CN111461192A - 基于多水文站联动学习的河道水位流量关系确定方法 - Google Patents
基于多水文站联动学习的河道水位流量关系确定方法 Download PDFInfo
- Publication number
- CN111461192A CN111461192A CN202010218108.3A CN202010218108A CN111461192A CN 111461192 A CN111461192 A CN 111461192A CN 202010218108 A CN202010218108 A CN 202010218108A CN 111461192 A CN111461192 A CN 111461192A
- Authority
- CN
- China
- Prior art keywords
- water level
- level flow
- section
- neural network
- river
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000003062 neural network model Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 9
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 7
- 239000013598 vector Substances 0.000 claims description 40
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000009466 transformation Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001595 flow curve Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了基于多水文站联动学习的河道水位流量关系确定方法,该方法包括:步骤1,收集河道所在流域上下游各水文站的流量和水位观测数据,以及各水文站所在断面的影响因子,构建样本集;步骤2,利用样本集对神经网络模型进行训练;步骤3,将河道目标断面的影响因子输入训练后的神经网络模型,获得河道目标断面所对应的参数对A和B,利用水位流量关系公式构建河道目标断面的水位流量关系。在无河道目标断面实测观测资料的前提下,本发明实现了目标河道断面水位流量关系的高效确定。
Description
技术领域
本发明涉及水文测量技术领域,具体是基于多水文站联动学习的河道水位流量关系确定方法。
背景技术
河道内的流量测量工作是洪水实时预报、防洪调度研究中的重要内容,因此如何迅速、准确地测得河流流量至关重要。实际水文测量时,直接对河道进行流量测量的工作繁重,并且耗时长、成本高,具有很大局限性。相比之下,水位数据测量则简单易行,可以连续进行观读。若能建立河道流量和水位之间的关系,则可根据断面水位得到流量数据,大大提高测流的效率,这具有重要的理论意义和实践价值。
水位流量关系是用来描述河道中某一断面的水位与通过该断面的流量之间的关系。水位流量关系主要受河道的几何尺寸、糙率和水面比降等因子影响[1]。目前水位流量关系的构建主要采用公式Q=AHB来进行函数拟合[2,3],其中,H为水位,Q为流量,A和B为水位流量关系曲线的两个参数。该拟合方法根据断面实测的水位和流量观测资料,通过最小二乘法求解模型参数A和B。
现有的水位流量关系拟合方法针对的是有观测资料的河道,需要历史的流量水位观测数据。但目前流量水文站分布很少,绝大多数河道没有流量观测资料,现有方法难以构建流量水位关系,从而无法供水文计算或水文预报分析使用。
文中涉及的参考文献如下:
[1]晏志伟,潘卉,乔玲玲,李逊.利用断面资料推求单一水位流量关系线的探讨[J].水文,2015,35(1):73-76.
[2]李守军,高磊,徐立中,于红.水位流量曲线BP神经网络逼近与多项式拟合对比[J].水电自动化与大坝监测,2009,33(1):5-9.
[3]吴鹏飞,王猛.基于多断面水位-流量法的渠道流量测量技术[J].测控技术,2019,38(3):92-96.
发明内容
针对现有技术存在的不足,本发明提供了基于多水文站联动学习的河道水位流量关系确定方法,该方法无需实测观测数据,即可确定河道水位流量关系。
为解决上述技术问题,本发明采用如下技术方案:
一种基于多水文站联动学习的河道水位流量关系确定方法,包括步骤:
步骤1,构建样本集,具体为:
收集河道所在流域上下游各水文站的流量和水位观测数据,基于观测数据,利用水位流量关系公式计算各水文站所在断面水位流量关系所对应的参数对A和B,将所计算的参数对作为输出集;
收集各水文站所在断面的影响因子,所述影响因子包括几何尺寸、糙率和水面比降,将所收集的影响因子作为输入集;
输出集和输入集构成样本集;
步骤2,利用样本集对神经网络模型进行训练;
步骤3,将河道目标断面的影响因子输入训练后的神经网络模型,获得河道目标断面所对应的参数对A和B,利用水位流量关系公式构建河道目标断面的水位流量关系。
进一步的,对神经网络模型的训练包括进行输入层到隐含层变换以及隐含层到输出层变换的训练;
输入层到隐含层变换采用高斯基函数其中,Ru(x)表示第u个隐含层单元的激活函数;x表示输入向量;cu表示第u个隐含层单元基函数的中心点;σu表示第u个隐含层单元基函数的宽度;||x-cu||表示x和cu之间的距离;u表示隐含层单元数编号,u=1,2,…,U,U为隐含层单元数;
作为优选,步骤2进一步包括:
第一步,利用最近邻聚类法确定神经网络模型的中心点和宽度,进一步包括:
(1)初始化高斯基函数的宽度σ,定义矢量O(m)、计数器P(m)和ωm,O(m)用于存放第m类样本对的输出矢量之和,P(m)用于统计属于第m类样本对数,ωm=O(m)/P(m),ωm表示第m个隐单元到输出层的权矢量;
(2)令样本集中第一个样本对(x1,y1)为第一类,其聚类中心c1=x1,在神经网络中构建以c1为中心的隐单元,并计算O(1)、P(1)和ω1;
(3)对样本集中各样本对逐一进行最近邻聚类,对第k个样本对(xk,yk),k依次取2、3、4…K,K为样本集中样本对数量,其最近邻聚类如下:
(3a)以σ为聚类阈值,从当前M个聚类中心中找寻xk的最近邻聚类中心,若找寻到xk的最近邻聚类中心cj,执行子步骤(3b);否则,执行子步骤(3c);
(3b)样本对(xk,yk)分到第j类,更新O(j)、P(j)及第j个隐单元到输出层的权矢量ωj;
(3c)令M=M+1,将样本对(xk,yk)归为第M类,其聚类中心cM=xk,在神经网络中添加以cM为中心的隐单元,计算O(M)、P(M)和ωM;
第二步,基于聚类中心、宽度及权矢量,构建神经网络模型。
所构建的神经网络模型为:
其中,xin表示输入向量,即河道断面的影响因子;f(xin)表示输出向量,即河道断面水位流量关系所对应的参数对A和B;ωm表示第m个隐单元到输出层的权矢量,cm表示第m个聚类中心。
进一步的,子步骤(3a)中所述的从当前聚类中心中找寻xk的最近邻聚类中心,具体为:
分别求xk到当前各聚类中心的距离,取其中的最小距离记为||xk-cj||;
比较||xk-cj||和σ的大小,如果||xk-cj||≤σ,则cj为xk的最近邻聚类中心;否则,当前聚类中心中无xk的最近邻聚类中心。
本发明具有如下优点和有益效果:
考虑到大多数河道断面无实测的流量资料,使得现有方法难以构建河道的水位流量关系。针对该问题,本发明通过收集河道所在流域的上下游水文站观测资料,基于RBF神经网络对上下游的多水文站观测资料进行联合学习,有效且高效地确定河道断面的水位流量关系,基于该水位流量关系,可实现根据断面水位推求某一河道的瞬时流量,用来评价或优化防汛抗洪调度决策。
附图说明
图1为本发明具体实施方式的流程图。
具体实施方式
下面将结合附图和具体实施方式,来进一步说明本发明技术方案及技术效果。为便于描述,下文中将需要确定水位流量关系的河道记为目标河道。
参见图1,本发明基于多水文站联动学习的河道水位流量关系确定方法,其一种具体实施方式的步骤如下:
步骤一,资料收集与预处理。
所收集资料包括目标河道所在流域上下游各水文站的观测资料、以及各水文站所在断面的影响因子,此处影响因子指影响断面水位流量关系的若干因素。
将目标河道所在流域上下游水文站数量记为K,收集该K个水文站的观测资料,该观测资料包括流量和水位观测资料,此处的观测资料也可以采用历史观测资料。基于所收集的流量和水位观测资料,采用水位流量关系公式Q=AHB,H为水位,Q为流量,A和B为参数;求解各水文站所在断面的水位流量关系所对应的参数对A和B,将K个水文站对应的参数对依次记为(a1,b1),(a2,b2),…,(aK,bK)。
本具体实施方式中,影响因子包括几何尺寸、糙率、以及水面比降。几何尺寸采用宽度(w)和断面形状(s)表示,宽度为断面宽度,可测量获得;断面形状为梯形、抛物线形、宽浅矩形或双曲锐角形,分别采用1、2、3、4分别表示不同的断面形状。糙率(n)通过断面材质查询天然河道粗糙系数n值表获得;水面比降(i)可测量获得。
综上,本步骤可获得K个水文站对应的参数对以及影响因子集(w,s,n,i),w、s、n、i分别表示宽度、断面形状、糙率、水面比降。以各水文站对应的影响因子集作为输入集X,以各水文站对应的参数对作为输出集Y,输入集X和输出集Y构成样本数据,同一断面所对应的参数对和影响因子集构成一组样本对。X={(w1,s1,n1,i1),(w2,s2,n2,i2),…,(wK,sK,nK,iK)},Y={(a1,b1),(a2,b2),…,(aK,bK)}。其中,(w1,s1,n1,i1),(w2,s2,n2,i2),…,(wK,sK,nK,iK)依次表示K个水文站所在断面对应的影响因子集。
步骤二,构建并训练神经网络模型。
本发明采用神经网络构建河道断面处所对应的参数对与影响因子的模型。由于RBF神经网络具有学习时间短、计算量小等特点,本具体实施方式选择RBF神经网络,当然并不限于RBF神经网络。利用输出集X和输出集Y训练RBF神经网络,具体来说,以输出集Y作为RBF神经网络的输入层信息,以输出集X作为RBF神经网络的输出层信息,对RBF神经网络进行输入层到隐含层变换以及隐含层到输出层变换的训练学习。
本具体实施方式中,选择公式(1)所示的高斯基函数,进行输入层到隐含层的非线性变换:
式(1)中:
Ru(x)表示第u个隐含层单元的激活函数;
x表示输入向量,即RBF神经网络的输入层信息,对应输入集X;
cu表示第u个隐含层单元基函数的中心,其与x具有相同维数;
σu表示第u个隐含层单元基函数的宽度;
||x-cu||表示向量x–cu的范数,即x和cu之间的距离;
u表示隐含层单元编号,u=1,2,…,U,U为隐含层单元数。
本具体实施方式中,选择公式(2)进行隐含层到输出层的线性变换:
式(2)中:
yv表示第v个输出层单元的输出向量,对应输出集Y;
wuv为第u个隐含层单元与第v个输出层单元之间连接的权矢量;
v表示输出层单元编号,v=1,2,…,V,V为输出层单元数。
为描述简洁,后文将“隐含层单元”简写为“隐单元”。
作为优选,可将最近邻聚类法和RBF神经网络结合,利用最近邻聚类法来确定RBF神经网络的中心和宽度等结构参数,从而提高所构建模型的准确度。该优选方案的具体实施过程如下:
(1)初始化高斯基函数的宽度σ,令其中,xk表示输入集中一个样本,|xk|表示xk的模;另外,定义矢量O(m),O(m)用于存放各类输出矢量之和,定义计数器P(m),P(m)用于统计属于各类的样本个数,其中m表示类别编号,初始值为1。
(2)从样本集中第一个样本对(x1,y1)开始构建神经网络模型,x1为输入集X中第一个样本数据,y1为输出集Y中第一个样本数据。第一个样本对中,x1=(w1,s1,n1,i1),y1=(a1,b1),在x1上建立一聚类中心c1,令c1=x1,O(1)=y1,P(1)=1,此处,O(1)用于存放第一类样本对中输出矢量之和,P(1)用于统计第一类样本对数。此时建立的RBF神经网络,只有一个隐单元,该隐单元的中心为c1,该第一个隐单元到输出层的权矢量ω1=O(1)/P(1)。
(3)对样本集中各样本对逐一进行最近邻聚类,对第k个样本对(xk,yk)(k依次取2、3、4…K,K即水文站数量,也是样本对数),其最近邻聚类如下:
假设当前存在M个聚类中心,将M个聚类中心分别记为c1,c2,…cM,则此时所建RBF神经网络中已有M个隐单元。分别求xk到这M个聚类中心的距离||xk-cm||,m依次取1,2,…,M,取其中的最小距离||xk-cj||,cj表示与xk最近的聚类中心。
之后参照步骤(3)对样本对(xk,yk)进行最近邻聚类,比较||xk-cj||和σ的大小;如果||xk-cj||≤σ,cj即xk的最近邻聚类中心,样本对(xk,yk)属于第j类,更新O(j)和P(j),令O(j)=O(j)+yk,P(j)=P(j)+1,更新第j个隐单元到输出层的权矢量为ωj=O(j)/P(j);当且保持O(m)和P(m)的值不变,此处m=1,2,…,M且m≠j。
如果||xk-cj||>σ,则将xk作为一个新聚类中心,令M=M+1,cM=xk,O(M)=yk,P(M)=1,此处,O(M)用于存放第M类样本对的输出矢量之和,P(M)用于统计第M类样本对数;且保持O(m)和P(m)的值不变,此处,m=1,2,…,M-1。此时在当前已建RBF神经网络中添加第M个隐单元,该第M个隐单元到输出层的权矢量ωM=O(M)/P(M)。
当k取2时,样本对为第二个样本对(x2,y2),下面将以第二个样本对(x2,y2)为例说明样本对的最近邻聚类。
此时,当前存在的聚类中心仅有c1,求x2到聚类中心c1的距离||x2-c1||;若||x2-c1||≤σ,则c1为x2的最近邻聚类中心,样本对(x2,y2)也属于第一类样本对,基于O(1)、P(1)和ω1的定义,更新O(1)、P(1)和ω1:O(1)=O(1)+y2,P(1)=P(1)+1,ω1=O(1)/P(1)。
若||x2-c1||>σ,则x2无最近邻聚类中心,此时,将x2作为一个新聚类中心c2,令c2=x2,O(2)=y2,P(2)=1,此处,O(2)用于存放第二类样本对中输出矢量之和,P(2)用于统计第二类样本对数。此时在当前已建RBF神经网络中添加一个新的隐单元,该新的隐单元的中心为c2,该第2个隐单元到输出层的权矢量ω2=O(2)/P(2)。
(4)当所有样本对的最近邻聚类完成后,采用公式(3)更新高斯基函数宽:
式(3)中,M表示聚类数,d表示最大聚类距离。
最大聚类距离的定义如下:
对一个聚类,聚类距离指该聚类中各输入样本和聚类中心距离的最大值,而最大聚类距离d则为M个聚类距离中的最大值。
(5)基于所确定的聚类中心、宽度及权矢量,构建神经网络模型,其输出见公示(4):
式(4)中,xin表示输入向量,本发明中指河道断面的影响因子;f(xin)表示输出向量,本发明中指河道断面水位流量关系所对应的参数对A和B;ωm表示第m个隐单元到输出层的权矢量,cm表示第m个聚类中心。
步骤3,基于神经网络模型确定河道水位流量关系。
将目标河道断面的影响因子(w,s,n,i)输入步骤2构建的RBF神经网络模型,即可获得该断面对应的参数对A和B,利用水位流量关系公式即可构建目标断面的水位流量关系。
Claims (6)
1.基于多水文站联动学习的河道水位流量关系确定方法,其特征是,包括步骤:
步骤1,构建样本集,具体为:
收集河道所在流域上下游各水文站的流量和水位观测数据,基于观测数据,利用水位流量关系公式计算各水文站所在断面水位流量关系所对应的参数对A和B,将所计算的参数对作为输出集;
收集各水文站所在断面的影响因子,所述影响因子包括几何尺寸、糙率和水面比降,将所收集的影响因子作为输入集;
输出集和输入集构成样本集;
步骤2,利用样本集对神经网络模型进行训练;
步骤3,将河道目标断面的影响因子输入训练后的神经网络模型,获得河道目标断面所对应的参数对A和B,利用水位流量关系公式构建河道目标断面的水位流量关系。
2.如权利要求1所述的基于多水文站联动学习的河道水位流量关系确定方法,其特征是:
对神经网络模型的训练包括进行输入层到隐含层变换以及隐含层到输出层变换的训练;
输入层到隐含层变换采用高斯基函数其中,Ru(x)表示第u个隐含层单元的激活函数;x表示输入向量;cu表示第u个隐含层单元基函数的中心点;σu表示第u个隐含层单元基函数的宽度;||x-cu||表示x和cu之间的距离;u表示隐含层单元数编号,u=1,2,…,U,U为隐含层单元数;
3.如权利要求1所述的基于多水文站联动学习的河道水位流量关系确定方法,其特征是:
第一步,利用最近邻聚类法确定神经网络模型的中心点和宽度,进一步包括:
(1)初始化高斯基函数的宽度σ,定义矢量O(m)、计数器P(m)和ωm,O(m)用于存放第m类样本对的输出矢量之和,P(m)用于统计属于第m类样本对数,ωm=O(m)/P(m),ωm表示第m个隐单元到输出层的权矢量;
(2)令样本集中第一个样本对(x1,y1)为第一类,其聚类中心c1=x1,在神经网络中构建以c1为中心的隐单元,并计算O(1)、P(1)和ω1;
(3)对样本集中各样本对逐一进行最近邻聚类,对第k个样本对(xk,yk),k依次取2、3、4…K,K为样本集中样本对数量,其最近邻聚类如下:
(3a)以σ为聚类阈值,从当前M个聚类中心中找寻xk的最近邻聚类中心,若找寻到xk的最近邻聚类中心cj,执行子步骤(3b);否则,执行子步骤(3c);
(3b)样本对(xk,yk)分到第j类,更新O(j)、P(j)及第j个隐单元到输出层的权矢量ωj;
(3c)令M=M+1,将样本对(xk,yk)归为第M类,其聚类中心cM=xk,在神经网络中添加以cM为中心的隐单元,计算O(M)、P(M)和ωM;
第二步,基于聚类中心、宽度及权矢量,构建神经网络模型。
6.如权利要求3所述的基于多水文站联动学习的河道水位流量关系确定方法,其特征是:
子步骤(3a)中所述的从当前聚类中心中找寻xk的最近邻聚类中心,具体为:
分别求xk到当前各聚类中心的距离,取其中的最小距离记为||xk-cj||;
比较||xk-cj||和σ的大小,如果||xk-cj||≤σ,则cj为xk的最近邻聚类中心;否则,当前聚类中心中无xk的最近邻聚类中心。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218108.3A CN111461192B (zh) | 2020-03-25 | 2020-03-25 | 基于多水文站联动学习的河道水位流量关系确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010218108.3A CN111461192B (zh) | 2020-03-25 | 2020-03-25 | 基于多水文站联动学习的河道水位流量关系确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111461192A true CN111461192A (zh) | 2020-07-28 |
CN111461192B CN111461192B (zh) | 2021-04-27 |
Family
ID=71682270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010218108.3A Active CN111461192B (zh) | 2020-03-25 | 2020-03-25 | 基于多水文站联动学习的河道水位流量关系确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111461192B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113639805A (zh) * | 2021-10-14 | 2021-11-12 | 成都万江港利科技股份有限公司 | 一种基于渠道断面流速场重建的流量测量方法 |
CN113945729A (zh) * | 2021-10-14 | 2022-01-18 | 吴平勇 | 一种基于渠道垂直切面的平均流速计算方法 |
CN116911496A (zh) * | 2023-07-13 | 2023-10-20 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种多因数影响下的水位流量关系确定方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160098502A1 (en) * | 2014-10-03 | 2016-04-07 | Schlumberger Technology Corporation | Multiphase flow simulator sub-modeling |
CN106777775A (zh) * | 2017-01-10 | 2017-05-31 | 清华大学 | 一种基于多断面水位预测河流流量的神经网络方法 |
CN108460814A (zh) * | 2018-02-08 | 2018-08-28 | 中国电建集团中南勘测设计研究院有限公司 | 一种多站联动水位流量关系曲线拟合方法 |
CN110414742A (zh) * | 2019-08-02 | 2019-11-05 | 大连海事大学 | 一种多水位站联动的内河水位智能预测方法 |
-
2020
- 2020-03-25 CN CN202010218108.3A patent/CN111461192B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160098502A1 (en) * | 2014-10-03 | 2016-04-07 | Schlumberger Technology Corporation | Multiphase flow simulator sub-modeling |
CN106777775A (zh) * | 2017-01-10 | 2017-05-31 | 清华大学 | 一种基于多断面水位预测河流流量的神经网络方法 |
CN108460814A (zh) * | 2018-02-08 | 2018-08-28 | 中国电建集团中南勘测设计研究院有限公司 | 一种多站联动水位流量关系曲线拟合方法 |
CN110414742A (zh) * | 2019-08-02 | 2019-11-05 | 大连海事大学 | 一种多水位站联动的内河水位智能预测方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113639805A (zh) * | 2021-10-14 | 2021-11-12 | 成都万江港利科技股份有限公司 | 一种基于渠道断面流速场重建的流量测量方法 |
CN113945729A (zh) * | 2021-10-14 | 2022-01-18 | 吴平勇 | 一种基于渠道垂直切面的平均流速计算方法 |
CN113639805B (zh) * | 2021-10-14 | 2022-02-18 | 成都万江港利科技股份有限公司 | 一种基于渠道断面流速场重建的流量测量方法 |
CN116911496A (zh) * | 2023-07-13 | 2023-10-20 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种多因数影响下的水位流量关系确定方法 |
CN116911496B (zh) * | 2023-07-13 | 2024-06-11 | 长江水利委员会水文局长江上游水文水资源勘测局 | 一种多因数影响下的水位流量关系确定方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111461192B (zh) | 2021-04-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022184088A1 (zh) | 一种基于集成学习的洪水敏感性风险评估方法 | |
CN110991690B (zh) | 一种基于深度卷积神经网络的多时次风速预测方法 | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN112288164B (zh) | 一种计及空间相关性和修正数值天气预报的风功率组合预测方法 | |
CN106779203B (zh) | 一种基于不同风速段的高原山区风电功率预测方法 | |
WO2022021726A1 (zh) | 一种基于pmu的电力***状态估计性能评价方法 | |
CN111461192B (zh) | 基于多水文站联动学习的河道水位流量关系确定方法 | |
CN113705877A (zh) | 基于深度学习模型的实时月径流预报方法 | |
CN112016175A (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN110334847A (zh) | 基于改进K-means聚类与支持向量机的风功率预测方法 | |
CN114862073B (zh) | 一种气陆库水四维耦合的中长期径流预报方法 | |
CN116148753A (zh) | 一种智能电能表运行误差监测*** | |
CN114417740B (zh) | 一种深海养殖态势感知方法 | |
CN111598724A (zh) | 一种中小水库入库流量日前预测的分时段集成方法 | |
CN111292124A (zh) | 一种基于优化组合神经网络的需水预测方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN117469603B (zh) | 一种基于大数据学习的多水厂供水***压力优化控制方法 | |
CN113779113A (zh) | 基于雨洪时空过程相似性挖掘的洪水动态预估方法及*** | |
CN114707753B (zh) | 区域化lstm洪水预报方法 | |
CN114462684B (zh) | 耦合数值天气预报与实测数据的风速多点同步预测方法 | |
CN116611702A (zh) | 一种面向楼宇综合能源管理的集成学习光伏发电预测方法 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
CN115907178A (zh) | 一种净生态***co2交换量的预测方法 | |
CN115468543A (zh) | 一种基于参数自动寻优的基流分割方法 |
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 |