5月6日，数科大数据公司研究团队携手清华大学水利系，在水文水资源领域国际顶级期刊《Journal of Hydrology》发表题为《Perception-enhanced bidirectional attention networks for short-term time series forecasting of water level in cascade reservoir system》（面向梯级水库调度模拟的水位预测深度学习网络）的论文，提出了一种全新的深度学习模型——感知增强双向注意力网络（PE-BANet），在梯级水库短期水位预测精度与计算效率方面取得重大突破。

图为该项成果主要内容

梯级水库系统具有极强的上下游水力耦合特征，上游电站的泄水到达下游存在动态的时间滞后，且受降雨、调度指令等多种异构变量影响。传统的流体动力学模型虽然物理可解释性强，但计算负荷高，且难以进行实时参数校准。为此，研发团队自主研发PE-BANet模型，在ModernTCN架构的基础上采用多尺度空间金字塔池化（MSAASP）、双向注意力机制等多项关键技术，让模型能够自适应地提取跨越多个时间尺度的时序特征。这使得模型可以像专家一样，同时感知短期波动和长周期的水流演进规律，有效解决了水流传播过程中的大滞后问题。经验证，该模型与目前主流的Transformer、MLP及RNN等模型相比，不仅在预测精度上全面领先，平均水位预测误差减少30%，且由于采用了高效的纯卷积架构，其推理速度和计算效率表现同样卓越，计算耗时仅为主流模型的四分之一。

目前，该成果已上线大数据公司的云上水电平台模型，可为集团各流域梯级电站的实时调度提供可靠的技术支撑。研究负责人表示“这种融合了物理规律感知与深度学习优势的算法，不仅能提供更长预见期的稳定预测，还能有效缓解传统模型在水位突变时的‘峰值滞后’现象，对于保障流域防洪安全、提升水电资源利用效率具有重大意义”。