目前，隐随机优化调度由于隐含考虑了未来水库调度的不确定性，并且不存在类似于显随机优化调度计算方面的困难，因而得到了广泛应用。
　　在隐随机优化调度方法实施过程中，首先需要根据确定性优化模型和相应求解算法计算得到水库的多年优化调度方案。而上述求解得到的多年最优运行过程，其在数学上就是一系列待拟合的离散数据，对这些数据进行拟合的方法有很多，最简单也是最常见的是用线性回归方法进行拟合，但实际某些时段的调度函数比较复杂，也会考虑使用非线性函数来拟合。非线性调度函数的表达形式有很多，其中的典型代表是BP神经网络，其强大的非线性映射能力和灵活的网络结构可以任意拟合各时段水库系统的输入输出关系。然而，采用BP神经网络提取水库调度规则时，对样本的假定是相互独立的，没有将样本在时间上的相关性考虑进去。目前，在处理这类序列数据时，采用循环神经网络可以避免前馈神经网络的这些缺点。因此，本文提出了一种基于长短期记忆神经网络的水库调度函数研究方法，其作为对传统RNN的改进版本，具有更加强大的性能。该方法同时考虑了多年优化调度方案中的非线性相关性和时间特性：在非线性方面，网络中的每个门控单元都采用了sigmoid非线性激活函数，增强了样本非线性关系的拟合能力；在时间序列方面，引入自循环权重，使细胞之间建立循环连接，从而动态改变累积的时间尺度，使细胞具有长、短期记忆功能。
　　基于此，本文利用LSTM具有实现任何复杂非线性映射功能的特点、时间序列学习能力以及较高的预测精度去做水库调度规则提取，并将其应用于丹江口水库实例中。实验研究表明，本文提出的拟合方法是可行和有效的。并且，通过设置线性调度函数和BP调度函数对照组，发现LSTM神经网络拟合的调度函数在模拟运行中能取得更优的效益。