基于深度学习的水库出库水沙过程预测方法及系统
本发明涉及水沙预测,具体为基于深度学习的水库出库水沙过程预测方法及系统。
背景技术:
1、黄河中游复杂的水沙问题长期制约着流域水资源的高效利用与防洪安全。为应对该问题,同时兼顾供水、发电等综合利用目标,黄河流域先后修建了三门峡水库和小浪底水库等关键调蓄工程,这些水库在防洪减淤、优化水资源配置及流域综合治理中发挥了重要作用。然而,随着时间推移,泥沙淤积导致库容逐年减少,水库调度的难度日益增加,亟须更加科学高效的管理策略。其中,水沙过程的精准预测,尤其是水库的出库流量与含沙量预测,是优化调度的重要前提。
2、黄河中游水沙过程的动态变化受降雨、来水、库区调度等多因素共同影响,呈现出显著的非线性和时序依赖性,这给传统预测方法带来挑战。数学物理模型和经验统计模型虽在一定程度上能反映水沙规律,但对输入参数依赖性强、建模过程复杂,难以适应高维度输入和非线性系统特征。为弥补其不足,机器学习技术逐步被引入水沙预测中,如支持向量机、随机森林和梯度提升树等算法,一定程度上提升了模型的自适应能力和预测精度。然而,这些模型在处理长期依赖关系、多维时序特征时仍有局限,预测效果有待提升。
3、近年来,深度学习因其在处理复杂非线性问题方面的突出能力,被广泛应用于水沙过程预测中。长短时记忆网络、时序卷积网络等模型在径流与泥沙预测中展现出优于传统方法的精度。然而,现有深度学习模型多依赖单一的水文时间序列输入,往往忽略了水沙演变与水库蓄泄状态的动态变化关系,导致其在面对复杂工况时的特征提取维度单一、泛化能力受限。此外,深度学习模型性能受超参数设置显著影响,如时间步长、学习率、迭代次数等,现有优化算法普遍以纯统计误差作为单一适应度函数,缺乏水文先验知识的约束,容易导致模型在极端情况下输出违背常识的预测结果。
4、因此,亟需一种能够综合考虑梯级水库联动特性、融合多源水文变量、并引入水文物理约束进行超参数优化的水沙过程预测方法,以提升预测精度与泛化能力。
技术实现思路
1、本发明的目的在于提供提高出库流量与含沙量的预测精度,提高水库调度的可靠性的基于深度学习的水库出库水沙过程预测方法及系统。
2、本发明是这样实现的:
3、基于深度学习的水库出库水沙过程预测方法,包括以下步骤:
4、s1、采集目标水库及其上游水库的逐日水文监测数据,获得原始数据;
5、s2、对原始数据进行预处理,得到候选变量;
6、s3、对候选变量进行线性相关性特征提取,得到具有线性相关的特征变量和目标变量,目标变量包括流量和含沙量;
7、s4、采用滑动窗口机制将特征变量生成数据集,用于目标变量进行预测;
8、s5、按时间顺序将数据集划分为训练集、验证集、测试集;
9、s6、对训练集进行标准化处理,得到标准化训练集;
10、s7、对多个预测模型输入标准化训练集进行训练,得到训练好的预测模型;使用改进的遗传算法对各个训练好的预测模型输入验证集进行超参数寻优,得到相应的优化预测模型,超参数包括卷积核数量、卷积核大小、隐层单元数、丢弃率、学习率和迭代次数;利用最优超参数的优化预测模型对测试集进行预测,输出预测结果;
11、s8、采用平均绝对误差、均方根误差、纳什效率系数和kling-gupta效率系数四种评价指标对输出预测结果进行评估。
12、进一步,对原始数据进行预处理的方法包括:对原始数据的缺失值采用线性插值法进行填补,对原始数据的异常值则根据经验规则或上下限阈值进行纠正,得到候选变量。
13、进一步,原始数据包括:入库流量q入、出库流量q出、上游水库的入库流量q上入、入库含沙量s入、出库含沙量s出、入库站水位h入、坝前水位h坝、入库水文站水位与坝前水位之差δh、库容v。
14、进一步,对候选变量进行线性相关性特征提取的结果:
15、目标变量为出库流量时,特征变量包括:入库流量、入库站水位、坝前水位、库容;
16、目标变量为出库含沙量时,特征变量包括:入库流量、出库流量、入库含沙量、坝前水位、入库水文站水位与坝前水位之差、库容;
17、对于梯级水库系统中的下游水库,目标变量为出库流量时,特征变量包括上游水库的入库流量、入库流量;
18、目标变量为出库含沙量时,特征变量包括:入库流量、出库流量、入库含沙量、坝前水位、库容。
19、进一步,采用滑动窗口机制将特征变量生成数据集的方法包括:
20、设定时间窗口长度,将连续时间窗口长度天的特征变量作为模型输入的数据集,用于预测未来第预见期天的目标变量。
21、进一步,对训练集进行标准化处理的方法包括:目标变量为流量时,将相应的特征变量线性映射到[-1,1]区间;
22、目标变量为含沙量时,将相应的特征变量转化为均值为0、标准差为1的形式。
23、进一步,多个预测模型包括:cnn模型、lstm模型、cnn-lstm并联模型和tcn模型;其中,cnn模型包含一层一维卷积层、池化层和全连接层;lstm模型包含两层lstm层;cnn-lstm模型采用并联结构,输入序列同时经过cnn分支和lstm分支,输出特征融合后经全连接层得到预测结果;tcn模型包含一层因果扩张卷积层。
24、进一步,cnn-lstm并联模型的cnn分支用于提取输入序列中的局部特征,lstm分支用于捕捉序列中的长期依赖关系,两个分支的输出特征经融合后输入全连接层。
25、进一步,使用改进的遗传算法对各个训练好的预测模型输入验证集进行超参数寻优,得到相应的优化预测模型的方法包括:
26、采用混合型染色体编码方式,对各个训练好的预测模型的连续型超参数使用实数编码,对离散型超参数使用整数编码,每个个体表示一组超参数组合;
27、将每一组超参数组合输入建立的融合纳什效率系数与物理约束惩罚项的适应度函数,得到各组超参数组合的适应度;
28、按适应度排序保留前50%个体;剩余种群通过单点交叉与变异操作产生新超参数组合,交叉率设为80%,变异率设为20%;
29、以最大迭代次数为终止准则,输出最优超参数组合,得到相应的优化预测模型。
30、基于深度学习的水库出库水沙过程预测系统,包括:
31、数据采集模块,用于采集目标水库及其上游水库的逐日水文监测数据,获得原始数据;
32、数据预处理模块,用于对原始数据进行预处理,得到候选变量;
33、特征提取模块,用于对候选变量进行线性相关性特征提取,得到具有线性相关的特征变量和目标变量,目标变量包括流量和含沙量;
34、数据集生成模块,用于采用滑动窗口机制将特征变量生成数据集,用于目标变量进行预测;
35、数据集划分模块,用于按时间顺序将数据集划分为训练集、验证集、测试集;
36、标准化处理模块,用于对训练集进行标准化处理,得到标准化训练集;
37、模型训练与预测模块,用于对多个预测模型输入标准化训练集进行训练,得到训练好的预测模型;使用改进的遗传算法对各个训练好的预测模型输入验证集进行超参数寻优,得到相应的优化预测模型,超参数包括卷积核数量、卷积核大小、隐层单元数、丢弃率、学习率和迭代次数;利用最优超参数的优化预测模型对测试集进行预测,输出预测结果;
38、模型评估模块,用于采用平均绝对误差、均方根误差、纳什效率系数和kling-gupta效率系数四种评价指标对输出预测结果进行评估。
39、与现有技术相比,本发明的有益效果是:
40、1、本发明充分考虑梯级水库系统的联动特性,不仅选取入库流量、坝前水位等常规水文变量,还引入库容等衍生变量作为输入特征,并通过相关性分析科学筛选特征组合,使模型能够更全面地捕捉水沙演变与水库蓄泄状态的动态变化关系,显著提升了特征表达的完整性和模型的泛化能力。
41、2、本发明采用cnn-lstm并联结构,cnn分支有效提取输入序列中的局部特征,lstm分支捕捉序列中的长期依赖关系,二者结合能够在不同层次上进行全面的特征提取,相较于单一结构的深度学习模型,在捕捉流量和含沙量的快速变化、洪峰和排沙峰值等关键水文事件方面具有明显优势。
42、3、本发明在遗传算法的适应度函数中引入物理约束惩罚项,对负值预测结果进行加权惩罚,克服了现有优化算法以纯统计误差作为单一适应度函数、易导致预测结果违背物理常识的缺陷,保证了预测结果的物理一致性。
43、4、本发明通过改进遗传算法对四种深度学习模型进行超参数优化,能够自适应地确定适用于不同水库、不同预测任务的最优超参数组合,降低了人为调参的主观性和盲目性,提升了模型的自动化程度和适用性。
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