Comparison of model performance by predicting Paldang Dam inflow using RNN, LSTM, GRU, CNN-LSTM, XGBoost and LightGBM

Abstract

If the dam inflow is accurately predicted through analysis of the rainfall around the dam and the gate of dam data, the dam can be operated efficiently. In particular, damage caused by the failure to predict the dam inflow during the rainy season and typhoon can be reduced. Therefore, prediction of the dam inflow with high accuracy is required for efficient dam operation. In this study, Paldang Dam inflow was predicted using machine learnings and deep learnings. To predict Paldang Dam inflow, the daily data of the average water level, storage, inflow, discharge, water supply, average rainfall in the dam basin, Daegokgyo precipitation, Jingwangyo precipitation, and Songjeong-dong precipitation from January 2012 to August 2022 were used. The dam inflow was predicted using RNN, LSTM, GRU, CNN-LSTM, XGBoost and LightGBM. RMSE was used as an indicator to evaluate the prediction performance for each model. As a result of comparative analysis with RMSE, XGBoost was the most predictive.;댐 주변 강수량과 댐 수문 자료를 통해 댐 유입량을 정확하게 예측하면 효율적 인 댐 운영이 가능하다. 특히, 장마·태풍 때 댐 유입량을 예측하지 못해 발생하는 피해를 줄일 수 있다. 따라서 효율적인 댐 운영을 위해서는 정확도가 높은 유입량 예측이 필요하다. 본 연구에서는 머신러닝과 딥러닝을 이용하여 팔당댐의 유입량을 예측하였다. 팔당댐 유입량 예측을 위해 2012년 1월부터 2022년 8월의 팔당댐의 평균 수위, 저수량, 유입량, 총 방류량, 용수공급량, 평균 강우량, 대곡교 강수량, 진관교 강수량, 송정동 강수량의 일 자료가 사용되었다. 방법론은 RNN, LSTM, GRU, CNN-LSTM, XGBoost, LightGBM을 사용하여 댐 유입량을 예측하였다. 모델 성능 평가 지표로 RMSE를 사용하여, 각 모델의 예측 성능을 평가하였다. 각 모델의 RMSE의 비교 분석 결과, XGBoost 모델이 가장 예측력이 좋은 모델임을 확인할 수 있었다.