CN117291432A - 一种基于人工智能的水资源调度监测*** - Google Patents
一种基于人工智能的水资源调度监测*** Download PDFInfo
- Publication number
- CN117291432A CN117291432A CN202311592972.XA CN202311592972A CN117291432A CN 117291432 A CN117291432 A CN 117291432A CN 202311592972 A CN202311592972 A CN 202311592972A CN 117291432 A CN117291432 A CN 117291432A
- Authority
- CN
- China
- Prior art keywords
- water body
- data
- monitoring
- risk
- value
- 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 281
- 238000012544 monitoring process Methods 0.000 title claims abstract description 186
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 36
- 238000012937 correction Methods 0.000 claims abstract description 22
- 239000002689 soil Substances 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 29
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 11
- 238000003062 neural network model Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 239000003673 groundwater Substances 0.000 claims description 9
- 208000034699 Vitreous floaters Diseases 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000001303 quality assessment method Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 241000532123 Setia Species 0.000 claims description 2
- 238000012797 qualification Methods 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000006424 Flood reaction Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000006467 substitution reaction Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001172 regenerating effect Effects 0.000 description 2
- 239000013049 sediment Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/08—Alarms for ensuring the safety of persons responsive to the presence of persons in a body of water, e.g. a swimming pool; responsive to an abnormal condition of a body of water
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Emergency Management (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Computing Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于人工智能的水资源调度监测***,涉及水资源调度技术领域,若数据质量指数低于预设的质量阈值,则对低质量数据组的修正并生成水体修正数据集合;生成水体变化的区域风险指数并进而获取监测区域内水体的风险指数,若所获取的风险指数超过第二风险阈值,发出第一报警指令,否则,对风险指数的变化趋势进行预测,若其预测值较当前值增加比例超过比例阈值,发出第二报警指令;在接收到第一或者第二报警指令后,由水体流动模型对监测区域内的水体变化进行持续预测,由若监测区域内的水体存在安全隐患,发出预测结果。若是存在风险,则输出更加全面的预测结果,以便于对可能存在安全隐患的水体做相应的处理,避免风险的产生。
Description
技术领域
本发明涉及水资源调度技术领域,具体为一种基于人工智能的水资源调度监测***。
背景技术
人工智能(Artificial Intelligence,缩写为AI)是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用***的一门新的技术科学。这个领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家***等,目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。人工智能包括算力、算法、数据三大要素,其中基础层提供算力支持,通用技术平台解决算法问题,场景化应用挖掘数据价值。
水资源调度是指对水资源进行合理的、科学的分配和利用,以满足人们生活和生产的需求,而随着技术的发展,人工智能技术和新的计算机技术,也逐渐应用在水资源调度领域。具体来说,水资源调度包括以下内容:
调度水源:根据不同地区的水资源分布情况和用水需求,对水资源进行合理的调度和分配,确保供水量的稳定和可靠;监测水质:通过对水质的实时监测和管理,确保水质符合相关标准和规定,保障人们的饮用水安全;调节水库:通过对水库的调节和管理,实现对水资源的合理调度和利用,确保水库的安全运行和供水量的稳定;统一管理:通过建立水资源管理机构,实现对水资源的统一管理和调度,避免浪费和污染。
总之,水资源调度是为了实现水资源的可持续利用和社会经济的可持续发展而进行的一项重要工作。
在申请公布号为CN113570275A中国发明专利中,基于BIM和数字高程模型的水资源实时监测***,包括数据库和应用模块,基于BIM和数字高程模型的水资源实时监测平台研究充分利用物联网、大数据、云计算等技术,对水资源进行信息化管理,研制基于大数据、物联网、BIM和三维地理信息,通过对BIM模型及属性转换到GIS技术的应用研究,解决了BIM模型的属性转换到GIS时会丢失的难题,从而为构建真实的三维立体***,用计算机实现对真实环境或者物体的仿真和模拟,并在***中模拟和演练变化的过程,提供了更好的支持。
以上申请中,提供综合地图、基础信息、监测监控、应急管理、水环境等数据监测、采集与预警预报,实现水资源动态展示、实景呈现、决策管理等多功能于一体,但是,以上申请所记载的技术方案中,在水体覆盖区域内处于持续降雨的状态下,地下水位上升,土壤含水量增高时,难以对水体风险进行及时和准确的预警,这就导致一旦水体洪涝风险产生时,应急能力较差,不能快速有效的调度水资源。
为此,本发明提供了一种基于人工智能的水资源调度监测***。
发明内容
(一)解决的技术问题
针对现有技术的不足,本发明提供了一种基于人工智能的水资源调度监测***,通过生成水体变化的区域风险指数并进而获取监测区域内水体的风险指数,若所获取的风险指数超过第二风险阈值,发出第一报警指令,否则,对风险指数的变化趋势进行预测,若其预测值较当前值增加比例超过比例阈值,发出第二报警指令;在接收到第一或者第二报警指令后,由水体流动模型对监测区域内的水体变化进行持续预测,由若监测区域内的水体存在安全隐患,发出预测结果。若是存在风险,则输出更加全面的预测结果,以便于对可能存在安全隐患的水体做相应的处理,避免风险的产生,从而解决了背景技术中所记载的技术问题。
(二)技术方案
为实现以上目的,本发明通过以下技术方案予以实现:一种基于人工智能的水资源调度监测***,包括,在覆盖监测区域的电子地图上,将监测区域等面积分割为若干个子区域,若持续降雨量高于预期时,对各个子区域内的土层状态进行监测,获取监测结果并建立土层监测数据集合,由土层监测数据集合生成预警指数,若所获取的预警指数超过第一风险阈值,向外部发出预警指令;
其中,预警指数的获取方式如下:将地下水位Wu及土层含水量Ws做线性归一化处理,并将相应的数据值映射至区间/>内,再依据如下方式:
其中,/>及/>为可变更常数系数, ,/>,且/>,/>,m为大于1的正整数,其为子区域的数量;/>为在i子区域内的预警指数,/>为各个子区域的预警指数均值,/>为大于0的修正系数;
在各个子区域的水体内设置若干个采样点,采集当前的水体参数并建立水体监测数据集合,将水体监测数据集合的数据依据类别对各项数据进行归类,获取若干个监测数据组,并生成数据质量指数,以对水体监测数据集合内的各项数据进行质量评估,若数据质量指数/>低于预设的质量阈值,则对低质量数据组的修正并生成水体修正数据集合;
在修正后监测数据的基础上生成水体变化的区域风险指数,并进而获取监测区域内水体的风险指数/>,若所获取的风险指数/>超过第二风险阈值,发出第一报警指令,否则,对风险指数/>的变化趋势进行预测,若其预测值较当前值增加比例超过比例阈值,发出第二报警指令;
采集监测区域内的水体数据,在进行特征提取后建立模型特征集合,使用Bp神经网络模型,训练获取监测区域内水体流动模型,在接收到第一或者第二报警指令后,由水体流动模型对监测区域内的水体变化进行持续预测,由若监测区域内的水体存在安全隐患,发出预测结果。
进一步的,在电子地图上将监测区域等面积的分割为若干个子区域,获取观察周期内的持续降雨量,若所述持续降雨量超过预设的降雨量阈值,发出持续降雨预警;在各个子区域内远离水体的土层表面随机设置若干个监测点,以固定的周期在监测点处对子区域内的地下水位Wu及土壤含水量Ws进行持续监测,并将所获取的监测数据汇总后,建立土层监测数据集合;由所述土层监测数据集合生成预警指数Eg(u,s),若所获取的预警指数Eg(u,s)超过第一风险阈值,向外部发出预警指令。
进一步的,在各个子区域的水体内设置若干个采样点,以固定的周期在采样点内采集当前的水体参数,包括:水体当前的浑浊度Tu及水体流量Fr,并识别获取单位面积上内水体表面漂浮物的量,获取漂浮物密度Fo;在汇总后建立水体监测数据集合;
将水体监测数据集合内的数据依据类别进行归类,获取若干个监测数据组,并将其在监测数据内沿着采集时间依次排列,在接收到预警指令后,分别对各个监测数据组内的数据做数据质量分析,对水体监测数据集合内的各项数据进行质量评估。
进一步的,质量评估方式如下:获取各个监测数据组内数据的异众比率,在获取监测数据组内的各个数据的接近中性心后,平均获取监测数据组内各个数据的接近中心性均值/>,水体监测数据集合的数据质量指数/>,其具体方式如下:
其中,系数意义为:n为大于1的正整数,/>,其为监测数据组的总数,权重系数:,且/>;
为接近中心性均值的预设合格标准值,/>为异众比率的预设合格标准值;其中,/>为监测数据组内数据在i位置上的值,若所获取的数据质量指数/>低于预设的质量阈值,发出修正指令。
进一步的,接收到修正指令后,将子区域各个监测数据组内的数据沿着采集时间有序排列,并依照如下方式计算各项数据的稳定度:
其中,k为大于1的正整数,,其为监测数据组内数据的总数,若该组数据的稳定度/>低于稳定度阈值,则标记为低质量数据组;
对低质量数据组内的各个数据进行筛选,获取到均值后,将其中大于均值且大于的比例高于异常比例的部分确定为异常值;以双线性插值法对异常值进行替换,在替换后完成对低质量数据组的修正,汇合其余监测数据组,生成水体修正数据集合。
进一步的,经过持续性降雨后,在修正后的监测数据的基础上生成水体变化的区域风险指数,其具体方式如下:将经过修正后的浑浊度Tu、水体流量Fr及漂浮物密度Fo做线性归一化处理,并将相应的数据值映射至区间/>内,再依据如下方式:权重系数:,且/>,此处,n为监测数据获取的个数;
为在各个子区域内浑浊度的均值,/>为浑浊度的合格标准值,/>为在各个子区域内水体流量的均值,/>为水体流量的合格标准值,/>为在各个子区域内漂浮物密度的均值;
为漂浮物密度的合格标准值,/>为浑浊度在i时刻的值,/>为水体流量在i时刻的值,/>为漂浮物密度在i时刻的值。
进一步的,在获取各个子区域内的区域风险指数后,依据如下方式获取监测区域内水体的风险指数/>:
其中,权重系数:,m为子区域的个数,是大于1的正整数,/>为区域风险指数在i子区域的值,/>为在各个子区域内区域风险指数的均值;若所获取的风险指数Rs(u,r,o)超过第二风险阈值,发出第一报警指令。
进一步的,在风险指数未超过第二风险阈值时,以固定间隔连续获取若干个风险指数/>,汇总后建立风险指数集合,结合风险指数集合内的数据,通过平滑指数预测法对风险指数/>的变化趋势进行预测,获取风险指数/>的预测值,若所获取的风险指数/>预测值较当前值增加,且增加比例超过预设的比例阈值,向外部发出第二报警指令。
进一步的,对监测区域内进行数据采集,并在预处理后的数据汇总建立建模数据集合,对所述建模数据集合内的数据进行特征提取,获取若干个数据特征,汇总后建立模型特征集合;选择Bp神经网络模型建立初始模型,对初始模型进行训练和测试后,将训练后的初始模型作为监测区域内水体流动模型;
在接收到第一或者第二报警指令后,以天气条件变化作为输入,使用训练后的水体流动模型对监测区域内的水体变化进行持续预测,将获取的若干个预测结果汇总,建立水体预测数据集合并再次生成风险指数,若所述风险指数/>超过第二风险阈值,将水体预测集合发出。
进一步的,对所获取的水体预测集合内的数据进行特征识别,获取识别结果并以此作为水体特征,将预测获取的若干个特征汇总,获取水特征集合;使用训练后的相似度模型或者类似的匹配模型,依据水体特征与调度方案库内调度方案间的对应性,匹配出相对应的若干个水体调度方案,将其标记为待选方案。
进一步的,在预测周期内获取预测的天气条件并作为预测条件,结合预测条件后,使用训练后的水体流动模型对若干个待选方案进行仿真分析,由仿真分析结果对调度方案的效果进行判断;其具体方式如下:在执行各个待选方案后,以固定的时间间隔连续获取若干组的浑浊度Tu、水体流量Fr及漂浮物密度Fo,在汇总后再次关联生成风险指数,将风险指数/>较前值降低比例最大的作为选定方案,将选定方案输出。
(三)有益效果
本发明提供了一种基于人工智能的水资源调度监测***,具备以下有益效果:
1、通过对持续降雨量的监测,对水体的洪水隐患进行第一轮的预警,又通过对地下水位Wu及土层含水量Ws的持续监测,获取水体洪涝风险的预警指数,以预警指数/>对水体会产生风险的可能性进行评估,对水体是否会产生安全隐患形成评估,在依据评估结果对水体采取安全措施后,可以减少安全隐患的发生。
2、在获取异众比率及接近中心性均值/>的基础上,关联获取数据质量指数/>,以数据质量指数/>对整体数据质量是否达标进行判断,对各个监测数据组内的异常值以双线性插值法对异常值进行替换以完成修正,可以减少异常数据的产生,提高数据质量,保障报警时的准确性。
3、获取各个子区域内的域风险指数后,获取风险指数/>,以其对当前存在水体风险进行评估,当前存在风险时进行报警,反之,则对风险指数/>的变化趋势进行预测,以获取风险指数/>的预测值,对水体风险形成预警效果,在已经接收到预警指令的基础上,实现对水体风险的验证,从而对水体进行监控时,能够对可能会产生的风险进行稳定的报警和预警,尽量避免风险的产生。
4、使用Bp神经网络模型训练获取监测区域内水体流动模型,仍处于持续降雨的条件下时,结合训练后的监测区域内水体流动模型,对水体风险进行预测,若是存在风险,则输出更加全面的预测结果,以便于对可能存在安全隐患的水体做相应的处理,避免风险的产生。
5、由预先构建好的调度方案库快速的匹配出若干个待选方案,从而在降低水体风险时,能够有效的节省方案的制定时间,在处理风险时,能够做出更充分的准备,而且通过自动匹配方案也可以避免产生不必要的风险;在待选方案具有多个时,结合训练后的水体流动模型对方案进行仿真测试,能够对方案形成筛选,确定出其中效果最佳的,从而对水体完成监控确认风险即将产生时,能够更为高效有效地进行针对性处理,避免风险的产生。
附图说明
图1为本发明基于人工智能的水资源调度监测***结构示意图。
具体实施方式
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,所描述的实施例仅仅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他实施例,都属于本发明保护的范围。
请参阅图1,本发明提供一种基于人工智能的水资源调度监测***,包括:
步骤一、在覆盖监测区域的电子地图上,将监测区域等面积分割为若干个子区域,若持续降雨量高于预期时,对各个子区域内的土层状态进行监测,获取监测结果并建立土层监测数据集合,由土层监测数据集合生成预警指数,若所获取的预警指数超过第一风险阈值,向外部发出预警指令;
所述步骤一包括如下内容:
步骤101、在确定监测区域后,建立至少覆盖监测区域的电子地图,在电子地图上将监测区域等面积的分割为若干个子区域,并分别对若干个子区域进行编号,设置观察周期,例如,以5天或者7天为一个观察周期,获取所述观察周期内的持续降雨量,若所述持续降雨量超过预设的降雨量阈值,也即高于预期,则发出持续降雨预警;
需要说明的是:若大量持续的降雨超过了地表的渗透和排水能力,会使得地表无法迅速排走雨水,导致积水形成洪水,在山区或丘陵地带,大雨天气可能导致山坡上的雨水迅速流下,并聚集在低洼地区,如果这些低洼地区的排水***无法快速排除水,例如,由于堵塞或排水管道不足,那么水就会堆积在陡坡下方的地区,形成洪水。
步骤102、在各个子区域内远离水体的土层表面随机设置若干个监测点,以固定的周期,例如,以10分钟为一个周期,在监测点处对子区域内的地下水位Wu及土壤含水量Ws进行持续监测,并将所获取的监测数据汇总后,建立土层监测数据集合;
需要作出说明的是,地下水位的变化能够直接反映土壤层的湿度,进而可以预测洪水的可能性,如果地下水位过高,有可能形成渗漏,进而增加地面水含量,加大洪涝风险,进一步地,土壤含水量也可以反映土壤的湿度,土壤含水量过高表明土壤已经饱和,无法吸收更多的雨水,因此可能导致水在地面聚集,形成洪涝。
步骤103、由所述土层监测数据集合生成预警指数,其获取方式如下:
将地下水位Wu及土层含水量Ws做线性归一化处理,并将相应的数据值映射至区间内,再依据如下方式:
其中,/>及/>为可变更常数系数, ,/>,且/>,用户可以按照实际情况进行调整,,m为大于1的正整数,其为子区域的数量;/>为在i子区域内的预警指数,/>为各个子区域的预警指数均值,/>为大于0的修正系数,可以通过软件模拟确定/>的具体值;
在结合历史数据和预先设置的风险预期后,预先设置第一风险阈值,若所获取的预警指数Eg(u,s)超过第一风险阈值,则说明在持续降雨的条件下,土层内含水量和地下水位都在快速升高,接下来会产生洪涝的风险较大,此时,向外部发出预警指令,反之,则说明当前的持续降雨并未带来较大的风险, 继续进行监测;
使用时,结合步骤101至103中的内容:
在对监测区域内的水体进行报警及调度之前,先通过对持续降雨量的监测,对水体的洪水隐患进行第一轮的预警,在此基础上,又通过对地下水位Wu及土层含水量Ws的持续监测,获取各个子区域的预警指数,并进而获取水体洪涝风险的预警指数,以预警指数/>对水体会产生风险的可能性进行评估,从而对水体是否会产生安全隐患形成评估,在依据评估结果对水体采取安全措施后,可以减少安全隐患的发生。
步骤二、在各个子区域的水体内设置若干个采样点,采集当前的水体参数并建立水体监测数据集合,将水体监测数据集合的数据依据类别对各项数据进行归类,获取若干个监测数据组,并生成数据质量指数,以对水体监测数据集合内的各项数据进行质量评估,若数据质量指数/>低于预设的质量阈值,则对低质量数据组的修正并生成水体修正数据集合;
所述步骤二包括如下内容:
步骤201、在各个子区域的水体内设置若干个采样点,且使各个采样点保持大体的等距,也即使其分布均匀;以固定的周期,例如,以1分钟为一个周期,在采样点内采集当前的水体参数,其中,所述的水体参数至少包括:水体当前的浑浊度Tu及水体流量Fr,并识别获取单位面积上内水体表面漂浮物的量,获取漂浮物密度Fo;在将获取的若干组浑浊度Tu、水体流量Fr及漂浮物密度Fo汇总后,建立水体监测数据集合;
需要作出说明的是,在洪水中的浑浊度可能会增加,特别是当上游水库泄洪或山洪暴发时,洪水裹挟着泥沙,导致水体变浑浊,这种情况下,浑浊度上升通常与洪水的水位和流量增加有关。当然,也需要说明的是,浑浊度只是一个间接指标,它并不能完全反映洪水的实际情况。例如,即使浑浊度增加,但只要水质没有明显变化,那么洪水可能并没有造成太大的影响,因此,在判断是否已经产生洪水时,浑浊度需要结合其他指标,例如水位、流量、水质等,并和实际观测数据进行综合判断。
在洪水发生时,水流速度加快,携带的泥沙和杂物也会相应增多,这可能会导致水体表面的漂浮物增多,在遇到水体表面的漂浮物突然增加的情况,通过和水流情况、测量水深、取样监测水质等方法相配合协同,能够对洪水的产生进行判断和预判。
步骤202、将水体监测数据集合内的数据依据类别进行归类,获取若干个监测数据组,并将其在监测数据内沿着采集时间依次排列,在接收到预警指令后,分别对各个监测数据组内的数据做数据质量分析,对水体监测数据集合内的各项数据进行质量评估,其具体方式如下:
获取各个监测数据组内数据的异众比率,其中,/>为监测数据组内数据在i位置上的值,在获取监测数据组内的各个数据的接近中性心后,平均获取监测数据组内各个数据的接近中心性均值/>;
在获取异众比率及接近中心性均值/>的基础上,关联获取水体监测数据集合的数据质量指数/>,其具体方式如下:
其中,系数意义为:n为大于1的正整数,,其为监测数据组的总数,权重系数:/>,且/>,其具体值由用户调整设置,/>为接近中心性均值的预设合格标准值,/>为异众比率的预设合格标准值;
若所获取的数据质量指数低于预设的质量阈值,则说明数据质量不达标,需要对部分数据进行修正,此时,向外部发出修正指令;
步骤203、接收到修正指令后,将子区域各个监测数据组内的数据沿着采集时间有序排列,并依照如下方式计算各项数据的稳定度:
其中,k为大于1的正整数,,其为监测数据组内数据的总数,/>为监测数据组内数据在i位置上的值;
若该组数据的稳定度低于预先设置的稳定度阈值,说明其质量相对较差,则对该组数据进行标记,确认为低质量数据组;预先设置异常比例,例如50%,对低质量数据组内的各个数据进行筛选,获取到均值后,将其中大于均值且大于的比例高于异常比例的部分确定为异常值;
以双线性插值法对异常值进行替换,在替换后完成对低质量数据组的修正,汇合其余监测数据组,生成水体修正数据集合;
使用时,结合步骤201至203中的内容:
在获取到监测区域内水体风险的预警指令后,需要对其该预警指令进行验证,此时,对各个子区域内的水体内进行持续监测,分别获取水体当前的浑浊度、水体流量Fr及漂浮物密度Fo,建立水体监测数据集合;但是考虑到水体监测单元,也即各项监测设备或传感器长期处于户外工作,其工作状态可能会存在问题,产生的数据可能会存在错误,进而导致误判的产生,因此,需要对水体监测数据集合内的数据进行质量评估;
在获取异众比率及接近中心性均值/>的基础上,关联获取数据质量指数/>,以数据质量指数/>对整体数据质量是否达标进行判断,若不达标则对部分数据进行修正,对各个监测数据组内的异常值,则以双线性插值法对异常值进行替换以完成修正,可以减少异常数据的产生,提高数据质量,保障报警时的准确性。
步骤三、在修正后监测数据的基础上生成水体变化的区域风险指数,并进而获取监测区域内水体的风险指数/>,若所获取的风险指数/>超过第二风险阈值,发出第一报警指令,否则,对风险指数/>的变化趋势进行预测,若其预测值较当前值增加比例超过比例阈值,发出第二报警指令;
所述步骤三包括如下内容:步骤301、经过持续性降雨后,在修正后的监测数据的基础上生成水体变化的区域风险指数,其具体方式如下:将经过修正后的浑浊度Tu、水体流量Fr及漂浮物密度Fo做线性归一化处理,并将相应的数据值映射至区间内,再依据如下方式:
权重系数:/>,且/>,此处,n为监测数据获取的个数;/>为在各个子区域内浑浊度的均值,/>为浑浊度的合格标准值,为在各个子区域内水体流量的均值,/>为水体流量的合格标准值,/>为在各个子区域内漂浮物密度的均值,/>为漂浮物密度的合格标准值,/>为浑浊度在i时刻的值,为水体流量在i时刻的值,/>为漂浮物密度在i时刻的值;
步骤302、在获取各个子区域内的区域风险指数后,依据如下方式获取监测区域内水体的风险指数/>:
其中,权重系数:,m为子区域的个数,是大于1的正整数,/>为区域风险指数在i子区域的值,/>为在各个子区域内区域风险指数的均值;
结合历史数据和可接受的风险预期,预先设置第二风险阈值,若所获取的风险指数Rs(u,r,o)超过第二风险阈值,则说明在持续降雨的条件下,水体所产生的变动较大,当前可能已经存在洪涝风险,此时,向外部发出第一报警指令;反之,则说明当前的持续降雨并未带来较大的风险;
步骤303、在风险指数未超过第二风险阈值时,以固定间隔连续获取若干个风险指数/>,汇总后建立风险指数集合,结合风险指数集合内的数据,通过平滑指数预测法对风险指数/>的变化趋势进行预测,获取风险指数/>的预测值,若所获取的风险指数/>预测值较当前值增加,且增加比例超过预设的比例阈值,例如超过2%,则向外部发出第二报警指令;
需要说明的是,通过对水体变化进行预警,可以帮助人们提前做好准备,减少洪水带来的生命和财产损害,可以及时实施正确的备灾和减灾计划,提高应急响应能力,在可能发生洪水时,可以提前采取措施,如加强防范、准备应急物资等,提高抗洪救灾的能力。
洪水预警还有助于协调各方面的资源,以便快速有效地应对洪水灾害,减少产生的风险及隐患;此外,洪水预警可以减轻防洪救灾的压力,如果洪水预警***准确及时,则可以有足够的时间和资源来制定和实施有效的抗洪救灾方案,减轻压力,提高效率。
使用时,结合步骤301至303中的内容:
通过对低质量数据组的修正,在结合剩余监测数据组后生成水体修正数据集合,进一步地,由经过修正后的浑浊度Tu、水体流量Fr及漂浮物密度Fo生成区域风险指数,并在获取各个子区域内的区域风险指数/>后,获取监测区域内水体的风险指数/>,以风险指数/>对当前存在水体风险进行评估;
若是当前存在风险,则进行报警,若是当前不存在,则对风险指数的变化趋势进行预测,以获取风险指数/>的预测值,对水体风险形成预警效果,在已经接收到预警指令的基础上,实现对水体风险的验证,从而对水体进行监控时,能够对可能会产生的风险进行稳定的报警和预警,尽量避免风险的产生。
步骤四、采集监测区域内的水体数据,在进行特征提取后建立模型特征集合,并使用Bp神经网络模型,训练获取监测区域内水体流动模型,在接收到第一或者第二报警指令后,由水体流动模型对监测区域内的水体变化进行持续预测,由若监测区域内的水体存在安全隐患,发出预测结果;
所述步骤四包括如下内容:
步骤401、对监测区域内进行数据采集,例如,水体的水位、流量、浑浊度及水质等等,在对数据做出预处理后,例如对采集的数据去重、剔除异常值、补充空白值等等;将预处理后的数据汇总,建立建模数据集合,并对所述建模数据集合内的数据进行特征提取,获取若干个数据特征,汇总后建立模型特征集合;
选择Bp神经网络模型,在选择网络架构后建立初始模型,从模型特征集合内抽取部分数据,分别作为训练集和测试集,以对初始模型进行训练和测试后,将训练后的初始模型作为监测区域内水体流动模型;
步骤402、在接收到第一或者第二报警指令后,对天气条件变化进行持续监测,并以监测结果作为输入,使用训练后的水体流动模型对监测区域内的水体变化进行持续预测,将获取的若干个预测结果汇总,建立水体预测数据集合,由水体预测集合的数据再次生成风险指数,若所述风险指数/>超过对应的风险阈值,将水体预测集合发出;
需要说明的是,在使用神经网络对水体变化情况进行预测时,预测精度高:神经网络具有高度非线性的映射能力,可以处理复杂的模式识别和预测问题,从而在处理水位预测时能够获得更高的预测精度;自适应能力强:神经网络可以通过训练自动适应***的动态变化,能够适应各种复杂的边界条件和不确定因素;可解释性强:
神经网络模型可以提供较为清晰的理解水位变化的机制与规律,为进一步的科学研究和决策提供理论支撑;实时性强:神经网络可以快速地对实时数据进行处理和预测,能够及时准确地反映水位变化情况,有利于及时采取应对措施;
泛化能力强:神经网络可以通过训练学习到一些水位变化的通用规律,从而可以对未来的水位变化进行准确地预测。通过神经网络对水位变化进行预测可以提高预测的精度、适应性和实时性,从而更好地应对水文气象变化多端的情况。
针对步骤401及402中的内容,还做出如下补充性描述:
数据收集和处理:收集长时间序列的洪水数据,包括降雨量、气温、水体水位等,并进行预处理,如数据清洗、标准化等,以保证数据的质量和一致性;
特征选择:根据相关性分析和相关系数等方法,选择与洪水相关的特征,如降雨量、气温等极端气候因素;
数据划分:将收集到的数据划分为训练集和测试集,一般采用时间序列划分或随机划分等方法;
模型选择和训练:根据神经网络的应用场景和特点,选择合适的神经网络模型,例如,BP神经网络、卷积神经网络等,并使用训练集对模型进行训练,调整模型参数,提高模型的预测精度;
模型评估和优化:使用测试集对训练好的模型进行评估,包括预测精度、误差分析等,并根据评估结果对模型进行优化,如增加隐藏层数、调整学习率等;
模型应用:将优化后的模型应用于实际的洪水预测中,根据实时的降雨量对洪水进行预测,并提供预警信息。
使用时,结合步骤401及402中的内容:
作为进一步的改进,为了提高预警的准确性和全面性,使用Bp神经网络模型训练获取监测区域内水体流动模型,在天气条件产生变化,例如,仍处于持续降雨的条件下时,以此作为输入,结合训练后的监测区域内水体流动模型,对水体风险进行预测,若是存在风险,则输出更加全面的预测结果,以便于对可能存在安全隐患的水体做相应的处理,切实避免风险的产生。
步骤五、在获取预测结果后进行水体特征识别,并依据识别出的水体特征从调度方案库内匹配出若干个水体调度方案,使用训练后的水体流动模型对调度方案进行仿真分析,将其中在执行后风险指数较前值降低比例最大的作为选定方案,将选定方案输出;
所述步骤五包括如下内容:
步骤501、对所获取的水体预测集合内的数据进行特征识别,例如预测获取的水体水位及其变化趋势,水体流量及其变化趋势等,获取识别结果并以此作为水体特征,将预测获取的若干个特征汇总,获取水特征集合;
通过线上检索或者在线下收集及制定对当前水体调度方案,在汇总后建立调度方案库,使用训练后的相似度模型或者类似的匹配模型,依据水体特征与调度方案库内调度方案间的对应性,匹配出相对应的若干个水体调度方案,将其标记为待选方案;
步骤502、设置预测周期,在预测周期内获取预测的天气条件并作为预测条件,结合预测条件后,使用训练后的水体流动模型对若干个待选方案进行仿真分析,由仿真分析结果对调度方案的效果进行判断;
其具体方式如下:在执行各个待选方案后,以固定的时间间隔连续获取若干组的浑浊度Tu、水体流量Fr及漂浮物密度Fo,在汇总后再次关联生成风险指数,将风险指数/>较前值降低比例最大的作为选定方案,将选定方案输出;
使用时,结合步骤501及502中的内容:
在由水体预测集合获取水体特征后,能够由预先构建好的调度方案库快速的匹配出若干个待选方案,从而在降低水体风险时,能够有效的节省方案的制定时间,在处理风险时,能够做出更充分的准备,而且通过自动匹配方案也可以避免产生不必要的风险;
在待选方案具有多个时,结合训练后的水体流动模型对方案进行仿真测试,能够对方案形成筛选,确定出其中效果最佳的,从而对水体完成监控确认风险即将产生时,能够更为高效有效地进行针对性处理,避免风险的产生。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的***、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种航道水下地形变化分析***及方法逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。
Claims (10)
1.一种基于人工智能的水资源调度监测***,其特征在于:包括,
在覆盖监测区域的电子地图上,将监测区域等面积分割为若干个子区域,若持续降雨量高于预期时,对各个子区域内的土层状态进行监测,获取监测结果并建立土层监测数据集合,由土层监测数据集合生成预警指数,若所获取的预警指数/>超过第一风险阈值,向外部发出预警指令;
其中,预警指数的获取方式如下:将地下水位Wu及土层含水量Ws做线性归一化处理,并将相应的数据值映射至区间/>内,再依据如下方式:
其中,/>及/>为可变更常数系数, ,/>,且/>,/>,m为大于1的正整数,其为子区域的数量;/>为在i子区域内的预警指数,/>为各个子区域的预警指数均值,/>为大于0的修正系数;
在各个子区域的水体内设置若干个采样点,采集当前的水体参数并建立水体监测数据集合,将水体监测数据集合的数据依据类别对各项数据进行归类,获取若干个监测数据组,并生成数据质量指数,以对水体监测数据集合内的各项数据进行质量评估,若数据质量指数/>低于预设的质量阈值,则对低质量数据组的修正并生成水体修正数据集合;
在修正后监测数据的基础上生成水体变化的区域风险指数,并进而获取监测区域内水体的风险指数/>,若所获取的风险指数/>超过第二风险阈值,发出第一报警指令,否则,对风险指数/>的变化趋势进行预测,若其预测值较当前值增加比例超过比例阈值,发出第二报警指令;
采集监测区域内的水体数据,在进行特征提取后建立模型特征集合,并使用Bp神经网络模型,训练获取监测区域内水体流动模型,在接收到第一或者第二报警指令后,由水体流动模型对监测区域内的水体变化进行持续预测,由若监测区域内的水体存在安全隐患,发出预测结果。
2.根据权利要求1所述的一种基于人工智能的水资源调度监测***,其特征在于:
在电子地图上将监测区域等面积的分割为若干个子区域,获取观察周期内的持续降雨量,若所述持续降雨量超过预设的降雨量阈值,发出持续降雨预警;在各个子区域内远离水体的土层表面随机设置若干个监测点,以固定的周期在监测点处对子区域内的地下水位Wu及土壤含水量Ws进行持续监测,并将所获取的监测数据汇总后,建立土层监测数据集合;由所述土层监测数据集合生成预警指数Eg(u,s),若所获取的预警指数Eg(u,s)超过第一风险阈值,向外部发出预警指令。
3.根据权利要求2所述的一种基于人工智能的水资源调度监测***,其特征在于:
在各个子区域的水体内设置若干个采样点,以固定的周期在采样点内采集当前的水体参数,包括:水体当前的浑浊度Tu及水体流量Fr,并识别获取单位面积上内水体表面漂浮物的量,获取漂浮物密度Fo;在汇总后建立水体监测数据集合;
将水体监测数据集合内的数据依据类别进行归类,获取若干个监测数据组,并将其在监测数据内沿着采集时间依次排列,在接收到预警指令后,分别对各个监测数据组内的数据做数据质量分析,对水体监测数据集合内的各项数据进行质量评估。
4.根据权利要求3所述的一种基于人工智能的水资源调度监测***,其特征在于:
质量评估方式如下:获取各个监测数据组内数据的异众比率,在获取监测数据组内的各个数据的接近中性心后,平均获取监测数据组内各个数据的接近中心性均值,水体监测数据集合的数据质量指数/>,其具体方式如下:
其中,系数意义为:n为大于1的正整数,/>,其为监测数据组的总数,权重系数:/>,且/>;
为接近中心性均值的预设合格标准值,/>为异众比率的预设合格标准值;其中,/>为监测数据组内数据在i位置上的值,若所获取的数据质量指数/>低于预设的质量阈值,发出修正指令。
5.根据权利要求4所述的一种基于人工智能的水资源调度监测***,其特征在于:
接收到修正指令后,将子区域各个监测数据组内的数据沿着采集时间有序排列,并依照如下方式计算各项数据的稳定度:
其中,k为大于1的正整数,/>,其为监测数据组内数据的总数,若该组数据的稳定度/>低于稳定度阈值,则标记为低质量数据组;
对低质量数据组内的各个数据进行筛选,获取到均值后,将其中大于均值且大于的比例高于异常比例的部分确定为异常值;以双线性插值法对异常值进行替换,在替换后完成对低质量数据组的修正,汇合其余监测数据组,生成水体修正数据集合。
6.根据权利要求1所述的一种基于人工智能的水资源调度监测***,其特征在于:
经过持续性降雨后,在修正后的监测数据的基础上生成水体变化的区域风险指数,其具体方式如下:
将经过修正后的浑浊度Tu、水体流量Fr及漂浮物密度Fo做线性归一化处理,并将相应的数据值映射至区间内,再依据如下方式:
权重系数:/>,且/>,此处,n为监测数据获取的个数;
为在各个子区域内浑浊度的均值,/>为浑浊度的合格标准值,/>为在各个子区域内水体流量的均值,/>为水体流量的合格标准值,/>为在各个子区域内漂浮物密度的均值;
为漂浮物密度的合格标准值,/>为浑浊度在i时刻的值,/>为水体流量在i时刻的值,/>为漂浮物密度在i时刻的值。
7.根据权利要求6所述的一种基于人工智能的水资源调度监测***,其特征在于:
在获取各个子区域内的区域风险指数后,依据如下方式获取监测区域内水体的风险指数/>:
其中,权重系数:,m为子区域的个数,是大于1的正整数,/>为区域风险指数在i子区域的值,/>为在各个子区域内区域风险指数的均值;
若所获取的风险指数Rs(u,r,o)超过第二风险阈值,发出第一报警指令。
8.根据权利要求2所述的一种基于人工智能的水资源调度监测***,其特征在于:
在风险指数未超过第二风险阈值时,以固定间隔连续获取若干个风险指数,汇总后建立风险指数集合,结合风险指数集合内的数据,通过平滑指数预测法对风险指数/>的变化趋势进行预测,获取风险指数/>的预测值,若所获取的风险指数/>预测值较当前值增加,且增加比例超过预设的比例阈值,向外部发出第二报警指令。
9.根据权利要求1所述的一种基于人工智能的水资源调度监测***,其特征在于:
对监测区域内进行数据采集,并在预处理后的数据汇总建立建模数据集合,对所述建模数据集合内的数据进行特征提取,获取若干个数据特征,汇总后建立模型特征集合;选择Bp神经网络模型建立初始模型,对初始模型进行训练和测试后,将训练后的初始模型作为监测区域内水体流动模型;
在接收到第一或者第二报警指令后,以天气条件变化作为输入,使用训练后的水体流动模型对监测区域内的水体变化进行持续预测,将获取的若干个预测结果汇总,建立水体预测数据集合并再次生成风险指数,若所述风险指数/>超过第二风险阈值,将水体预测集合发出。
10.根据权利要求9所述的一种基于人工智能的水资源调度监测***,其特征在于:
对所获取的水体预测集合内的数据进行特征识别,获取识别结果并以此作为水体特征,将预测获取的若干个特征汇总,获取水特征集合;使用训练后的相似度模型或者类似的匹配模型,依据水体特征与调度方案库内调度方案间的对应性,匹配出相对应的若干个水体调度方案,将其标记为待选方案;
在预测周期内获取预测的天气条件并作为预测条件,结合预测条件后,使用训练后的水体流动模型对若干个待选方案进行仿真分析,由仿真分析结果对调度方案的效果进行判断;其具体方式如下:在执行各个待选方案后,以固定的时间间隔连续获取若干组的浑浊度Tu、水体流量Fr及漂浮物密度Fo,在汇总后再次关联生成风险指数,将风险指数较前值降低比例最大的作为选定方案,将选定方案输出。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592972.XA CN117291432B (zh) | 2023-11-27 | 2023-11-27 | 一种基于人工智能的水资源调度监测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311592972.XA CN117291432B (zh) | 2023-11-27 | 2023-11-27 | 一种基于人工智能的水资源调度监测*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117291432A true CN117291432A (zh) | 2023-12-26 |
CN117291432B CN117291432B (zh) | 2024-02-23 |
Family
ID=89253925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311592972.XA Active CN117291432B (zh) | 2023-11-27 | 2023-11-27 | 一种基于人工智能的水资源调度监测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117291432B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373993A1 (en) * | 2017-06-23 | 2018-12-27 | University Of Alaska Fairbanks | Method Of Predicting Streamflow Data |
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
CN111723505A (zh) * | 2020-06-19 | 2020-09-29 | 中国水利水电科学研究院 | 一种流域水质水量监测*** |
CN114236095A (zh) * | 2021-12-02 | 2022-03-25 | 山东高速集团四川乐宜公路有限公司 | 一种山区高速公路沿线降雨诱发滑坡分区分级预警方法 |
CN114580793A (zh) * | 2022-05-05 | 2022-06-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源互补以及局部调控的水环境优化方法及*** |
CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测***及方法 |
CN116206426A (zh) * | 2023-05-06 | 2023-06-02 | 长春市城建维护集团股份有限公司 | 一种基于物联网的移动式水位监测报警*** |
CN116415481A (zh) * | 2022-10-21 | 2023-07-11 | 杭州鲁尔物联科技有限公司 | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 |
CN116822969A (zh) * | 2023-08-30 | 2023-09-29 | 安徽金海迪尔信息技术有限责任公司 | 基于模型组合的水利模型云计算方法与*** |
CN117057616A (zh) * | 2023-10-11 | 2023-11-14 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的水利监测方法及*** |
-
2023
- 2023-11-27 CN CN202311592972.XA patent/CN117291432B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180373993A1 (en) * | 2017-06-23 | 2018-12-27 | University Of Alaska Fairbanks | Method Of Predicting Streamflow Data |
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
CN111723505A (zh) * | 2020-06-19 | 2020-09-29 | 中国水利水电科学研究院 | 一种流域水质水量监测*** |
CN114236095A (zh) * | 2021-12-02 | 2022-03-25 | 山东高速集团四川乐宜公路有限公司 | 一种山区高速公路沿线降雨诱发滑坡分区分级预警方法 |
CN114580793A (zh) * | 2022-05-05 | 2022-06-03 | 水利部交通运输部国家能源局南京水利科学研究院 | 基于多源互补以及局部调控的水环境优化方法及*** |
CN115063963A (zh) * | 2022-07-26 | 2022-09-16 | 北京云庐科技有限公司 | 一种基于数字孪生技术的滑坡监测***及方法 |
CN116415481A (zh) * | 2022-10-21 | 2023-07-11 | 杭州鲁尔物联科技有限公司 | 区域滑坡灾害风险预测方法、装置、计算机设备及存储介质 |
CN116206426A (zh) * | 2023-05-06 | 2023-06-02 | 长春市城建维护集团股份有限公司 | 一种基于物联网的移动式水位监测报警*** |
CN116822969A (zh) * | 2023-08-30 | 2023-09-29 | 安徽金海迪尔信息技术有限责任公司 | 基于模型组合的水利模型云计算方法与*** |
CN117057616A (zh) * | 2023-10-11 | 2023-11-14 | 安徽金海迪尔信息技术有限责任公司 | 基于数字孪生的水利监测方法及*** |
Non-Patent Citations (1)
Title |
---|
徐帮树;贾超;王育奎;张金存;: "城市防汛预警决策支持***研究及应用", 山东大学学报(工学版), no. 02 * |
Also Published As
Publication number | Publication date |
---|---|
CN117291432B (zh) | 2024-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113538861B (zh) | 基于矿产地质勘查的地质灾害信息管理*** | |
CN113408917B (zh) | 自然灾害风险评估方法、装置、计算机设备及存储介质 | |
CN104408900A (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
CN116822969B (zh) | 基于模型组合的水利模型云计算方法与*** | |
CN107391930A (zh) | 山洪灾害分析评价***及山洪灾害分析评价方法 | |
CN102651053A (zh) | 基于贝叶斯网络模型的泥石流灾害危险性评价方法 | |
Nandalal et al. | Flood risk analysis using fuzzy models | |
CN109670260B (zh) | 一种山火蔓延面积预测方法、装置和设备 | |
CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
Apel et al. | Brief communication: Seasonal prediction of salinity intrusion in the Mekong Delta | |
Zahid et al. | Return levels of temperature extremes in southern Pakistan | |
Prieto et al. | Preface: Advances in flood risk assessment and management | |
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 | |
CN117391727B (zh) | 一种负碳排放的碳中和方法及*** | |
Wannasin et al. | Daily flow simulation in Thailand Part II: Unraveling effects of reservoir operation | |
CN117291432B (zh) | 一种基于人工智能的水资源调度监测*** | |
Mehta et al. | Drought projection using GCM & statistical downscaling technique: a case study of Sirohi District | |
Cutillas-Lozano et al. | Local-scale regionalisation of climate change effects on rainfall pattern: application to Alicante City (Spain) | |
CN112836897A (zh) | 一种基于机器学习的电网地质沉降隐患风险预测方法 | |
Heydarzadeh et al. | Monitoring meteorological drought with SPI and RDI drought indices and forecasting class transitions using Markov chains in southern Iran | |
CN116895134A (zh) | 一种基于5g技术的水电站下游水位突涨预警方法及*** | |
CN113408816B (zh) | 一种基于深度神经网络的电网灾情评估方法 | |
KR101843008B1 (ko) | 기후변화 시나리오를 활용한 홍수방재시설 투자결정 방법 및 시스템 | |
Khabarov et al. | Precipitation forecast based on the Bayesian Network | |
Liu et al. | Evaluating climate changes and land use changes on water resources using hybrid Soil and Water Assessment Tool‐DEEP optimized by metaheuristics |
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 |