CN113887774A - 基于神经网络的水库水位预测方法 - Google Patents
基于神经网络的水库水位预测方法 Download PDFInfo
- Publication number
- CN113887774A CN113887774A CN202010633749.5A CN202010633749A CN113887774A CN 113887774 A CN113887774 A CN 113887774A CN 202010633749 A CN202010633749 A CN 202010633749A CN 113887774 A CN113887774 A CN 113887774A
- Authority
- CN
- China
- Prior art keywords
- water level
- data
- reservoir
- historical
- related data
- 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开涉及一种基于神经网络的水位预测方法,包括:基于神经网络的水位预测方法,包括:采集已知的水库水位的历史相关数据,将所述历史相关数据进行处理后存储为第一数据集;将所述第一数据集至少分割为第二数据集和第三数据集;构建神经网络算法模型,通过第二数据集对所述神经网络算法模型进行训练,生成水位预测模型;采集现有水库水位相关数据,将所述现有水库水位相关数据输入所述预测模型进行水位预测;其中,所述历史相关数据包括以第一时间轴划分和第一地点划分的历史降雨量信息、上游水库泄洪量信息及历史水库水位信息;所述现有水库水位相关数据包括以第一时间轴划分和第一地点划分的实际降雨量观测数据、上游水库泄洪量预估数据。
Description
技术领域
本发明涉及一种水库水位预测方法,特别是一种基于神经网络的水库水位预测方法。
背景技术
一般来说,水库的水位在收到上游水系泄洪量影响的同时也受到季节性降雨量的影响。我国幅员辽阔,大约3/4的国土面积存在着不同类型和不同程度的洪水灾害。防洪重点的东部平原地区,如辽河中下游、海河北部平原、长江中游(江汉平原、洞庭湖区、鄱阳湖区以及沿江一带)、珠江三角洲等,它们在地理上都有一个共同特点,即位于湖泊周围低洼地和江河两岸及入海口地区。另外,东南沿海一些山区和滨海平原的接合部,也属于洪水危险程度较大的区域。它们大多都在受洪灾影响最大的是洪泛区。我国有洪泛区近100万平方公里,全国60%以上的工农业产值,40%的人口,35%的耕地,600多座城市,主要铁路、公路、油田以及许多工矿企业受到洪水灾害的威胁。水库是我国防洪广泛采用的工程措施之一。在防洪区上游河道适当位置兴建能调蓄洪水的综合利用水库,利用水库库容拦蓄洪水,削减进入下游河道的洪峰流量,达到减免洪水灾害的目的。但是,在降水充沛的省份,汛期也需要严格观测降雨量及水库水位,一般认为,水库水位过高可能导致地震、山体滑坡、塌方、泥石流甚至溃坝造成的洪灾的风险。目前来说,各地水文部门通常通过印制《水库水位降雨量记录表》的方式由人工方式进行观测记录,较为耗费人力物力,并且这一方式还存在响应速度慢,预警窗口期太短的缺陷。
发明内容
鉴于现有技术存在的上述问题,本发明的目的是提供一种基于神经网络的水库水位预测方法。
为了实现上述目的,本发明一个方面提供的基于神经网络的水位预测方法,包括:
采集已知的水库水位的历史相关数据,将所述历史相关数据进行处理后存储为第一数据集;
将所述第一数据集至少分割为第二数据集和第三数据集;
构建神经网络算法模型,通过第二数据集对所述神经网络算法模型进行训练,生成水位预测模型;
采集现有水库水位相关数据,将所述现有水库水位相关数据输入所述预测模型进行水位预测;
其中,所述历史相关数据包括以第一时间轴划分和第一地点划分的历史降雨量信息、上游水库泄洪量信息及历史水库水位信息;所述现有水库水位相关数据包括以第一时间轴划分和第一地点划分的实际降雨量观测数据、上游水库泄洪量预估数据。
作为优选,所述第一时间轴表征天数或月数,所述第一地点表征待预测水库的位置信息。
作为优选,所述第二数据集作为训练集,所述第二数据集作为测试集,其中,所述训练集与所述测试集数据量之比介于8:1~9:1。
作为优选,所述神经网络算法模型包括输入层、LSTM(LSTM,LongShort-TermMemory)层及输出层,其中,所述LSTM层采用Keras框架构建且至少包括两层,每个LSTM层的节点数介于250~350并采用多折交叉验证,时间步长介于2~5。其中,Keras为公知的基于Python的开源的神经网络API,能够以TensorFlow、CNTK或者Theano等公知的机器学习***作为后端运行。
作为优选,对所述历史相关数据进行处理,包括对所述第二数据集的数据进行基于随机函数的打乱重排。
作为优选,所述随机函数为随机森林算法(Random forest algorithm)。
作为优选,在生成水位预测模型之后,还包括通过随机梯度下降(StochasticGradient Descent,SGD)的方法对所述水位预测模型进行评估。
作为优选,对所述水位预测模型进行评估,包括:
设定训练过程的学习率为0.001、批处理大小为128、迭代次数为10及最大迭代次数为300;
设定激活函数为线性整流函数(Rectified Linear Unit,ReLU);
设定损失函数为平均绝对误差函数(Mean Absolute Error,MAE)。
作为优选,所述水位预测模型为:
其中,xi为水库在时间段i的实际降雨量观测数据;yi为水库在时间段i的上游水库泄洪量预估数据。
作为优选,对所述水位预测模型进行评估,包括:
设定均方误差函数(Mean Squared Error,MSE)和平均绝对误差函数(MeanAbsolute Error,MAE),其中,均方差函数和平均绝对误差函数分别为:
其中,y预测为预测值;y实际为真实值;N为预测总条目数;M为水库数量。
本发明提供的基于神经网络的水库水位预测方法,相比于人工经验的预测,有更好的预测效果和泛化能力。证明了基于LSTM的神经网络模型在水库水位预测中的有效性,并且通过对实际的水库水位的观测值的分析可以得出,水库水位和降雨量及上游水库的泄洪量存在相关关系,这对于水文管理机构通过天气预报的降雨量预测来预测天气对水库水位的影响并及时制定泄洪方案具有十分重要的意义。
附图说明
图1为本发明的基于神经网络的水库水位预测方法的流程图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合附图和具体实施方式对本发明作详细说明。
此处参考附图描述本发明的各种方案以及特征。
通过下面参照附图对给定为非限制性实例的实施例的优选形式的描述,本发明的这些和其它特性将会变得显而易见。
还应当理解,尽管已经参照一些具体实例对本发明进行了描述,但本领域技术人员能够确定地实现本发明的很多其它等效形式,它们具有如权利要求所述的特征并因此都位于借此所限定的保护范围内。
当结合附图时,鉴于以下详细说明,本发明的上述和其他方面、特征和优势将变得更为显而易见。
此后参照附图描述本发明的具体实施例;然而,应当理解,所发明的实施例仅仅是本发明的实例,其可采用多种方式实施。熟知和/或重复的功能和结构并未详细描述以根据用户的历史的操作,判明真实的意图,避免不必要或多余的细节使得本发明模糊不清。因此,本文所发明的具体的结构性和功能性细节并非意在限定,而是仅仅作为权利要求的基础和代表性基础用于教导本领域技术人员以实质上任意合适的详细结构多样地使用本发明。
本发明基于神经网络的水库水位预测方法,利用神经网络学习输入数据与输出数据的关系,先通过大量的水库水位及降雨量、上游水库泄洪量的相关历史数据对神经网络算法模型进行训练,进而得出水位预测模型,以进行水库水位预测。以下将配合图示进一步说明。
如图1所示,本发明一个实施例提供的基于神经网络的水位预测方法,包括:
S1、采集已知的水库水位的历史相关数据,将所述历史相关数据进行处理后存储为第一数据集;
S2、将所述第一数据集至少分割为第二数据集和第三数据集;
S3、构建神经网络算法模型,通过第二数据集对所述神经网络算法模型进行训练,生成水位预测模型;
S4、采集现有水库水位相关数据,将所述现有水库水位相关数据输入所述预测模型进行水位预测;
其中,所述历史相关数据包括以第一时间轴划分和第一地点划分的历史降雨量信息、上游水库泄洪量信息及历史水库水位信息;所述现有水库水位相关数据包括以第一时间轴划分和第一地点划分的实际降雨量观测数据、上游水库泄洪量预估数据。其中,第一时间轴划分通常是指按照天数划分或者按照月份划分的历史数据,优选为月份。对于水库的历史水库水位数据及上游水库泄洪量信息,可由水库管理部门的历史记录得到,而历史降雨量信息,则可通过互联网的天气数据的公共接口API采集,例如中国天气网。对于通过编程实现互联网数据采集部分,已属于现有技术,本申请中不做具体描述。而对于实际降雨量观测数据,可通过部署于水库周边的降雨量观测站获取,也可同样由公共接口API采集实现。
在本发明中,第一数据集为采集的历史相关数据的总集,而具体地,可按照比例将第一数据分割为第二数据集和第三数据集,其中所述第二数据集作为训练集,所述第二数据集作为测试集,并且,所述训练集与所述测试集数据量之比介于8:1~9:1。优选地,训练集占80%、而测试集则占20%,训练集的作用在于对构建的神经网络算法模型进行训练,而测试集的作用则是对生成的水位预测模型进行验证。
示例性地,申请人选择“怀柔水库”2008年至2018年10年间的历史水库水位数据,及上游“怀九河”、“怀沙河”的历史泄洪数据,以及由“中国天气网”(http://www.weather.com.cn/)采集的历史降雨量信息,得出的所述水位预测模型为:
其中,xi为怀柔水库在时间段i的实际降雨量观测数据;yi为怀柔水库在时间段i的上游水库泄洪量预估数据。
在一些实施例中,本发明的所述神经网络算法模型包括输入层、LSTM(LSTM,LongShort-Term Memory)层及输出层,其中,所述LSTM层采用Keras框架构建且至少包括两层,每个LSTM层的节点数介于250~350并采用多折交叉验证,时间步长介于2~5。优选地,每个LSTM层的节点数350个并采用六折交叉验证,时间步长为2,即每2天的历史相关数据。而在具体选择历史相关数据时,时间总跨度可选择近10年内,每隔2天的历史相关数据。其中,Keras为公知的基于Python的开源的神经网络API,能够以TensorFlow、CNTK或者Theano等公知的机器学习***作为后端运行。
再者,在本发明的方法中,作为优选,在对所述历史相关数据进行处理,具体可包括对所述第二数据集的数据进行基于随机函数的打乱重排。即对训练集进行打乱重排,这样可最大化地降低数据块与数据块之间的关联性,增强预测的合理性和准确性。所述随机函数为随机森林算法(Random forest algorithm)。
另外,在本发明这一实施例中,在生成水位预测模型之后,还可进一步包括通过随机梯度下降(Stochastic Gradient Descent,SGD)的方法对所述水位预测模型进行评估。具体地,在对所述水位预测模型进行评估,包括:
设定训练过程的学***均绝对误差函数(Mean Absolute Error,MAE)。
在评估过程中,还可设定均方误差函数(Mean Squared Error,MSE)与平均绝对误差函数(Mean Absolute Error,MAE)一起评估预测误差,其中,均方差函数和平均绝对误差函数分别为:
其中,y预测为预测值;y实际为真实值;N为预测总条目数;M为水库数量。
以上实施例仅为本发明的示例性实施例,不用于限制本发明,本发明的保护范围由权利要求书限定。本领域技术人员可以在本发明的实质和保护范围内,对本发明做出各种修改或等同替换,这种修改或等同替换也应视为落在本发明的保护范围内。
Claims (10)
1.基于神经网络的水位预测方法,包括:
采集已知的水库水位的历史相关数据,将所述历史相关数据进行处理后存储为第一数据集;
将所述第一数据集至少分割为第二数据集和第三数据集;
构建神经网络算法模型,通过第二数据集对所述神经网络算法模型进行训练,生成水位预测模型;
采集现有水库水位相关数据,将所述现有水库水位相关数据输入所述预测模型进行水位预测;
其中,所述历史相关数据包括以第一时间轴划分和第一地点划分的历史降雨量信息、上游水库泄洪量信息及历史水库水位信息;所述现有水库水位相关数据包括以第一时间轴划分和第一地点划分的实际降雨量观测数据、上游水库泄洪量预估数据。
2.如权利要求1所述的方法,所述第一时间轴表征天数或月数,所述第一地点表征待预测水库的位置信息。
3.如权利要求1所述的方法,所述第二数据集作为训练集,所述第二数据集作为测试集,其中,所述训练集与所述测试集数据量之比介于8:1~9:1。
4.如权利要求1所述的方法,所述神经网络算法模型包括输入层、LSTM层及输出层,其中,所述LSTM层采用Keras框架构建且至少包括两层,每个LSTM层的节点数介于250~350并采用多折交叉验证,时间步长介于2~5。
5.作为优选,对所述历史相关数据进行处理,包括对所述第二数据集的数据进行基于随机函数的打乱重排。
6.如权利要求4所述的方法,所述随机函数为随机森林算法。
7.如权利要求1所述的方法,在生成水位预测模型之后,还包括通过随机梯度下降的方法对所述水位预测模型进行评估。
8.如权利要求7所述的方法,对所述水位预测模型进行评估,包括:
设定训练过程的学习率为0.001、批处理大小为128、迭代次数为10及最大迭代次数为300;
设定激活函数为线性整流函数;
设定损失函数为平均绝对误差函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633749.5A CN113887774A (zh) | 2020-07-02 | 2020-07-02 | 基于神经网络的水库水位预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010633749.5A CN113887774A (zh) | 2020-07-02 | 2020-07-02 | 基于神经网络的水库水位预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113887774A true CN113887774A (zh) | 2022-01-04 |
Family
ID=79012655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010633749.5A Pending CN113887774A (zh) | 2020-07-02 | 2020-07-02 | 基于神经网络的水库水位预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113887774A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386692A (zh) * | 2022-01-11 | 2022-04-22 | 福建中锐网络股份有限公司 | 基于pso-cnn-lstm的水库水位预测预警方法 |
CN114386693A (zh) * | 2022-01-11 | 2022-04-22 | 福建中锐网络股份有限公司 | 基于PSO-LSTM-Attention模型的水库水位预测预警方法 |
CN114594706A (zh) * | 2022-02-07 | 2022-06-07 | 安徽聚源水利科技液压坝制造有限公司 | 一种网络控制合页坝及智能控制*** |
-
2020
- 2020-07-02 CN CN202010633749.5A patent/CN113887774A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114386692A (zh) * | 2022-01-11 | 2022-04-22 | 福建中锐网络股份有限公司 | 基于pso-cnn-lstm的水库水位预测预警方法 |
CN114386693A (zh) * | 2022-01-11 | 2022-04-22 | 福建中锐网络股份有限公司 | 基于PSO-LSTM-Attention模型的水库水位预测预警方法 |
CN114594706A (zh) * | 2022-02-07 | 2022-06-07 | 安徽聚源水利科技液压坝制造有限公司 | 一种网络控制合页坝及智能控制*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Landslides-oriented urban disaster resilience assessment—A case study in ShenZhen, China | |
CN113887774A (zh) | 基于神经网络的水库水位预测方法 | |
Karamouz et al. | Building infrastructure resilience in coastal flood risk management | |
Andersen et al. | Beaver dams, hydrological thresholds, and controlled floods as a management tool in a desert riverine ecosystem, Bill Williams River, Arizona | |
CN113191644B (zh) | 一种基于自发-引发风险评价模型城市内涝风险评价方法 | |
Sajjad et al. | The riverine flood catastrophe in August 2010 in south Punjab, Pakistan: potential causes, extent and damage assessment. | |
Parvaze et al. | Temporal flood forecasting for trans-boundary Jhelum River of Greater Himalayas | |
Yang et al. | Joint occurrence probability analysis of typhoon-induced storm surges and rainstorms using trivariate Archimedean copulas | |
CN115619211A (zh) | 利用数字孪生技术提升流域水库群风险防控能力的*** | |
Bibi et al. | Flood risk assessment of river Kabul and Swat catchment area: district Charsadda, Pakistan | |
CN113689151B (zh) | 跨流域调水工程对交叉河流下游区域的防洪风险评估方法 | |
Dahlke et al. | Streamflow availability ratings identify surface water sources for groundwater recharge in the Central Valley | |
Liu et al. | A probabilistic framework for sequential drought-fluvial identification, probability estimation and prediction | |
Babolhakami et al. | Assessing the impact of climate change on drought and forecasting Neka river basin runoff in future periods | |
Boulomytis et al. | Assessment of flood susceptibility in coastal peri-urban areas: an alternative MCDA approach for ungauged catchments | |
Marsalek | Overview of flood issues in contemporary water management | |
Medeiros et al. | Performance assessment of spatio-temporal regression kriging with GAMLSS models as trends | |
Peterson et al. | Scale and fisheries management | |
Hwang | Stochastic analysis of storm-surge induced infrastructure losses in New York City | |
Ariyani et al. | Contributed Indicators to Fluvial Flood Along River Basin in Urban Area of Indonesia | |
Chindo et al. | A COMPLEMENTARY APPROACH TO PREDICTING MAGNITUDE OF FLOOD ALONG FOMA RIVER USING CROSS-SECTIONAL VARIABLES | |
Socas et al. | Simulating the Flood Limits of Urban Rivers Embedded in the Populated City of Santa Clara, Cuba. Water 2023, 15, 1805 | |
Shuaibu | Flood Reduction through Flood Risk and Vulnerability Assessment and Mapping in Hadejia River Basin, Nigeria | |
Rethuan et al. | Forecasting Flood Using Markov Chain Model | |
Jezzini et al. | Modeling Flood Vulnerabilities and Estimating Potential Economic and Social Losses: Assessing the Level of Community Flood Readiness and Preparedness in Newark, NJ |
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 |