CN117474173B - 一种用于平原河网地区多水源动态调配装置及*** - Google Patents
一种用于平原河网地区多水源动态调配装置及*** Download PDFInfo
- Publication number
- CN117474173B CN117474173B CN202311561339.4A CN202311561339A CN117474173B CN 117474173 B CN117474173 B CN 117474173B CN 202311561339 A CN202311561339 A CN 202311561339A CN 117474173 B CN117474173 B CN 117474173B
- Authority
- CN
- China
- Prior art keywords
- water resource
- training
- time sequence
- water
- vectors
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 320
- 239000013598 vector Substances 0.000 claims abstract description 152
- 238000001704 evaporation Methods 0.000 claims abstract description 56
- 230000008020 evaporation Effects 0.000 claims abstract description 56
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 15
- 238000009826 distribution Methods 0.000 claims abstract description 13
- 238000005457 optimization Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 111
- 239000011159 matrix material Substances 0.000 claims description 35
- 230000006870 function Effects 0.000 claims description 32
- 238000000605 extraction Methods 0.000 claims description 20
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000001556 precipitation Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000013135 deep learning Methods 0.000 claims description 4
- 230000002123 temporal effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 238000000034 method Methods 0.000 description 19
- 238000005192 partition Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000013468 resource allocation Methods 0.000 description 8
- 238000007726 management method Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000002156 mixing Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000005728 strengthening Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 108010001267 Protein Subunits Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 239000003651 drinking water Substances 0.000 description 1
- 235000020188 drinking water Nutrition 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000008239 natural water Substances 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06Q10/04—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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06313—Resource planning in a project environment
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Biodiversity & Conservation Biology (AREA)
- Educational Administration (AREA)
- Remote Sensing (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明公开了一种用于平原河网地区多水源动态调配装置及***。其首先获取多个水资源区在预定时间周期内多天的降雨量和蒸发量,接着,获取所述多个水资源区与待供水区域之间的多个空间距离值,然后,对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量,接着,基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量,最后,基于所述多个空间校正后水资源供给特征向量,确定多个水资源供给比例值。这样,可以实现不同用水户之间的水资源公平分配。
Description
技术领域
本申请涉及水资源调配领域,且更为具体地,涉及一种用于平原河网地区多水源动态调配装置及***。
背景技术
水资源是人类生存和发展的重要基础,也是社会经济发展的重要制约因素。在平原河网地区,由于地貌和水文条件的限制,水资源的供给存在一定的不平衡性。由于地势平坦,水流速度慢,河道相对较宽,水资源在平原地区分布不均匀,不同地区的水量可能存在差异。
同时,不同用水户之间的需求也存在差异。也就是,不同行业、不同人口密度的区域对水的需求量不同。例如,农业需要大量的灌溉水资源,工业需要用于生产和冷却的水资源,居民用水则包括生活用水和饮用水等。
这种现状导致水资源的供需关系不平衡,因此,期待一种用于平原河网地区多水源动态调配方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种用于平原河网地区多水源动态调配装置及***,其可以综合利用和分析水资源的时空变化信息,根据水资源的可利用性进行智能化的水资源调配,以实现不同用水户之间的水资源公平分配。
根据本申请的一个方面,提供了一种用于平原河网地区多水源动态调配装置,其包括:
水资源数据采集模块,用于获取多个水资源区在预定时间周期内多天的降雨量和蒸发量;
空间距离值获取模块,用于获取所述多个水资源区与待供水区域之间的多个空间距离值;
水资源时序分析模块,用于对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量;
优化模块,用于基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量;以及
水资源供给比例分析模块,用于基于所述多个空间校正后水资源供给特征向量,确定多个水资源供给比例值。
根据本申请的另一个方面,提供了一种用于平原河网地区多水源动态调配***,其包括:如前所述的用于平原河网地区多水源动态调配装置。
与现有技术相比,本申请提供的用于平原河网地区多水源动态调配装置及***,其首先获取多个水资源区在预定时间周期内多天的降雨量和蒸发量,接着,获取所述多个水资源区与待供水区域之间的多个空间距离值,然后,对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量,接着,基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量,最后,基于所述多个空间校正后水资源供给特征向量,确定多个水资源供给比例值。这样,可以实现不同用水户之间的水资源公平分配。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,以下附图并未刻意按实际尺寸等比例缩放绘制,重点在于示出本申请的主旨。
图1为根据本申请实施例的用于平原河网地区多水源动态调配装置的框图示意图。
图2为根据本申请实施例的用于平原河网地区多水源动态调配装置中的所述水资源时序分析模块的框图示意图。
图3为根据本申请实施例的用于平原河网地区多水源动态调配装置中的所述数据预处理单元的框图示意图。
图4为根据本申请实施例的用于平原河网地区多水源动态调配装置中的所述优化模块的框图示意图。
图5为根据本申请实施例的用于平原河网地区多水源动态调配方法的流程图。
图6为根据本申请实施例的用于平原河网地区多水源动态调配方法的***架构的示意图。
图7为根据本申请实施例的用于平原河网地区多水源动态调配装置的应用场景图。
具体实施方式
下面将结合附图对本申请实施例中的技术方案进行清楚、完整地描述,显而易见地,所描述的实施例仅仅是本申请的部分实施例,而不是全部的实施例。基于本申请实施例,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,也属于本申请保护的范围。
如本申请和权利要求书中所示,除非上下文明确提示例外情形,“一”、“一个”、“一种”和/或“该”等词并非特指单数,也可包括复数。一般说来,术语“包括”与“包含”仅提示包括已明确标识的步骤和元素,而这些步骤和元素不构成一个排它性的罗列,方法或者设备也可能包含其他的步骤或元素。
虽然本申请对根据本申请的实施例的***中的某些模块做出了各种引用,然而,任何数量的不同模块可以被使用并运行在用户终端和/或服务器上。所述模块仅是说明性的,并且所述***和方法的不同方面可以使用不同模块。
本申请中使用了流程图用来说明根据本申请的实施例的***所执行的操作。应当理解的是,前面或下面操作不一定按照顺序来精确地执行。相反,根据需要,可以按照倒序或同时处理各种步骤。同时,也可以将其他操作添加到这些过程中,或从这些过程移除某一步或数步操作。
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
针对上述技术问题,本申请的技术构思是综合利用和分析水资源的时空变化信息,根据水资源的可利用性进行智能化的水资源调配,以实现不同用水户之间的水资源公平分配。
基于此,图1为根据本申请实施例的用于平原河网地区多水源动态调配装置的框图示意图。如图1所示,根据本申请实施例的用于平原河网地区多水源动态调配装置100,包括:水资源数据采集模块110,用于获取多个水资源区在预定时间周期内多天的降雨量和蒸发量;空间距离值获取模块120,用于获取所述多个水资源区与待供水区域之间的多个空间距离值;水资源时序分析模块130,用于对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量;优化模块140,用于基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量;以及,水资源供给比例分析模块150,用于基于所述多个空间校正后水资源供给特征向量,确定多个水资源供给比例值。
具体地,在本申请的技术方案中,首先获取多个水资源区在预定时间周期内多天的降雨量和蒸发量;同时,获取所述多个水资源区与待供水区域之间的多个空间距离值。应可以理解,降雨量和蒸发量是影响水资源供给的两个重要因素。通过降雨量信息和蒸发量信息可以了解不同时间段内水资源的增减情况。此外,不同水资源区域与待供水区域的水资源调配工作还需考虑到空间距离的影响,也就是,水的输送需要考虑输送距离和输送成本等因素。不同水资源区域与待供水区域之间的空间距离不同,可能会影响水资源调配的优先级和量化供给关系。这些空间距离信息为确定水资源的调配方案也提供了重要的数据支持。
然后,对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量。这里,考虑到水资源的供给是受到降雨和蒸发等自然因素的影响的,这些因素在时间上会有一定的变化。通过对降雨量和蒸发量进行时序分析,可以了解水资源的时变特性和波动情况,例如水资源的季节性、年际性和长期趋势等规律。更具体地,不同季节的降雨量和蒸发量可能存在明显的差异,而长期的气候变化也会对水资源的供给产生影响。通过识别出水资源的周期性变化和趋势变化等信息,可以为水资源的动态调配提供更准确的依据。
在本申请的一个具体示例中,对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量的编码过程,包括:先将所述多个水资源区在预定时间周期内多天的降雨量和蒸发量分别按照时间维度排列为输入向量以得到多个降水量时序输入向量和多个蒸发量时序输入向量;随后,分别计算各组所述降水量时序输入向量和所述蒸发量时序输入向量之间的按位置差值以得到多个水资源时序波动输入向量;再将所述多个水资源时序波动输入向量分别通过基于一维卷积层的时序特征提取器以得到多个水资源时序波动特征向量。
相应地,如图2所示,所述水资源时序分析模块130,包括:数据预处理单元131,用于对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行数据预处理以得到多个水资源时序波动输入向量;以及,时序特征提取单元132,用于将所述多个水资源时序波动输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个水资源时序波动特征向量。应可以理解,水资源时序分析模块130包括数据预处理单元131和时序特征提取单元132两个主要单元。数据预处理单元131的主要功能是对多个水资源区在预定时间周期内多天的降雨量和蒸发量进行数据预处理,这个单元的目标是准备输入数据,使其适合后续的时序特征提取。数据预处理可能包括以下步骤:数据清洗:去除异常值、缺失值或错误数据;数据平滑:使用滤波或平滑技术来减少数据中的噪声或波动;数据标准化:将数据缩放到相同的范围,以便在后续处理中进行比较或合并;数据转换:对数据进行转换,例如对数变换或差分运算,以便更好地捕捉时序特征。数据预处理单元131的输出是多个水资源时序波动输入向量,这些向量将用于后续的时序特征提取。时序特征提取单元132的主要功能是从多个水资源时序波动输入向量中提取时序特征,这个单元通常使用基于一维卷积层的时序特征提取器来实现,一维卷积层可以有效地捕捉时序数据中的局部模式和趋势。时序特征提取单元的输出是多个水资源时序波动特征向量,这些向量包含了从原始数据中提取的时序特征。这些特征向量可以用于进一步的分析、建模或预测任务。综合来说,数据预处理单元用于准备原始数据,将其转换为适合时序分析的输入向量。时序特征提取单元则从这些输入向量中提取有意义的时序特征,以便进行进一步的分析和应用。
其中,如图3所示,所述数据预处理单元131,包括:向量化子单元1311,用于将所述多个水资源区在预定时间周期内多天的降雨量和蒸发量分别按照时间维度排列为输入向量以得到多个降水量时序输入向量和多个蒸发量时序输入向量;以及,差值计算子单元1312,用于分别计算各组所述降水量时序输入向量和所述蒸发量时序输入向量之间的按位置差值以得到所述多个水资源时序波动输入向量。应可以理解,数据预处理单元131包括向量化子单元1311和差值计算子单元1312两个子单元。向量化子单元1311的主要功能是将多个水资源区在预定时间周期内多天的降雨量和蒸发量按照时间维度排列为输入向量,具体而言,该子单元将每个水资源区的降雨量和蒸发量按照时间顺序排列,形成多个降水量时序输入向量和多个蒸发量时序输入向量。例如,假设有3个水资源区,每个区域有10天的降雨量和蒸发量数据。向量化子单元将把这些数据排列成3个降水量时序输入向量和3个蒸发量时序输入向量,每个向量包含10个时间点的数据。向量化子单元1311的输出是多个降水量时序输入向量和多个蒸发量时序输入向量,它们将成为后续差值计算的输入。差值计算子单元1312的主要功能是计算各组降水量时序输入向量和蒸发量时序输入向量之间的按位置差值,从而得到多个水资源时序波动输入向量,该子单元将对每个时间点上的降雨量和蒸发量进行减法操作,计算它们之间的差异。例如,假设有3个降水量时序输入向量和3个蒸发量时序输入向量,每个向量包含10个时间点的数据。差值计算子单元将对这些向量进行按位置差值计算,得到3个水资源时序波动输入向量,每个向量包含10个时间点的差值数据。差值计算子单元1312的输出是多个水资源时序波动输入向量,这些向量包含了降雨量和蒸发量之间的差异,用于后续的时序特征提取。综合来说,向量化子单元将降雨量和蒸发量数据按时间维度排列为时序输入向量,而差值计算子单元则计算这些向量之间的差值,生成水资源时序波动输入向量。这些处理步骤有助于将原始数据转换为适合时序分析的输入格式,并捕捉水资源时序数据的波动特征。
接着,基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量。也就是,将空间距离信息纳入水资源供给的考虑范围,以各个水资源区与待供水区域之间的空间距离关系作为引导信息来优化所述多个水资源时序波动特征向量所表达的水资源动态时序变化的特征分布。
在本申请的一个具体示例中,基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量的编码过程,包括:先将所述多个空间距离值构造为空间度矩阵后通过基于卷积神经网络模型的空间特征提取器以得到空间度特征矩阵;再分别将所述空间度特征矩阵与所述多个水资源时序波动特征向量中的各个水资源时序波动特征向量进行矩阵相乘以得到多个空间校正后水资源供给特征向量。其中,卷积神经网络在处理图像和空间数据方面具有良好的特征提取能力,可以学习到空间上的时序分布模式和关联关系。
相应地,如图4所示,所述优化模块140,包括:空间度矩阵构造单元141,用于将所述多个空间距离值构造为空间度矩阵;空间特征提取单元142,用于利用深度学习网络模型对所述空间度矩阵进行特征提取以得到空间度特征矩阵;以及,矩阵相乘单元143,用于分别将所述空间度特征矩阵与所述多个水资源时序波动特征向量中的各个水资源时序波动特征向量进行矩阵相乘以得到所述多个空间校正后水资源供给特征向量。
在一个示例中,在所述空间特征提取单元142中,所述深度学习网络模型为基于卷积神经网络模型的空间特征提取器;其中,所述基于卷积神经网络模型的空间特征提取器包括输入层、卷积层、激活层、池化层和输出层。具体地,所述空间特征提取单元142,用于:将所述空间度矩阵通过所述基于卷积神经网络模型的空间特征提取器以得到所述空间度特征矩阵。
进一步地,将所述多个空间校正后水资源供给特征向量输入Softmax函数以得到多个概率值,并将所述多个概率值进行基于最大值的归一化处理以得到多个水资源供给比例值。这里,通过Softmax函数将所述多个空间校正后水资源供给特征向量转化为概率值,以表示每个水资源区域的供给概率。通过应用Softmax函数,可以获得每个水资源区域供给的概率值。这些概率值反映了各个区域在供给调配中的相对重要性或贡献度。此外,为了得到更直观的结果,可以对这些概率值进行归一化处理。基于最大值的归一化是一种常见的方法,它将多个概率值中最大的值设为1,其他值按比例进行缩放。
相应地,所述水资源供给比例分析模块150,用于:将所述多个空间校正后水资源供给特征向量输入Softmax函数以得到多个概率值,并将所述多个概率值进行基于最大值的归一化处理以得到多个水资源供给比例值。
进一步地,在本申请的技术方案中,所述的用于平原河网地区多水源动态调配装置,其还包括用于对所述基于一维卷积层的时序特征提取器和所述基于卷积神经网络模型的空间特征提取器进行训练的训练模块。应可以理解,训练模块用于对基于一维卷积层的时序特征提取器和基于卷积神经网络模型的空间特征提取器进行训练,训练模块的主要功能是利用已有的标注数据集对这些模型进行学习和参数调整,使其能够更好地适应特定的水资源调配任务。具体而言,训练模块使用标注的训练数据集,其中包含了已知的水资源调配情况和相应的输入特征。这些输入特征可以包括时序数据、空间数据以及其他相关的环境或水文信息。训练模块通过将输入特征提供给时序特征提取器和空间特征提取器,然后与标注的目标值进行比较,来计算模型的预测结果与真实结果之间的误差。根据误差,训练模块使用反向传播算法和优化算法(如梯度下降)来调整模型的参数,以最小化误差并提高模型的性能。通过反复迭代训练过程,训练模块可以帮助时序特征提取器和空间特征提取器学习到更准确、更有代表性的特征表示,并提高其对水资源调配任务的预测能力和泛化能力。训练模块的训练过程是一个关键的步骤,它使得所述多水源动态调配装置能够从历史数据中学习并提取出适用于实际应用的特征和模式。通过训练模块的训练,装置可以更好地理解输入数据的特征,并做出更准确的水资源调配决策。
其中,在一个示例中,所述训练模块,包括:训练数据获取单元,用于获取训练数据,所述训练数据包括多个水资源区在预定时间周期内多天的训练降雨量和训练蒸发量、所述多个水资源区与待供水区域之间的多个训练空间距离值,以及,多个水资源供给比例值的真实值;训练数据向量化单元,用于将所述多个水资源区在预定时间周期内多天的训练降雨量和训练蒸发量分别按照时间维度排列为输入向量以得到多个训练降水量时序输入向量和多个训练蒸发量时序输入向量;训练差值计算单元,用于分别计算各组所述训练降水量时序输入向量和所述训练蒸发量时序输入向量之间的按位置差值以得到多个训练水资源时序波动输入向量;训练时序特征提取单元,用于将所述多个训练水资源时序波动输入向量分别通过所述基于一维卷积层的时序特征提取器以得到多个训练水资源时序波动特征向量;训练空间特征提取单元,用于将所述多个训练空间距离值构造为训练空间度矩阵后通过所述基于卷积神经网络模型的空间特征提取器以得到训练空间度特征矩阵;训练矩阵相乘单元,用于分别将所述训练空间度特征矩阵与所述多个训练水资源时序波动特征向量中的各个训练水资源时序波动特征向量进行矩阵相乘以得到多个训练空间校正后水资源供给特征向量;特定损失函数值计算单元,用于计算所述多个训练水资源时序波动特征向量和所述多个训练空间校正后水资源供给特征向量的特定损失函数值;概率损失函数值计算单元,用于将所述多个训练空间校正后水资源供给特征向量输入Softmax函数以得到多个概率损失函数值;以及,损失训练单元,用于以所述特定损失函数值和所述多个概率损失函数值的加权和作为损失函数值来对所述基于一维卷积层的时序特征提取器和所述基于卷积神经网络模型的空间特征提取器进行训练。
这里,所述多个训练水资源时序波动特征向量中的每个训练水资源时序波动特征向量表达相应的水资源区的训练降水量和训练蒸发量的局部时序关联特征,也就是,在时序方向上表达水资源时序波动特征,这样,将所述多个训练空间距离值构造为训练空间度矩阵后通过基于卷积神经网络模型的空间特征提取器以得到训练空间度特征矩阵后,并分别将所述训练空间度特征矩阵与所述多个训练水资源时序波动特征向量中的各个训练水资源时序波动特征向量进行矩阵相乘时,得到的所述多个训练空间校正后水资源供给特征向量可以表达相应的水资源区的水资源时序波动特征在各个水资源区的空间度特征下的时空混合波动关联特征表示。
但是,考虑到在时空混合维度下,所述训练空间校正后水资源供给特征向量仍然需要提升与所述训练水资源时序波动特征向量的时序关联特征共享性,以此避免在时空混合维度下的关键时序特征的分布稀疏化,本申请的申请人针对每组训练水资源时序波动特征向量和训练空间校正后水资源供给特征向量,引入特定的用于共享关键特征强化的损失函数。
相应地,在一个示例中,所述特定损失函数值计算单元,进一步用于:以如下特定损失计算公式计算所述多个训练水资源时序波动特征向量和所述多个训练空间校正后水资源供给特征向量的所述特定损失函数值;其中,所述特定损失计算公式为:
其中,V1是所述多个训练水资源时序波动特征向量中的每个训练水资源时序波动特征向量,且V2是所述多个训练空间校正后水资源供给特征向量中的每个训练空间校正后水资源供给特征向量,||·||1和||·||2分别是特征向量的1范数和2范数,ε是界阈值超参数,且特征向量均为行向量形式,表示向量乘法,/>表示向量减法,(·)T表示转置操作,是所述特定损失函数值。
具体地,所述训练水资源时序波动特征向量和所述训练空间校正后水资源供给特征向量之间的共享关键特征的强化可以看作全局特征集合的分布信息压缩,通过在基于所述训练水资源时序波动特征向量和所述训练空间校正后水资源供给特征向量间的结构表示来重构原始特征流形的相对形状关系的基础上进行关键特征的分布稀疏化控制,可以在强化所述训练水资源时序波动特征向量和所述训练空间校正后水资源供给特征向量间的共享关键特征的同时,获得所述训练空间校正后水资源供给特征向量的稀疏但是有意义的融合流形的几何表示,以提高所述训练空间校正后水资源供给特征向量的表达效果,从而提升其通过Softmax函数进行回归得到的概率值的准确性。
综上,基于本申请实施例的用于平原河网地区多水源动态调配装置100被阐明,其可以实现不同用水户之间的水资源公平分配。
如上所述,根据本申请实施例的基于本申请实施例的用于平原河网地区多水源动态调配装置100可以实现在各种终端设备中,例如具有基于本申请实施例的用于平原河网地区多水源动态调配算法的服务器等。在一个示例中,基于本申请实施例的用于平原河网地区多水源动态调配装置100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该基于本申请实施例的用于平原河网地区多水源动态调配装置100可以是该终端设备的操作***中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该基于本申请实施例的用于平原河网地区多水源动态调配装置100同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该基于本申请实施例的用于平原河网地区多水源动态调配装置100与该终端设备也可以是分立的设备,并且该用于平原河网地区多水源动态调配装置100可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
进一步地,在本申请中,还提供了一种用于平原河网地区多水源动态调配***,其包括如前任一所述的用于平原河网地区多水源动态调配装置。
图5为根据本申请实施例的用于平原河网地区多水源动态调配方法的流程图。图6为根据本申请实施例的用于平原河网地区多水源动态调配方法的***架构的示意图。如图5和图6所示,根据本申请实施例的用于平原河网地区多水源动态调配方法,其包括:S110,获取多个水资源区在预定时间周期内多天的降雨量和蒸发量;S120,获取所述多个水资源区与待供水区域之间的多个空间距离值;S130,对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量;S140,基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量;以及,S150,基于所述多个空间校正后水资源供给特征向量,确定多个水资源供给比例值。
这里,本领域技术人员可以理解,上述用于平原河网地区多水源动态调配方法中的各个步骤的具体操作已经在上面参考图1到图4的用于平原河网地区多水源动态调配装置100的描述中得到了详细介绍,并因此,将省略其重复描述。
图7为根据本申请实施例的用于平原河网地区多水源动态调配装置的应用场景图。如图7所示,在该应用场景中,首先,获取多个水资源区在预定时间周期内多天的降雨量和蒸发量(例如,图7中所示意的D1),以及,所述多个水资源区与待供水区域之间的多个空间距离值(例如,图7中所示意的D2),然后,将所述多个水资源区在预定时间周期内多天的降雨量和蒸发量,以及,所述多个空间距离值输入至部署有用于平原河网地区多水源动态调配算法的服务器(例如,图7中所示意的S)中,其中,所述服务器能够使用所述用于平原河网地区多水源动态调配算法对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量,以及,所述多个空间距离值进行处理以得到多个水资源供给比例值。
应可以理解,本申请还公开了水资源信息化管理技术。水资源信息化管理技术主要研究GIS(地理信息管理***)在水资源数据管理、查询方面的运用。利用GIS技术对研究区域的水资源状况进行数据库管理和数据可视化。简化水资源数据管理、查询,并可形成需水、供水、排水形势分析图,便于水资源管理决策。利用GIS空间数据库技术,建立研究区域空间数据库和对应的属性数据库。空间数据库由基础地理数据子库和供水工程空间数据子库组成。这个两种数据库均通过调查、测量构建。
属性数据库由基础属性数据子库、中间数据子库和结果数据子库组成。基础属性数据子库主要包括研究区域内历年水文(降水量、蒸发、径流)数据库、社会经济数据库等。中间数据子库主要包括模型需要的调算参数、演算数据等。结果数据子库主要包括运行模型后产生的可供决策使用或可供其他***使用的需要保存的数据。
水循环过程与功能进行区域划分是首要步骤,根据水资源循环特征,对研究区域进行水资源分区;根据供水工程分布,对研究区域供水分区。水资源分区主要反映区域自然特性,供水分区主要反映区域人工、社会特型。对两种区域交叉处理,确定研究分区。针对各分区的水循环特性和实践需要,对于不同分区选取适合的水循环模拟子模型和人工用水***子模型。利用不同分区子模型间的水力关联,建立各分区的“供-排”关系水资源一级配置模型,模拟各分区水资源时间及空间变异规律。以区域内调蓄湖泊和其主要供水工程为基础,建立反应湖泊调蓄能力及水资源调度制度人工干预的水资源二级调度模型。模型参数的率定主要依赖历史水文观测数据和用水效率实验数据。在实现了模型参数率定的基础上,对水资源空间调度模型进行相关调试。在确定输入条件下,对比模拟结果与实际观测结果,以判断模型的仿真性能。对于仿真性能较差的模型必须进行修正,包括模型行为的校验、模型参数的核定、模型关联关系的重新识别等多个方面。将修正后的模型继续投入试运行,并与检验结果进行多重反馈,最终实现模型的仿真目标。在各计算分区结果都达到仿真要求、区域总用水达总量控制要求后,进行区域水资源配置、河湖水量分配研究,并完成水资源信息化管理***的数据接口和可视化接口,形成支持水资源管理决策***模型。
该技术基于空间地理信息建立分布式降水径流模型,综合天然水循环过程和人工侧支循环过程在各分区和各环节上的内在定量关系,确定地表水资源可利用量,并利用GIS技术建立空间地理信息数据库,将水资源信息可视化。
本申请使用了特定词语来描述本申请的实施例。如“第一/第二实施例”、“一实施例”、和/或“一些实施例”意指与本申请至少一个实施例相关的某一特征、结构或特点。因此,应强调并注意的是,本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一替代性实施例”并不一定是指同一实施例。此外,本申请的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外,本领域技术人员可以理解,本申请的各方面可以通过若干具有可专利性的种类或情况进行说明和描述,包括任何新的和有用的工序、机器、产品或物质的组合,或对他们的任何新的和有用的改进。相应地,本申请的各个方面可以完全由硬件执行、可以完全由软件(包括固件、常驻软件、微码等)执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“***”。此外,本申请的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品,该产品包括计算机可读程序编码。
除非另有定义,这里使用的所有术语(包括技术和科学术语)具有与本申请所属领域的普通技术人员共同理解的相同含义。还应当理解,诸如在通常字典里定义的那些术语应当被解释为具有与它们在相关技术的上下文中的含义相一致的含义,而不应用理想化或极度形式化的意义来解释,除非这里明确地这样定义。
上面是对本申请的说明,而不应被认为是对其的限制。尽管描述了本申请的若干示例性实施例,但本领域技术人员将容易地理解,在不背离本申请的新颖教学和优点的前提下可以对示例性实施例进行许多修改。因此,所有这些修改都意图包含在权利要求书所限定的本申请范围内。应当理解,上面是对本申请的说明,而不应被认为是限于所公开的特定实施例,并且对所公开的实施例以及其他实施例的修改意图包含在所附权利要求书的范围内。本申请由权利要求书及其等效物限定。
Claims (5)
1.一种用于平原河网地区多水源动态调配装置,其特征在于,包括:
水资源数据采集模块,用于获取多个水资源区在预定时间周期内多天的降雨量和蒸发量;
空间距离值获取模块,用于获取所述多个水资源区与待供水区域之间的多个空间距离值;
水资源时序分析模块,用于对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行水资源时序分析以得到多个水资源时序波动特征向量;
优化模块,用于基于所述多个空间距离值,对所述多个水资源时序波动特征向量进行特征分布引导与优化以得到多个空间校正后水资源供给特征向量;以及
水资源供给比例分析模块,用于基于所述多个空间校正后水资源供给特征向量,确定多个水资源供给比例值;
其中,所述水资源时序分析模块,包括:
数据预处理单元,用于对所述多个水资源区在预定时间周期内多天的降雨量和蒸发量进行数据预处理以得到多个水资源时序波动输入向量;以及
时序特征提取单元,用于将所述多个水资源时序波动输入向量分别通过基于一维卷积层的时序特征提取器以得到所述多个水资源时序波动特征向量;
其中,所述数据预处理单元,包括:
向量化子单元,用于将所述多个水资源区在预定时间周期内多天的降雨量和蒸发量分别按照时间维度排列为输入向量以得到多个降水量时序输入向量和多个蒸发量时序输入向量;以及
差值计算子单元,用于分别计算各组所述降水量时序输入向量和所述蒸发量时序输入向量之间的按位置差值以得到所述多个水资源时序波动输入向量;
其中,所述优化模块,包括:
空间度矩阵构造单元,用于将所述多个空间距离值构造为空间度矩阵;
空间特征提取单元,用于利用深度学习网络模型对所述空间度矩阵进行特征提取以得到空间度特征矩阵;以及
矩阵相乘单元,用于分别将所述空间度特征矩阵与所述多个水资源时序波动特征向量中的各个水资源时序波动特征向量进行矩阵相乘以得到所述多个空间校正后水资源供给特征向量;
其中,所述水资源供给比例分析模块,用于:
将所述多个空间校正后水资源供给特征向量输入Softmax函数以得到多个概率值,并将所述多个概率值进行基于最大值的归一化处理以得到多个水资源供给比例值。
2.根据权利要求1所述的用于平原河网地区多水源动态调配装置,其特征在于,所述深度学习网络模型为基于卷积神经网络模型的空间特征提取器;
其中,所述基于卷积神经网络模型的空间特征提取器包括输入层、卷积层、激活层、池化层和输出层。
3.根据权利要求2所述的用于平原河网地区多水源动态调配装置,其特征在于,所述空间特征提取单元,用于:
将所述空间度矩阵通过所述基于卷积神经网络模型的空间特征提取器以得到所述空间度特征矩阵。
4.根据权利要求3所述的用于平原河网地区多水源动态调配装置,其特征在于,还包括用于对所述基于一维卷积层的时序特征提取器和所述基于卷积神经网络模型的空间特征提取器进行训练的训练模块;
其中,所述训练模块,包括:
训练数据获取单元,用于获取训练数据,所述训练数据包括多个水资源区在预定时间周期内多天的训练降雨量和训练蒸发量、所述多个水资源区与待供水区域之间的多个训练空间距离值,以及,多个水资源供给比例值的真实值;
训练数据向量化单元,用于将所述多个水资源区在预定时间周期内多天的训练降雨量和训练蒸发量分别按照时间维度排列为输入向量以得到多个训练降水量时序输入向量和多个训练蒸发量时序输入向量;
训练差值计算单元,用于分别计算各组所述训练降水量时序输入向量和所述训练蒸发量时序输入向量之间的按位置差值以得到多个训练水资源时序波动输入向量;
训练时序特征提取单元,用于将所述多个训练水资源时序波动输入向量分别通过所述基于一维卷积层的时序特征提取器以得到多个训练水资源时序波动特征向量;
训练空间特征提取单元,用于将所述多个训练空间距离值构造为训练空间度矩阵后通过所述基于卷积神经网络模型的空间特征提取器以得到训练空间度特征矩阵;
训练矩阵相乘单元,用于分别将所述训练空间度特征矩阵与所述多个训练水资源时序波动特征向量中的各个训练水资源时序波动特征向量进行矩阵相乘以得到多个训练空间校正后水资源供给特征向量;
特定损失函数值计算单元,用于计算所述多个训练水资源时序波动特征向量和所述多个训练空间校正后水资源供给特征向量的特定损失函数值;
概率损失函数值计算单元,用于将所述多个训练空间校正后水资源供给特征向量输入Softmax函数以得到多个概率损失函数值;以及
损失训练单元,用于以所述特定损失函数值和所述多个概率损失函数值的加权和作为损失函数值来对所述基于一维卷积层的时序特征提取器和所述基于卷积神经网络模型的空间特征提取器进行训练。
5.一种用于平原河网地区多水源动态调配***,其特征在于,包括:如权利要求1至4任一所述的用于平原河网地区多水源动态调配装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561339.4A CN117474173B (zh) | 2023-11-22 | 2023-11-22 | 一种用于平原河网地区多水源动态调配装置及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561339.4A CN117474173B (zh) | 2023-11-22 | 2023-11-22 | 一种用于平原河网地区多水源动态调配装置及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117474173A CN117474173A (zh) | 2024-01-30 |
CN117474173B true CN117474173B (zh) | 2024-06-21 |
Family
ID=89632802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311561339.4A Active CN117474173B (zh) | 2023-11-22 | 2023-11-22 | 一种用于平原河网地区多水源动态调配装置及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117474173B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544024A (zh) * | 2018-11-30 | 2019-03-29 | 北京科技大学 | 一种适合小流域河流多水源水质水量调度的方法 |
CN114548546A (zh) * | 2022-02-18 | 2022-05-27 | 郑州大学 | 一种调水工程水量的优化调度方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288269A (zh) * | 2019-07-04 | 2019-09-27 | 中国水利水电科学研究院 | 一种多层水资源管理的水量分配方法 |
-
2023
- 2023-11-22 CN CN202311561339.4A patent/CN117474173B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109544024A (zh) * | 2018-11-30 | 2019-03-29 | 北京科技大学 | 一种适合小流域河流多水源水质水量调度的方法 |
CN114548546A (zh) * | 2022-02-18 | 2022-05-27 | 郑州大学 | 一种调水工程水量的优化调度方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117474173A (zh) | 2024-01-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及*** | |
CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
CN107609141B (zh) | 一种对大规模可再生能源数据进行快速概率建模方法 | |
CN111080032A (zh) | 一种基于Transformer结构的负荷预测方法 | |
CN112418482A (zh) | 一种基于时间序列聚类的云计算能耗预测方法 | |
CN111639823B (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN107146009B (zh) | 一种供水管网运行状态评估方法 | |
CN117132135B (zh) | 基于数字孪生的城市信息化管理***及方法 | |
CN109635245A (zh) | 一种鲁棒宽度学习*** | |
CN113469470B (zh) | 基于电力大脑中枢的用能数据与碳排放量关联分析方法 | |
Salam et al. | Energy consumption prediction model with deep inception residual network inspiration and LSTM | |
CN104050547A (zh) | 一种油田开发规划方案非线性优选决策方法 | |
CN114777192A (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN116245019A (zh) | 一种基于Bagging抽样及改进随机森林算法的负荷预测方法、***、装置及存储介质 | |
CN114492742A (zh) | 神经网络结构搜索、模型发布方法、电子设备和存储介质 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
CN117474173B (zh) | 一种用于平原河网地区多水源动态调配装置及*** | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
CN116307206A (zh) | 基于分段图卷积和时间注意力机制的天然气流量预测方法 | |
CN114970698B (zh) | 一种基于改进lwpls的计量设备运行性能预测方法 | |
CN116720743A (zh) | 基于数据聚类和机器学习的碳排放测算方法 | |
CN112668770A (zh) | 一种基于信息与波形总体相似度的电力负荷预测方法 | |
Wang | A new variable selection method for soft sensor based on deep learning | |
Shchetinin | Improving the efficiency of energy consumption in smart grids with application of artificial intellect |
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 |