水力发电因其具有清洁、无污染、廉价、可再生等特点,在国家的社会经济发展中有着极其重要的作用。对入库径流变化的精准预测往往是制定发电计划、进行电网调控调度的基础。由于水电站的入库径流受到上下游出入库径流及气象条件等多重因素的影响,当前基于随机过程的单步及多步自回归预测模型在预测精度方面都难以达到预期目标。本文将入库径流预测看作是一个监督回归问题,充分利用上下游出入库径流序列及气象条件信息,构建了单步及多步预测模型,并利用贝叶斯技术对超参数进行优化。主要贡献包括:第一,在单步预测模型中,分别使用贝叶斯岭回归,Elman神经网络和梯度提升树来建模入库径流与上下游出入库径流序列及降雨量之间的关系。为了解决多步预测模型中的误差累积问题,提出了基于Seq2Seq框架的时间序列预测模型。该模型中编码器可以对输入序列历史信息进行编码,解码器可以根据编码得到的向量生成预测序列,并且利用注意力机制生成的每步预测都可以关注不同权重的历史信息,从而避免误差累积传播。第二,为了确定单步模型中上下游历史径流及降雨量序列的长度及多步模型中最优的预测长度,利用贝叶斯优化技术对这些参数进行调优。相对于随机搜索和网格搜索,贝叶斯优化可以充分利用先验信息,自适应的进行超参数调优。本文对柘溪水库入库流量连续三年小时级数据构建单步和多步预测模型,并在季度、年度两个粒度上分别建模;然后对相应的超参数空间,利用贝叶斯优化进行自动调参;通过交叉验证测试,统计对比分析实验结果。在单时间步建模中,Bayesian Ridge回归方法取得最优效果,模型能够很好的拟合原数据。在多时间步建模中,Seq2Seq模型同样性能优秀,模型能够对未来6至14个小时的入库径流量进行良好预测。