复杂水网系统水资源适应性调控决策神经网络训练样本生成方法与流程
本发明涉及水资源管理与决策支持,尤其涉及一种复杂水网系统水资源适应性调控决策神经网络训练样本生成方法。
背景技术:
1、水资源适应性调控多属性决策需要处理海量多维指标,通常采用神经网络进行指标降维,提取关键决策信息。其中训练样本的质量影响神经网络学习指标向量至综合评价值映射关系的准确性,进而影响网络权重解析的可靠性。
2、现有技术在生成神经网络训练样本时,通常采用在正负理想点界定的指标区间内,以均匀分布随机数进行离散化采样的方法。也有部分方案利用历史观测数据的联合分布拟合,或多维凸包包络来划定样本的生成边界,提升样本分布的合理性。然而在实际水动力系统中,各类决策指标受水量平衡方程、水位-流量关系等物理规律制约,指标之间存在强耦合关系。传统的均匀离散采样和分布拟合手段,难以有效描述高维空间中较复杂的物理约束边界。
技术实现思路
1、发明目的:为了解决现有技术存在的技术问题,本发明提出一种复杂水网系统水资源适应性调控决策神经网络训练样本生成方法。
2、技术方案:一种复杂水网系统水资源适应性调控决策神经网络训练样本生成方法,包括:
3、获取水资源情景箱式空间、决策区间、预先构建的代理模型、代理误差协方差和物理模型的率定残差协方差;
4、在水资源情景箱式空间内采样并经代理模型前推至指标空间得到可行流形样本集,留存情景-指标配对索引;
5、基于合成协方差定义马氏管域,对可行流形样本集施加截断扰动并执行决策区间裁剪,得到可行训练样本候选集;
6、识别可行训练样本候选集中的稀疏样本,依托情景-指标配对索引逆向定位其情景原像子域进行加密采样,经前推与扰动生成回填样本集;
7、将回填样本集并入可行训练样本候选集并迭代至覆盖均匀性收敛,得到均衡可行样本集;
8、为均衡可行样本集赋予标签,输出带标签水资源适应性训练样本集。
9、根据本申请的一个方面,在水资源情景箱式空间内采样,包括:
10、采用均匀密度采样生成情景点集;或者,采用基于映射畸变预补偿的非均匀密度采样生成情景点集;
11、情景点集经代理模型前推至指标空间得到可行流形样本集。
12、根据本申请的一个方面,采用均匀密度采样生成情景点集,包括:
13、利用低偏差序列在水资源情景箱式空间内生成情景点集;
14、经代理模型前推至指标空间得到可行流形样本集,留存情景-指标配对索引,包括:
15、将情景点集逐点输入代理模型前推至指标空间,得到可行流形样本集;
16、同步留存每个指标样本至其情景原像点的映射关系,形成情景-指标配对索引。
17、根据本申请的一个方面,采用基于映射畸变预补偿的非均匀密度采样生成情景点集,包括:
18、在水资源情景箱式空间内生成候选点池;
19、利用代理模型的解析梯度组装雅可比矩阵,基于雅可比矩阵的奇异值计算候选点池中每个候选点的度量畸变因子;
20、基于度量畸变因子确定接受概率,以接受概率对候选点池进行筛选,得到接受点集作为情景点集。
21、根据本申请的一个方面,得到可行训练样本候选集,包括:
22、针对可行流形样本集中的每个流形样本,抽取服从零均值且协方差为合成协方差的扰动向量;
23、计算扰动向量与合成协方差的逆矩阵构成的二次型;
24、在二次型小于等于预设的卡方分布分位数时,接受扰动向量并叠加至对应的流形样本,得到增厚样本;
25、对由增厚样本构成的管域增厚样本集,基于预设的决策区间执行决策区间裁剪,得到可行训练样本候选集。
26、根据本申请的一个方面,依托情景-指标配对索引逆向定位其情景原像子域进行加密采样,包括:
27、计算可行训练样本候选集中每个样本在指标空间中的近邻距离;
28、将近邻距离高于预设分位阈值的样本识别为稀疏样本;
29、根据情景-指标配对索引,确定稀疏样本对应的情景原像点;
30、以情景原像点为中心、以情景原像点至最近既有情景点的距离为半径,界定情景原像子域;
31、在情景原像子域内执行加密采样,得到加密情景点集。
32、根据本申请的一个方面,物理模型的率定残差协方差,是通过以下方式预先获取的:
33、获取物理模型在率定期的状态层多变量残差序列及对应的模拟轨迹;
34、对多变量残差序列进行保结构切块与蒙特卡洛重构,得到残差实现,将残差实现叠加于模拟轨迹得到扰动轨迹;
35、基于扰动轨迹经预设的决策指标泛函重算指标向量,得到指标实现向量,对模拟轨迹经同一决策指标泛函计算得到未扰动基准点,并以未扰动基准点为中心对指标实现向量统计协方差,得到率定残差协方差。
36、根据本申请的一个方面,预先构建的代理模型,是通过以下方式预先训练获得的:
37、利用预先构建的情景-指标配对样本库训练得到初始代理模型;
38、在水资源情景箱式空间内采样,利用初始代理模型对采样点生成前推样本,并对前推样本抽样回代至物理模型进行复核;
39、在复核偏差超过预设的误差阈值时,将回代点并入情景-指标配对样本库,对初始代理模型进行增量重训并更新代理误差协方差,直至复核通过得到代理模型。
40、根据本申请的一个方面,在输出带标签水资源适应性训练样本集之后,还包括:
41、利用带标签水资源适应性训练样本集训练预设的神经网络模型;
42、基于训练后的神经网络模型的网络连接权重,解析各决策指标的指标重要度与敏感度,以供适应性调控决策进行指标降维筛选。
43、根据本申请的一个方面,水资源情景箱式空间的构建过程包括:读取研究区校验后水量水质耦合模型、历史边界条件序列与历史调控决策记录,基于预设的决策指标体系,辨识对决策指标有基于敏感性分析筛选对决策指标有贡献的的情景变量得到情景变量集,并依据历史极值外延确定情景变量集中各变量的物理取值上下限,张成水资源情景箱式空间;
44、历史边界条件序列包括入流、降雨、外江潮位;
45、历史调控决策记录包括闸泵启闭、引排流量、供水配置。
46、有益效果:本发明利用物理模型因果结构保证样本物理可行,通过受控误差增厚与逆向回填,从源头降低伪梯度对降维结果的污染。
1.一种复杂水网系统水资源适应性调控决策神经网络训练样本生成方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,在水资源情景箱式空间内采样,包括:
3.根据权利要求2所述的方法,其特征在于,采用均匀密度采样生成情景点集,包括:
4.根据权利要求2所述的方法,其特征在于,采用基于映射畸变预补偿的非均匀密度采样生成情景点集,包括:
5.根据权利要求1所述的方法,其特征在于,得到可行训练样本候选集,包括:
6.根据权利要求1所述的方法,其特征在于,依托情景-指标配对索引逆向定位其情景原像子域进行加密采样,包括:
7.根据权利要求1所述的方法,其特征在于,物理模型的率定残差协方差,是通过以下方式预先获取的:
8.根据权利要求1所述的方法,其特征在于,预先构建的代理模型,是通过以下方式预先训练获得的:
9.根据权利要求1所述的方法,其特征在于,在输出带标签水资源适应性训练样本集之后,还包括:
10.根据权利要求1所述的方法,其特征在于,水资源情景箱式空间的构建过程包括:读取研究区校验后水量水质耦合模型、历史边界条件序列与历史调控决策记录,基于预设的决策指标体系,辨识对决策指标有基于敏感性分析筛选对决策指标有贡献的的情景变量得到情景变量集,并依据历史极值外延确定情景变量集中各变量的物理取值上下限,张成水资源情景箱式空间;
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