Operational Interval Extraction Based on Long‐Short Term Memory Networks for Building More Feasible Reservoir Operation Models
Notice bibliographique
Résumé
Abstract Advances in data analytics create an opportunity to enhance reservoir operation. A challenge arising is how to utilize operational data to form realistic constraints of the reservoir operation practice. To address this issue, a novel approach is proposed to extract operational intervals of reservoir outflow by a deep learning method, namely the physics‐guided long‐short term memory network. The knowledge‐informed reservoir operation (KIRO) model was built by adding derived operational intervals of outflow as constraints for the traditional reservoir operation (TRO) model. KIRO couples (a) an optimization model to search for optimal operation schemes, and (b) operational intervals of reservoir operators' decisions based on realistic factors. China's Qingjiang cascade reservoir including Shuibuya, Geheyan, and Gaobazhou reservoirs is used as a case study. Results show that KIRO can yield more physically feasible operation schemes than TRO due to its additional constraints. Specifically, KIRO avoids excessive reservoir water level fluctuations and outflow variations compared with TRO. Moreover, the extracted operational interval can help uncover implicit demands of real‐world operation, for example, the KIRO model accurately identified the cascade reservoir unit maintenance events from 31 January 2019, to 31 March 2019, and the operation schemes were aligned more closely with the power demands. This study provides a new method for building more feasible reservoir operation models based on deep learning.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».