CN111473777A - 一种水文用监测***及方法 - Google Patents
一种水文用监测***及方法 Download PDFInfo
- Publication number
- CN111473777A CN111473777A CN202010536129.XA CN202010536129A CN111473777A CN 111473777 A CN111473777 A CN 111473777A CN 202010536129 A CN202010536129 A CN 202010536129A CN 111473777 A CN111473777 A CN 111473777A
- Authority
- CN
- China
- Prior art keywords
- data
- weight
- information
- module
- training
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C13/00—Surveying specially adapted to open water, e.g. sea, lake, river or canal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/23—Updating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Hydrology & Water Resources (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种水文用监测***,包括有数据采集模块、数据传输模块、数据存储模块、数据处理模块以及响应模块;本发明还公开了一种水文用监测方法,包括以下步骤:从数据存储模块中获取输入样本;将输入样本传递至数据预处理块,同时对输入样本进行预处理,预处理完毕后判断是否传递至训练机;若否,则等待预处理完毕;若是,则执行下一步骤;将输入样本及各个分量的初始权值传递至训练机中得到权值,并存入至权值库;预测机获取权值库中的最优权值,并进行预测而得出预测值,将预测值传递至输出块中。本发明具有以下优点和效果:来优化预测效率,并通过通讯来实现数据历史水文数据共享,达到通讯快捷,及时获取水文预测信息的目的。
Description
技术领域
本发明涉及水文学领域,特别涉及一种水文用监测***及方法。
背景技术
水文预报通过对未来水文情势(如洪峰流量)做出科学预测,特别是对灾害性水文现象做出准确预报,从而实现防洪减灾以及水资源的合理开发利用。提高水文预报的精度是水文预报工作的重要内容,对防洪减灾、保护人民生命财产安全、充分发挥水利工程效益改善生态环境等起着至关重要的作用。
现阶段的水文用监测***存在水文预测效率低、时效性差且人工处理及预报费时久,无法满足防汛要求的问题。
发明内容
本发明的目的是提供一种水文用监测***及方法,来优化预测效率,并通过通讯来实现数据历史水文数据共享,达到通讯快捷,及时获取水文预测信息的目的。
为了达到上述目的,本发明提供了一种水文用监测***,包括有数据采集模块、数据传输模块、数据存储模块、数据处理模块以及响应模块;
所述的数据采集模块由水位站、雨量站、气象站组成,以用于采集水文信息;
所述的数据传输模块连接在数据采集模块与数据存储模块之间,并采用通讯的方式向数据存储模块发送数据采集模块所采集的水文信息;
所述的数据存储模块包括有自数据传输模块传递的水文信息、以及历史水文信息,其用于存储并更新水文信息;
所述的数据处理模块与数据存储模块相连,其用于对水文信息进行分析,从而进行水文预报;
所述的响应模块与数据处理模块相连,其基于数据处理模块所得出的结论,从而触发响应动作。
进一步设置是:所述的数据处理模块包括有数据预处理块、训练机、权值库、预测机、事件日志库和输出块;
所述的数据预处理块与数据存储模块相连,用于对采集的水文信息中进行预处理,其包括干扰信息的消除、错误信息的抛弃及缺失信息的修正;
所述的训练机与数据预处理块相连,其将已知的水文信息作为训练样本,来调整训练机自身的参数,从而使输出的预测值处在设定的误差范围内;且通过该训练机后将得到权值;
所述的权值库与训练机相连,用于存储经过训练机后得到的权值;
所述的预测机与权值库相连,其通过自训练机得到的一组权值来对实际采集的水文信息进行预测,预测信息的结果为大于零的自然数;
所述的事件日志库与预测机相连,用于存放已经预测出的历史信息,其包括有所采集的水文信息,预测出的数据信息以及历史权值;
所述的输出块与预测机相连,其基于预测机所得到的预测信息与划分好的警戒阈值相比较,从而触发对应的警戒动作。
本发明还提供了一种水文用监测方法,包括以下步骤:
步骤S1、从数据存储模块中获取输入样本Xi={x1,x2,…,xn};
步骤S2、将输入样本Xi={x1,x2,…,xn}传递至数据预处理块,同时对输入样本Xi={x1,x2,…,xn}的完整性进行检查并进行预处理,预处理完毕后判断是否传递至训练机;若否,则等待预处理完毕;若是,则执行下一步骤;
步骤S3、将输入样本Xi={x1,x2,…,xn}及各个分量的初始权值ωi={ω1,ω2,…,ωn}传递至训练机中,并由训练机进行训练,训练后得到权值,并存入至权值库;
步骤S4、预测机获取权值库中的最优权值,并进行预测而得出预测值,将预测值传递至输出块中,通过与划分好的警戒阈值相比较,从而触发对应的警戒动作。
进一步设置是:所述的步骤S4中还包括有预测机会将训练后得到的权值传递至事件日志库中,以便后续的维护和调试。
进一步设置是:所述的步骤S4中还包括有权值库将实时的权值与历史权值进行比较,从而选取最优权值,进而由预测机获取权值库中的最优权值。
进一步设置是:所述的数据预处理块的预处理包括有:
将明显不符合样本规律的输入样本抛弃;
通过修正来补充样本中的缺失数据,修正方法采用直线插补法:
上式中,xi和xj分别为i和j时刻的实测水文数据,xt为需要插补的数据。
本发明的有益效果在于:
1、通过本发明能整合并优化水文监测***,让整个***行之有效、可靠,让水文监测从开始的采集、数据保存、通讯以及预测的过程相连续,从而提高水文监测的效率,提高时效性,让自动化的处理来代替部分人工操作,快捷简便,不仅节约了处理时间,更是能通过信号的及时通讯,来满足防汛要求。
2、在本发明中通过预处理来有效的消除错误信号,以及修正缺失信息,让整个预测过程更加准确,提高可信度。
3、在本发明中,可将实时权值与历史权值进行比较,从而选择最优权值,从而让训练以及处理的结果更加准确,实现处理结果最准确的目的。
附图说明
图1为实施例的整体结构框图;
图2为实施例中数据处理模块的结构框图。
图中:11、数据采集模块;12、数据传输模块;13、数据存储模块;14、数据处理模块;15、响应模块;21、数据预处理块;22、训练机;23、权值库;24、预测机;25、事件日志库;26、输出块。
具体实施方式
以下结合附图对本发明作进一步详细说明。
参考附图1和2,本实施例公开了一种水文用监测***,包括有数据采集模块11、数据传输模块12、数据存储模块13、数据处理模块14以及响应模块15。
数据采集模块11由水位站、雨量站、气象站组成,以用于采集水文信息。
数据传输模块12连接在数据采集模块11与数据存储模块13之间,并采用通讯的方式向数据存储模块13发送数据采集模块11所采集的水文信息;其可通过有线通信或无线通讯的方式,在实际应用中,可采用两种通讯方式互为备份的方式来进行通讯,保证了通讯的时效性。
数据存储模块13包括有自数据传输模块12传递的水文信息、以及历史水文信息,其用于存储并更新水文信息;历史水文信息还包括有流域基本资料、调度档案、水位站年月旬特征值统计资料、历史洪水编整资料等。
其中,数据处理模块14包括有数据预处理块21、训练机22、权值库23、预测机24、事件日志库25和输出块26。
数据预处理块21与数据存储模块13相连,用于对采集的水文信息中进行预处理,其包括干扰信息的消除、错误信息的抛弃及缺失信息的修正。
训练机22与数据预处理块21相连,其将已知的水文信息作为训练样本,来调整训练机22自身的参数,从而使输出的预测值处在设定的误差范围内;且通过该训练机22后将得到权值。
权值库23与训练机22相连,用于存储经过训练机22后得到的权值。
预测机24与权值库23相连,其通过自训练机22得到的一组权值来对实际采集的水文信息进行预测,预测信息的结果为大于零的自然数。
事件日志库25与预测机24相连,用于存放已经预测出的历史信息,其包括有所采集的水文信息,预测出的数据信息以及现有的最优的权值。
输出块26与预测机24相连,其基于预测机24所得到的预测信息与划分好的警戒阈值相比较,从而触发对应的警戒动作。
在本实施中,训练机22采用AFSVM训练机,预测机24采用SVM预测机。具体流程为:数据处理模块14与数据存储模块13相连,其用于对水文信息进行分析,从而进行水文预报。响应模块15与数据处理模块14相连,其基于数据处理模块14所得出的结论,从而触发响应动作。数据采集模块11中的实测水文数据由各个水情分中心点通过互联网向水情中心站的数据库上传数据,而偏远地区通过自动测报***,以卫星、短波为通讯媒介,更新数据库中的水文数据。工作站可以提取数据存储库中的数据样本,通过AFSVM训练机来训练SVM预测机,训练之后将得到的权值存入权值库23,SVM预测机则通过从权值库23中提取权值,并自动计算出预测值,与设置的警戒水位比较后,触发相应的告警机制,如电子邮件、短信、传真等告警。
本实施例还公开了一种水文用监测方法,其特征在于,包括以下步骤:
步骤S1、从数据存储模块13中获取输入样本Xi={x1,x2,…,xn};
步骤S2、将输入样本Xi={x1,x2,…,xn}传递至数据预处理块21,同时对输入样本Xi={x1,x2,…,xn}的完整性进行检查并进行预处理,预处理完毕后判断是否传递至训练机22;若否,则等待预处理完毕;若是,则执行下一步骤;
步骤S3、将输入样本Xi={x1,x2,…,xn}及各个分量的初始权值ωi={ω1,ω2,…,ωn}传递至训练机22中,并由训练机22进行训练,训练后得到权值,并存入至权值库23;
步骤S4、预测机24获取权值库23中的最优权值,并进行预测而得出预测值,将预测值传递至输出块26中,通过与划分好的警戒阈值相比较,从而触发对应的警戒动作。
进一步是步骤S4中还包括有预测机24会将训练后得到的权值传递至事件日志库25中,以便后续的维护和调试。
进一步是步骤S4中还包括有权值库23将实时的权值与历史权值进行比较,从而选取最优权值,进而由预测机24获取权值库23中的最优权值。
进一步是数据预处理块21的预处理包括有:
将明显不符合样本规律的输入样本抛弃;
通过修正来补充样本中的缺失数据,修正方法采用直线插补法:
上式中,xi和xj分别为i和j时刻的实测水文数据,xt为需要插补的数据。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种水文用监测***,其特征在于:包括有数据采集模块(11)、数据传输模块(12)、数据存储模块(13)、数据处理模块(14)以及响应模块(15);
所述的数据采集模块(11)由水位站、雨量站、气象站组成,以用于采集水文信息;
所述的数据传输模块(12)连接在数据采集模块(11)与数据存储模块(13)之间,并采用通讯的方式向数据存储模块(13)发送数据采集模块(11)所采集的水文信息;
所述的数据存储模块(13)包括有自数据传输模块(12)传递的水文信息、以及历史水文信息,其用于存储并更新水文信息;
所述的数据处理模块(14)与数据存储模块(13)相连,其用于对水文信息进行分析,从而进行水文预报;
所述的响应模块(15)与数据处理模块(14)相连,其基于数据处理模块(14)所得出的结论,从而触发响应动作。
2.根据权利要求1所述的一种水文用监测***,其特征在于:所述的数据处理模块(14)包括有数据预处理块(21)、训练机(22)、权值库(23)、预测机(24)、事件日志库(25)和输出块(26);
所述的数据预处理块(21)与数据存储模块(13)相连,用于对采集的水文信息中进行预处理,其包括干扰信息的消除、错误信息的抛弃及缺失信息的修正;
所述的训练机(22)与数据预处理块(21)相连,其将已知的水文信息作为训练样本,来调整训练机(22)自身的参数,从而使输出的预测值处在设定的误差范围内;且通过该训练机(22)后将得到权值;
所述的权值库(23)与训练机(22)相连,用于存储经过训练机(22)后得到的权值;
所述的预测机(24)与权值库(23)相连,其通过自训练机(22)得到的一组权值来对实际采集的水文信息进行预测,预测信息的结果为大于零的自然数;
所述的事件日志库(25)与预测机(24)相连,用于存放已经预测出的历史信息,其包括有所采集的水文信息,预测出的数据信息以及历史权值;
所述的输出块(26)与预测机(24)相连,其基于预测机(24)所得到的预测信息与划分好的警戒阈值相比较,从而触发对应的警戒动作。
3.一种水文用监测方法,其特征在于,包括以下步骤:
步骤S1、从数据存储模块(13)中获取输入样本Xi={x1,x2,…,xn};
步骤S2、将输入样本Xi={x1,x2,…,xn}传递至数据预处理块(21),同时对输入样本Xi={x1,x2,…,xn}的完整性进行检查并进行预处理,预处理完毕后判断是否传递至训练机(22);若否,则等待预处理完毕;若是,则执行下一步骤;
步骤S3、将输入样本Xi={x1,x2,…,xn}及各个分量的初始权值ωi={ω1,ω2,…,ωn}传递至训练机(22)中,并由训练机(22)进行训练,训练后得到权值,并存入至权值库(23);
步骤S4、预测机(24)获取权值库(23)中的最优权值,并进行预测而得出预测值,将预测值传递至输出块(26)中,通过与划分好的警戒阈值相比较,从而触发对应的警戒动作。
4.根据权利要求3所述的一种水文用监测方法,其特征在于:所述的步骤S4中还包括有预测机(24)会将训练后得到的权值传递至事件日志库(25)中,以便后续的维护和调试。
5.根据权利要求3所述的一种水文用监测方法,其特征在于:所述的步骤S4中还包括有权值库(23)将实时的权值与历史权值进行比较,从而选取最优权值,进而由预测机(24)获取权值库(23)中的最优权值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010150314 | 2020-03-06 | ||
CN2020101503145 | 2020-03-06 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111473777A true CN111473777A (zh) | 2020-07-31 |
Family
ID=71763837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010536129.XA Pending CN111473777A (zh) | 2020-03-06 | 2020-06-12 | 一种水文用监测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111473777A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131213A (zh) * | 2020-10-20 | 2020-12-25 | 中国科学院新疆生态与地理研究所 | 一种野外调查数据采集的方法及装置、终端、存储介质 |
CN112149648A (zh) * | 2020-11-24 | 2020-12-29 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636800A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 基于最小二乘加权的冷冻站***神经网络优化单元及其方法 |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN106127242A (zh) * | 2016-06-21 | 2016-11-16 | 河海大学 | 基于集成学习的年极端降水预测***及其预测方法 |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
CN107153843A (zh) * | 2017-05-03 | 2017-09-12 | 西安电子科技大学 | 基于支持向量机的地面沉降预测***和方法 |
CN207304624U (zh) * | 2017-10-17 | 2018-05-01 | 郑州大学 | 一种基于国产定位***的水利水文信息监测*** |
CN108537394A (zh) * | 2017-03-01 | 2018-09-14 | 全球能源互联网研究院 | 一种智能电网实时安全预警方法和装置 |
CN109740803A (zh) * | 2018-12-24 | 2019-05-10 | 北京航天智造科技发展有限公司 | 一种数据驱动的热网运行优化方法 |
CN110755073A (zh) * | 2019-10-09 | 2020-02-07 | 华中科技大学 | 基于阻抗谱信号的智能骨骼及关节信息处理***及方法 |
-
2020
- 2020-06-12 CN CN202010536129.XA patent/CN111473777A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636800A (zh) * | 2013-11-06 | 2015-05-20 | 上海思控电气设备有限公司 | 基于最小二乘加权的冷冻站***神经网络优化单元及其方法 |
CN104978608A (zh) * | 2015-06-24 | 2015-10-14 | 云南电网有限责任公司电力科学研究院 | 一种风电功率预测装置及预测方法 |
CN106127242A (zh) * | 2016-06-21 | 2016-11-16 | 河海大学 | 基于集成学习的年极端降水预测***及其预测方法 |
CN106845544A (zh) * | 2017-01-17 | 2017-06-13 | 西北农林科技大学 | 一种基于粒子群与支持向量机的小麦条锈病预测方法 |
CN108537394A (zh) * | 2017-03-01 | 2018-09-14 | 全球能源互联网研究院 | 一种智能电网实时安全预警方法和装置 |
CN107153843A (zh) * | 2017-05-03 | 2017-09-12 | 西安电子科技大学 | 基于支持向量机的地面沉降预测***和方法 |
CN207304624U (zh) * | 2017-10-17 | 2018-05-01 | 郑州大学 | 一种基于国产定位***的水利水文信息监测*** |
CN109740803A (zh) * | 2018-12-24 | 2019-05-10 | 北京航天智造科技发展有限公司 | 一种数据驱动的热网运行优化方法 |
CN110755073A (zh) * | 2019-10-09 | 2020-02-07 | 华中科技大学 | 基于阻抗谱信号的智能骨骼及关节信息处理***及方法 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112131213A (zh) * | 2020-10-20 | 2020-12-25 | 中国科学院新疆生态与地理研究所 | 一种野外调查数据采集的方法及装置、终端、存储介质 |
CN112149648A (zh) * | 2020-11-24 | 2020-12-29 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
CN112149648B (zh) * | 2020-11-24 | 2021-02-12 | 武汉光谷信息技术股份有限公司 | 一种基于灰度可变阈值的水位线识别与估计方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11461847B2 (en) | Applying a trained model to predict a future value using contextualized sentiment data | |
CN115063020B (zh) | 基于风险监测融合的梯级水电站多维安全调度装置及方法 | |
CN111473777A (zh) | 一种水文用监测***及方法 | |
CN106969266A (zh) | 城市供水管网的管道压力监测设备在线运行状态诊断方法 | |
CN110738355A (zh) | 一种基于神经网络的城市内涝预测方法 | |
CN113496314B (zh) | 一种神经网络模型预测道路交通流量的方法 | |
CN114997313B (zh) | 一种海洋在线监测数据的异常检测方法 | |
CN113128758B (zh) | 基于近海浮标海浪观测数据构建的最大浪高预报*** | |
CN114611778A (zh) | 一种基于入库流量的水库水位预警方法及*** | |
CN108090515A (zh) | 一种基于数据融合的环境等级评估方法 | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN112787878B (zh) | 一种网络指标的预测方法及电子设备 | |
CN115561416A (zh) | 污水处理厂进水水质实时检测方法和装置 | |
CN115827411A (zh) | 一种用于自动化设备的在线监测及运维评估***和方法 | |
CN114429189A (zh) | 一种高泛用性滑坡位移速率预警方法 | |
CN117435997B (zh) | 一种基于Transformer和时序压缩机制的电梯预警及按需维保方法 | |
CN117988988A (zh) | 一种基于特征扩增的航空发动机故障诊断方法及*** | |
CN117523793A (zh) | 一种电厂设备故障预警方法和计算机设备 | |
CN111339155B (zh) | 一种关联分析*** | |
CN115270875A (zh) | 一种基于深度学习的隔膜泵运行状态监测方法 | |
CN115391746A (zh) | 针对气象要素数据的插值方法、装置、电子设备及介质 | |
CN115374961A (zh) | 一种船舶动力运维***及运维方法 | |
CN114915563A (zh) | 一种网络流量预测方法和*** | |
Jabary et al. | Development of machine learning approaches to enhance ship operational performance evaluation based on an integrated data model | |
Guo et al. | Application of RS-RF model in deformation prediction of concrete dam |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |
|
RJ01 | Rejection of invention patent application after publication |