CN115330088A - 一种小型水库的防洪精细化预测方法 - Google Patents
一种小型水库的防洪精细化预测方法 Download PDFInfo
- Publication number
- CN115330088A CN115330088A CN202211239985.4A CN202211239985A CN115330088A CN 115330088 A CN115330088 A CN 115330088A CN 202211239985 A CN202211239985 A CN 202211239985A CN 115330088 A CN115330088 A CN 115330088A
- Authority
- CN
- China
- Prior art keywords
- water level
- reservoir
- level data
- reservoir water
- historical
- 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 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 180
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 238000004422 calculation algorithm Methods 0.000 claims description 30
- 238000012549 training Methods 0.000 claims description 22
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000630 rising effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Non-Electrical Variables (AREA)
Abstract
本发明涉及防洪精细化预测领域，尤其涉及一种小型水库的防洪精细化预测方法，包括：利用小型水库的历史气象数据获取待预测时刻的水库水位数据；利用所述待预测时刻的水库水位数据得到小型水库的防洪精细化预测结果，根据水库位置的历史气象信息对未来各时刻水库防洪信息做出预报，在得到预测数据的同时，依靠预测时刻的前后数据对输出预测量做出筛选，可以得到最近似的预测水位数据，提升预测的准确性，扩大了预测的范围，并可根据预测的水库水位数据对水库的防洪泄洪措施进行调整，保障水库上下游流域安全。
Description
技术领域
本发明涉及防洪精细化预测领域，具体涉及一种小型水库的防洪精细化预测方法。
背景技术
由于水量迅速增加或水位迅猛上涨的水流现象，当流域内发生特殊气象情况时，水流量增加，水位相应上涨，但小型水库由于库存量小，容易受天气状况影响，变化大，洪水起涨速度快，实时采集水利水位数据来不及实时进行处理，而单纯依靠近期的气象情况往往无法准确预测出水库水位变化情况，对防洪处理等工作造成不利影响。
发明内容
针对现有技术的不足，本发明提供了一种小型水库的防洪精细化预测方法，通过历史气象数据，获取待预测时刻的水库水位数据。
为实现上述目的，本发明提供了一种小型水库的防洪精细化预测方法，包括：
S1、利用小型水库的历史气象数据获取待预测时刻的水库水位数据；
S2、利用所述待预测时刻的水库水位数据得到小型水库的防洪精细化预测结果；
S2-1、判断所述待预测时刻的水库水位数据是否大于防洪水位标准，若是，则利用与所述待预测时刻的水库水位数据同时刻最近似的历史水库水位数据作为小型水库的防洪精细化预测结果，否则，利用待预测时刻的水库水位数据作为小型水库的防洪精细化预测结果。
优选的，所述利用小型水库的历史气象数据获取待预测时刻的水库水位数据包括：
采集小型水库的历史气象数据建立小型水库的历史气象数据集合；
获取所述历史气象数据集合内各气象数据对应的历史水库水位数据；
利用所述历史气象数据与历史水库水位数据建立水库水位预测模型；
将待预测时刻的气象数据输入水库水位预测模型，输出待预测时刻的水库水位数据。
进一步的，利用所述历史气象数据与历史水库水位数据集合建立水库水位预测模型包括：
以所述历史气象数据集合和与历史气象数据集合内各气象数据对应的历史水库水位数据构建样本集；
按照预设比例将所述样本集划分为训练集和测试集；
利用训练集基于神经网络学习算法对所述水库水位预测模型的结构进行训练；
基于测试集利用训练后的所述水库水位预测模型的结构进行验证，确定水库水位预测模型；
其中，预设比例为训练数据占比80%至90%，测试数据对应占比20%至10%。
进一步的，所述利用训练集基于神经网络学习算法对所述水库水位预测模型的结构进行训练包括：
利用气象数据的数据类型数量计算神经网络学习算法的输入层节点数；
利用所述输入层节点数计算神经网络学习算法的隐含层节点数；
利用所述输入层节点数与隐含层节点数确定神经网络学习算法结构；
利用训练集基于神经网络学习算法结构对所述水库水位预测模型的结构进行训练。
进一步的，所述利用气象数据的数据类型数量计算神经网络学习算法的输入层节点数的计算式如下：
其中，m为神经网络学习算法的输入层节点数，n为气象数据的数据类型数量。
进一步的，利用所述输入层节点数计算神经网络学习算法的隐含层节点数包括：
其中，p为神经网络学习算法的隐含层节点数，m为神经网络学习算法的输入层节点数，a为常数。
优选的，利用与所述待预测时刻的水库水位数据同时刻最近似的历史水库水位数据作为小型水库的防洪精细化预测结果包括：
获取待预测时刻的水库水位数据的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据；
获取待预测时刻的水库水位数据同时刻的历史水库水位数据的相邻前后时刻水库水位数据作为历史第一水库水位数据集合与历史第二水库水位数据集合；
利用历史第一水库水位数据集合与历史第二水库水位数据集合获取最近似的历史水库水位数据；
利用所述最近似的历史水库水位数据作为小型水库的防洪精细化预测结果。
进一步的，所述获取待预测时刻的水库水位数据的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据包括：
将待预测时刻的相邻前后时刻气象数据输入水库水位预测模型，分别输出待预测时刻的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据。
进一步的，所述利用历史第一水库水位数据集合与历史第二水库水位数据集合获取最近似的历史水库水位数据包括：
获取历史第一水库水位数据集合中各历史第一水库水位数据与第一水库水位数据的第一相似度；
获取历史第二水库水位数据集合中各历史第二水库水位数据与第二水库水位数据的第二相似度；
获取相互对应的第一相似度与第二相似度和的最大值对应的历史第一水库水位数据与历史第二水库水位数据；
利用历史第一水库水位数据与历史第二水库水位数据获取对应的历史水库水位数据作为最近似的历史水库水位数据。
与最接近的现有技术相比，本发明具有的有益效果：
基于历史气象数据对未来时刻的气象情况作为预判，同时得到一个初步的水位预测结果，当水位预警超出标准时，再对前后时刻进行相似度计算保证所选择比较的历史时刻与待预测时刻最相似，同时由于小型水库蓄水量小，受到气象情况变化的影响较大，因此根据水库位置的历史气象信息对未来各时刻水库防洪信息做出预报，提升预测的准确性，扩大了预测的范围，并可以根据预测的水库水位数据对防洪泄洪措施做出实时调整。
附图说明
图1是本发明提供的一种小型水库的防洪精细化预测方法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1：
本发明提供了一种小型水库的防洪精细化预测方法，如图1所示，包括：
S1、利用小型水库的历史气象数据获取待预测时刻的水库水位数据；
S2、利用所述待预测时刻的水库水位数据得到小型水库的防洪精细化预测结果。
本实施例中，一种小型水库的防洪精细化预测方法，气象数据为小型水库的地面监测站可观测数据包括：风速、风向、气温、云量、云底高度、地面气压、相对湿度、降水量与降水类型。
S1具体包括：
S1-1、采集小型水库的历史气象数据建立小型水库的历史气象数据集合；
S1-2、获取所述历史气象数据集合内各气象数据对应的历史水库水位数据；
S1-3、利用所述历史气象数据与历史水库水位数据建立水库水位预测模型；
S1-4、将待预测时刻的气象数据输入水库水位预测模型，输出待预测时刻的水库水位数据。
S1-3具体包括：
S1-3-1、以所述历史气象数据集合和与历史气象数据集合内各气象数据对应的历史水库水位数据构建样本集；
S1-3-2、按照预设比例将所述样本集划分为训练集和测试集；
S1-3-3、利用训练集基于神经网络学习算法对所述水库水位预测模型的结构进行训练；
S1-3-4、基于测试集利用训练后的所述水库水位预测模型的结构进行验证，确定水库水位预测模型；
其中，预设比例为训练数据占比80%至90%，测试数据对应占比20%至10%。
S1-3-3具体包括：
S1-3-3-1、利用气象数据的数据类型数量计算神经网络学习算法的输入层节点数；
S1-3-3-2、利用所述输入层节点数计算神经网络学习算法的隐含层节点数；
S1-3-3-3、利用所述输入层节点数与隐含层节点数确定神经网络学习算法结构；
S1-3-3-4、利用训练集基于神经网络学习算法结构对所述水库水位预测模型的结构进行训练。
S1-3-3-1的计算式如下：
其中，m为神经网络学习算法的输入层节点数，n为气象数据的数据类型数量。
S1-3-3-2的计算式如下：
其中，p为神经网络学习算法的隐含层节点数，m为神经网络学习算法的输入层节点数，a为常数。
S2具体包括：
S2-1、判断所述待预测时刻的水库水位数据是否大于防洪水位标准，若是，则利用与所述待预测时刻的水库水位数据同时刻最近似的历史水库水位数据作为小型水库的防洪精细化预测结果，否则，利用待预测时刻的水库水位数据作为小型水库的防洪精细化预测结果。
S2-1具体包括：
S2-1-1、获取待预测时刻的水库水位数据的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据；
S2-1-2、获取待预测时刻的水库水位数据同时刻的历史水库水位数据的相邻前后时刻水库水位数据作为历史第一水库水位数据集合与历史第二水库水位数据集合；
S2-1-3、利用历史第一水库水位数据集合与历史第二水库水位数据集合获取最近似的历史水库水位数据；
S2-1-4、利用所述最近似的历史水库水位数据作为小型水库的防洪精细化预测结果。
S2-1-1具体包括：
S2-1-1-1、将待预测时刻的相邻前后时刻气象数据输入水库水位预测模型，分别输出待预测时刻的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据。
S2-1-3具体包括：
S2-1-3-1、获取历史第一水库水位数据集合中各历史第一水库水位数据与第一水库水位数据的第一相似度；
S2-1-3-2、获取历史第二水库水位数据集合中各历史第二水库水位数据与第二水库水位数据的第二相似度；
S2-1-3-3、获取相互对应的第一相似度与第二相似度和的最大值对应的历史第一水库水位数据与历史第二水库水位数据；
S2-1-3-4、利用历史第一水库水位数据与历史第二水库水位数据获取对应的历史水库水位数据作为最近似的历史水库水位数据。
本领域内的技术人员应明白，本发明的实施例可提供为方法、***、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备（***）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (9)
1.一种小型水库的防洪精细化预测方法，其特征在于，包括：
S1、利用小型水库的历史气象数据获取待预测时刻的水库水位数据；
S2、利用所述待预测时刻的水库水位数据得到小型水库的防洪精细化预测结果；
S2-1、判断所述待预测时刻的水库水位数据是否大于防洪水位标准，若是，则利用与所述待预测时刻的水库水位数据同时刻最近似的历史水库水位数据作为小型水库的防洪精细化预测结果，否则，利用待预测时刻的水库水位数据作为小型水库的防洪精细化预测结果。
2.如权利要求1所述的一种小型水库的防洪精细化预测方法，其特征在于，所述利用小型水库的历史气象数据获取待预测时刻的水库水位数据包括：
采集小型水库的历史气象数据建立小型水库的历史气象数据集合；
获取所述历史气象数据集合内各气象数据对应的历史水库水位数据；
利用所述历史气象数据与历史水库水位数据建立水库水位预测模型；
将待预测时刻的气象数据输入水库水位预测模型，输出待预测时刻的水库水位数据。
3.如权利要求2所述的一种小型水库的防洪精细化预测方法，其特征在于，利用所述历史气象数据与历史水库水位数据集合建立水库水位预测模型包括：
以所述历史气象数据集合和与历史气象数据集合内各气象数据对应的历史水库水位数据构建样本集；
按照预设比例将所述样本集划分为训练集和测试集；
利用训练集基于神经网络学习算法对所述水库水位预测模型的结构进行训练；
基于测试集利用训练后的所述水库水位预测模型的结构进行验证，确定水库水位预测模型；
其中，预设比例为训练数据占比80%至90%，测试数据对应占比20%至10%。
4.如权利要求3所述的一种小型水库的防洪精细化预测方法，其特征在于，所述利用训练集基于神经网络学习算法对所述水库水位预测模型的结构进行训练包括：
利用气象数据的数据类型数量计算神经网络学习算法的输入层节点数；
利用所述输入层节点数计算神经网络学习算法的隐含层节点数；
利用所述输入层节点数与隐含层节点数确定神经网络学习算法结构；
利用训练集基于神经网络学习算法结构对所述水库水位预测模型的结构进行训练。
5.如权利要求4所述的一种小型水库的防洪精细化预测方法，其特征在于，所述利用气象数据的数据类型数量计算神经网络学习算法的输入层节点数的计算式如下：
其中，m为神经网络学习算法的输入层节点数，n为气象数据的数据类型数量。
6.如权利要求4所述的一种小型水库的防洪精细化预测方法，其特征在于，利用所述输入层节点数计算神经网络学习算法的隐含层节点数的计算式如下：
其中，p为神经网络学习算法的隐含层节点数，m为神经网络学习算法的输入层节点数，a为常数。
7.如权利要求1所述的一种小型水库的防洪精细化预测方法，其特征在于，利用与所述待预测时刻的水库水位数据同时刻最近似的历史水库水位数据作为小型水库的防洪精细化预测结果包括：
获取待预测时刻的水库水位数据的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据；
获取待预测时刻的水库水位数据同时刻的历史水库水位数据的相邻前后时刻水库水位数据作为历史第一水库水位数据集合与历史第二水库水位数据集合；
利用历史第一水库水位数据集合与历史第二水库水位数据集合获取最近似的历史水库水位数据；
利用所述最近似的历史水库水位数据作为小型水库的防洪精细化预测结果。
8.如权利要求7所述的一种小型水库的防洪精细化预测方法，其特征在于，所述获取待预测时刻的水库水位数据的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据包括：
将待预测时刻的相邻前后时刻气象数据输入水库水位预测模型，分别输出待预测时刻的相邻前后时刻水库水位数据作为第一水库水位数据与第二水库水位数据。
9.如权利要求8所述的一种小型水库的防洪精细化预测方法，其特征在于，所述利用历史第一水库水位数据集合与历史第二水库水位数据集合获取最近似的历史水库水位数据包括：
获取历史第一水库水位数据集合中各历史第一水库水位数据与第一水库水位数据的第一相似度；
获取历史第二水库水位数据集合中各历史第二水库水位数据与第二水库水位数据的第二相似度；
获取相互对应的第一相似度与第二相似度和的最大值对应的历史第一水库水位数据与历史第二水库水位数据；
利用历史第一水库水位数据与历史第二水库水位数据获取对应的历史水库水位数据作为最近似的历史水库水位数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211239985.4A CN115330088A (zh) | 2022-10-11 | 2022-10-11 | 一种小型水库的防洪精细化预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211239985.4A CN115330088A (zh) | 2022-10-11 | 2022-10-11 | 一种小型水库的防洪精细化预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115330088A true CN115330088A (zh) | 2022-11-11 |
Family
ID=83914852
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211239985.4A Pending CN115330088A (zh) | 2022-10-11 | 2022-10-11 | 一种小型水库的防洪精细化预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115330088A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880101A (zh) * | 2023-03-02 | 2023-03-31 | 江西贵兴信息技术有限公司 | 一种基于大数据的水利数据管理*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379098A (zh) * | 2021-04-16 | 2021-09-10 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 河流区间动态洪峰分析预警方法、***、设备及介质 |
| CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
| 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 |
| CN114254833A (zh) * | 2021-12-25 | 2022-03-29 | 福建中锐网络股份有限公司 | 基于多元线性回归和气象数据的水库水位预测及调度方法 |
| CN114611778A (zh) * | 2022-03-04 | 2022-06-10 | 山东锋士信息技术有限公司 | 一种基于入库流量的水库水位预警方法及*** |
-
2022
- 2022-10-11 CN CN202211239985.4A patent/CN115330088A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113379098A (zh) * | 2021-04-16 | 2021-09-10 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 河流区间动态洪峰分析预警方法、***、设备及介质 |
| CN113762618A (zh) * | 2021-09-07 | 2021-12-07 | 中国水利水电科学研究院 | 一种基于多因子相似分析的湖泊水位预报方法 |
| 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 |
| CN114254833A (zh) * | 2021-12-25 | 2022-03-29 | 福建中锐网络股份有限公司 | 基于多元线性回归和气象数据的水库水位预测及调度方法 |
| CN114611778A (zh) * | 2022-03-04 | 2022-06-10 | 山东锋士信息技术有限公司 | 一种基于入库流量的水库水位预警方法及*** |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115880101A (zh) * | 2023-03-02 | 2023-03-31 | 江西贵兴信息技术有限公司 | 一种基于大数据的水利数据管理*** |
| CN115880101B (zh) * | 2023-03-02 | 2023-05-16 | 江西贵兴信息技术有限公司 | 一种基于大数据的水利数据管理*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
| CN111709465B (zh) | 大坝安全监测数据粗差智能识别方法 | |
| CN109444989A (zh) | 台风预报方法、***、可读存储介质和设备 | |
| CN111325947B (zh) | 一种基于长短期记忆网络的风暴潮洪涝预警方法和*** | |
| CN111062383A (zh) | 一种基于图像的船舶检测深度神经网络算法 | |
| CN117557065B (zh) | 一种基于bim技术的建筑工程施工进度监管*** | |
| CN115330088A (zh) | 一种小型水库的防洪精细化预测方法 | |
| CN116402369A (zh) | 一种智慧城市交通运行安全监测数据评估***及方法 | |
| CN115907436A (zh) | 基于量质耦合预报的水资源水环境调控方法和*** | |
| CN115526258A (zh) | 基于Spearman相关系数特征提取的电力***暂稳评估方法 | |
| CN114418214A (zh) | 管网淤堵分析方法、装置、计算机设备及存储介质 | |
| CN114495498B (zh) | 一种交通数据分布有效性判别方法及装置 | |
| CN106354940A (zh) | 基于水质模型不确定性输入的景观水水质模拟与预警方法 | |
| CN115688032A (zh) | 基于多源数据融合的台风灾害下电网风险预警方法及*** | |
| CN110110339A (zh) | 一种日前水文预报误差校正方法及*** | |
| CN110853034A (zh) | 裂缝检测方法、装置、电子设备和计算机可读存储介质 | |
| CN113269805B (zh) | 降水事件引导的遥感降水反演训练样本自适应选取方法 | |
| CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及*** | |
| CN109408604B (zh) | 输电线路关联天气因素数据网格化处理方法、装置及*** | |
| CN116151437A (zh) | 一种浅层崩塌灾害预警模型建立方法、装置、设备及介质 | |
| CN116596106A (zh) | 风电场站的功率预测方法、装置、电子设备及存储介质 | |
| CN114529815A (zh) | 一种基于深度学习的流量检测方法、装置、介质及终端 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及*** | |
| CN110555543B (zh) | 一种风电场预测的不确定度分析方法及*** | |
| CN113807454A (zh) | 能见度确定方法、装置、计算机设备及可读存储介质 |
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: 20221111 |
|
| RJ01 | Rejection of invention patent application after publication |