CN109840587A - 基于深度学习的水库入库流量预测方法 - Google Patents
基于深度学习的水库入库流量预测方法 Download PDFInfo
- Publication number
- CN109840587A CN109840587A CN201910007771.6A CN201910007771A CN109840587A CN 109840587 A CN109840587 A CN 109840587A CN 201910007771 A CN201910007771 A CN 201910007771A CN 109840587 A CN109840587 A CN 109840587A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- inflow
- predicted
- data
- rain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及流域水情预测技术领域,公开了一种基于深度学习的水库入库流量预测方法,包括如下步骤:取得历史数据,利用DBN模型进行学习,取得各控制站及水库的历史流量数据与水库的入库流量之间的对应关系,进而取得无雨情况下预测的水库入库流量、有雨情况下预测的水库入库流量和有雨情况下的差值delta,通过LSTM训练学习,取得有雨情况下预测的入库流量差值,进而取得最终预测的水库入库流量。本发明基于深度学习的水库入库流量预测方法,将深度置信网络与长短期记忆网络算法相融合应用于入库流量的预测,提高了对入库流量的预报精度,并且提升了模型的可靠性和可扩展性。
Description
技术领域
本发明涉及流域水情预测技术领域,具体涉及一种基于深度学习的水库入库流量预测方法。
背景技术
目前,对于水库入库流量预测的方法主要分为两类:基于传统的水文学研究方法以及基于人工神经网络等传统机器学习的方法。在基于传统的水文学研究方法中,一般都是通过计算土壤含水量、降雨量、上下游水库蓄水泄水情况等多种物理量值,并通过模拟产汇流机制来预报水情。传统的水库入库流量预测模型一般具有明确的物理关系,但相对来说,也存在一定问题:物理模型比较复杂,很难收集到建立模型所需的所有按时间空间分布的细节数据,例如地形数据、河道特性数据、流域土壤特性分布和降雨径流数据;此外,作为非线性过程的产汇流过于复杂,难以通过物理模型准确模拟;再者,不同流域的情况千差万别,而所用的水文模型一般又很难将各种复杂的情况都充分考虑。
在基于人工神经网络等传统机器学习的方法中,代表性的有决策树、各种聚类算法、支持向量机、神经网络等,这些方法一般从历史水文数据入手,并从数据之间的关系出发寻找内在联系的模式,通过对历史数据分析和学习从而对未来某时段的入库流量进行预测。这些方法虽然相对于传统方法在预测精度上有所提升,但是这些方法通常都需要对数据进行提前分析,再把分析结果作为模型的输入。并且大多数都是利用浅层模型在学习,容易陷入局部最优、计算时间过长等等问题,而且不能模拟大规模复杂的数学计算,所以在入库流量预测方面也难以取得理想效果。此外,这些网络模型都较为单一、结构较为简单,缺乏对具体问题的分析和设计,扩展性较差。
发明内容
本发明的目的就是针对上述技术的不足,提供一种基于深度学习的水库入库流量预测方法,将深度置信网络与长短期记忆网络算法相融合应用于入库流量的预测,提高了对入库流量的预测精度,并且提升了模型的可靠性和可扩展性。
为实现上述目的,本发明所设计基于深度学习的水库入库流量预测方法,包括如下步骤:
A)将水库周围流域范围划分为设置有若干控制站的第一监测区和设置有若干雨量站的第二监测区,按照时间点取得水库的历史流量数据、控制站的历史流量数据以及雨量站的历史雨量数据,流量数据是每个时间点测量一次的瞬时流量,雨量数据是相邻两个时间点之间的累计雨量,每个时间点上所有雨量站的雨量数据之和大于10mm为有雨情况,小于等于10mm为无雨情况;
B)利用深度置信网络(DBN)模型对无雨情况下各控制站的历史流量数据进行学习,选取各控制站以及水库在无雨情况下的历史流量数据,输入DBN模型,取得各控制站及水库的历史流量数据与水库的入库流量之间的对应关系,进而取得无雨情况下预测的水库入库流量F1;
C)选取各控制站以及水库在有雨情况下的历史流量数据,输入DBN模型,通过所述步骤B)取得的无雨情况下各控制站及水库的历史流量数据与水库的入库流量之间的对应关系,取得有雨情况下预测的水库入库流量F2,然后让有雨情况下预测的水库入库流量F2与有雨情况下的真实水库入库流量作差,取得有雨情况下的差值delta;
D)通过长短期记忆网络(LSTM)以流域范围内雨量站的历史雨量数据作为LSTM的输入,并以所述步骤C)中取得的有雨情况下的流量差值delta作为标签,经过训练学习取得有雨情况下预测的入库流量差值F3;
E)将所述步骤B)中取得的无雨情况下预测的水库入库流量F1、所述步骤C)中取得的有雨情况下预测的水库入库流量F2和所述步骤D)中取得的有雨情况下预测的入库流量差值F3融合取得最终预测的水库入库流量F=F1+F2+F3。
优选地,所述步骤B)中,选取各控制站以及水库在无雨情况下的历史流量数据,转化为一个一维矩阵输入DBN模型,DBN模型是一种概率生成模型,其组成元件是受限玻尔兹曼机(Restricted Boltzmann Machine,RBM),该DBN模型由1个RBM和1个人工神经网络(ANN)组成,其中RBM由一个显层和一个隐藏层构成,ANN由一个隐藏层和一个输出层构成,DBN模型中各全连接层的输出定义为如下公式:
yl=f(wlxl-1+bl)
式中,yl为第l层的输出,wl为第l层的全连接的权值,xl-1为第l-1层的输出,bl为第l层的偏置,f为激活函数,其中RBM和ANN中隐藏层的激活函数是sigmoid激活函数,定义为如下公式:
ANN中输出层没有激活函数,为线性输出。
优选地,DBN模型学***均平方误差作为损失函数来计算地真值与估计结果的差值,并通过随机梯度下降法进行优化,假设给定N个训练样本,y′和y分别代表预测的速度向量和真值,则损失函数定义为如下公式:
通过DBN不断对各控制站以及水库历史流量数据的学习和特征提取,找到各控制站以及水库历史流量数据与入库流量之间的对应关系,最后取得各时间点无雨情况下预测的入库流量值F1,其中,模型的输出是1×1的矩阵。
优选地,所述步骤D)中,根据雨量站的位置关系,从空间位置角度对雨量站进行粗粒度化聚类,分成若干个界限明显的区域,然后在每个时间点上对每个区域雨量站的历史雨量数据进行求和,再将这若干个求和的值作为LSTM的输入,并以所述步骤C)中取得的有雨情况下的流量差值delta作为LSTM网络训练的标签,LSTM由1个cell组成,并且进行时间步展开,时序持续长度为四倍历史天数,每做一次预测,先输入四倍历史天数个数时间点的历史雨量数据,形成一维矩阵,训练LSTM时,将无雨情况时的历史雨量数据和标签都置为0,并且将值小于0的delta值也置为0,以去除不合理数据,LSTM优化的损失函数为如下公式:
式中,为N个训练样本,y′和y分别代表预测的速度向量和真值,最后经过训练学习取得有雨情况下预测的入库流量差值F3。
优选地,时间点选取一天中的2点、8点、14点、20点,即相邻时间点间隔6小时,为反映流量和降雨量的变化,历史流量数据和历史雨量数据为预测时间点前9天至前1天的流量数据和雨量数据。
本发明与现有技术相比,具有以下优点:
1、通过结合两种深度学习模型以及对数据的分类,充分有效地对相关水文数据进行了分析与挖掘,建立了最适合的水库流量预测模型;
2、在数据层面,按有雨、无雨情况对流量数据进行分类、组合,充分考虑了降雨量对入库流量的影响;在模型层面,首先,利用深度置信网络优秀的性能,克服了一般神经网络因随机初始化权值参数而容易陷入局部最优和训练时间长的缺点,使其能够在有雨、无雨两种情况下精准地挖掘流量数据中隐含的规律和特征,从而得到有雨、无雨两种情况下入库流量的预测值,其次利用长短期记忆网络在拟合时序数据上优秀的性能来处理在有雨情况下雨量与流量差delta的拟合问题,得到有雨情况下入库量量的预测差值;
3、通过有机地将上述三个部分得到的结果融合起来得到最后预测的入库流量值,最大程度的发挥各模型的优势并且充分利用了已有的数据资源,使得模型的预测的效果更加精确,也使模型具有更好的鲁棒性和适用性。
附图说明
图1为本发明基于深度学习的水库入库流量预测方法的流程图;
图2为深度置信网络模型结构图;
图3为长短期记忆网络模型结构图;
图4为实例预测值与真值的拟合曲线图。
具体实施方式
下面结合附图和具体实施例对本发明作进一步的详细说明。
一种基于深度学习的水库入库流量预测方法,其特征在于:包括如下步骤:
A)将水库周围流域范围划分为设置有三个控制站的第一监测区和设置有六百个雨量站的第二监测区,按照时间点取得水库的历史流量数据、控制站的历史流量数据以及雨量站的历史雨量数据,时间点选取一天中的2点、8点、14点、20点,即相邻时间点间隔6小时,流量数据是每隔6小时测量一次的瞬时流量,雨量数据是6小时的雨量数据,历史流量数据和历史雨量数据为预测时间点前9天至前1天的流量数据和雨量数据,定义每个时间点上所有雨量站的雨量数据之和大于10mm为有雨情况,小于等于10mm为无雨情况;
B)利用深度置信网络(DBN)模型对无雨情况下各控制站的历史流量数据进行学习,选取各控制站以及水库在无雨情况下的历史流量数据,输入DBN模型,取得各控制站及水库的历史流量数据与水库的入库流量之间的对应关系,进而取得无雨情况下预测的水库入库流量F1,
其中,如图2所示,选取各控制站以及水库在无雨情况下的历史流量数据,转化为一个一维矩阵输入DBN模型,DBN模型是一种概率生成模型,其组成元件是受限玻尔兹曼机(Restricted Boltzmann Machine,RBM),该DBN模型由1个RBM和1个人工神经网络(ANN)组成,其中RBM由一个显层和一个隐藏层构成,ANN由一个隐藏层和一个输出层构成,DBN模型中各全连接层的输出定义为如下公式:
yl=f(wlxl-1+bl)
式中,yl为第l层的输出,wl为第l层的全连接的权值,xl-1为第l-1层的输出,bl为第l层的偏置,f为激活函数,其中RBM和ANN中隐藏层的激活函数是sigmoid激活函数,定义为如下公式:
ANN中输出层没有激活函数,为线性输出,DBN模型学***均平方误差作为损失函数来计算地真值与估计结果的差值,并通过随机梯度下降法进行优化,假设给定N个训练样本,y′和y分别代表预测的速度向量和真值,则损失函数定义为如下公式:
通过DBN不断对各控制站以及水库历史流量数据的学习和特征提取,找到各控制站以及水库历史流量数据与入库流量之间的对应关系,最后取得各时间点无雨情况下预测的入库流量值F1,其中,模型的输出是1×1的矩阵;
C)选取各控制站以及水库在有雨情况下的历史流量数据,输入DBN模型,通过所述步骤B)取得的无雨情况下各控制站及水库的历史流量数据与水库的入库流量之间的对应关系,取得有雨情况下预测的水库入库流量F2,然后让有雨情况下预测的水库入库流量F2与有雨情况下的真实水库入库流量作差,取得有雨情况下的差值delta;
D)通过长短期记忆网络(LSTM)以流域范围内雨量站的历史雨量数据作为LSTM的输入,并以所述步骤C)中取得的有雨情况下的流量差值delta作为标签,经过训练学习取得有雨情况下预测的入库流量差值F3,其中,根据雨量站的位置关系,从空间位置角度对雨量站进行粗粒度化聚类,分成若干个界限明显的区域,然后在每个时间点上对每个区域雨量站的历史雨量数据进行求和,再将这若干个求和的值作为LSTM的输入,并以所述步骤C)中取得的有雨情况下的流量差值delta作为LSTM网络训练的标签,LSTM是一种特殊的循环神经网络,其关键组成结构是细胞cell,一个LSTM cell是由3个门限结构和1个状态向量传输线组成的,门限分别是遗忘门、传入门、输出门,其中状态向量传输线负责长程记忆,3个门限负责短期记忆的选择,因此门限设置可以对输入向量进行删除或者添加操作,从而选择性地让信息通过,因此LSTM能够学习长期依赖,故非常适合用于处理雨量这种与时间序列高度相关的数据,并且通过遗忘门和输出门忘记部分信息可以解决梯度消失的问题,如图3所示,LSTM由1个cell组成,并且进行时间步展开,时序持续长度为四倍历史天数,每做一次预测,先输入四倍历史天数个数时间点的历史雨量数据,形成一维矩阵,训练LSTM时,将无雨情况时的历史雨量数据和标签都置为0,并且将值小于0的delta值也置为0,以去除不合理数据,LSTM优化的损失函数为如下公式:
式中,为N个训练样本,y′和y分别代表预测的速度向量和真值,最后经过训练学习取得有雨情况下预测的入库流量差值F3;
E)将所述步骤B)中取得的无雨情况下预测的水库入库流量F1、所述步骤C)中取得的有雨情况下预测的水库入库流量F2和所述步骤D)中取得的有雨情况下预测的入库流量差值F3融合取得最终预测的水库入库流量F=F1+F2+F3。
如图4是用该模型对三峡水库入库流量进行预测得到的真实流量和预测流量的拟合曲线图,其中纵轴表示入库流量,横轴表示时间序列,这里选择的是从2017年5月10日的2点到10月31日20点的数据,图中虚线表示模型的预测入库流量值,实线表示对应的真实流量值,可以看到预测入库流量值曲线和真实流量值曲线之间拟合程度是非常高的,从而也可以反映出模型预测的高准确率。
Claims (5)
1.一种基于深度学习的水库入库流量预测方法,其特征在于:包括如下步骤:
A)将水库周围流域范围划分为设置有若干控制站的第一监测区和设置有若干雨量站的第二监测区,按照时间点取得水库的历史流量数据、控制站的历史流量数据以及雨量站的历史雨量数据,流量数据是每个时间点测量一次的瞬时流量,雨量数据是相邻两个时间点之间的累计雨量,每个时间点上所有雨量站的雨量数据之和大于10mm为有雨情况,小于等于10mm为无雨情况;
B)利用深度置信网络(DBN)模型对无雨情况下各控制站的历史流量数据进行学习,选取各控制站以及水库在无雨情况下的历史流量数据,输入DBN模型,取得各控制站及水库的历史流量数据与水库的入库流量之间的对应关系,进而取得无雨情况下预测的水库入库流量F1;
C)选取各控制站以及水库在有雨情况下的历史流量数据,输入DBN模型,通过所述步骤B)取得的无雨情况下各控制站及水库的历史流量数据与水库的入库流量之间的对应关系,取得有雨情况下预测的水库入库流量F2,然后让有雨情况下预测的水库入库流量F2与有雨情况下的真实水库入库流量作差,取得有雨情况下的差值delta;
D)通过长短期记忆网络(LSTM)以流域范围内雨量站的历史雨量数据作为LSTM的输入,并以所述步骤C)中取得的有雨情况下的流量差值delta作为标签,经过训练学习取得有雨情况下预测的入库流量差值F3;
E)将所述步骤B)中取得的无雨情况下预测的水库入库流量F1、所述步骤C)中取得的有雨情况下预测的水库入库流量F2和所述步骤D)中取得的有雨情况下预测的入库流量差值F3融合取得最终预测的水库入库流量F=F1+F2+F3。
2.根据权利要求1所述基于深度学习的水库入库流量预测方法,其特征在于:所述步骤B)中,选取各控制站以及水库在无雨情况下的历史流量数据,转化为一个一维矩阵输入DBN模型,DBN模型是一种概率生成模型,其组成元件是受限玻尔兹曼机(RestrictedBoltzmann Machine,RBM),该DBN模型由1个RBM和1个人工神经网络(ANN)组成,其中RBM由一个显层和一个隐藏层构成,ANN由一个隐藏层和一个输出层构成,DBN模型中各全连接层的输出定义为如下公式:
yl=f(wlxl-1+bl)
式中,yl为第l层的输出,wl为第l层的全连接的权值,xl-1为第l-1层的输出,bl为第l层的偏置,f为激活函数,其中RBM和ANN中隐藏层的激活函数是sigmoid激活函数,定义为如下公式:
ANN中输出层没有激活函数,为线性输出。
3.根据权利要求2所述基于深度学***均平方误差作为损失函数来计算地真值与估计结果的差值,并通过随机梯度下降法进行优化,假设给定N个训练样本,y′和y分别代表预测的速度向量和真值,则损失函数定义为如下公式:
通过DBN不断对各控制站以及水库历史流量数据的学习和特征提取,找到各控制站以及水库历史流量数据与入库流量之间的对应关系,最后取得各时间点无雨情况下预测的入库流量值F1,其中,模型的输出是1×1的矩阵。
4.根据权利要求1所述基于深度学习的水库入库流量预测方法,其特征在于:所述步骤D)中,根据雨量站的位置关系,从空间位置角度对雨量站进行粗粒度化聚类,分成若干个界限明显的区域,然后在每个时间点上对每个区域雨量站的历史雨量数据进行求和,再将这若干个求和的值作为LSTM的输入,并以所述步骤C)中取得的有雨情况下的流量差值delta作为LSTM网络训练的标签,LSTM由1个cell组成,并且进行时间步展开,时序持续长度为四倍历史天数,每做一次预测,先输入四倍历史天数个数时间点的历史雨量数据,形成一维矩阵,训练LSTM时,将无雨情况时的历史雨量数据和标签都置为0,并且将值小于0的delta值也置为0,以去除不合理数据,LSTM优化的损失函数为如下公式:
式中,为N个训练样本,y′和y分别代表预测的速度向量和真值,最后经过训练学习取得有雨情况下预测的入库流量差值F3。
5.根据权利要求1所述基于深度学习的水库入库流量预测方法,其特征在于:时间点选取一天中的2点、8点、14点、20点,即相邻时间点间隔6小时,历史流量数据和历史雨量数据为预测时间点前9天至前1天的流量数据和雨量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007771.6A CN109840587B (zh) | 2019-01-04 | 2019-01-04 | 基于深度学习的水库入库流量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910007771.6A CN109840587B (zh) | 2019-01-04 | 2019-01-04 | 基于深度学习的水库入库流量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109840587A true CN109840587A (zh) | 2019-06-04 |
CN109840587B CN109840587B (zh) | 2022-07-05 |
Family
ID=66883693
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910007771.6A Active CN109840587B (zh) | 2019-01-04 | 2019-01-04 | 基于深度学习的水库入库流量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109840587B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062464A (zh) * | 2019-10-24 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种基于深度学习的电力通信网可靠性预测和保障方法和*** |
CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
CN112541839A (zh) * | 2020-12-23 | 2021-03-23 | 四川大汇大数据服务有限公司 | 基于神经微分方程的水库入库流量预测方法 |
CN112668773A (zh) * | 2020-12-24 | 2021-04-16 | 北京百度网讯科技有限公司 | 一种入库流量的预测方法、装置及电子设备 |
CN112712209A (zh) * | 2020-12-31 | 2021-04-27 | 润联智慧科技(西安)有限公司 | 水库入库流量预测方法、装置、计算机设备及存储介质 |
CN112989705A (zh) * | 2021-03-30 | 2021-06-18 | 海尔数字科技(上海)有限公司 | 水库的入库流量值的预测方法、装置、电子设备及介质 |
CN113592188A (zh) * | 2021-08-06 | 2021-11-02 | 国网四川省电力公司 | 一种基于深度学习理论的梯级电站水力关系耦合方法 |
CN114611777A (zh) * | 2022-03-04 | 2022-06-10 | 山东锋士信息技术有限公司 | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014178116A1 (ja) * | 2013-04-30 | 2014-11-06 | 中国電力株式会社 | 流量予想装置及び流量予想システム |
CN105224801A (zh) * | 2015-10-08 | 2016-01-06 | 中国长江电力股份有限公司 | 一种多因子水库入库流量短期预报评价方法 |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN108921279A (zh) * | 2018-03-26 | 2018-11-30 | 西安电子科技大学 | 水库日入水量预测方法 |
US20180373993A1 (en) * | 2017-06-23 | 2018-12-27 | University Of Alaska Fairbanks | Method Of Predicting Streamflow Data |
-
2019
- 2019-01-04 CN CN201910007771.6A patent/CN109840587B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014178116A1 (ja) * | 2013-04-30 | 2014-11-06 | 中国電力株式会社 | 流量予想装置及び流量予想システム |
CN105224801A (zh) * | 2015-10-08 | 2016-01-06 | 中国长江电力股份有限公司 | 一种多因子水库入库流量短期预报评价方法 |
US20180373993A1 (en) * | 2017-06-23 | 2018-12-27 | University Of Alaska Fairbanks | Method Of Predicting Streamflow Data |
CN107688871A (zh) * | 2017-08-18 | 2018-02-13 | 中国农业大学 | 一种水质预测方法和装置 |
CN108921279A (zh) * | 2018-03-26 | 2018-11-30 | 西安电子科技大学 | 水库日入水量预测方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111062464B (zh) * | 2019-10-24 | 2022-07-01 | 中国电力科学研究院有限公司 | 一种基于深度学习的电力通信网可靠性预测和保障方法和*** |
CN111062464A (zh) * | 2019-10-24 | 2020-04-24 | 中国电力科学研究院有限公司 | 一种基于深度学习的电力通信网可靠性预测和保障方法和*** |
CN111324990A (zh) * | 2020-03-19 | 2020-06-23 | 长江大学 | 基于多层长短期记忆神经网络模型的孔隙度预测方法 |
CN111598724A (zh) * | 2020-05-19 | 2020-08-28 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN111598724B (zh) * | 2020-05-19 | 2022-07-22 | 四川革什扎水电开发有限责任公司 | 一种中小水库入库流量日前预测的分时段集成方法 |
CN112001556A (zh) * | 2020-08-27 | 2020-11-27 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
CN112001556B (zh) * | 2020-08-27 | 2022-07-15 | 华中科技大学 | 一种基于深度学习模型的水库下游水位预测方法 |
CN112541839A (zh) * | 2020-12-23 | 2021-03-23 | 四川大汇大数据服务有限公司 | 基于神经微分方程的水库入库流量预测方法 |
CN112668773A (zh) * | 2020-12-24 | 2021-04-16 | 北京百度网讯科技有限公司 | 一种入库流量的预测方法、装置及电子设备 |
CN112668773B (zh) * | 2020-12-24 | 2024-06-28 | 北京百度网讯科技有限公司 | 一种入库流量的预测方法、装置及电子设备 |
CN112712209A (zh) * | 2020-12-31 | 2021-04-27 | 润联智慧科技(西安)有限公司 | 水库入库流量预测方法、装置、计算机设备及存储介质 |
CN112989705A (zh) * | 2021-03-30 | 2021-06-18 | 海尔数字科技(上海)有限公司 | 水库的入库流量值的预测方法、装置、电子设备及介质 |
CN113592188A (zh) * | 2021-08-06 | 2021-11-02 | 国网四川省电力公司 | 一种基于深度学习理论的梯级电站水力关系耦合方法 |
CN114611777A (zh) * | 2022-03-04 | 2022-06-10 | 山东锋士信息技术有限公司 | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109840587B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109840587A (zh) | 基于深度学习的水库入库流量预测方法 | |
CN111310968B (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
Fu et al. | Deep learning data-intelligence model based on adjusted forecasting window scale: application in daily streamflow simulation | |
CN108304668B (zh) | 一种结合水文过程数据和历史先验数据的洪水预测方法 | |
Coulibaly et al. | Downscaling precipitation and temperature with temporal neural networks | |
Ramirez et al. | Artificial neural network technique for rainfall forecasting applied to the Sao Paulo region | |
Razavi et al. | An evaluation of regionalization and watershed classification schemes for continuous daily streamflow prediction in ungauged watersheds | |
Toth et al. | Multistep ahead streamflow forecasting: Role of calibration data in conceptual and neural network modeling | |
CN107292098A (zh) | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 | |
Marofi et al. | Predicting spatial distribution of snow water equivalent using multivariate non-linear regression and computational intelligence methods | |
Lee et al. | Interpolation of missing precipitation data using kernel estimations for hydrologic modeling | |
Ouali et al. | Fully nonlinear statistical and machine‐learning approaches for hydrological frequency estimation at ungauged sites | |
Chen et al. | Groundwater level prediction using SOM-RBFN multisite model | |
Üneş et al. | Estimation of groundwater level using artificial neural networks: a case study of Hatay-Turkey | |
CN107918166A (zh) | 多卫星融合降水方法及*** | |
Terzi | Monthly Rainfall Estimation Using Data‐Mining Process | |
CN111723523B (zh) | 一种基于级联神经网络的河口余水位预测方法 | |
Maddu et al. | Prediction of land surface temperature of major coastal cities of India using bidirectional LSTM neural networks | |
Budamala et al. | Enhance the prediction of complex hydrological models by pseudo-simulators | |
Agarwal et al. | Flood forecasting and flood flow modeling in a river system using ANN | |
Giang et al. | Monthly precipitation prediction using neural network algorithms in the Thua Thien Hue Province | |
Aoulmi et al. | Runoff predictions in a semiarid watershed by convolutional neural networks improved with metaheuristic algorithms and forced with reanalysis and climate data | |
Patra et al. | Regional groundwater sequential forecasting using global and local LSTM models | |
Ju et al. | Hydrologic simulations with artificial neural networks | |
Wei | Simulation of operational typhoon rainfall nowcasting using radar reflectivity combined with meteorological data |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |