2): 87-94.
[15]	SHAO Hu-xiang, DING Feng, YANG Jian, ZHENG Zi-cheng. Model of Extracting Remotely-sensed Information of Black and Odorous Water Based on Deep Learning [J]. Journal of Changjiang River Scientific Research Institute, 2022, 39(4): 156-162.

Metrics

Viewed

Full text

Abstract

Comments

Abstract
Figures/Tables
Related Articles
Recommended Articles
Metrics
Comments

TOP