CN114611778A - 一种基于入库流量的水库水位预警方法及*** - Google Patents
一种基于入库流量的水库水位预警方法及*** Download PDFInfo
- Publication number
- CN114611778A CN114611778A CN202210207734.1A CN202210207734A CN114611778A CN 114611778 A CN114611778 A CN 114611778A CN 202210207734 A CN202210207734 A CN 202210207734A CN 114611778 A CN114611778 A CN 114611778A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- water level
- early warning
- reservoir water
- model
- 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 96
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010276 construction Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000003643 water by type Substances 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
-
- 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
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Computer Security & Cryptography (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
Abstract
本发明涉及一种基于入库流量的水库水位预警方法及***,***包括数据采集模块、数据传输模块、库容计算模块、水库水位预测模块和预警模块,步骤为S1采集历史和实时水库库容和水库水位数据,S2计算未来时间段的水库容量值,S3通过多层感知器模型训练构建水库水位预测模型,S4预测未来几天的水库水位值,S5根据预测水库水位值和水位警戒值比较进行预警。本发明预测结果准确率较高,可以预测未来几天的水位变化数据,具有趋势性,本发明的训练模型预测能力强,充分考虑到地理环境等特征,将这些隐藏特征训练融入到预测模型中,拟合效果非常好。
Description
技术领域
本发明涉及多变量时间序列信息挖掘和水库安全预警技术领域,尤其涉及一种基于入库流量的水库水位预警方法及***。
背景技术
随着社会的快速发展,我国逐步启动了大规模防洪建设,防汛工程得到增强,洪水在一定程度得到控制。但是我国中小河流众多,中小河流具有河流水位增长急促,水流湍急等特征,一旦遇到强降雨就有可能引发洪水,造成水库流量急促增长,更严重的情况下会造成水库的溃堤垮坝。如何能预测未来几天内的水库水位变化情况,这对于防洪调度部门来说具有重大意义。
现有技术中有基于单特征的时间训练模型进行水位预测的,虽然经过模态分解,但是该模型对时间序列数据有很强的依赖性,如果预测的水库工程有一点变化,都会对预测模型预测能力造成很大的降低。而且水位预测的时间较短,不具有趋势性。
发明内容
本发明的目的是克服上述不足,而提供一种基于入库流量的水库水位预警方法及***,通过基于入库流量的多层感知器模型预测未来时间内的水库水位变化情况,在充分利用水资源的基础上保证堤坝安全,为防汛部门提供决策支持。
本发明采取的技术方案为:
一种基于入库流量的水库水位预警方法,包括步骤如下:
S1.采集历史和实时水库库容和水库水位数据,传输数据并存储到水库水情数据库;
S2.基于已知的入库流量预报模型,获取未来几天内的入库流量,从水库水情数据库中获取当前的水库容量数据,计算未来时间段的水库容量值;
S3.从数据库中获取历史水库库容和水库水位数据,分为训练集和验证集,基于训练集构建预测水库水位的多层感知器模型,利用验证集来验证模型的性能,依据评估函数均方根误差RMSE所得值调整模型参数,循环迭代训练模型,直到模型预测RMSE值最小时,取得模型的最优参数和模型结构作为水库水位预测模型;
S4.将步骤S2得到的未来时间段的水库容量值,利用步骤S3水库水位预测模型预测未来几天的水库水位值;
S5.根据预测水库水位值和水位警戒值比较进行灾情确定,从而联动可视化平台进行预警。
上述基于入库流量的水库水位预警方法中,步骤S2所述的水库容量值的计算方法如下:
其中bt表示当前时刻的水库库容容量,t表示当天时刻的时间,n是时间长度;XT表示预报第T天的入库流量;fn表示第n天的水库容量。
可以分别计算出t+1,t+2,…,t+n天的水库容量的具体情况,在本发明中n优选5。
步骤S3中所述的多层感知器模型多层感知器网络共有三种结构,分别是输入层、隐藏层和输出层,对应的网络输入X=[x1,x2,x3,…,xd],对应的网络输出O=[o1,o2,o3,…,oq],隐藏层的输出为H,隐藏层的权重参数和偏差参数分别为Wh和bh,输出层的权重和偏差参数分别为Wo和bo,网络模型的目标函数为:
O=(XWh+bh)Wo+bo=XWhWo+bhWo+bo。
所述的评估函数如下所示:
其中RMSE表示均方根误差,ai表示真实值,pi表示预测值,m表示预测数据样本数。
一种基于入库流量的水库水位预警***,包括数据采集模块、数据传输模块、库容计算模块、水库水位预测模块和预警模块,数据采集模块是收集水文监测站测量的水位、库容数据,数据传输模块负责将测量结果传输到远程的服务器中,并存储到水库水情数据库中,库容计算模块用于计算未来几天内的水库容量变换情况,水库水位预测模块用于基于库容预测水库水位,预警模块用于根据预测水位在超出水域警戒值时发出预警信息。
本发明的有益效果为:
(1)本发明在预报入库流量的基础上,结合水库水情数据与水库地理特征关系的研究,充分挖掘水库容量与水库水位之间的关系,使用多层感知器算法技术构建未来水库水位预测模型,该模型在技术上实现简单、结构清晰,实验预测结果准确率达到98%,满足生产环境需求,能够为防洪防旱部门监管水库提供强有力的技术服务支撑。
(2)本发明可以预测未来几天的水位变化数据,具有趋势性,本发明的训练模型预测能力强,充分考虑到地理环境等特征,将这些隐藏特征训练融入到预测模型中,拟合效果非常好,在对稀疏数据上也表现良好。
附图说明
图1是本发明基于入库流量的水库水位预警方法的流程图。
图2为本发明预警***的结构框图。
图3为本发明实施例3中对太河水库水位预测值和观测值拟合的效果图。
具体实施方式
下面结合附图和具体实施例对本发明进一步详细说明。
实施例1
该实施例是汛期水库库容容量预测方法即未来时间段的水库容量值的计算方法,包括步骤如下:
(1)在水库设置用于测量库容、水库水位的水库水文监测站,采集历史和实时水库库容和水库水位数据并存储到水库水情数据库;
(2)基于已知的入库流量预报模型(如现有技术中的水动力学模型),从而获取未来几天内的入库流量,然后,在未来时刻入库流量已知的情况下,将预报的入库流量数据传输到库容计算模块中;同时对存储在数据库中历史场次水库库容容量数据进行统计分析,经过数据预处理,从而获取当天的水库容量数据,并将其传输到库容计算模块中;
(3)基于当前的水库容量和未来几天内的入库流量,利用库容计算模块计算未来几天内水库库容变化情况,库容计算模块的计算方法如下所示:
其中bt表示当天时刻的水库库容容量,t表示当天时刻的时间,n是时间长度;XT表示预报第T天的入库流量;fn表示第n天的水库容量;
(4)根据库容计算模块可以分别计算出t+1,t+2,…,t+n天的水库容量的具体情况,在本实施例中n设置为5。
实施例2
该实施例为汛期水库水位预测方法,包括步骤如下:
(1)从水库水情数据库中读取历史水库库容和水库水位数据,分析数据,清洗异常或缺失数据,完善数据并以相应的格式保存到训练文件中,并从训练文件中获取训练数据,训练数据中包含N条数据,其中每条数据表示为Vn={v1,v2},n表示训练数据中第n个样本,v1表示水库库容容量,v2表示水库水位,将训练数据分割为训练集和验证集;
(2)构建初始化多层感知器网络,多层感知器网络共有三种结构,分别是输入层、隐藏层和输出层,对应的网络输入X=[x1,x2,x3,…,xd],对应的网络输出O=[o1,o2,o3,…,oq],隐藏层的输出为H,隐藏层的权重参数和偏差参数分别为Wh和bh,输出层的权重和偏差参数分别为Wo和bo,网络模型的目标函数为:O=(XWh+bh)Wo+bo=XWhWo+bhWo+bo
Relu作为网络模型的激活函数,激活函数的定义为:
ReLU(x)=max(x,0);
(3)用经线性函数归一化的训练集训练对初始网络模型进行训练,得到水库水位的预测模型,利用归一化的验证集来验证模型的性能,依据评估函数均方根误差RMSE所得值调整模型参数,循环迭代训练模型,直到预测模型RMSE值最小时,取得模型的最优参数和模型结构,隐藏层为三层,每层的神经元个数是20;
(4)根据模型训练获得最优的模型参数和模型结构,构建预测水库水位的多层感知器模型;在实施例1获取未来时间段内水库容量的基础上,利用水库水位预测模型预测未来几天内的水库水位情况;
(5)根据预测的水位值与警戒水位值的关系比较进行灾情确定,从而联动可视化平台进行展示预警;当水库水位预测模块预测出未来几天内的水库水位值超出警戒值时,立即发布预警;获取预警信息,结合未来几天内水位预测值的变化趋势,做出相应的调度处理,如开闸放水,使排水后水库有能力承受一定量的洪水。
实施例3
如图2,一种基于入库流量的水库水位预警***,包括数据采集模块、数据传输模块、库容计算模块、水库水位预测模块和预警模块,数据采集模块是收集水文监测站测量的水位、库容数据,数据传输模块负责将测量结果传输到远程的服务器中,并存储到水库水情数据库中,库容计算模块用于计算未来几天内的水库容量变换情况,水库水位预测模块用于基于库容预测水库水位,预警模块用于根据预测水位在超出水域警戒值时发出预警信息。
本实施例预警***的仿真是在主频1.6GHZ的CPU、内存16GB的硬件环境和Python3.6,Keras2.2.4版本和Pycharm2016的软件环境下运行的。
运行时预警方法如实施例1和实施例2所述的步骤。
本施例的待测水库为太河水库,采用太河水库流域的历史水情数据,历史数据是1994-01-10至2021-02-01,经过筛选选取2000-01-01至2021-02-01作为数据集,然后依据4:1的比例切分数据集,分别作为训练集和测试集。
图3是用本发明方法对太河水库水位预测值和观测值拟合的效果图;
本实施例用本发明提出的方法与下述几种模型预测方法进行比较,使用评估指标(RMSE)来衡量模型的预测能力,比较结果如下表所示:
表1两种模型预测比较
从表1中可以看出,对于太河水库水位的预测,本发明方法比集成模型的预测能力更加准确。
以上仅是结合实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的保护范围。
Claims (6)
1.一种基于入库流量的水库水位预警方法,其特征是,包括步骤如下:
S1.采集历史和实时水库库容和水库水位数据,传输数据并存储到水库水情数据库;
S2.基于已知的入库流量预报模型,获取未来几天内的入库流量,从水库水情数据库中获取当前的水库容量数据,计算未来时间段的水库容量值;
S3.从数据库中获取历史水库库容和水库水位数据,分为训练集和验证集,基于训练集构建预测水库水位的多层感知器模型,利用验证集来验证模型的性能,依据评估函数均方根误差RMSE所得值调整模型参数,循环迭代训练模型,直到模型预测RMSE值最小时,取得模型的最优参数和模型结构作为水库水位预测模型;
S4.将步骤S2得到的未来时间段的水库容量值,利用步骤S3水库水位预测模型预测未来几天的水库水位值;
S5.根据预测水库水位值和水位警戒值比较进行灾情确定,从而联动可视化平台进行预警。
3.根据权利要求2所述的一种基于入库流量的水库水位预警方法,其特征是,n为5。
4.根据权利要求1所述的一种基于入库流量的水库水位预警方法,其特征是,步骤S3中所述的多层感知器模型多层感知器网络共有三种结构,分别是输入层、隐藏层和输出层,对应的网络输入X=[x1,x2,x3,…,xd],对应的网络输出O=[o1,o2,o3,…,oq],隐藏层的输出为H,隐藏层的权重参数和偏差参数分别为Wh和bh,输出层的权重和偏差参数分别为Wo和bo,网络模型的目标函数为:
O=(XWh+bh)Wo+bo=XWhWo+bhWo+bo。
6.一种基于入库流量的水库水位预警***,其特征是,包括数据采集模块、数据传输模块、库容计算模块、水库水位预测模块和预警模块,数据采集模块是收集水文监测站测量的水位、库容数据,数据传输模块负责将测量结果传输到远程的服务器中,并存储到水库水情数据库中,库容计算模块用于计算未来几天内的水库容量变换情况,水库水位预测模块用于基于库容预测水库水位,预警模块用于根据预测水位在超出水域警戒值时发出预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210207734.1A CN114611778B (zh) | 2022-03-04 | 2022-03-04 | 一种基于入库流量的水库水位预警方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210207734.1A CN114611778B (zh) | 2022-03-04 | 2022-03-04 | 一种基于入库流量的水库水位预警方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114611778A true CN114611778A (zh) | 2022-06-10 |
CN114611778B CN114611778B (zh) | 2022-09-06 |
Family
ID=81861877
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210207734.1A Active CN114611778B (zh) | 2022-03-04 | 2022-03-04 | 一种基于入库流量的水库水位预警方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114611778B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330088A (zh) * | 2022-10-11 | 2022-11-11 | 广东广宇科技发展有限公司 | 一种小型水库的防洪精细化预测方法 |
CN115713165A (zh) * | 2022-11-28 | 2023-02-24 | 中国长江电力股份有限公司 | 一种考虑动库容影响的水库超短期水位预测方法、***及存储介质 |
CN116258278A (zh) * | 2023-05-10 | 2023-06-13 | 青岛研博数据信息技术有限公司 | 构建的水位库容推演方法、***及其设备 |
CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及***平台 |
CN118015813A (zh) * | 2024-03-05 | 2024-05-10 | 广东华南水电高新技术开发有限公司 | 一种水库防洪预警方法及装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
CN104883406A (zh) * | 2015-06-17 | 2015-09-02 | 山东锋士自动化***有限公司 | 一种基于云计算的水利物联网***及监测方法 |
CN109492802A (zh) * | 2018-10-30 | 2019-03-19 | 河海大学 | 一种基于专家***的多年调节水库年末消落水位优选方法 |
JP2019095240A (ja) * | 2017-11-20 | 2019-06-20 | 日本無線株式会社 | 水位予測方法、水位予測プログラム及び水位予測装置 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及*** |
CN111553394A (zh) * | 2020-04-20 | 2020-08-18 | 中国长江三峡集团有限公司 | 基于循环神经网络和关注机制的水库水位预测方法 |
CN112966570A (zh) * | 2021-02-07 | 2021-06-15 | 山东锋士信息技术有限公司 | 一种基于卫星遥感和dem数据的水库蓄水量计量方法 |
CN112966445A (zh) * | 2021-03-15 | 2021-06-15 | 河海大学 | 一种基于强化学习模型fqi的水库防洪优化调度方法 |
CN113256005A (zh) * | 2021-05-28 | 2021-08-13 | 国能大渡河沙坪发电有限公司 | 一种基于神经网络模型的电站水位过程预测方法及设备 |
WO2022024009A1 (en) * | 2020-07-30 | 2022-02-03 | Inttrust S.A. - Information Technology Trust | Cloud platform for underground water reservoirs |
CN114048679A (zh) * | 2021-11-11 | 2022-02-15 | 国网新源控股有限公司 | 基于神经网络的水库各区域水位精细化监测方法 |
-
2022
- 2022-03-04 CN CN202210207734.1A patent/CN114611778B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104613943A (zh) * | 2013-11-04 | 2015-05-13 | 中国水利水电科学研究院 | 水库蓄水量遥感与地面协同监测方法 |
CN104883406A (zh) * | 2015-06-17 | 2015-09-02 | 山东锋士自动化***有限公司 | 一种基于云计算的水利物联网***及监测方法 |
JP2019095240A (ja) * | 2017-11-20 | 2019-06-20 | 日本無線株式会社 | 水位予測方法、水位予測プログラム及び水位予測装置 |
CN109492802A (zh) * | 2018-10-30 | 2019-03-19 | 河海大学 | 一种基于专家***的多年调节水库年末消落水位优选方法 |
CN110910004A (zh) * | 2019-11-18 | 2020-03-24 | 国电湖南巫水水电开发有限公司 | 一种多重不确定性的水库调度规则提取方法及*** |
CN111553394A (zh) * | 2020-04-20 | 2020-08-18 | 中国长江三峡集团有限公司 | 基于循环神经网络和关注机制的水库水位预测方法 |
WO2022024009A1 (en) * | 2020-07-30 | 2022-02-03 | Inttrust S.A. - Information Technology Trust | Cloud platform for underground water reservoirs |
CN112966570A (zh) * | 2021-02-07 | 2021-06-15 | 山东锋士信息技术有限公司 | 一种基于卫星遥感和dem数据的水库蓄水量计量方法 |
CN112966445A (zh) * | 2021-03-15 | 2021-06-15 | 河海大学 | 一种基于强化学习模型fqi的水库防洪优化调度方法 |
CN113256005A (zh) * | 2021-05-28 | 2021-08-13 | 国能大渡河沙坪发电有限公司 | 一种基于神经网络模型的电站水位过程预测方法及设备 |
CN114048679A (zh) * | 2021-11-11 | 2022-02-15 | 国网新源控股有限公司 | 基于神经网络的水库各区域水位精细化监测方法 |
Non-Patent Citations (6)
Title |
---|
S.ONDIMU 等: "Reservoir Level Forecasting using Neural Networks: Lake Naivasha", 《BIOSYSTEMS ENGINEERING》 * |
WAN HUSSAIN WAN ISHAK 等: "Neural network application in reservoir water level forecasting and release decision", 《INTERNATIONAL JOURNAL OF NEW COMPUTER ARCHITECTURES AND THEIR APPLICATIONS》 * |
李大鸣 等: "基于Copula函数的桃林口水库防洪风险分析", 《水利水电技术》 * |
王茂洋 等: "基于LSTM模型的水库监测预警与风险评估", 《水利技术监督》 * |
纪国良 等: "距离度量学习法在水库静库容调洪演算中的应用", 《水电能源科学》 * |
郑宗倩 等: "疏勒河中游梯级水库库容和库水位关系模型优化", 《农业工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330088A (zh) * | 2022-10-11 | 2022-11-11 | 广东广宇科技发展有限公司 | 一种小型水库的防洪精细化预测方法 |
CN115713165A (zh) * | 2022-11-28 | 2023-02-24 | 中国长江电力股份有限公司 | 一种考虑动库容影响的水库超短期水位预测方法、***及存储介质 |
JP7382522B1 (ja) | 2022-11-28 | 2023-11-16 | 中国長江電力股▲ふん▼有限公司 | 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体 |
CN115713165B (zh) * | 2022-11-28 | 2024-01-02 | 中国长江电力股份有限公司 | 一种考虑动库容影响的水库超短期水位预测方法、***及存储介质 |
CN116258278A (zh) * | 2023-05-10 | 2023-06-13 | 青岛研博数据信息技术有限公司 | 构建的水位库容推演方法、***及其设备 |
CN117689501A (zh) * | 2024-02-03 | 2024-03-12 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及***平台 |
CN117689501B (zh) * | 2024-02-03 | 2024-05-14 | 深圳市广汇源环境水务有限公司 | 一种水库防汛动态预报预警方法及***平台 |
CN118015813A (zh) * | 2024-03-05 | 2024-05-10 | 广东华南水电高新技术开发有限公司 | 一种水库防洪预警方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN114611778B (zh) | 2022-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及*** | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及*** | |
CN102360468B (zh) | 洪水预报*** | |
CN111767517B (zh) | 一种应用于洪水预测的BiGRU多步预测方法、***及存储介质 | |
CN102682573A (zh) | 一种基于时间序列分析的风暴潮灾害预警*** | |
JP2007205001A (ja) | 流量予測装置 | |
CN107423857B (zh) | 一种区域长期来水多目标联合概率预测方法 | |
CN105069537A (zh) | 一种组合式空气质量预报模型的构建方法 | |
CN109886456B (zh) | 基于pca与混合核函数lssvr的泥石流预测方法 | |
CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN115220133B (zh) | 一种多气象要素降雨预测方法、装置、设备及存储介质 | |
CN114935759A (zh) | 基于高频地波雷达观测的波浪场缺失值填补方法及*** | |
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN113962465A (zh) | 降水预报方法、设备、装置及存储介质 | |
CN114399193A (zh) | 一种基于深度时序点过程和lstm的缺资料地区径流事件检测方法 | |
CN116777079A (zh) | 一种基于贝叶斯层间结构模型的沙漠化侵扰灾害预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN115049013A (zh) | 一种联合线性和svm的短时降雨预警模型融合方法 | |
CN117332909B (zh) | 基于智能体的多尺度城市内涝道路交通暴露性预测方法 | |
CN113536665B (zh) | 基于特征工程和lstm的路表温度短临预测方法及*** | |
CN117575873A (zh) | 综合气象水文敏感性的洪水警戒方法与*** | |
Rohaimi et al. | 3 Hours ahead of time flood water level prediction using NNARX structure: Case study pahang | |
Chen et al. | Rainfall forecasting in sub-Sahara Africa-Ghana using LSTM deep learning approach | |
Lin et al. | Hurricane freshwater flood risk assessment model for residential buildings in southeast US coastal states considering climate change | |
CN113487069B (zh) | 一种基于grace日降尺度和新型dwsdi指数的区域洪涝灾害风险评估方法 |
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 | ||
CB03 | Change of inventor or designer information |
Inventor after: Sun Qiyu Inventor after: Lu Ke Inventor after: Yu Jinzhong Inventor after: Shang Lina Inventor before: Sun Qiyu Inventor before: Lu Ke Inventor before: Yu Jinzhong Inventor before: Shang Lina |
|
CB03 | Change of inventor or designer information |