《Water》：A Multi-Input Multi-Output Mapping Model for Multi-Reservoir Joint Operation Based on SSA-Optimized CNN-BiLSTM
编辑推荐：
摘要专业翻译：多水库联合调度是一个高维、非线性、多输入多输出（MIMO）的水资源配置问题。本研究旨在通过一个端到端模型，将多个水源的状态变量直接映射到每个用户的配水量。研究人员开发了一种结合一维卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和麻雀搜
摘要专业翻译：多水库联合调度是一个高维、非线性、多输入多输出（MIMO）的水资源配置问题。本研究旨在通过一个端到端模型，将多个水源的状态变量直接映射到每个用户的配水量。研究人员开发了一种结合一维卷积神经网络（CNN）、双向长短期记忆网络（BiLSTM）和麻雀搜索算法（SSA）的模型：CNN沿有序的“水源—用户”特征向量提取局部耦合特征，BiLSTM捕获历史窗口内的时域依赖关系，SSA联合调优隐藏单元数、初始学习率和L2系数。该模型应用于中国南水北调东线工程洪泽湖—骆马湖—长江引水系统的月度运行记录。在留出测试期内，模型获得了平均R2为0.8637、平均MAPE为20.61%的性能；各输出的测试R2分别为0.9403（洪泽湖供水）、0.8114（骆马湖供水）和0.8393（长江引水供水）。相对于纯BiLSTM模型，完整模型将R2从0.7763提高到0.8637，并将RMSE降低了21.9%。三个输出的可预测性存在差异，其中骆马湖输出表现出轻度过拟合；两阶段物理约束校正使配水量保持在可用供水上限之内。该模型为多水源配水分析提供了定量的数据驱动参考，并拟作为未来闭环调度框架中的映射模拟组件，而非独立的运行决策工具。
论文解读文章：
**研究背景与问题**
水资源是支撑人类生存和社会经济发展的基础性自然资源与战略性经济资源。在全球气候变化和城镇化加速背景下，水资源时空分布不均与供需失衡问题日益突出。多水库联合调度本质上是高维、非线性、多输入多输出（MIMO）的复杂系统问题，其决策受入库流量、出库流量、蓄水状态、动态用户需求及配水优先级等多变量耦合影响。传统的基于规则调度图虽应用广泛，但适应性有限；数据驱动方法如人工神经网络、支持向量回归等虽能挖掘历史运行模式，但网络结构简单，难以充分刻画多水源—多用户间的复杂耦合关系，且特征工程依赖专家经验，泛化能力不足。现有研究多聚焦于单水库或单目标调度，对多水源多用户的MIMO映射研究尚属空白；同时，已有模型侧重时序依赖性提取，缺乏对物理有序特征向量所蕴含的局地水源—用户耦合特征（如上下游水力联系、用户间用水竞争）的显式建模；超参数调优多依赖人工经验或简单网格搜索，基于群智能的CNN-BiLSTM全关键超参数联合优化尚未在库群调度领域充分探索；“分解—预测—重构”范式在单变量径流预报中表现良好，但其在MIMO多元耦合系统中的适用性有待验证。为此，本研究提出基于SSA-CNN-BiLSTM的多水库联合调度MIMO映射模型。
**研究内容与结论**
研究人员以多水源状态变量和多用户需求特征为输入，以优化配水量为输出，构建端到端映射关系：一维CNN沿水源—用户维度提取物理有序特征向量诱导的局地耦合特征，BiLSTM双向捕获来水—需水过程的时域依赖，SSA对所有关键超参数进行全局联合自动优化。模型应用于南水北调东线工程江苏段洪泽湖—骆马湖—长江引水系统的多年月度运行数据。结果表明，模型在留出测试集上平均R2为0.8637，平均MAPE为20.61%；洪泽湖供水测试R2为0.9403，骆马湖供水为0.8114，长江引水供水为0.8393。与纯BiLSTM相比，完整模型R2提高0.0874，RMSE降低21.9%。通过受控架构对比，CNN空间特征提取使R2提高0.0386，双向时序建模再提高0.0304，SSA联合超参数优化提高0.0184，三种策略增益方向一致且具有叠加性。物理约束校正后，训练集和测试集平均总配水量偏差分别为?0.84%和?2.00%，呈轻微保守特性，校正样本占比均低于5%。该模型为多水源配水分析提供了定量数据驱动参考，拟作为未来闭环调度框架中的映射模拟组件。
**关键技术方法**
本研究采用的主要关键技术方法包括：（1）一维卷积神经网络（CNN）空间特征提取，沿物理有序的“水源—用户”特征向量进行卷积，捕获上下游水力联系和用户竞争关系；（2）双向长短期记忆网络（BiLSTM）时序建模，前向和后向LSTM分别处理来水—需水序列，拼接隐藏状态以获得双向时序依赖；（3）麻雀搜索算法（SSA）全局超参数优化，以自适应加权多输出损失为适应度函数，联合优化BiLSTM隐藏单元数、初始学习率和L2正则化系数；（4）两阶段物理约束后处理，包括比例缩放和残差扣除，确保配水量之和不超过可用供水总量；（5）综合正则化策略体系，采用Z-score标准化、Dropout、L2正则化、验证集早停和梯度裁剪防止过拟合。数据来源为洪泽湖—骆马湖—长江引水系统多年月度运行记录，按时间顺序以8:2比例划分训练集和测试集。
**研究结果**
（1）SSA优化结果与模型训练：SSA适应度曲线前期快速下降，约45代后收敛，无长期停滞或剧烈振荡。优化得到的最优超参数组合避免了人工调参主观性和网格搜索维度爆炸问题。训练损失曲线平滑下降，表明梯度爆炸得到有效抑制。
（2）预测性能分析：模型在三个输出维度上均取得满意精度。洪泽湖供水测试R2为0.9403，MAPE为19.26%，训练测试差距极小，泛化优异；骆马湖供水测试R2为0.8114，MAPE为22.29%，四个泛化指标一致显示轻度过拟合，但RMSE/MAE比值1.58低于异常值阈值，误差呈正态分布；长江引水供水测试R2为0.8393，MAPE为20.29%，训练测试指标稳定，误差离散度最小。
（3）预测可视化与误差分析：预测值与真实值曲线整体趋势高度一致，能准确跟踪湿季配水峰值时序，无系统相位偏移；三个输出在训练集和测试集上的误差分布均近似正态分布，无系统偏差；散点紧密分布于理想线y=x两侧，随数值增大轻微发散，呈现轻度异方差性。以±15%相对误差为准则，测试集合格率洪泽湖44.7%、骆马湖43.2%、长江引水38.6%；±50%时分别升至93.9%、92.4%和97.0%，表明大相对误差集中于低配水样本，主体配水量捕获良好。
（4）过拟合诊断与泛化评估：采用ΔR2和ΔMAPE等内部描述性准则进行筛查。洪泽湖和长江引水输出泛化稳定，骆马湖输出被标记为“疑似轻度过拟合”。综合评估模型总体健康状况为良好，平均测试R2为0.8637，建议对骆马湖输出适度增大Dropout率至0.3–0.4、增大L2系数或降低早停耐心值。
（5）物理约束符合性分析：训练集2.15%和测试集3.42%的样本需要约束校正，平均校正幅度12.64（10?m3），表明模型能在无显式物理约束训练损失的情况下自主学习历史可行解中的隐含约束边界。模型预测总体呈保守倾向，训练集和测试集平均总配水量偏差分别为?1454.9和?3412.4，这种轻微低估有利于供水安全。
（6）对比分析：与纯BiLSTM相比，CNN-BiLSTM加入SSA后R2累计提高0.0874，RMSE累计降低4362（降幅21.9%）。CNN空间特征提取贡献最显著（+0.0386），BiLSTM双向建模次之（+0.0304），SSA优化进一步改善（+0.0184）。SSA完整搜索耗时176分钟，最终模型训练仅0.02分钟。
**讨论与结论**
研究人员基于案例结果讨论了三个输出性能差异的原因，推测与不同用户配水方案的固有复杂度差异有关，并提出自适应加权机制作为缓解策略。同时总结出“预处理→正则化→优化→约束→描述性筛查”的五阶段质量保证框架。研究局限包括：月尺度无法解析事件级调度、仅在单一近线性水源—用户网络验证、缺乏不确定性量化、未与优化调度方案对比、CNN空间特征依赖特征排序、记录长度有限等。未来工作包括重复训练统计检验、特征排序消融、SSA与贝叶斯优化等算法对比、嵌入完整水均衡和渠道容量约束、以及耦合进化优化形成闭环决策流程。
研究结论翻译：针对多水库联合调度中多水源多用户映射的复杂建模问题，本文提出了基于SSA-CNN-BiLSTM的多水库联合调度MIMO映射模型，并利用南水北调东线工程江苏段洪泽湖—骆马湖—长江引水系统的多年月度运行数据进行了验证。案例结果表明，模型整体供水输出平均测试R2为0.8637，平均MAPE为20.61%。其中洪泽湖供水测试R2达0.9403，长江引水供水达0.8393，骆马湖供水为0.8114。总体泛化性能良好，无严重过拟合。主要结论如下：CNN-BiLSTM混合结构为多水源多用户配水提供了有效的MIMO映射，在留出测试期平均R2达0.8637，各输出均高于0.81；受控架构对比显示一致且叠加的增益，CNN空间特征提取使R2提高0.0386，双向时序建模再提高0.0304，SSA联合超参数优化提高0.0184，累计R2提高0.0874，RMSE相对纯BiLSTM下降21.9%；泛化表现可接受，两个输出训练测试一致性稳定，骆马湖输出呈轻度过拟合，经两阶段物理校正后平均总配水量偏差为?0.84%（训练）和?2.00%（测试），略偏保守，校正样本占比低于5%；该模型是多水源配水分析的映射模拟参考，“状态感知—映射模拟—最优决策”集成框架需与基于优化的调度耦合，留待未来研究。
