一种基于人工智能与多源数据融合的河道水力分析预警系统的制作方法
本发明涉及河道预警,具体涉及一种基于人工智能与多源数据融合的河道水力分析预警系统。
背景技术:
1、河道水力分析与洪水预警通常需要综合利用水位、流量及降雨等多源监测数据,并结合河道断面的水位—流量关系,对河道水力状态及洪水风险进行分析。随着自动水位站、流量监测设备和雨量监测设备的普及,多源观测数据具有不同采样频率、变化尺度和数据特征,如何对不同来源的数据进行有效处理和融合,对后续水力分析及预警结果具有较大影响。
2、现有数据处理过程中,为便于多源数据统一输入分析模型,通常按照预设时间尺度对各类观测数据进行重采样、聚合或时间对齐。在水力状态变化较平缓时,上述处理方式通常能够满足使用需求;但在山区中小河流、支流汇入口、峡谷型河段等受短历时强降雨影响较明显的场景中,水位可能在较短时间内快速上涨,固定时间尺度的数据聚合容易削弱洪峰前沿及局部突变信息。同时,河道断面的水位与流量之间通常具有一定的非线性关系。对于同一时间段内的连续水位观测数据,先进行水位聚合后换算流量,与先将各水位观测值分别换算为流量后再进行聚合,所得结果可能存在差异。该差异不仅与观测误差有关,还可能来源于时间聚合操作与非线性水力关系之间的作用。如果对不同水力变化阶段均采用相同时间尺度处理,可能使快速变化阶段的有效水力信息被平均化,而平稳阶段又保留较多重复信息,水位、流量和降雨数据分别反映局部水面变化、断面过水状态和流域外部驱动,其有效变化尺度并不完全一致。若仅按照统一时间步进行拼接或融合,可能使不同数据源中的关键变化特征不能与实际洪水演进过程充分对应,进而影响人工智能模型对水位趋势、流量趋势及洪水风险状态的识别。
技术实现思路
1、本发明的目的在于提供一种基于人工智能与多源数据融合的河道水力分析预警系统,解决现有技术存在的问题。
2、为实现上述目的,本发明提供如下技术方案:一种基于人工智能与多源数据融合的河道水力分析预警系统,包括:
3、多源数据获取模块,用于获取目标河段的水位观测序列、流量观测序列和降雨观测序列,并获取目标河道断面的水位与断面流量之间的水力换算模型;
4、数据预处理模块,用于按照初始时间尺度划分水位观测序列,将同一时间窗内各水位观测值分别经水力换算模型转换并进行时间加权聚合,得到第一流量表征值,以及先对各水位观测值进行时间加权聚合再经水力换算模型转换,得到第二流量表征值,根据第一流量表征值与第二流量表征值的相对差异得到水力表征畸变指标;
5、根据水力表征畸变指标与预设畸变阈值的比较结果保留或分割对应时间窗,其中,对需要分割的时间窗根据相邻水位观测值形成水位变化速率序列,并依据水位变化速率序列确定分割位置,得到具有非均匀时间尺度的第一水力特征序列;
6、多源融合模块,用于按照第一水力特征序列对应的时间范围,将流量观测序列和降雨观测序列映射至对应时间范围,提取各数据源的变化特征并进行融合,得到多源水力融合特征序列;
7、水力分析模块,用于将多源水力融合特征序列输入预先训练的人工智能水力分析模型,得到目标河段的水位变化趋势、流量变化趋势及洪水风险特征;
8、预警模块,用于根据洪水风险特征与预设风险阈值的比较结果生成对应的河道洪水预警信息。
9、具体的,所述多源数据获取模块还用于:
10、获取目标河段各监测节点产生的水位数据、流量数据和降雨数据,并分别按照采样时刻排序形成水位观测序列、流量观测序列和降雨观测序列;
11、提取各观测序列中观测值对应的采样时刻、空间坐标、数据源类型和采样间隔,构建对应的观测特征向量;
12、按照采样时序排列观测特征向量,形成多源观测特征矩阵,并建立各矩阵元素与原始观测值之间的索引关系;
13、获取目标河道断面的水位-流量率定参数,构建水力换算模型,并将多源观测特征矩阵、各观测序列及水力换算模型输出至数据预处理模块。
14、具体的,所述数据预处理模块还用于:
15、按照初始时间尺度划分水位观测序列,并根据各时间窗内的水位值及采样间隔构建时间窗特征矩阵;
16、将时间窗特征矩阵中的水位值依次输入水力换算模型,形成第一流量序列,并采用时间加权算法得到第一流量表征值;
17、对同一时间窗内的水位值进行时间加权,得到第一水位表征值,并经水力换算模型得到第二流量表征值;
18、根据第一流量表征值和第二流量表征值计算归一化差异特征;
19、依据归一化差异特征得到对应时间窗的水力表征畸变指标,并输出至时间窗分割处理单元。
20、具体的,所述数据预处理模块还用于:
21、将各时间窗的水力表征畸变指标与预设畸变阈值比较,保留未超过所述预设畸变阈值的时间窗,并将超过所述预设畸变阈值的时间窗确定为待分割时间窗;
22、根据待分割时间窗内相邻水位观测值及采样间隔,计算水位变化速率并形成水位变化速率序列;
23、提取水位变化速率超过预设速率阈值的位置作为分割节点;
24、对分割后的子时间窗重新确定水力表征畸变指标,直至所述指标不超过预设畸变阈值或达到最小时间尺度;
25、按照时间顺序排列处理后的时间窗对应的水力特征,形成具有非均匀时间尺度的第一水力特征序列。
26、具体的,所述多源融合模块还用于:
27、提取第一水力特征序列中各非均匀时间窗的起始时刻和终止时刻,形成时间窗索引序列;
28、依据时间窗索引序列,从流量观测序列和降雨观测序列中分别提取位于各非均匀时间窗内的观测数据;
29、根据观测数据计算流量变化率、流量波动量和累计降雨量,分别构建流量特征向量和降雨特征向量;
30、将同一非均匀时间窗对应的第一水力特征、流量特征向量和降雨特征向量进行归一化,并采用加权融合算法形成融合特征向量;
31、按照各非均匀时间窗的时间顺序排列融合特征向量,得到多源水力融合特征序列。
32、具体的,所述水力分析模块还用于:
33、按照非均匀时间窗的时序排列多源水力融合特征序列,构建融合特征矩阵,并结合各时间窗持续时长形成模型输入序列;
34、将模型输入序列输入预先训练的人工智能水力分析模型的时序编码层,提取跨时间窗水力演化特征,得到水力状态向量;
35、基于水力状态向量分别计算预设预测时域内的水位变化序列和流量变化序列;
36、根据水位变化序列、流量变化序列及水力状态向量,经风险特征映射得到洪水风险特征向量;
37、将水位变化序列、流量变化序列及洪水风险特征向量输出至预警模块。
38、具体的,所述预警模块还用于:
39、根据洪水风险特征向量中各风险特征分量的预设权重计算洪水风险评分,并按照时间顺序形成风险评分序列;
40、将各洪水风险评分与预设风险阈值向量比较,确定对应时间窗的初始预警等级;
41、根据连续时间窗内所述初始预警等级的累计持续时长及水位变化序列、流量变化序列的变化方向,对初始预警等级进行时序校验,得到目标预警等级;
42、根据目标预警等级及对应洪水风险特征生成河道洪水预警信息。
43、具体的,所述多源融合模块还用于:
44、针对各非均匀时间窗,分别根据水位观测数据、流量观测数据和降雨观测数据的有效样本比例、最大缺测间隔及时间戳完整率构建数据质量特征向量;
45、对所述数据质量特征向量进行归一化,确定各数据源的可信度系数;
46、根据所述可信度系数调整对应特征向量的融合权重;
47、按照调整后的融合权重进行加权融合,得到可信融合特征向量;
48、按照时间顺序排列所述可信融合特征向量,形成校正后的多源水力融合特征序列。
49、具体的,所述水力分析模块还用于:
50、获取各非均匀时间窗的中心时刻,并根据相邻中心时刻确定时间差序列;
51、根据所述时间差序列构建时间编码向量,并与对应融合特征向量组合形成增强模型输入序列;
52、将所述增强模型输入序列输入人工智能水力分析模型;
53、根据所述时间差确定时间衰减权重,并利用所述时间衰减权重调节历史时间窗的融合特征对当前水力状态向量的贡献;
54、基于调整后的水力状态向量生成水位变化序列、流量变化序列及洪水风险特征向量。
55、具体的,所述预设风险阈值向量通过以下方式确定:
56、根据连续非均匀时间窗的水位变化方向、流量变化方向及洪水风险评分变化率构建水力状态特征向量;
57、根据所述水力状态特征向量确定上涨状态、洪峰状态或消退状态;
58、建立不同水力状态与对应风险阈值向量之间的映射关系;
59、根据当前水力状态选取对应风险阈值向量;
60、将选取的风险阈值向量用于确定对应时间窗的初始预警等级。
61、由上述技术方案可知,本发明具有如下有益效果:
62、本发明通过比较同一时间窗内水位观测数据在不同处理次序下获得的流量表征结果,形成水力表征畸变指标,并依据该指标对时间窗进行保留或分割,使数据时间尺度能够随河道水力变化程度进行调整,减少固定时间尺度聚合对非线性水位—流量关系及洪水快速涨落信息造成的表征失真。在此基础上,将流量观测数据和降雨观测数据按照非均匀时间尺度进行特征提取与融合,可在平稳水力阶段降低冗余信息影响,并在水位快速上涨、洪峰临近等阶段保留较高时间分辨率的变化特征。进一步利用人工智能水力分析模型对多源水力融合特征序列进行分析,有利于提高对水位变化趋势、流量变化趋势及洪水风险状态的识别能力,使预警结果能够更好地适应河道水力状态随时间变化的特点。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com