CN113641733B - 一种河道断面流量实时智能推求方法 - Google Patents

一种河道断面流量实时智能推求方法 Download PDF

Info

Publication number
CN113641733B
CN113641733B CN202111207276.3A CN202111207276A CN113641733B CN 113641733 B CN113641733 B CN 113641733B CN 202111207276 A CN202111207276 A CN 202111207276A CN 113641733 B CN113641733 B CN 113641733B
Authority
CN
China
Prior art keywords
flow
hydrological
hydrologic
cluster
section
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.)
Active
Application number
CN202111207276.3A
Other languages
English (en)
Other versions
CN113641733A (zh
Inventor
梅军亚
香天元
赵昕
张亭
牟芸
邓山
陈瑜彬
吴琼
张莉
朱子园
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bureau of Hydrology Changjiang Water Resources Commission
Original Assignee
Bureau of Hydrology Changjiang Water Resources Commission
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bureau of Hydrology Changjiang Water Resources Commission filed Critical Bureau of Hydrology Changjiang Water Resources Commission
Priority to CN202111207276.3A priority Critical patent/CN113641733B/zh
Publication of CN113641733A publication Critical patent/CN113641733A/zh
Application granted granted Critical
Publication of CN113641733B publication Critical patent/CN113641733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
    • 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
    • G06F16/29—Geographical information databases
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Educational Administration (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Fuzzy Systems (AREA)
  • Remote Sensing (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种河道断面流量实时智能推求方法，包括建立水文要素标准化样本集、确定水文特征要素组合、将本断面历史水位流量关系线上所有流量点一一对应的所述水文特征要素组合
Figure DEST_PATH_IMAGE001
建立数据仓库D、计算数据仓库D并分配至距离最短的聚类簇、在簇内求解与水文特征要素组合距离最短的水文特征要素组合样本点，通过分析和确定影响河道断面流量实时推求的水文特征要素组合，对水位历年变幅进行分级，为水资源监督管理和水旱灾害防御提供更及时和精确的流量数据支持。

Description

一种河道断面流量实时智能推求方法
技术领域
本发明涉及水文测验技术领域，尤其涉及一种河道断面流量实时智能推求方法。
背景技术
水文资料是防汛抗旱、水利工程建设、水资源利用和保护、水生态治理和可持续发展等方面的基础性资料，在经济社会发展中具有重要作用。流量资料的计算或推求是水文资料收集中的核心和难点，近年来各类社会需求对其精度和时效性要求越来越高，也越来越迫切，水利部更是提出了水文资料整编“日清月结”甚至实时整编的要求，以满足社会各类需求。新中国成立以来，我国水利事业蓬勃发展，在河流上建设了大批水利工程或涉水工程。这些工程的建设为地方经济社会的发展发挥巨大的综合效益，如防洪、发电、航运、灌溉等，同时，这些工程的建设也显著改变了天然河道的水文情势、河段特点和水文测站（断面）特性，严重影响了水位流量关系的变化，给流量推求带来了极大困难和挑战。因此，合理利用新技术、新方法不断提高河道断面流量的精度和时效性，对进一步提升水文资料服务经济社会的水平、更大限度的满足社会各类需求具有重要意义。
目前，常规的河道流量推算或推求方法大多采用传统的水位流量关系线的方法，即采用水位与流量建立某种关系来推求流量，常用的有单一线法、单值化法、连时序法、连实测流量过程线法等，通过定线精度的控制，达到相关标准和规范的要求。这些计算方法属于传统的水文学方法，简单实用，易于理解，但是面临一些问题，主要体现在：①这些方法是由历史资料分析和建立的，分析过程往往带有很强的经验性。在当前实践生产中，这些方法虽然以软件程序化的形式实现了流量的实时推求，但宝贵的经验往往难以程序化，因此大部分测站的流量实时推求仍然需要人工定线或干预，自动化和智能化水平极低；②这些方法是水文前辈专家的经验性分析成果，是总结和概化而非全部实际情况的体现。实践中由于水文过程的复杂性，流量推求往往难以找到周全的方法，如精度较高的单值化法中，也常常有许多特殊水情的流量点未能参加关系线的建立，在以后出现类似水情时，流量推求仍然会有大的偏差。③这些方法绝大部分采用关系线的形式推求相应水位的流量，其具体做法的基本思路是关系线必须通过“点群中心”，线是点的概化，而非精确匹配，方法自身存在误差。④这些方法大多是采用事后定线，即用已经收集到的水文数据定线，难以满足流量实时推求的要求。在传统水文工作中，水文资料的整编每年一般2次，汛后1次，次年年初对上年资料进行整编。虽然水利部实施了水文资料整编“日清月结”，但由于整编的基础理论和方法并未有实质进步或提升，“日清月结”成果大部分仍然是按月的临时成果，正式成果仍然采用原有模式整编，时效性提升严重受限；⑤传统方法是建立在一定的测站（或断面）特性和河段特点的基础上，也就是说大多数传统方法对应的测站特性和河段特点应相对固定或变化不大，但实际当中，测站特性和河段特点作为河流的自然属性是经常发生变化，正如人们常说的“三十年河东、三十年河西”，加之受水利工程建设等人为活动影响，其变化更加复杂而缺乏规律性，导致采用传统方法进行流量推求时，常常发生较大偏差。
近年来，随着信息技术、物联网、大数据、云计算、数据挖掘以及人工智能等前言技术的快速发展。2017年国务院发布《新一代人工智能发展规划》，标志着人工智能以上升为国家战略。利用人工智能技术的强大的数据处理、挖掘、分析与识别能力，可为水文行业各类数据处理带来革命性进步，实现河道流量与水文要素间的更精确匹配，得到精度更高，时效性更快的实时流量推求。
发明内容
本发明的目的在于针对上述现有技术的不足，提供了一种河道断面流量实时智能推求方法，显著提高河道断面流量实时整编或报汛精度。
为实现上述目的，本发明采用了如下技术方案：
本发明提供了一种河道断面流量实时智能推求方法，
S1、建立水文要素标准化样本集：收集历史水文资料，分析和识别可能影响河道断面流量推求的河道断面和断面所在河段的各类水文要素样本集U；
考虑到各水文要素之间数值大小与量纲的不同，对所有流量点相应的水文要素原始数据X进行标准化处理，形成标准化变量
Figure 124482DEST_PATH_IMAGE001
，以消除变量间变异程度上的差异，标准化之后的水文要素样本集为
Figure 302653DEST_PATH_IMAGE002
；
Figure 250362DEST_PATH_IMAGE002
为一个n维向量，所述河道断面所有历史水位流量关系线上的流量点一一对应的
Figure 804971DEST_PATH_IMAGE002
作为新的样本集W；
Figure 891876DEST_PATH_IMAGE003
Figure 506528DEST_PATH_IMAGE004
Figure 882146DEST_PATH_IMAGE005
Figure 37184DEST_PATH_IMAGE006
Figure 181857DEST_PATH_IMAGE007
式中，Q为流量；X为流量对应的某一水文要素；m为X的均值；s为X标准差；n为水文要素的数量，N为历史水文资料中流量点的总个数；
S2、确定水文特征要素组合
Figure 764148DEST_PATH_IMAGE008
：采用包装法建立水文要素特征子集模型，在所述样本集
Figure 361483DEST_PATH_IMAGE009
中选取不同的特征子集，利用历史水文数据，对所述特征子集进行机器学习的数据训练；
以流量推求误差最小作为衡量所述特征子集好坏的标准，每次选择多个特征组成所述特征子集，经过反复比较选出最好的所述特征子集，即为所述水文特征要素组合
Figure 320211DEST_PATH_IMAGE010
；
Figure 316462DEST_PATH_IMAGE010
实质为一个t维向量，t<n；
S3、将断面历史水位流量关系线上所有流量点一一对应的所述水文特征要素组合
Figure 335233DEST_PATH_IMAGE010
建立数据仓库D，采用K均值聚类算法对D进行分类，将每个流量点对应的样本数据作为对象，随机假定K个质心，每个质心初始的代表一个簇的中心，形成K个聚类中心，聚类个数K的选择采用肘部法则；
S4、计算数据仓库D中每一个对象与各簇中心的距离，并赋予最近的簇，得到新的K个聚类
Figure 216602DEST_PATH_IMAGE011
，重新计算每个簇的水文特征要素组合样本的平均值，更新为新的簇中心，每一个对象到每一个聚类中心的距离度量采用欧式距离；
为提高距离度量的适配性，在所述欧式距离中引入所述S2中得到的各水文特征要素的权重系数
Figure 651125DEST_PATH_IMAGE012
，得到加权后的所述欧式距离；类簇中心就是类簇内所有对象在各个维度加权后的均值C；
Figure 567129DEST_PATH_IMAGE014
Figure 960064DEST_PATH_IMAGE015
Figure 531991DEST_PATH_IMAGE016
式中，
Figure 832522DEST_PATH_IMAGE017
表示
Figure 540715DEST_PATH_IMAGE018
个类簇中第
Figure 901289DEST_PATH_IMAGE019
个对象；
Figure 960512DEST_PATH_IMAGE020
表示第
Figure 796225DEST_PATH_IMAGE021
个聚类中心的质心，
Figure 624504DEST_PATH_IMAGE022
，
Figure 359242DEST_PATH_IMAGE023
表示第i个对象的第t个属性，
Figure 702498DEST_PATH_IMAGE024
，
Figure 548095DEST_PATH_IMAGE025
表示第j个聚类中心的第t个属性；
Figure 293197DEST_PATH_IMAGE026
表示第
Figure 933257DEST_PATH_IMAGE027
个聚类的中心；
Figure 763810DEST_PATH_IMAGE028
，
Figure 881938DEST_PATH_IMAGE029
表示第
Figure 747126DEST_PATH_IMAGE030
个类簇中对象的个数，
Figure 555158DEST_PATH_IMAGE031
；
S5、不断重复所述S4，反复迭代进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，得到最终聚类
Figure 873006DEST_PATH_IMAGE032
，各类簇中心为
Figure 794826DEST_PATH_IMAGE033
，
Figure 514520DEST_PATH_IMAGE033
是一个与所述水文特征要素组合
Figure 496383DEST_PATH_IMAGE010
相同的n维向量，为确保流量推求精度不低于单次流量测验误差，C聚类中组与组之间的误差应不大于10%；
Figure 301528DEST_PATH_IMAGE034
S6、根据当前河道断面水位
Figure 27038DEST_PATH_IMAGE035
，提取当前所述水文特征要素组合
Figure 335660DEST_PATH_IMAGE010
的样本数据
Figure 550741DEST_PATH_IMAGE036
，
Figure 780865DEST_PATH_IMAGE036
是一个n维向量；
Figure 106804DEST_PATH_IMAGE037
逐一求解与最终聚类
Figure 470265DEST_PATH_IMAGE038
中各聚类中心
Figure 856247DEST_PATH_IMAGE039
的欧式距离，以最短欧式距离d作为约束条件，确定
Figure 573667DEST_PATH_IMAGE037
归属最终聚类中的簇类S；
遍历聚类中心，继续求解与
Figure 703297DEST_PATH_IMAGE037
欧式距离最短的所述水文特征要素组合
Figure 924194DEST_PATH_IMAGE010
；
当
Figure 746656DEST_PATH_IMAGE040
最小且小于阈值
Figure 685793DEST_PATH_IMAGE041
时，相当于两个组合相似度U最高，视为匹配成功；
否则，视为匹配失败；
Figure 556798DEST_PATH_IMAGE042
Figure 694518DEST_PATH_IMAGE044
其中，阈值
Figure 891144DEST_PATH_IMAGE045
根据社会需求的单次测验误差要求确定；
Figure 114315DEST_PATH_IMAGE046
为距离最短水文特征要素组合对应的流量值；
S7、若匹配成功，则根据相似度最高的所述水文特征要素组合
Figure 786080DEST_PATH_IMAGE010
找出对应的流量值，并建立与该河道断面传统流量实时推求方法结果优选模型；
S8、若匹配不成功，将当前所述水文特征要素组合
Figure 43886DEST_PATH_IMAGE036
作为新的组合，与对应的流量点组成新的样本，纳入水文特征要素聚类数据仓库D中。
进一步，所述确定水文特征要素组合
Figure 880255DEST_PATH_IMAGE047
具体包括以下步骤：
S21、建立Wrapper包装法模型，选择递归特征消除法作为所述Wrapper包装法模型中的算法；
S22、选择所述递归特征消除法中的逐步回归子模型对模型进行机器学***方和经检验后是显著的；
同时，每引入一个新的所述水文要素后，要对旧的所述水文要素逐个检验，剔除偏回归平方和不显著的所述水文要素；
如此循环，边引入边剔除，直至遍历完所有所述水文要素，既无新水文要素引入也无旧水文要素删除为止，得到优选出的所述水文特征要素组合
Figure 856301DEST_PATH_IMAGE048
；
S23、模型评价与特征子集
Figure 69108DEST_PATH_IMAGE048
选择：直接采用Sklearn中成熟的feature_selection模块的Recursive Feature Elimination CV，选择误差最小的子集作为优化后的所述水文特征要素组合
Figure 915841DEST_PATH_IMAGE048
，同时得到逐步回归模型中，流量与
Figure 251008DEST_PATH_IMAGE048
的线性方程组，具体为：
Figure 386454DEST_PATH_IMAGE049
Figure 465268DEST_PATH_IMAGE050
式中
Figure 635350DEST_PATH_IMAGE051
为各水文特征要素的权重；B为常数项。
进一步，所述S22包括以下步骤：
S221、对 t个水文要素
Figure 875838DEST_PATH_IMAGE052
分别同流量 Y建立一元回归模型：
Figure 761230DEST_PATH_IMAGE053
计算所述水文要素
Figure 378156DEST_PATH_IMAGE054
的回归系数的F检验的统计量值，记为
Figure 402744DEST_PATH_IMAGE055
，取其中的最大值
Figure 814134DEST_PATH_IMAGE056
，即
Figure 924172DEST_PATH_IMAGE057
给定显著性水平为5%，记相应的临界值为
Figure 344789DEST_PATH_IMAGE058
法，
Figure 223884DEST_PATH_IMAGE059
，则将该水文要素引入回归模型，记
Figure 71754DEST_PATH_IMAGE060
为选入水文要素指标集合；
S222、建立所述流量Y与水文要素子集
Figure 669088DEST_PATH_IMAGE061
，
Figure 627817DEST_PATH_IMAGE062
的二元回归模型，共有t-1个，计算水文要素回归系数F检验的统计量值，记为
Figure 913084DEST_PATH_IMAGE063
，选取其中的最大值记为
Figure 869539DEST_PATH_IMAGE064
，
Figure 750907DEST_PATH_IMAGE065
给定显著性水平为5%，记相应的临界值为
Figure 451010DEST_PATH_IMAGE064
法，
Figure 367013DEST_PATH_IMAGE066
，则将该水文要素引入回归模型，否则，终止水文要素变量的引入过程；
S223、继续建立流量与水文要素子集
Figure 494369DEST_PATH_IMAGE067
的回归重复所述S2，每次从未引入回归模型的水文要素中选取一个，直到经检验没有变量引入为止。
进一步，所述肘部法则的实现步骤为：
S31、将每个簇的质心与簇内样本点的平均距离误差和作为畸变程度；
S32、以畸变程度为y轴，聚类个数为x轴，建立所述畸变程度和所述聚类个数的线性相关图，所述畸变程度会随着类别的增加而降低，对有区分度的数据，在达到单个临界点时，所述畸变程度的线性相关图会有显著转折变化，之后缓慢下降；所述临界点为聚类性能较好的点；
S33、重复训练多个K均值模型，选取不同的K值，得到合理的聚类数目。
进一步，所述S7的具体实施步骤为：
S71、若河道断面的水位流量关系为单一线、单值化、临时曲线或公式法；
当聚类算法与传统方法的偏差不超过水位流量关系定线误差的2倍时，以聚类算法为准；
当大于2倍相对误差时，以所述聚类算法与传统方法的平均值作为最终推求结果：
Figure 128613DEST_PATH_IMAGE068
S7.2、若河道断面的水文流量关系为连时序法和连实测流量过程线法；当所述聚类算法与所述传统方法的偏差不超过水位流量关系定线误差的3倍时，以所述聚类算法为准；
当大于3倍相对误差时，由人工辅助确认最终推求结果：
Figure 632407DEST_PATH_IMAGE069
。
进一步，所述S1中的水文要素样本集U包括两大类，一类是本断面水文要素条件；另一类是断面上下游河段的水文要素；
对于不同河道断面，应结合河段特点和断面水文特征性以及来水情况进行分析，确定水文特征要素组合选择，且所述S2中水文特征要素组合
Figure 606179DEST_PATH_IMAGE070
应包含河道断面的水位。
进一步，所述S1中水文特征要素的选择分为两大类，一类是实测值；另一类是借用值，以对流量推求影响较大且难以实时监测的水文要素，借用最近一次的实测值，以提高流量推求的精度。
进一步，所述S6中的阈值，根据社会需求对河流流量单次测验精度要求的不同，阈值设定是可变的；
但对同一个河道断面的同一种需求阈值应固定不变；
所述S7中的水位流量关系定线误差，同一河道断面需要按高、中、低水位级的划分分别取值，但对同一水位级，取值是一致的。
本发明的有益效果为：通过分析和确定影响河道断面流量实时推求的水文特征要素组合，对水位历年变幅进行分级，通过历史水位流量关系线找出对应的流量点，建立水文特征要素组合与河道断面流量点的一一对应关系。通过建立水文特征要素组合数据仓库，获得不同水文特征要素组合下，相应水位对应流量点与水文特征要素组合的配套关系；通过上述水位流量分组和流量与水文特征要素组合关系的建立，可利用水文特征要素组合聚类算法实现河道断面流量的实时推求，能够利用人工智能技术，更快速、准确地实现河道流量的实时推求，显著提高水文资料整编和相应流量报汛的精度和自动化、智能化水平，在实践中，对复杂水文特性具有更强的适用性，具有更高的推广价值，可以为水资源监督管理和水旱灾害防御提供更及时和精确的流量数据支持。
附图说明
图1 为本发明一种河道断面流量实时智能推求方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，一种河道断面流量实时智能推求方法，
S1、建立水文要素标准化样本集：收集历史水文资料，分析和识别可能影响河道断面流量推求的河道断面和断面所在河段的各类水文要素样本集U；
Figure 904436DEST_PATH_IMAGE071
考虑到各水文要素之间数值大小与量纲的不同，对所有流量点相应的水文要素原始数据X进行标准化处理，形成标准化变量，以消除变量间变异程度上的差异，标准化之后的水文要素样本集为
Figure 960729DEST_PATH_IMAGE002
；
Figure 64952DEST_PATH_IMAGE002
为一个n维向量，所述河道断面所有历史水位流量关系线上的流量点一一对应的
Figure 893230DEST_PATH_IMAGE002
作为新的样本集W；
Figure 424706DEST_PATH_IMAGE003
Figure 705646DEST_PATH_IMAGE072
Figure 551242DEST_PATH_IMAGE073
Figure 296344DEST_PATH_IMAGE006
Figure 936404DEST_PATH_IMAGE007
式中，Q为流量；X为流量对应的某一水文要素；m为X的均值；s为X标准差；n为水文要素的数量，N为历史水文资料中流量点的总个数；
S2、确定水文特征要素组合
Figure 766957DEST_PATH_IMAGE008
：采用包装法建立水文要素特征子集模型，在所述样本集
Figure 947402DEST_PATH_IMAGE009
中选取不同的特征子集，利用历史水文数据，对所述特征子集进行机器学习的数据训练；
以流量推求误差最小作为衡量所述特征子集好坏的标准，每次选择多个特征组成所述特征子集，经过反复比较选出最好的所述特征子集，即为所述水文特征要素组合
Figure 747343DEST_PATH_IMAGE010
；
Figure 620622DEST_PATH_IMAGE010
实质为一个t维向量，t<n；
S3、将断面历史水位流量关系线上所有流量点一一对应的所述水文特征要素组合
Figure 610574DEST_PATH_IMAGE010
建立数据仓库D，采用K均值聚类算法对D进行分类，将每个流量点对应的样本数据作为对象，随机假定K个质心，每个质心初始的代表一个簇的中心，形成K个聚类中心，聚类个数K的选择采用肘部法则；
Figure 594711DEST_PATH_IMAGE074
S4、计算数据仓库D中每一个对象与各簇中心的距离，并赋予最近的簇，得到新的K个聚类，重新计算每个簇的水文特征要素组合样本的平均值，更新为新的簇中心，每一个对象到每一个聚类中心的距离度量采用欧式距离；
为提高距离度量的适配性，在所述欧式距离中引入所述S2中得到的各水文特征要素的权重系数
Figure 986509DEST_PATH_IMAGE075
，得到加权后的所述欧式距离；类簇中心就是类簇内所有对象在各个维度加权后的均值C；
Figure 233951DEST_PATH_IMAGE076
Figure 976779DEST_PATH_IMAGE077
Figure 764606DEST_PATH_IMAGE078
式中，
Figure 276490DEST_PATH_IMAGE017
表示
Figure 491571DEST_PATH_IMAGE018
个类簇中第
Figure 718765DEST_PATH_IMAGE019
个对象；
Figure 779125DEST_PATH_IMAGE020
表示第
Figure 473412DEST_PATH_IMAGE021
个聚类中心的质心，
Figure 797077DEST_PATH_IMAGE022
，
Figure 311235DEST_PATH_IMAGE023
表示第i个对象的第t个属性，
Figure 175286DEST_PATH_IMAGE024
，
Figure 661762DEST_PATH_IMAGE025
表示第j个聚类中心的第t个属性；
Figure 218645DEST_PATH_IMAGE026
表示第
Figure 157782DEST_PATH_IMAGE027
个聚类的中心；
Figure 91103DEST_PATH_IMAGE028
，
Figure 432086DEST_PATH_IMAGE029
表示第
Figure 156941DEST_PATH_IMAGE030
个类簇中对象的个数，
Figure 583374DEST_PATH_IMAGE031
；
S5、不断重复所述S4，反复迭代进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，得到最终聚类
Figure 320386DEST_PATH_IMAGE032
，各类簇中心为
Figure 312612DEST_PATH_IMAGE079
，
Figure 148981DEST_PATH_IMAGE079
是一个与所述水文特征要素组合
Figure 125028DEST_PATH_IMAGE010
相同的n维向量，为确保流量推求精度不低于单次流量测验误差，C聚类中组与组之间的误差应不大于10%；
Figure 337834DEST_PATH_IMAGE080
S6、根据当前河道断面水位
Figure 450147DEST_PATH_IMAGE035
，提取当前所述水文特征要素组合
Figure 722996DEST_PATH_IMAGE010
的样本数据
Figure 920759DEST_PATH_IMAGE036
，
Figure 733995DEST_PATH_IMAGE036
是一个n维向量；
Figure 635567DEST_PATH_IMAGE037
逐一求解与最终聚类
Figure 141635DEST_PATH_IMAGE081
中各聚类中心
Figure 764377DEST_PATH_IMAGE039
的欧式距离，以最短欧式距离d作为约束条件，确定
Figure 381303DEST_PATH_IMAGE037
归属最终聚类中的簇类S；
遍历聚类中心，继续求解与
Figure 405891DEST_PATH_IMAGE037
欧式距离最短的所述水文特征要素组合
Figure 82860DEST_PATH_IMAGE010
；
当
Figure 989636DEST_PATH_IMAGE082
最小且小于阈值
Figure 816778DEST_PATH_IMAGE041
时，相当于两个组合相似度U最高，视为匹配成功；
否则，视为匹配失败；
Figure 492610DEST_PATH_IMAGE083
Figure 543743DEST_PATH_IMAGE084
其中，阈值
Figure 203394DEST_PATH_IMAGE045
根据社会需求的单次测验误差要求确定；
Figure 96876DEST_PATH_IMAGE046
为距离最短水文特征要素组合对应的流量值；
S7、若匹配成功，则根据相似度最高的所述水文特征要素组合
Figure 158373DEST_PATH_IMAGE010
找出对应的流量值，并建立与该河道断面传统流量实时推求方法结果优选模型；
S8、若匹配不成功，将当前所述水文特征要素组合
Figure 645986DEST_PATH_IMAGE036
作为新的组合，与对应的流量点组成新的样本，纳入水文特征要素聚类数据仓库D中。
所述确定水文特征要素组合
Figure 730617DEST_PATH_IMAGE085
具体包括以下步骤：
S21、建立Wrapper包装法模型，选择递归特征消除法作为所述Wrapper包装法模型中的算法；
S22、选择所述递归特征消除法中的逐步回归子模型对模型进行机器学***方和经检验后是显著的；
同时，每引入一个新的所述水文要素后，要对旧的所述水文要素逐个检验，剔除偏回归平方和不显著的所述水文要素；
如此循环，边引入边剔除，直至遍历完所有所述水文要素，既无新水文要素引入也无旧水文要素删除为止，得到优选出的所述水文特征要素组合
Figure 493037DEST_PATH_IMAGE048
；
S23、模型评价与特征子集
Figure 346723DEST_PATH_IMAGE048
选择：直接采用Sklearn中成熟的feature_selection模块的Recursive Feature Elimination CV，选择误差最小的子集作为优化后的所述水文特征要素组合
Figure 536396DEST_PATH_IMAGE048
，同时得到逐步回归模型中，流量与
Figure 842743DEST_PATH_IMAGE048
的线性方程组，具体为：
Figure 143275DEST_PATH_IMAGE049
Figure 117047DEST_PATH_IMAGE050
式中
Figure 212042DEST_PATH_IMAGE051
为各水文特征要素的权重；B为常数项。
所述S22包括以下步骤：
S221、对 t个水文要素
Figure 65073DEST_PATH_IMAGE086
分别同流量 Y建立一元回归模型：
Figure 106978DEST_PATH_IMAGE053
计算所述水文要素
Figure 997574DEST_PATH_IMAGE054
的回归系数的F检验的统计量值，记为
Figure 466732DEST_PATH_IMAGE055
，取其中的最大值
Figure 809989DEST_PATH_IMAGE087
，即
Figure 655585DEST_PATH_IMAGE057
给定显著性水平为5%，记相应的临界值为
Figure 72791DEST_PATH_IMAGE088
法，
Figure 712851DEST_PATH_IMAGE089
，则将该水文要素引入回归模型，记
Figure 543404DEST_PATH_IMAGE090
为选入水文要素指标集合；
S222、建立所述流量Y与水文要素子集
Figure 760120DEST_PATH_IMAGE091
，
Figure 359728DEST_PATH_IMAGE092
的二元回归模型，共有t-1个，计算水文要素回归系数F检验的统计量值，记为
Figure 436269DEST_PATH_IMAGE093
，选取其中的最大值记为
Figure 488538DEST_PATH_IMAGE094
，
Figure 675937DEST_PATH_IMAGE065
给定显著性水平为5%，记相应的临界值为
Figure 130052DEST_PATH_IMAGE095
法，
Figure 377494DEST_PATH_IMAGE096
，则将该水文要素引入回归模型，否则，终止水文要素变量的引入过程；
S223、继续建立流量与水文要素子集
Figure 385901DEST_PATH_IMAGE067
的回归重复所述S2，每次从未引入回归模型的水文要素中选取一个，直到经检验没有变量引入为止。
所述肘部法则的实现步骤为：
S31、将每个簇的质心与簇内样本点的平均距离误差和作为畸变程度；
S32、以畸变程度为y轴，聚类个数为x轴，建立所述畸变程度和所述聚类个数的线性相关图，所述畸变程度会随着类别的增加而降低，对有区分度的数据，在达到单个临界点时，所述畸变程度的线性相关图会有显著转折变化，之后缓慢下降；所述临界点为聚类性能较好的点；
S33、重复训练多个K均值模型，选取不同的K值，得到合理的聚类数目。
所述S7的具体实施步骤为：
S71、若河道断面的水位流量关系为单一线、单值化、临时曲线或公式法；
当聚类算法与传统方法的偏差不超过水位流量关系定线误差的2倍时，以聚类算法为准；
当大于2倍相对误差时，以所述聚类算法与传统方法的平均值作为最终推求结果：
Figure 111412DEST_PATH_IMAGE097
S7.2、若河道断面的水文流量关系为连时序法和连实测流量过程线法；当所述聚类算法与所述传统方法的偏差不超过水位流量关系定线误差的3倍时，以所述聚类算法为准；
当大于3倍相对误差时，由人工辅助确认最终推求结果：
Figure 888875DEST_PATH_IMAGE098
所述S1中的水文要素样本集U包括两大类，一类是本断面水文要素条件；另一类是断面上下游河段的水文要素；
对于不同河道断面，应结合河段特点和断面水文特征性以及来水情况进行分析，确定水文特征要素组合选择，且所述S2中水文特征要素组合
Figure 304288DEST_PATH_IMAGE070
应包含河道断面的水位。
所述S1中水文特征要素的选择分为两大类，一类是实测值；另一类是借用值，以对流量推求影响较大且难以实时监测的水文要素，借用最近一次的实测值，以提高流量推求的精度。
所述S6中的阈值，根据社会需求对河流流量单次测验精度要求的不同，阈值设定是可变的；
但对同一个河道断面的同一种需求阈值应固定不变；
所述S7中的水位流量关系定线误差，同一河道断面需要按高、中、低水位级的划分分别取值，但对同一水位级，取值是一致的。
通过分析和识别影响河道断面流量推求的水文要素（如本站水位、上游水位、下游水位、断面面积、比降、涨落率、水面宽、水深等），确定不同水位级下影响流量推求的水文特征要素组合，获得水文特征要素组合与历史流量的对应关系，建立形成水文特征要素聚类数据仓库；在实时推求流量时，根据河道断面实时水位对应的水文特征要素组合，基于水文特征要素聚类相似度算法，检索水文特征要素聚类数据仓库，快速找出与当前水文特征要素组合匹配的最佳组合，从而实现河道断面流量的实时推求。本发明通过水文特征要素聚类相似度算法可更加有针对性的进行河道断面流量实时整编或相应流量报汛，实现流量测点的精确匹配，减少水位流量关系定线本身和人为干预带来的双重误差，更快速、更准确地实现河道断面流量实时推求，显著提高河道断面流量实时整编或报汛精度和自动化、智能化水平，为水旱灾害防御、水资源管理和水生态治理提供可实时获得的、精确更高的流量信息支持。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种河道断面流量实时智能推求方法，其特征在于：
S1、建立水文要素标准化样本集：收集历史水文资料，分析和识别可能影响河道断面流量推求的河道断面和断面所在河段的各类水文要素样本集U；
考虑到各水文要素之间数值大小与量纲的不同，对所有流量点相应的水文要素原始数据X进行标准化处理，形成标准化变量
Figure 122875DEST_PATH_IMAGE001
，以消除变量间变异程度上的差异，标准化之后的水文要素样本集为
Figure 977699DEST_PATH_IMAGE002
；
Figure 429540DEST_PATH_IMAGE002
为一个n维向量，所述河道断面所有历史水位流量关系线上的流量点一一对应的
Figure 496853DEST_PATH_IMAGE002
作为新的样本集W；
Figure 107963DEST_PATH_IMAGE003
Figure 599600DEST_PATH_IMAGE004
Figure 538737DEST_PATH_IMAGE005
Figure 409741DEST_PATH_IMAGE006
Figure 875357DEST_PATH_IMAGE007
式中，Q为流量；X为流量对应的某一水文要素；m为X的均值；s为X标准差；n为水文要素的数量，N为历史水文资料中流量点的总个数；
S2、确定水文特征要素组合
Figure 540825DEST_PATH_IMAGE008
：采用包装法建立水文要素特征子集模型，在所述样本集
Figure 967258DEST_PATH_IMAGE009
中选取不同的特征子集，利用历史水文数据，对所述特征子集进行机器学习的数据训练；
以流量推求误差最小作为衡量所述特征子集好坏的标准，每次选择多个特征组成所述特征子集，经过反复比较选出最好的所述特征子集，即为所述水文特征要素组合
Figure 376374DEST_PATH_IMAGE010
；
Figure 696497DEST_PATH_IMAGE010
实质为一个t维向量，t<n；
S3、将断面历史水位流量关系线上所有流量点一一对应的所述水文特征要素组合
Figure 532866DEST_PATH_IMAGE010
建立数据仓库D，采用K均值聚类算法对D进行分类，将每个流量点对应的样本数据作为对象，随机假定K个质心，每个质心初始的代表一个簇的中心，形成K个聚类中心，聚类个数K的选择采用肘部法则；
S4、计算数据仓库D中每一个对象与各簇中心的距离，并赋予最近的簇，得到新的K个聚类
Figure 446595DEST_PATH_IMAGE011
，重新计算每个簇的水文特征要素组合样本的平均值，更新为新的簇中心，每一个对象到每一个聚类中心的距离度量采用欧式距离；
为提高距离度量的适配性，在所述欧式距离中引入所述S2中得到的各水文特征要素的权重系数
Figure 656472DEST_PATH_IMAGE012
，得到加权后的所述欧式距离；类簇中心就是类簇内所有对象在各个维度加权后的均值C；
Figure 96681DEST_PATH_IMAGE014
Figure 369530DEST_PATH_IMAGE015
Figure 770556DEST_PATH_IMAGE016
式中，
Figure 521474DEST_PATH_IMAGE017
表示
Figure 691555DEST_PATH_IMAGE018
个类簇中第
Figure 259940DEST_PATH_IMAGE019
个对象；
Figure 882682DEST_PATH_IMAGE020
表示第
Figure 437292DEST_PATH_IMAGE021
个聚类中心的质心，
Figure 461879DEST_PATH_IMAGE022
，
Figure 201165DEST_PATH_IMAGE023
表示第i个对象的第t个属性，
Figure 308274DEST_PATH_IMAGE024
，
Figure 400995DEST_PATH_IMAGE025
表示第j个聚类中心的第t个属性；
Figure 545669DEST_PATH_IMAGE026
表示第
Figure 455856DEST_PATH_IMAGE027
个聚类的中心；
Figure 53190DEST_PATH_IMAGE028
，
Figure 215181DEST_PATH_IMAGE029
表示第
Figure 683203DEST_PATH_IMAGE030
个类簇中对象的个数，
Figure 905237DEST_PATH_IMAGE031
；
S5、不断重复所述S4，反复迭代进行分配点和更新类簇中心点的步骤，直至类簇中心点的变化很小，得到最终聚类
Figure 114501DEST_PATH_IMAGE032
，各类簇中心为
Figure 814604DEST_PATH_IMAGE033
，
Figure 665361DEST_PATH_IMAGE033
是一个与所述水文特征要素组合
Figure 386192DEST_PATH_IMAGE010
相同的n维向量，为确保流量推求精度不低于单次流量测验误差，C聚类中组与组之间的误差应不大于10%；
Figure 958119DEST_PATH_IMAGE034
S6、根据当前河道断面水位
Figure 196333DEST_PATH_IMAGE035
，提取当前所述水文特征要素组合
Figure 435685DEST_PATH_IMAGE010
的样本数据
Figure 327417DEST_PATH_IMAGE036
，
Figure 386640DEST_PATH_IMAGE036
是一个n维向量；
Figure 428546DEST_PATH_IMAGE037
逐一求解与最终聚类
Figure 991245DEST_PATH_IMAGE038
中各聚类中心
Figure 319458DEST_PATH_IMAGE039
的欧式距离，以最短欧式距离d作为约束条件，确定
Figure 600398DEST_PATH_IMAGE037
归属最终聚类中的簇类S；
遍历聚类中心，继续求解与
Figure 443065DEST_PATH_IMAGE037
欧式距离最短的所述水文特征要素组合
Figure 250484DEST_PATH_IMAGE010
；
当
Figure 890544DEST_PATH_IMAGE040
最小且小于阈值
Figure 924359DEST_PATH_IMAGE041
时，相当于两个组合相似度U最高，视为匹配成功；
否则，视为匹配失败；
Figure 308067DEST_PATH_IMAGE042
Figure 845358DEST_PATH_IMAGE044
其中，阈值
Figure 780953DEST_PATH_IMAGE045
根据社会需求的单次测验误差要求确定；
Figure 302064DEST_PATH_IMAGE046
为距离最短水文特征要素组合对应的流量值；
S7、若匹配成功，则根据相似度最高的所述水文特征要素组合
Figure 958305DEST_PATH_IMAGE010
找出对应的流量值，并建立与该河道断面传统流量实时推求方法结果优选模型；
S8、若匹配不成功，将当前所述水文特征要素组合
Figure 615682DEST_PATH_IMAGE036
作为新的组合，与对应的流量点组成新的样本，纳入水文特征要素聚类数据仓库D中。
2.根据权利要求1所述的一种河道断面流量实时智能推求方法，其特征在于，所述确定水文特征要素组合
Figure 722179DEST_PATH_IMAGE047
具体包括以下步骤：
S21、建立Wrapper包装法模型，选择递归特征消除法作为所述Wrapper包装法模型中的算法；
S22、选择所述递归特征消除法中的逐步回归子模型对模型进行机器学***方和经检验后是显著的；
同时，每引入一个新的所述水文要素后，要对旧的所述水文要素逐个检验，剔除偏回归平方和不显著的所述水文要素；
如此循环，边引入边剔除，直至遍历完所有所述水文要素，既无新水文要素引入也无旧水文要素删除为止，得到优选出的所述水文特征要素组合
Figure 462077DEST_PATH_IMAGE048
；
S23、模型评价与特征子集
Figure 187587DEST_PATH_IMAGE048
选择：直接采用Sklearn中成熟的feature_selection模块的Recursive Feature Elimination CV，选择误差最小的子集作为优化后的所述水文特征要素组合
Figure 699471DEST_PATH_IMAGE048
，同时得到逐步回归模型中，流量与
Figure 711290DEST_PATH_IMAGE048
的线性方程组，具体为：
Figure 675835DEST_PATH_IMAGE049
Figure 205036DEST_PATH_IMAGE050
式中
Figure 696060DEST_PATH_IMAGE051
为各水文特征要素的权重；B为常数项。
3.根据权利要求2所述的一种河道断面流量实时智能推求方法，其特征在于，所述S22包括以下步骤：
S221、对 t个水文要素
Figure 19725DEST_PATH_IMAGE052
分别同流量 Y建立一元回归模型：
Figure 737146DEST_PATH_IMAGE053
计算所述水文要素
Figure 804459DEST_PATH_IMAGE054
的回归系数的F检验的统计量值，记为
Figure 149990DEST_PATH_IMAGE055
，取其中的最大值
Figure 907205DEST_PATH_IMAGE056
，即
Figure 846343DEST_PATH_IMAGE057
给定显著性水平为5%，记相应的临界值为
Figure 717347DEST_PATH_IMAGE058
法，
Figure 58329DEST_PATH_IMAGE059
，则将该水文要素引入回归模型，记
Figure 114010DEST_PATH_IMAGE060
为选入水文要素指标集合；
S222、建立所述流量Y与水文要素子集
Figure 540443DEST_PATH_IMAGE061
，
Figure 949559DEST_PATH_IMAGE062
的二元回归模型，共有t-1个，计算水文要素回归系数F检验的统计量值，记为
Figure 145048DEST_PATH_IMAGE063
，选取其中的最大值记为
Figure 371630DEST_PATH_IMAGE064
，
Figure 19780DEST_PATH_IMAGE065
给定显著性水平为5%，记相应的临界值为
Figure 253095DEST_PATH_IMAGE064
法，
Figure 568669DEST_PATH_IMAGE066
，则将该水文要素引入回归模型，否则，终止水文要素变量的引入过程；
S223、继续建立流量与水文要素子集
Figure 841519DEST_PATH_IMAGE067
的回归重复所述S2，每次从未引入回归模型的水文要素中选取一个，直到经检验没有变量引入为止。
4.根据权利要求1所述的一种河道断面流量实时智能推求方法，其特征在于，所述肘部法则的实现步骤为：
S31、将每个簇的质心与簇内样本点的平均距离误差和作为畸变程度；
S32、以畸变程度为y轴，聚类个数为x轴，建立所述畸变程度和所述聚类个数的线性相关图，所述畸变程度会随着类别的增加而降低，对有区分度的数据，在达到单个临界点时，所述畸变程度的线性相关图会有显著转折变化，之后缓慢下降；所述临界点为聚类性能较好的点；
S33、重复训练多个K均值模型，选取不同的K值，得到合理的聚类数目。
5.根据权利要求1所述的一种河道断面流量实时智能推求方法，其特征在于，所述S7的具体实施步骤为：
S71、若河道断面的水位流量关系为单一线、单值化、临时曲线或公式法；
当聚类算法与传统方法的偏差不超过水位流量关系定线误差的2倍时，以聚类算法为准；
当大于2倍相对误差时，以所述聚类算法与传统方法的平均值作为最终推求结果：
Figure 367178DEST_PATH_IMAGE068
S7.2、若河道断面的水文流量关系为连时序法和连实测流量过程线法；当所述聚类算法与所述传统方法的偏差不超过水位流量关系定线误差的3倍时，以所述聚类算法为准；
当大于3倍相对误差时，由人工辅助确认最终推求结果：
Figure 383676DEST_PATH_IMAGE070
6.根据权利要求1所述的一种河道断面流量实时智能推求方法，其特征在于：所述S1中的水文要素样本集U包括两大类，一类是本断面水文要素条件；另一类是断面上下游河段的水文要素；
对于不同河道断面，应结合河段特点和断面水文特征性以及来水情况进行分析，确定水文特征要素组合选择，且所述S2中水文特征要素组合
Figure DEST_PATH_IMAGE071
应包含河道断面的水位。
7.根据权利要求1所述的一种河道断面流量实时智能推求方法，其特征在于：所述S1中水文特征要素的选择分为两大类，一类是实测值；另一类是借用值，以对流量推求影响较大且难以实时监测的水文要素，借用最近一次的实测值，以提高流量推求的精度。
8.根据权利要求1所述的一种河道断面流量实时智能推求方法，其特征在于：所述S6中的阈值，根据社会需求对河流流量单次测验精度要求的不同，阈值设定是可变的；
但对同一个河道断面的同一种需求阈值应固定不变；
所述S7中的水位流量关系定线误差，同一河道断面需要按高、中、低水位级的划分分别取值，但对同一水位级，取值是一致的。
CN202111207276.3A 2021-10-18 2021-10-18 一种河道断面流量实时智能推求方法 Active CN113641733B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111207276.3A CN113641733B (zh) 2021-10-18 2021-10-18 一种河道断面流量实时智能推求方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111207276.3A CN113641733B (zh) 2021-10-18 2021-10-18 一种河道断面流量实时智能推求方法

Publications (2)

Publication Number Publication Date
CN113641733A CN113641733A (zh) 2021-11-12
CN113641733B true CN113641733B (zh) 2022-01-07

Family

ID=78427246

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111207276.3A Active CN113641733B (zh) 2021-10-18 2021-10-18 一种河道断面流量实时智能推求方法

Country Status (1)

Country Link
CN (1) CN113641733B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115687308B (zh) * 2022-12-08 2023-04-21 长江水利委员会水文局 一种水位流量关系智能定线方法
CN116628411B (zh) * 2023-05-29 2024-05-17 长江水利委员会水文局 一种基于全感融合的高精度流量在线监测智能方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AR109623A1 (es) * 2018-02-16 2019-01-09 Pescarmona Enrique Menotti Proceso y sistema de análisis y gestión hidrológica para cuencas
CN108896117A (zh) * 2018-05-10 2018-11-27 北京师范大学 一种遥感水文站监测河流径流的方法
AU2020101063A4 (en) * 2020-06-19 2020-07-23 Jilin Province Water Resource and Hydropower Consultative Company of P.R.CHINA A Calculation Method of River Ecological Flow
CN111753965A (zh) * 2020-06-30 2020-10-09 长江水利委员会水文局 一种基于深度学习的河流流量自动整编方法及***
CN112464584B (zh) * 2020-11-09 2023-03-24 长江勘测规划设计研究有限责任公司 自由表面流的水位和流量推求方法

Also Published As

Publication number Publication date
CN113641733A (zh) 2021-11-12

Similar Documents

Publication Publication Date Title
CN113641733B (zh) 一种河道断面流量实时智能推求方法
CN107169628B (zh) 一种基于大数据互信息属性约简的配电网可靠性评估方法
CN110619432B (zh) 一种基于深度学习的特征提取水文预报的方法
CN107145965B (zh) 一种基于相似度匹配和极限学习机的河流洪水预测方法
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
CN108038211A (zh) 一种基于上下文的无监督关系数据异常检测方法
CN115021679B (zh) 一种基于多维离群点检测的光伏设备故障检测方法
CN109285219B (zh) 一种基于dem的网格型水文模型网格演算次序编码方法
CN112307410A (zh) 基于船载ctd测量数据的海水温盐信息时序预测方法
CN112016839B (zh) 一种基于qr-bc-elm的洪涝灾害预测预警方法
CN115878603A (zh) 基于k近邻算法与gan网络的水质缺失数据插补算法
CN114169434A (zh) 一种负荷预测方法
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
CN110942182A (zh) 一种基于支持向量回归建立台风预测模型的方法
CN116796799A (zh) 无水文资料地区中小流域洪水降雨量阈值模型创建方法
CN113435124A (zh) 一种基于长短时记忆和径向基函数神经网络的水质时空关联预测方法
CN111311026A (zh) 一种顾及数据特征、模型和校正的径流非线性预测方法
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
CN111914488B (zh) 一种基于对抗神经网络的有资料地区水文参数率定方法
CN111832951A (zh) 用于评价小断块特低渗储层油藏开发价值的方法和***
CN112329868A (zh) 基于clara聚类的制造加工设备群能效状态评价方法
Noor et al. Prediction map of rainfall classification using random forest and inverse distance weighted (IDW)
CN116167456A (zh) 一种基于编码对比和分类矫正的联邦学习方法
CN106777724B (zh) 一种针对半湿润半干旱地区及湿润地区的基流分割方法
CN115345846A (zh) 一种中低碳钢晶粒度智能评级方法及***

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