技術特征：

1.基于物理方法與深度學習耦合的水庫發電流量計算方法，其特征在于，包括：

2.根據權利要求1所述的基于物理方法與深度學習耦合的水庫發電流量計算方法，其特征在于，步驟1收集的水庫歷史運行特征數據為日尺度數據。

3.根據權利要求1所述的基于物理方法與深度學習耦合的水庫發電流量計算方法，其特征在于，步驟3中所述深度學習模型為lstm模型。

4.根據權利要求1所述的基于物理方法與深度學習耦合的水庫發電流量計算方法，其特征在于，步驟4中發電出力殘差模擬的性能通過系統性偏差和相關系數r來評估，計算公式為：

5.根據權利要求1所述的基于物理方法與深度學習耦合的水庫發電流量計算方法，其特征在于，步驟5中發電流量模擬的性能通過效率系數nse和相對誤差re來評估，計算公式為：

技術總結
本發明公開了基于物理方法與深度學習耦合的水庫發電流量計算方法，包括收集水庫歷史運行特征數據；采用BFAST方法對數據進行分解，將其分解為周期項、趨勢項和殘差項；以水庫水位和入流量的周期項、趨勢項和殘差項作為輸入變量，發電出力的殘差項為目標變量，構建并訓練LSTM深度學習模型，使模型學習發電出力殘差與輸入變量之間的時序關系；使用訓練好的模型預測發電出力殘差，并將預測出的殘差項與對應時段的周期項和趨勢項相加，得到水庫的總發電出力；基于水能發電轉換公式，將水庫發電出力轉換為發電流量。本發明的水庫發電預測方法，能夠有效捕捉水庫發電過程中的非線性動態特征，可以提高水庫發電出力預測的準確性，用于優化水能利用效率。

技術研發人員：阮俞理,寧忠瑞,吳南,王國慶,鮑振鑫,劉翠善,劉艷麗,王婕,舒章康
受保護的技術使用者：水利部交通運輸部國家能源局南京水利科學研究院
技術研發日：
技術公布日：2025/4/28