CN112989705A - 水库的入库流量值的预测方法、装置、电子设备及介质 - Google Patents
水库的入库流量值的预测方法、装置、电子设备及介质 Download PDFInfo
- Publication number
- CN112989705A CN112989705A CN202110341420.6A CN202110341420A CN112989705A CN 112989705 A CN112989705 A CN 112989705A CN 202110341420 A CN202110341420 A CN 202110341420A CN 112989705 A CN112989705 A CN 112989705A
- Authority
- CN
- China
- Prior art keywords
- prediction
- reservoir
- target
- predicted
- sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims description 45
- 230000007613 environmental effect Effects 0.000 claims description 15
- 238000003860 storage Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 3
- 230000015654 memory Effects 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种水库的入库流量值的预测方法、装置、电子设备及介质。其中,方法包括:根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;使用预先训练的至少一个预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件;获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各最终预测结果,确定目标水库在预测时刻下的预测入库流量值。本发明实施例的方案,实现了对流入水库的流量值进行精准预测。
Description
技术领域
本发明实施例涉及计算机技术领域,尤其涉及一种水库的入库流量值的预测方法、装置、电子设备及介质。
背景技术
对于水电站来说,发电是主要经济效益来源,而水就是生产的原料。如何对进入水电站水库的流量值进行精准预测,帮助水电站对防洪、发电计划调度工作进行合理安排,实现避免洪涝灾害和提升发电经济效益是业内关注的重点问题。
现阶段主要通过时序预测方法对进入水电站水库的流量值进行预测,例如,通过传统统计时序模型、线性回归模型或者长短期记忆人工神经网络;但是这些方法都很难准确地对进入水电站水库的流量值进行预测;例如,针对传统统计时序模型无法准确地确定与每个参数对应的影响因子,且模型运行效率较低的;针对线性回归等机器学习模型难以实现长序列的周期预测;针对长短期记忆人工神经网络等深度学习模型稳定性较差,难以准确地对进入水电站水库的流量值进行预测。
发明内容
本发明实施例提供一种水库的入库流量值的预测方法、装置、电子设备及介质,以实现对流入水库的流量值进行精准预测。
第一方面,本发明实施例提供了一种水库的入库流量值的预测方法,包括:
根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;
使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值。
第二方面,本发明实施例还提供了一种水库的入库流量值的预测装置,包括:
初始化的预测特征序列生成模块,用于根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;
预测特征序列迭代模块,用于使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
入库流量值预测模块,用于获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值。
第三方面,本发明实施例还提供了一种电子设备,电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明实施例中任一实施例所述的水库的入库流量值的预测方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如本发明实施例中任一实施例的水库的入库流量值的预测方法。
本发明实施例根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;使用预先训练的至少一个预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件;获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各最终预测结果,确定目标水库在预测时刻下的预测入库流量值,实现了对流入水库的流量值进行精准预测。
附图说明
图1是本发明实施例一中的一种水库的入库流量值的预测方法的流程图;
图2是本发明实施例二中的一种水库的入库流量值的预测方法的流程图;
图3是本发明实施例三中的一种水库的入库流量值的预测方法的流程图;
图4是本发明实施例三中的一种水库的入库流量值的预测方法的流程图;
图5是本发明实施例四中的一种水库的入库流量值的预测装置的结构示意图;
图6是本发明实施例五中的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明实施例作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明实施例,而非对本发明实施例的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明实施例相关的部分而非全部结构。
实施例一
图1为本发明实施例一提供的一种水库的入库流量值的预测方法的流程图,本实施例可适用于对预测时刻流入水库的流量值进行预测的情况,该方法可以由水库的入库流量值的预测装置来执行,该装置可以通过软件和/或硬件的方式实现,并集成在执行本方法的电子设备中,在本实施例中涉及到的电子设备可以为计算机、服务器或者平板电脑等。具体的,参考图1,该方法具体包括如下步骤:
步骤110、根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列。
其中,目标水库可以为任一水库或者湖泊等,例如,发电站水库或者天然湖泊等,本实施例中对其不加以限定。预测时刻可以为任一未来时刻,例如明天上午8时或者后天晚上22时等,本实施例中对其也不加以限定。
其中,描述信息对目标水库在每个历史时刻下的汇流流量、降雨流量、预报降雨量以及环境数据进行处理的统计值或者时序特征等,本实施例中对其不加以限定。其中,统计值可以为均值、和、最大值、最小值、方差、偏度或者峰度等;时序特征可以为绝对能量值、一阶差分绝对和、自回归系数或者近似熵等。
在本实施例的一个可选实现方式中,在确定目标水库在预测时刻的入库流量值的过程中,可以确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成与预测时刻对应的初始化的预测特征序列。
示例性的,若预测时刻为2月26日,确定的个历史时刻可以为2月19日-2月25日;进一步的,可以获取2月19日-2月25日目标水库的历史入库流量值,并根据历史入库流量值生成每个历史时刻下的描述信息,进而将这些描述信息按序排列,形成初始化的预测特征序列。
需要说明的是,在本实施例中,在初始化的预测特征序列中通过预测时刻的预报降雨量表征预测时刻实际的降雨量。
步骤120、使用预先训练的至少一个预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件。
其中,预测模型可以为xgboot、lightgbm或者catboost等机器学习模型,本实施例中对其不加以限定。
其中,迭代条件可以为周期条件,例如,设定周期为7,当迭代7次之后,即可以确定满足结束迭代条件。
在本实施例的一个可选实现方式中,在形成初始化的预测特征序列之后,可以使用预先训练的至少一个预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件为止。
示例性的,在形成初始化的预测特征序列之后,可以将预测特征序列输入至xgboot和lightgbm预测模型中,得到2个预测结果,并对这2个预测结果进行加权平均计算,并将计算结果与预测特征序列进行拼接,生成新的预测特征序列;进一步的,继续执行将新的预测特征序列输入至xgboot和lightgbm预测模型中的操作,直至满足结束迭代条件为止。
步骤130、获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各最终预测结果,确定目标水库在预测时刻下的预测入库流量值。
在本实施例的一个可选实现方式中,在结束迭代更新之后,可以获取满足迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各最终预测结果,确定目标水库在预测时刻下的预测入库流量值。
在上述例子中,将预测特征序列输入至xgboot和lightgbm预测模型中,得到2个预测结果,并对这2个预测结果进行加权平均计算,并将计算结果与预测特征序列进行拼接,生成新的预测特征序列;进一步的,继续执行将新的预测特征序列输入至xgboot和lightgbm预测模型中的操作,直至满足结束迭代条件为止,停止对预测特征序列的迭代更新,并获取最后一轮迭代结束时,与xgboot和lightgbm预测模型对应的最终预测结果,并根据各最终预测结果,确定目标水库在预测时刻下的预测入库流量值。
本实施例的方案,根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;使用预先训练的至少一个预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件;获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各最终预测结果,确定目标水库在预测时刻下的预测入库流量值,实现了对流入水库的流量值进行精准预测,可以帮助水电站对防洪、发电计划调度工作进行合理安排,避免了洪涝灾害和提升了发电经济效益。
实施例二
图2是本发明实施例二中的一种水库的入库流量值的预测方法的流程图,本实施例是对上述各技术方案的进一步细化,本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图2所示,水库的入库流量值的预测方法可以包括如下步骤:
步骤210、根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列。
步骤220、使用预先训练的多个同类的预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件。
其中,不同预测模型的模型结构,和/或模型参数不完全相同;在本实施例中,不同的预测模型可以为基于GBDT(Gradient Boosting Decision Tree,梯度提升树)框架的xgboot、lightgbm和catboost模型,也可以为其他模型,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,在形成初始化的预测特征序列之后,可以使用预先训练的xgboot、lightgbm和catboost预测模型分别对预测特征序列进行迭代更新。
可选的,使用预先训练的多个同类的预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件,可以包括:将预测特征序列分别输入至各预测模型中,分别获取各预测模型中输出的预测结果;使用各预测结果更新预测特征序列后,返回执行将预测特征序列分别输入至各预测模型中的操作,直至满足结束迭代条件。
在本实施例的一个可选实现方式中,使用各预测结果更新预测特征序列,可以包括:将每个预测模型输出的预测结果进行加权平均运算,生成参考预测结果;将参考预测结果与预测特征序列进行拼接,生成新的预测特征序列,并将预测特征序列更新为新的预测特征序列。
在本实施例的一个具体例子中,形成初始化的预测特征序列之后,可以将初始化的预测特征序列分别输入至xgboot、lightgbm和catboost预测模型中,xgboot、lightgbm和catboost预测模型分别输出与预测特征序列对应的预测结果,可以理解的是,由于每个预测模型的模型结构以及模型参数不完全相同,那么针对同一预测特征序列,不同的预测模型输出的预测结果也不完全相同。
进一步的,可以对xgboot、lightgbm和catboost预测模型分别输出与预测特征序列对应的预测结果进行加权平均运算,并将预测结果与预测特征序列进行拼接,从而生成新的预测特征序列,并将生成的新的预测特征序列分别输入至xgboot、lightgbm和catboost预测模型中,直至满足结束迭代条件。
步骤230、获取满足结束迭代条件时,每个预测模型当前输出的预测结果作为各最终预测结果;根据与各预测模型分别对应的预测权重,将各最终预测结果进行加权平均,得到目标水库在预测时刻下的预测入库流量值。
其中,与各预测模型分别对应的预测权重可以相同,也可以不相同,其可以为任一数值,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,在迭代结束之后,可以进一步的获取满足结束迭代条件时,每个预测模型当前输出的预测结果,并将该预测结果作为最终预测结果;根据与各预测模型分别对应的预测权重,将各预测结果进行加权平均计算,从而得到目标水库在预测时刻下的预测入库流量值。
示例性的,可以对xgboot、lightgbm和catboost预测模型输出的最终预测结果进行加权平均计算,从而得到目标水库在预测时刻下的预测入库流量值。
在本实施例的一个具体例子中,可以通过如下公式对xgboost、lightgbm和catboost三个模型单次预测结果做加权平均:
Ypredict=αYpredict_xgboost+βYpredict_lightgbm+γYpredict_catboost
其中,α、β和γ为预测权重值。
本实施例的方案,在根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列之后,还可以使用预先训练的多个同类的预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件,可以通过不同预测模型的预测结果对入库流量值进行预测,提升了入库流量值的预测准确度。
实施例三
图3是本发明实施例三中的一种水库的入库流量值的预测方法的流程图,本实施例是对上述各技术方案的进一步细化,本实施例中的技术方案可以与上述一个或者多个实施例中的各个可选方案结合。如图3所示,水库的入库流量值的预测方法可以包括如下步骤:
步骤310、根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列。
步骤320、获取与目标水库对应的样本数据,并根据样本数据生成训练数据;使用训练数据分别对至少两个设定的机器学习模型进行训练,得到各预测模型。
其中,样本数据包括:汇流流量、降雨流量、预报降雨量以及环境数据等,汇流流量可以为某一时刻其他河流流入目标水库的水流量;降雨流量可以为某一时刻观测站监测到的降水量;预报降雨量可以为天气预报对某一时刻目标降水量的预测;环境预测可以包括某一时刻的温度、风力或者风向等。
在本实施例的一个可选实现方式中,在使用预先训练的至少一个预测模型对预测特征序列进行迭代更新之前,还可以与目标水库对应的历史时刻的样本数据,从而生成训练数据;进一步的,根据训练数据同时训练得到多个预测模型。
在本实施例的一个可选实现方式中,获取与目标水库对应的样本数据,可以包括:每间隔第一设定时间间隔获取由上游和/或河道汇流至目标水库的汇流流量;每间隔第二设定时间间隔获取与目标水库关联的各观测站监测的降雨流量;获取第三设定时间间隔内的降雨预报预测的预报降雨量;以及每间隔第四时间间隔获取由环境传感器监测的环境数据,环境数据包括温度、风速或者风向。
需要说明的是,上述第一设定时间间隔、第二设定时间间隔、第三设定时间间隔以及第四时间间隔可以相同,例如,均为3小时或者1小时等;也可以不相同,例如,第一设定时间间隔为3小时,第二设定时间间隔、第三设定时间间隔以及第四时间间隔为1小时等,本实施例中对其不加以限定。
在本实施例的一个可选实现方式中,根据样本数据生成训练数据,可以包括:对各样本数据进行预处理,得到目标样本数据;对各目标样本数据进行特征提取,得到与每个历史时刻对应的多个描述信息,并对各描述信息进行筛选,生成与各历史时刻对应的训练特征序列;将各训练特征序列确定为训练数据。
示例性的,对各样本数据进行预处理,得到目标样本数据,可以包括:对于汇流流量、降雨流量、气温以及平均风速数据使用全局最大最小值归一化处理;按照国标:GB/T37301-2019地面气象资料服务产品技术规范对风向数据进行编码;对于汇流流量、降雨流量以及预报降雨量进行缺失值处理等。
在本实施例的一个可选实现方式中,对各目标样本数据进行特征提取,得到与每个时刻对应的多个描述信息,可以包括:确定与目标历史时刻对应的目标入库流量,以及在目标历史时刻之前的各时刻的参考入库流量;根据目标入库流量以及各参考入库流量确定各设定时间范围内入库流量的统计值;统计值包括:均值、和、最大值、最小值、方差、偏度或者峰度;和/或,根据目标入库流量以及各参考入库流量确定至少一个时序特征;时序特征包括:绝对能量值、一阶差分绝对和、自回归系数或者近似熵。需要说明的是,由于在对入库流量做长期预测的时候,实际降雨量是影响预测结果的一个重要因子,但是实际降雨量在预测的时间内是没有的(观测值),所以本实施例中涉及到的目标入库流量可以通过预报降雨量来填充。
示例性的,若目标历史时刻为t,则可以确定时刻t的入库流量值以及时刻t之前的各时刻(例如,t-1,t-2,t-3,…,t-w1,其中,w1为任一正整数,例如,56或者60等)的参考入库流量值;进一步的,可以采用时序差分滑动窗口技术,滑窗大小w1,计算区间[t-i,t],其中,i=period1*j,j=1,2,…,w1/period1范围内入库流量的统计值;其中,period1也可以为任一数值,也可以为通过计算原始入库流量序列的自相关系数和偏相关系数得到,本实施例中对其不加以限定。
需要说明的是,偏度,是统计数据分布偏斜方向和程度的度量,是统计数据分布非对称程度的数字特征。定义上偏度是样本的三阶标准化矩;峰度又称峰态系数;表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来,峰度反映了峰部的尖度,随机变量的峰度计算方法为:随机变量的四阶中心矩与方差平方的比值。
进一步的,可以提取每个滑动窗口内的目标入库流量以及各参考入库流量确定至少一个时序特征,需要说明的是,每个滑动窗口内的目标入库流量值与参考入库流量值的数量相同;示例性的,提取的时序特征可以包括:abs_energy(绝对能量值),返回时序数据的绝对能量;absolute_sum_of_changes(一阶差分绝对和),返回时序数据的一阶差分结果的绝对值之和;agg_autocorrelation(各阶自相关系数的聚合统计特征),各阶自相关系数的聚合统计特征;agg_linear_trend(基于分块时序聚合值的线性回归),返回时序数据的分块聚合后的线性回归;approximate_entropy(近似熵),衡量时序数据的的周期性、不可预测性和波动性;ar_coefficient(自回归系数),衡量时序数据的的周期性、不可预测性和波动性;augmented_dickey_fuller(扩展迪基-福勒检验-ADF检验),测试一个自回归模型是否存在单位根,衡量时序数据的平稳性;autocorrelation(lag阶自相关性),计算lag阶滞后时序数据的自相关性;binned_entropy(分组熵),把整个序列按值均分成max_bins个桶,然后把每个值放进相应的桶中,然后求熵;benford_correlation(分组相关性),把整个序列按值均分成max_bins个桶,然后把每个值放进相应的桶中,然后计算相关性;c3(时序数据非线性度量),时序数据非线性度量;change_quantiles(给定区间的时序数据描述统计),给定区间的时序数据描述统计;cid_ce(时序数据复杂度),用来评估时间序列的复杂度,越复杂的序列有越多的谷峰;count_above(高于指定数值占比),返回序列中高于指定数值的百分比;count_above_mean(高于均值个数),统计高于时序数据均值的个数;count_below(低于指定数值占比),返回序列中低于指定数值的百分比;cwt_coefficients(Ricker小波分析),连续的小波分析,ricker子波是地震勘探中常用的子波类型,ricker子波是基于波动方程严格推导得到的;energy_ratio_by_chunks(分块局部熵比率),将时序数据分块后,计算目标块数据的熵与全体的熵比率。当数据不够均分时,会将多余的数据在前面的块中散布;fft_aggregated(绝对傅里叶变换的谱统计量),返回绝对傅里叶变换后的光谱质心、峰度、偏度等值;fft_coefficient(傅里叶变换系数),基于快速傅里叶变换算法计算一维离散傅里叶序列的系数;friedrich_coefficients(Langevin模型拟合的多项式系数),基于确定动力学模型Langevin拟合的多项式系数;large_standard_deviation(标准差是否倍于极差),标准差是否为数据范围的r倍;longest_strike_above_mean(均值上的最长连续自列长度),返回x中大于x平均值的最长连续子序列的长度;longest_strike_below_mean(均值下的最长连续自列长度),返回x中小于x平均值的最长连续子序列的长度;mean_second_derivative_central(二阶导数的中心的均值),返回二阶导数的中心近似的平均值。
进一步的,对各描述信息进行筛选,生成与各历史时刻对应的训练特征序列,可以包括:计算各特征之间的相关系数,剔除相关性低于设定阈值的特征,并根据剩余特征生成训练特征序列。
在具体实现中,可以计算各个训练特征序列和目标入库流量值的相关系数,去除相关性低的特征变量;计算各个训练特征序列之间的斯皮尔曼秩相关系数,然后从线性相关大于预定阈值的特征信息中选择一个训练特征序列(可以是随机选择);还可以使用GBDT算法输出的特征重要性,筛选特征重要性大于指定阈值的特征。
在本实施例的一个可选实现方式中,生成多个训练特征序列之后,可以随机对各训练特征序列进行分组,形成训练数据集、验证数据集和测试数据集;进一步的,使用训练集分别训练xgboost、lightgbm和catboost三个预测模型;在预测模型的训练过程中,可以使用随机搜索和贝叶斯优化方法进行超参数寻优,以及使用5折交叉验证,验证函数为MAPE(平均绝对百分比误差)。
步骤330、使用预先训练的至少一个预测模型对预测特征序列进行迭代更新,直至满足结束迭代条件。
步骤340、获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各最终预测结果,确定目标水库在预测时刻下的预测入库流量值。
本实施例的方案,在使用预先训练的至少一个预测模型对预测特征序列进行迭代更新之前,还可以获取与目标水库对应的样本数据,并根据样本数据生成训练数据;使用训练数据分别对至少两个设定的机器学习模型进行训练,得到各预测模型,为后续准确地确定在预测时刻流入目标水库的入库流量值提供依据。
为了使本领域技术人员更好地理解本实施例水库的入库流量值的预测方法,图4是本发明实施例三中的一种水库的入库流量值的预测方法的流程图,参考图4,该方法具体包括如下步骤:
步骤410、获取指定时间范围的汇流流量、降雨流量、预报降雨量以及环境数据。
步骤420、通过数据处理模块对各数据进行处理。
步骤430、通过特征提取模块提取处理后的各数据的特征。
步骤440、通过特征筛选模块对各特征进行筛选,并生成初始训练集和验证集。
步骤450、指定预测周期,以及预测次数。
步骤460、模型训练。
步骤470、模型预测。
步骤471、汇总预测结果。
步骤472、更新预测次数。
步骤480、当前预测次数是否小于指定预测周期。
若是,执行步骤481;
否则,执行步骤482。
步骤481、将档次入库流量预测值拼接至入库流量序列数据,并使用特征提取模块和特征筛选模块更新训练集。
根据训练集和验证集训练得到多个预测模型。
步骤482、输出入库流量预测结果。
本发明实施例,基于大量的历史数据和可获取的监测数据,实现了水库入库流量的精准预测,对基于水库的生产带来了显著的安全和经济价值。
实施例四
图5是本发明实施例四中的一种水库的入库流量值的预测装置的结构示意图,该装置可以执行上述各实施例中涉及到的水库的入库流量值的预测方法。参照图5,该装置包括:初始化的预测特征序列生成模块510、预测特征序列迭代模块520以及入库流量值预测模块530。
初始化的预测特征序列生成模块510,用于根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;
预测特征序列迭代模块520,用于使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
入库流量值预测模块530,用于获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值。
本实施例的方案,通过初始化的预测特征序列生成模块根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;通过预测特征序列迭代模块使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;通过入库流量值预测模块获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值,实现了对流入水库的流量值进行精准预测。
在本实施例的一个可选实现方式中,预测特征序列迭代模块520,具体用于
使用预先训练的多个同类的预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
其中,不同预测模型的模型结构,和/或模型参数不完全相同。
在本实施例的一个可选实现方式中,预测特征序列迭代模块520,还具体用于
将所述预测特征序列分别输入至各所述预测模型中,分别获取各所述预测模型中输出的预测结果;
使用各所述预测结果更新所述预测特征序列后,返回执行将所述预测特征序列分别输入至各所述预测模型中的操作,直至满足所述结束迭代条件。
在本实施例的一个可选实现方式中,预测特征序列迭代模块520,还具体用于
将每个预测模型输出的预测结果进行加权平均运算,生成参考预测结果;
将所述参考预测结果与所述预测特征序列进行拼接,生成新的预测特征序列,并将所述预测特征序列更新为所述新的预测特征序列。
在本实施例的一个可选实现方式中,入库流量值预测模块530,具体用于
获取满足结束迭代条件时,每个预测模型当前输出的预测结果作为各所述最终预测结果;
根据与各所述预测模型分别对应的预测权重,将各所述最终预测结果进行加权平均,得到所述目标水库在所述预测时刻下的预测入库流量值。
在本实施例的一个可选实现方式中,水库的入库流量值的预测装置,还包括:预测模型生成模块,用于
获取与所述目标水库对应的样本数据,并根据所述样本数据生成训练数据;所述样本数据包括:汇流流量、降雨流量、预报降雨量以及环境数据;
使用所述训练数据分别对至少两个设定的机器学习模型进行训练,得到各所述预测模型。
在本实施例的一个可选实现方式中,预测模型生成模块,具体用于
每间隔第一设定时间间隔获取由上游和/或河道汇流至所述目标水库的汇流流量;
每间隔第二设定时间间隔获取与所述目标水库关联的各观测站监测的降雨流量;
获取第三设定时间间隔内的降雨预报预测的预报降雨量;
以及每间隔第四时间间隔获取由环境传感器监测的环境数据,所述环境数据包括温度、风速或者风向;
相应的,预测模型生成模块,还具体用于
对各所述样本数据进行预处理,得到目标样本数据;
对各所述目标样本数据进行特征提取,得到与每个历史时刻对应的多个描述信息,并对各所述描述信息进行筛选,生成与各历史时刻对应的训练特征序列;
将各所述训练特征序列确定为训练数据;
其中,预测模型生成模块,还具体用于
确定与目标历史时刻对应的目标入库流量,以及在目标历史时刻之前的各时刻的参考入库流量;其中,所述目标入库流量通过所述预报降雨量确定;
根据所述目标入库流量以及各所述参考入库流量确定各设定时间范围内入库流量的统计值;所述统计值包括:均值、和、最大值、最小值、方差、偏度或者峰度;和/或,
根据所述目标入库流量以及各所述参考入库流量确定至少一个时序特征;所述时序特征包括:绝对能量值、一阶差分绝对和、自回归系数或者近似熵;
相应的,预测模型生成模块,还具体用于
计算各所述特征之间的相关系数,剔除相关性低于设定阈值的特征,并根据剩余特征生成所述训练特征序列。
本发明实施例所提供的水库的入库流量值的预测装置可执行本发明任意实施例所提供的水库的入库流量值的预测方法,具备执行方法相应的功能模块和有益效果。
实施例五
图6为本发明实施例五提供的一种电子设备的结构示意图,如图6所示,该电子设备包括处理器60、存储器61、输入装置62和输出装置63;电子设备中处理器60的数量可以是一个或多个,图6中以一个处理器60为例;电子设备中的处理器60、存储器61、输入装置62和输出装置63可以通过总线或其他方式连接,图6中以通过总线连接为例。
存储器61作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本发明实施例中的水库的入库流量值的预测方法对应的程序指令/模块(例如,水库的入库流量值的预测装置中的初始化的预测特征序列生成模块510、预测特征序列迭代模块520以及入库流量值预测模块530)。处理器60通过运行存储在存储器61中的软件程序、指令以及模块,从而执行电子设备的各种功能应用以及数据处理,即实现上述的水库的入库流量值的预测方法。
存储器61可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据终端的使用所创建的数据等。此外,存储器61可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器61可进一步包括相对于处理器60远程设置的存储器,这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置62可用于接收输入的数字或字符信息,以及产生与电子设备的用户设置以及功能控制有关的键信号输入。输出装置63可包括显示屏等显示设备。
实施例六
本发明实施例六还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行一种水库的入库流量值的预测方法,该方法包括:
根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;
使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的水库的入库流量值的预测方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述水库的入库流量值的预测装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种水库的入库流量值的预测方法,其特征在于,包括:
根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;
使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值。
2.根据权利要求1所述的方法,其特征在于,使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件,包括:
使用预先训练的多个同类的预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
其中,不同预测模型的模型结构,和/或模型参数不完全相同。
3.根据权利要求2所述的方法,其特征在于,使用预先训练的多个同类的预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件,包括:
将所述预测特征序列分别输入至各所述预测模型中,分别获取各所述预测模型中输出的预测结果;
使用各所述预测结果更新所述预测特征序列后,返回执行将所述预测特征序列分别输入至各所述预测模型中的操作,直至满足所述结束迭代条件。
4.根据权利要求3所述的方法,其特征在于,使用各所述预测结果更新所述预测特征序列,包括:
将每个预测模型输出的预测结果进行加权平均运算,生成参考预测结果;
将所述参考预测结果与所述预测特征序列进行拼接,生成新的预测特征序列,并将所述预测特征序列更新为所述新的预测特征序列。
5.根据权利要求2所述的方法,其特征在于,获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值,包括:
获取满足结束迭代条件时,每个预测模型当前输出的预测结果作为各所述最终预测结果;
根据与各所述预测模型分别对应的预测权重,将各所述最终预测结果进行加权平均,得到所述目标水库在所述预测时刻下的预测入库流量值。
6.根据权利要求1-5任一项所述的方法,其特征在于,在使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新之前,还包括:
获取与所述目标水库对应的样本数据,并根据所述样本数据生成训练数据;所述样本数据包括:汇流流量、降雨流量、预报降雨量以及环境数据;
使用所述训练数据分别对至少两个设定的机器学习模型进行训练,得到各所述预测模型。
7.根据权利要求6所述的方法,其特征在于,所述获取与所述目标水库对应的样本数据,包括下述至少一项:
每间隔第一设定时间间隔获取由上游和/或河道汇流至所述目标水库的汇流流量;
每间隔第二设定时间间隔获取与所述目标水库关联的各观测站监测的降雨流量;
获取第三设定时间间隔内的降雨预报预测的预报降雨量;
以及每间隔第四时间间隔获取由环境传感器监测的环境数据,所述环境数据包括温度、风速或者风向;
相应的,所述根据所述样本数据生成训练数据,包括:
对各所述样本数据进行预处理,得到目标样本数据;
对各所述目标样本数据进行特征提取,得到与每个历史时刻对应的多个描述信息,并对各所述描述信息进行筛选,生成与各历史时刻对应的训练特征序列;
将各所述训练特征序列确定为训练数据;
其中,所述对各所述目标样本数据进行特征提取,得到与每个时刻对应的多个描述信息,包括:
确定与目标历史时刻对应的目标入库流量,以及在目标历史时刻之前的各时刻的参考入库流量;其中,所述目标入库流量通过所述预报降雨量确定;
根据所述目标入库流量以及各所述参考入库流量确定各设定时间范围内入库流量的统计值;所述统计值包括:均值、和、最大值、最小值、方差、偏度或者峰度;和/或,
根据所述目标入库流量以及各所述参考入库流量确定至少一个时序特征;所述时序特征包括:绝对能量值、一阶差分绝对和、自回归系数或者近似熵;
相应的,所述对各所述描述信息进行筛选,生成与各历史时刻对应的训练特征序列,包括:
计算各所述特征之间的相关系数,剔除相关性低于设定阈值的特征,并根据剩余特征生成所述训练特征序列。
8.一种水库的入库流量值的预测装置,其特征在于,包括:
初始化的预测特征序列生成模块,用于根据与目标水库对应的预测时刻,确定多个历史时刻,并根据目标水库在每个历史时刻下的多个描述信息,形成初始化的预测特征序列;
预测特征序列迭代模块,用于使用预先训练的至少一个预测模型对所述预测特征序列进行迭代更新,直至满足结束迭代条件;
入库流量值预测模块,用于获取满足结束迭代条件时,与每个预测模型分别对应的最终预测结果,并根据各所述最终预测结果,确定目标水库在所述预测时刻下的预测入库流量值。
9.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-7中任一所述的水库的入库流量值的预测方法。
10.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的水库的入库流量值的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341420.6A CN112989705A (zh) | 2021-03-30 | 2021-03-30 | 水库的入库流量值的预测方法、装置、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110341420.6A CN112989705A (zh) | 2021-03-30 | 2021-03-30 | 水库的入库流量值的预测方法、装置、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112989705A true CN112989705A (zh) | 2021-06-18 |
Family
ID=76338412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110341420.6A Pending CN112989705A (zh) | 2021-03-30 | 2021-03-30 | 水库的入库流量值的预测方法、装置、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112989705A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462861A (zh) * | 2014-12-31 | 2015-03-25 | 武汉大学 | 一种基于水库调度规则合成的水库调度决策方法 |
CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
CN105894138A (zh) * | 2016-06-28 | 2016-08-24 | 山东大学 | 一种制造业发货量的最优加权组合预测方法 |
CN107885951A (zh) * | 2017-11-27 | 2018-04-06 | 河海大学 | 一种基于组合模型的水文时间序列预测方法 |
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 |
CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
CN110348622A (zh) * | 2019-07-02 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 一种基于机器学习的时间序列预测方法、***及电子设备 |
CN110969282A (zh) * | 2019-10-17 | 2020-04-07 | 天津大学 | 一种基于lstm复合网络的径流量稳定预测方法 |
CN111507505A (zh) * | 2020-03-20 | 2020-08-07 | 苏州丰华声赫智能科技有限公司 | 一种水库日入量预测模型的构建方法 |
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 |
US20200380618A1 (en) * | 2019-05-29 | 2020-12-03 | General Electric Company | Systems and methods for enhanced power system model validation |
CN112348236A (zh) * | 2020-10-23 | 2021-02-09 | 浙江八达电子仪表有限公司 | 用于智能用电监测终端的异常日负荷需求预测***与方法 |
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 |
-
2021
- 2021-03-30 CN CN202110341420.6A patent/CN112989705A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104462861A (zh) * | 2014-12-31 | 2015-03-25 | 武汉大学 | 一种基于水库调度规则合成的水库调度决策方法 |
CN105139093A (zh) * | 2015-09-07 | 2015-12-09 | 河海大学 | 基于Boosting算法和支持向量机的洪水预报方法 |
CN105894138A (zh) * | 2016-06-28 | 2016-08-24 | 山东大学 | 一种制造业发货量的最优加权组合预测方法 |
CN107885951A (zh) * | 2017-11-27 | 2018-04-06 | 河海大学 | 一种基于组合模型的水文时间序列预测方法 |
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 |
CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
US20200380618A1 (en) * | 2019-05-29 | 2020-12-03 | General Electric Company | Systems and methods for enhanced power system model validation |
CN110348622A (zh) * | 2019-07-02 | 2019-10-18 | 创新奇智(成都)科技有限公司 | 一种基于机器学习的时间序列预测方法、***及电子设备 |
CN110969282A (zh) * | 2019-10-17 | 2020-04-07 | 天津大学 | 一种基于lstm复合网络的径流量稳定预测方法 |
CN111507505A (zh) * | 2020-03-20 | 2020-08-07 | 苏州丰华声赫智能科技有限公司 | 一种水库日入量预测模型的构建方法 |
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 |
CN112348236A (zh) * | 2020-10-23 | 2021-02-09 | 浙江八达电子仪表有限公司 | 用于智能用电监测终端的异常日负荷需求预测***与方法 |
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 |
Non-Patent Citations (2)
Title |
---|
段召辉, 李承军: "日径流的组合预测模型", 水利水运工程学报, no. 03 * |
郭华;陈勇;马耀光;: "组合灰色预测模型在入库流量预测中的应用", 干旱地区农业研究, no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jiang et al. | Very short-term wind speed forecasting with Bayesian structural break model | |
CN113298297B (zh) | 一种基于孤立森林与wgan网络的风电输出功率预测方法 | |
CN111242351A (zh) | 基于自编码器和gru神经网络的热带气旋轨迹预测方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
US20230324860A1 (en) | Estimating Energy Consumption for a Building Using Dilated Convolutional Neural Networks | |
CN111697560B (zh) | 一种基于lstm预测电力***负荷的方法及*** | |
CN113361737A (zh) | 一种光伏组件的异常预警方法及*** | |
Xiyun et al. | Wind power probability interval prediction based on bootstrap quantile regression method | |
Hennayake et al. | Machine learning based weather prediction model for short term weather prediction in Sri Lanka | |
Kosana et al. | Hybrid wind speed prediction framework using data pre-processing strategy based autoencoder network | |
Li et al. | Numerical weather prediction correction strategy for short-term wind power forecasting based on bidirectional gated recurrent unit and XGBoost | |
Usman et al. | Data analytics for short term price and load forecasting in smart grids using enhanced recurrent neural network | |
McMillan et al. | Flow forecasting for leakage burst prediction in water distribution systems using long short-term memory neural networks and Kalman filtering | |
CN117408422A (zh) | 基于深度学习的天然气流量计性能评估方法和*** | |
Wei et al. | Uncertainty quantification analysis of wind power: A data-driven monitoring-forecasting framework | |
Boyraz et al. | Streamflow prediction with deep learning | |
CN109190800A (zh) | 一种基于spark框架的海面温度预测方法 | |
Raja et al. | Drought prediction and validation for desert region using machine learning methods | |
Riquelme-Dominguez et al. | A machine learning-based methodology for short-term kinetic energy forecasting with real-time application: Nordic Power System case | |
CN112989705A (zh) | 水库的入库流量值的预测方法、装置、电子设备及介质 | |
Ming-guang et al. | Short-term load combined forecasting method based on BPNN and LS-SVM | |
Dufek et al. | Data-driven symbolic ensemble models for wind speed forecasting through evolutionary algorithms | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
CN104462215A (zh) | 一种基于时间序列的科技文献被引用数目预测方法 | |
Chinforoush et al. | A novel method for forecasting surface wind speed using wind-direction based on hierarchical markov model |
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 |