CN117598190B - 水库分干渠灌溉控制方法、装置、设备及存储介质 - Google Patents
水库分干渠灌溉控制方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117598190B CN117598190B CN202410085785.0A CN202410085785A CN117598190B CN 117598190 B CN117598190 B CN 117598190B CN 202410085785 A CN202410085785 A CN 202410085785A CN 117598190 B CN117598190 B CN 117598190B
- Authority
- CN
- China
- Prior art keywords
- weather data
- target
- historical
- updated
- prediction 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.)
- Active
Links
- 230000002262 irrigation Effects 0.000 title claims abstract description 114
- 238000003973 irrigation Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003860 storage Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 142
- 230000008020 evaporation Effects 0.000 claims abstract description 43
- 238000001704 evaporation Methods 0.000 claims abstract description 43
- 239000002245 particle Substances 0.000 claims description 90
- 238000004422 calculation algorithm Methods 0.000 claims description 42
- 210000002569 neuron Anatomy 0.000 claims description 29
- 239000002689 soil Substances 0.000 claims description 25
- 238000004590 computer program Methods 0.000 claims description 23
- 230000008569 process Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000015654 memory Effects 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 9
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 5
- 230000007787 long-term memory Effects 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000005855 radiation Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 5
- 230000001276 controlling effect Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 6
- 239000002699 waste material Substances 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 239000003621 irrigation water Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 229920006395 saturated elastomer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01G—HORTICULTURE; CULTIVATION OF VEGETABLES, FLOWERS, RICE, FRUIT, VINES, HOPS OR SEAWEED; FORESTRY; WATERING
- A01G25/00—Watering gardens, fields, sports grounds or the like
- A01G25/16—Control of watering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
本申请适用于电数字数据处理技术领域，提供了水库分干渠灌溉控制方法、装置、设备及存储介质，该方法包括：获取目标分干渠的渠道类型和作物种类，获取目标分干渠的历史放水量和所在地的历史天气数据，以及获取目标分干渠所在地在未来灌溉时间段内的降雨量；基于历史天气数据，预测得到目标分干渠在未来灌溉时间段内下游作物的蒸发量；基于目标分干渠下游的作物种类和目标分干渠的历史放水量，预测得到目标分干渠在未来灌溉时间段内的初始的计划放水量；基于初始的计划放水量、降雨量和蒸发量，计算得到实际放水量；基于实际放水量和目标分干渠的渠道类型，控制目标分干渠的开闸时长。本申请能实现对分干渠下游作物的精准灌溉，提高水资源利用率。
Description
技术领域
本申请属于电数字数据处理技术领域，尤其涉及水库分干渠灌溉控制方法、装置、设备及存储介质。
背景技术
我国农业用水量约占总用水量的80％左右，由于农业灌溉效率普遍低下，水的利用率仅为45％，其中，对于分干渠下游作物的灌溉，通常采用人工控制的方式进行调节，即通过控制分干渠开闸的时间满足下游作物的灌溉。
人工控制方法浪费较为严重。因为农民会按照自己的灌溉经验，在自己认为完成灌溉之后才进行关闸，存在个人判断灌溉作物是否饱和的偏差、当地土壤存蓄水蒸发能力、人工切断供水中间时段的浪费水，以及除此之外自然因素，人工灌溉之后未考虑自然降雨等诸多问题，均会造成的水资源的浪费情况，导致人工灌溉无法做到对作物的精准灌溉，不能有效提高水资源的利用率。
发明内容
本申请实施例提供了水库分干渠灌溉控制方法、装置、设备及存储介质，以实现对分干渠下游作物的精准灌溉，减少水资源的浪费，提高水资源的利用率。
本申请是通过如下技术方案实现的：
第一方面，本申请实施例提供了一种水库分干渠灌溉控制方法，包括：
获取目标分干渠的渠道类型和作物种类，获取目标分干渠的历史放水量和所在地的历史天气数据，以及获取目标分干渠所在地在未来灌溉时间段内的降雨量。
基于历史天气数据，预测得到目标分干渠在未来灌溉时间段内下游作物的蒸发量；基于目标分干渠下游的作物种类和目标分干渠的历史放水量，预测得到目标分干渠在未来灌溉时间段内的初始的计划放水量。
基于初始的计划放水量、降雨量和蒸发量，计算得到实际放水量。
基于实际放水量和目标分干渠的渠道类型，控制目标分干渠在未来灌溉时间段内的开闸时长。
结合第一方面，在一些可能的实现方式中，基于历史天气数据，预测得到目标分干渠在未来灌溉时间段内下游作物的蒸发量，包括：
将历史天气数据输入天气数据预测模型，预测得到目标天气数据；其中，目标天气数据为未来灌溉时间段内的天气数据；目标天气数据包括：目标气温、目标平均气压和目标风速；天气数据预测模型为长短期记忆神经网络模型。
基于目标气温、目标平均气压和目标风速，计算目标分干渠在未来灌溉时间段内下游作物的蒸发量。
结合第一方面，在一些可能的实现方式中，目标气温包括目标最高气温和目标最低气温；目标分干渠在未来灌溉时间段内下游作物的蒸发量的计算公式为：
其中，为目标分干渠在未来灌溉时间段内下游作物的蒸发量，/>为海平面平均气压，/>为目标平均气压，/>为饱和水汽压-温度曲线上在平均气温处的斜率，平均气温为目标最高气温和目标最低气温的均值，/>为湿度计常数，/>为空气中的实际大气压、/>为饱和水汽压、/>为2m处的风速，/>通过目标风速得到，/>为与目标最高气温和目标最低气温相关的风速修正系数，/>为太阳净辐射。
结合第一方面，在一些可能的实现方式中，天气数据预测模型的训练过程包括：
随机生成一组神经元数量、学习率和迭代次数的初始值，并基于随机生成的神经元数量、学习率和迭代次数的初始值，建立当前的天气数据预测模型。
基于历史天气数据和当前的天气数据预测模型，得到当前的天气数据的预测值。
获取当前的天气数据的预测值在历史天气数据中对应的当前的真实值。
将当前的天气数据的预测值与当前的真实值的误差作为粒子群算法的适应度值，并将一组神经元数量、学习率和迭代次数的初始值作为粒子群算法中的一个粒子。
获取粒子群算法中历史个体最优位置、全局最优位置、粒子的位置向量和速度向量。
基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量。
基于更新后的全局最优位置向量，得到更新后的神经元数量、学习率和迭代次数的取值，并基于更新后的神经元数量、学习率和迭代次数的取值，建立更新后的天气数据预测模型。
基于历史天气数据和更新后的天气数据预测模型，得到更新后的天气数据的预测值。
获取更新后的天气数据的预测值在历史天气数据中对应的更新后的真实值。
基于当前的天气数据的预测值和当前的真实值，得到当前的天气数据预测模型的适应度值。
基于更新后的天气数据的预测值和更新后的真实值，得到更新后的天气数据预测模型的适应度值。
判断此时是否达到粒子群算法达到最大迭代次数，若未达到粒子群算法达到最大迭代次数，则从当前的天气数据预测模型的适应度值和更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为下一次迭代过程中的当前的天气数据预测模型。
若达到粒子群算法达到最大迭代次数，则从当前的天气数据预测模型的适应度值和更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为天气数据预测模型。
结合第一方面，在一些可能的实现方式中，基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量，包括：
基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，结合第一公式，得到更新后的全局最优位置向量。
第一公式为：
其中，为迭代次数为/>次时第/>个粒子的第/>个维度的全局最优位置向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的全局最优位置向量，为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为个体学习因子，/>为群体学习因子，/>和为在[0,1]内取值的均匀分布伪随机数，/>为惯性权重系数，/>为个体最优位置，/>为全局最优位置。
结合第一方面，在一些可能的实现方式中，惯性权重系数的计算公式为：
其中，为惯性权重系数的最大值，/>为惯性权重系数的最小值，/>为粒子群算法最大迭代次数，/>为当前迭代次数。
结合第一方面，在一些可能的实现方式中，基于目标分干渠下游的作物种类和目标分干渠的历史放水量，预测得到目标分干渠在未来灌溉时间段内的初始的计划放水量，包括：
获取目标分干渠的历史土壤墒情和目标分干渠在未来灌溉时间段内的土壤墒情。
基于目标分干渠下游的作物种类和目标分干渠的历史放水量，得到该作物种类一个生长周期中不同阶段的历史放水量。
获取该作物种类此时所处的阶段。
计算该作物种类此时所处的阶段对应的多个历史放水量的均值，以及计算多个历史放水量对应的土壤墒情的均值。
计算该作物种类此时所处的阶段对应的多个历史放水量的均值与多个历史放水量对应的土壤墒情的均值的和，得到目标放水量。
计算目标放水量与目标分干渠在未来灌溉时间段内的土壤墒情的差值，得到初始的计划放水量。
基于初始的计划放水量、降雨量和蒸发量，计算得到实际放水量，包括：将初始的计划放水量减去降雨量并加上蒸发量，得到实际放水量。
基于实际放水量和目标分干渠的渠道类型，控制目标分干渠在未来灌溉时间段内的开闸时长，包括：基于目标分干渠的渠道类型，得到渠道单位时间内的水流量。计算实际放水量与渠道单位时间内的水流量的商，得到目标分干渠在未来灌溉时间段内的开闸时长，并根据开闸时长控制目标分干渠开闸。
第二方面，本申请实施例提供了一种水库分干渠灌溉控制装置，包括：
获取模块，用于获取目标分干渠的渠道类型和作物种类，获取目标分干渠的历史放水量和所在地的历史天气数据，以及获取目标分干渠所在地在未来灌溉时间段内的降雨量。
预测模块，用于基于历史天气数据，预测得到目标分干渠在未来灌溉时间段内下游作物的蒸发量；基于目标分干渠下游的作物种类和目标分干渠的历史放水量，预测得到目标分干渠在未来灌溉时间段内的初始的计划放水量。
计算模块，用于基于初始的计划放水量、降雨量和蒸发量，计算得到实际放水量。
控制模块，用于基于实际放水量和目标分干渠的渠道类型，控制目标分干渠在未来灌溉时间段内的开闸时长。
第三方面，本申请实施例提供了一种终端设备，包括：处理器和存储器，该存储器用于存储计算机程序，所述处理器执行所述计算机程序时实现如第一方面任一项所述的水库分干渠灌溉控制方法。
第四方面，本申请实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如第一方面任一项所述的水库分干渠灌溉控制方法。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是：
本申请通过历史天气数据预测得到未来灌溉时间段内下游作物的蒸发量，并根据目标分干渠下游的作物种类和历史放水量预测得到了初始的计划放水量，根据蒸发量、降雨量和初始的计划放水量计算得到较为准确的实际放水量，并根据实际放水量和渠道类型控制开闸时长。实现了目标分干渠闸口的自动控制，相比于人工控制减少了不必要的水资源的浪费，除此之外，还考虑到了灌溉时间段内的天气情况，结合天气状况对作物进行灌溉，实现了对作物灌溉用水量的精准控制，提高了水资源的利用率。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的水库分干渠灌溉控制方法的流程示意图；
图2是本申请另一实施例提供的水库分干渠灌溉控制方法的流程示意图；
图3是本申请一实施例提供的水库分干渠灌溉控制装置的结构示意图；
图4是本申请一实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
本申请实施例中的水库分干渠灌溉控制方法，通过计算准确的实际放水量，之后根据实际放水量控制目标分干渠闸口开启时长的方式，实现了目标分干渠闸口的自动控制，相比于人工控制减少了不必要的水资源的浪费，实现了对作物灌溉用水量的精准控制，提高了水资源的利用率。
图1是本申请一实施例提供的水库分干渠灌溉控制方法的流程示意性图，参照图1，对该水库分干渠灌溉控制方法的详述如下：
步骤101，获取目标分干渠的渠道类型和作物种类，获取目标分干渠的历史放水量和所在地的历史天气数据，以及获取目标分干渠所在地在未来灌溉时间段内的降雨量。
步骤102，基于历史天气数据，预测得到目标分干渠在未来灌溉时间段内下游作物的蒸发量；基于目标分干渠下游的作物种类和目标分干渠的历史放水量，预测得到目标分干渠在未来灌溉时间段内的初始的计划放水量。
示例性的，基于历史天气数据，预测得到目标分干渠在未来灌溉时间段内下游作物的蒸发量，可以包括：
将历史天气数据输入天气数据预测模型，预测得到目标天气数据；其中，目标天气数据为未来灌溉时间段内的天气数据；目标天气数据包括：目标气温、目标平均气压和目标风速；天气数据预测模型为长短期记忆神经网络模型。
基于目标气温、目标平均气压和目标风速，计算目标分干渠在未来灌溉时间段内下游作物的蒸发量。
具体的，基于天气数据预测模型（长短期记忆神经网络模型），能够对未来灌溉时间段的天气数据进行更加准确的预测，能够充分考虑未来时间段内的天气数据的变化情况，进而得到较为准确的预测结果。进一步的，根据这些预测结果计算得到的在未来灌溉时间段内作物的蒸发量也会更加准确，能够充分考虑在未来灌溉时间段内的天气情况对作物的蒸发量的影响，能够保证能够做到精准灌溉，减少水资源的浪费。
示例性的，目标气温包括目标最高气温和目标最低气温；目标分干渠在未来灌溉时间段内下游作物的蒸发量的计算公式可以为：
其中，为目标分干渠在未来灌溉时间段内下游作物的蒸发量，/>为海平面平均气压，/>为目标平均气压，/>为饱和水汽压-温度曲线上在平均气温处的斜率，平均气温为目标最高气温和目标最低气温的均值，/>为湿度计常数，/>为空气中的实际大气压、/>为饱和水汽压、/>为2m处的风速，/>通过目标风速得到，/>为与目标最高气温和目标最低气温相关的风速修正系数，/>为太阳净辐射。
具体的，饱和水汽压-温度曲线上在平均气温处的斜率的计算公式可以为：
饱和水汽压的计算公式可以为：
其中，T为平均气温。
具体的，预测得到的目标风速一般为气象站标准检测点的风速，而为了得到2m处的风速，则该预测得到的目标风速需要与0.75相乘，得到2m处的风速。
示例性的，天气数据预测模型的训练过程可以包括：
随机生成一组神经元数量、学习率和迭代次数的初始值，并基于随机生成的神经元数量、学习率和迭代次数的初始值，建立当前的天气数据预测模型。
基于历史天气数据和当前的天气数据预测模型，得到当前的天气数据的预测值。
获取当前的天气数据的预测值在历史天气数据中对应的当前的真实值。
将当前的天气数据的预测值与当前的真实值的误差作为粒子群算法的适应度值，并将一组神经元数量、学习率和迭代次数的初始值作为粒子群算法中的一个粒子。
获取粒子群算法中历史个体最优位置、全局最优位置、粒子的位置向量和速度向量。
基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量。
基于更新后的全局最优位置向量，得到更新后的神经元数量、学习率和迭代次数的取值，并基于更新后的神经元数量、学习率和迭代次数的取值，建立更新后的天气数据预测模型。
基于历史天气数据和更新后的天气数据预测模型，得到更新后的天气数据的预测值。
获取更新后的天气数据的预测值在历史天气数据中对应的更新后的真实值。
基于当前的天气数据的预测值和当前的真实值，得到当前的天气数据预测模型的适应度值。
基于更新后的天气数据的预测值和更新后的真实值，得到更新后的天气数据预测模型的适应度值。
判断此时是否达到粒子群算法达到最大迭代次数，若未达到粒子群算法达到最大迭代次数，则从当前的天气数据预测模型的适应度值和更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为下一次迭代过程中的当前的天气数据预测模型。
若达到粒子群算法达到最大迭代次数，则从当前的天气数据预测模型的适应度值和更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为天气数据预测模型。
具体的，通过粒子群算法对天气数据预测模型进行优化，能够加快天气数据预测模型的迭代速度，能够更快速更准确的得到最优的天气数据预测模型，提高天气数据预测模型预测结果的准确性。
具体的，为了更好的理解训练的过程，下面给出一个训练实例，结合图2该训练过程为：
步骤1，随机生成一组神经元数量、学习率和迭代次数的初始值，构建出当前的天气数据预测模型A。生成的初始值为长短期记忆神经网络模型的超参数。计算当前的天气数据预测模型A预测值与实际值的差值A1。
步骤2，将神经元数量、学习率和迭代次数的取值作为粒子群算法中的一个粒子，获取粒子群算法中历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，根据历史个体最优位置、全局最优位置对粒子的位置向量和速度向量进行更新，得到更新后的全局最优位置，此时粒子群算法完成一次迭代过程，更新后的全局最优位置则为更新后的神经元数量、学习率和迭代次数的取值。
步骤3，建立更新后的天气数据预测模型B。计算更新后的天气数据预测模型B预测值与实际值的差值B1。
步骤4，判断粒子群算法的迭代次数是否达到粒子群算法的最大迭代次数。如果达到了最大迭代次数，则从A1和B1中选择较小值对应的模型作为训练完成的天气数据预测模型。如果未达到最大迭代次数，则从A1和B1中选择较小值对应的模型作为下一次迭代过程中的当前的天气数据预测模型A’。
在下一次迭代过程中时，计算当前的天气数据预测模型A’预测值与实际值的差值A1’。更新神经元数量、学习率和迭代次数的取值，得到更新后的天气数据预测模型B’并计算更新后的天气数据预测模型B’预测值与实际值的差值B1’，之后重复步骤4的过程。
示例性的，基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量，可以包括：
基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，结合第一公式，得到更新后的全局最优位置向量。
第一公式可以为：
其中，为迭代次数为/>次时第/>个粒子的第/>个维度的全局最优位置向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的全局最优位置向量，为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为个体学习因子，/>为群体学习因子，/>和为在[0,1]内取值的均匀分布伪随机数，/>为惯性权重系数，/>为个体最优位置，/>为全局最优位置。
具体的，通过引入惯性权重系数和均匀分布伪随机数，提高种群在优化迭代时的全局搜索能力，能够使最后得到的全局最优位置向量更加准确。
示例性的，惯性权重系数的计算公式为：
其中，为惯性权重系数的最大值，/>为惯性权重系数的最小值，/>为粒子群算法最大迭代次数，/>为当前迭代次数。
具体的，为了避免粒子群算法早熟及后期在全局最优解附近产生振荡现象，将惯性权重系数加入了修正因子。
示例性的，基于目标分干渠下游的作物种类和目标分干渠的历史放水量，预测得到目标分干渠在未来灌溉时间段内的初始的计划放水量，包括：
获取目标分干渠的历史土壤墒情和目标分干渠在未来灌溉时间段内的土壤墒情。
基于目标分干渠下游的作物种类和目标分干渠的历史放水量，得到该作物种类一个生长周期中不同阶段的历史放水量。
获取该作物种类此时所处的阶段。
计算该作物种类此时所处的阶段对应的多个历史放水量的均值，以及计算多个历史放水量对应的土壤墒情的均值。
计算该作物种类此时所处的阶段对应的多个历史放水量的均值与多个历史放水量对应的土壤墒情的均值的和，得到目标放水量。
计算目标放水量与目标分干渠在未来灌溉时间段内的土壤墒情的差值，得到初始的计划放水量。
具体的，为了更加准确的获取初始的计划放水量，综合考虑了历史土壤墒情以及作物的所处的生长周期中的不同阶段，因为历史放水量在放水时会考虑历史土壤墒情，所以此时历史放水量与历史土壤墒情的和为这段时间内作物生长所需的水量，再通过取均值的方式得到准确的目标放水量，进而能够根据未来灌溉时间段内的土壤墒情，计算得到更加精确的初始的计划放水量。
步骤103，基于初始的计划放水量、降雨量和蒸发量，计算得到实际放水量。
示例性的，步骤103可以包括：将初始的计划放水量减去降雨量并加上蒸发量，得到实际放水量。
步骤104，基于实际放水量和目标分干渠的渠道类型，控制目标分干渠在未来灌溉时间段内的开闸时长。
示例性的，步骤104可以包括：基于目标分干渠的渠道类型，得到渠道单位时间内的水流量。计算实际放水量与渠道单位时间内的水流量的商，得到目标分干渠在未来灌溉时间段内的开闸时长，并根据开闸时长控制目标分干渠开闸。
具体的，为了保证目标分干渠下游作物的灌溉用水的准确控制，需要根据闸口处渠道的类型进行闸口开启时长的控制。当渠道类型固定后，其单位时间内的水流量将会固定，那么为了实现实际放水量的准确控制，可以通过准确控制闸口的开启时长实现。
具体的，当目标分干渠的渠道顺直段长度大于30m，渠段规整，采用混凝土或浆砌石衬砌，下游分水口或节制闸对断面处的水流影响较小，水流平稳时，该渠道的类型为明渠标准段，可以采用过流断面处的水流平均流速和有效水深，计算渠段断面的过流水量（明渠标准段断面流速法），得到单位时间内的水流量。
如果渠道顺直段相对较短，过流断面较小，不具备采用明渠标准段量水的渠道，但具备加设无喉道量水槽后能够形成自由出流，且测流断面下游不易形成顶托，渠道水流平稳、顺畅时，可以通过无喉道量水槽（无喉道方法），计量渠道断面过流量。
上述水库分干渠灌溉控制方法，通过历史天气数据预测得到未来灌溉时间段内下游作物的蒸发量，并根据目标分干渠下游的作物种类和历史放水量预测得到了初始的计划放水量，根据蒸发量、降雨量和初始的计划放水量计算得到较为准确的实际放水量，并根据实际放水量和渠道类型控制开闸时长。实现了目标分干渠闸口的自动控制，相比于人工控制减少了不必要的水资源的浪费，除此之外，还考虑到了灌溉时间段内的天气情况，结合天气状况对作物进行灌溉，实现了对作物灌溉用水量的精准控制，提高了水资源的利用率。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的水库分干渠灌溉控制方法，图3示出了本申请实施例提供的水库分干渠灌溉控制装置的结构框图，为了便于说明，仅示出了与本申请实施例相关的部分。
参见图3，本申请实施例中的水库分干渠灌溉控制装置可以包括：
获取模块201，用于获取目标分干渠的渠道类型和作物种类，获取目标分干渠的历史放水量和所在地的历史天气数据，以及获取目标分干渠所在地在未来灌溉时间段内的降雨量。
预测模块202，用于基于历史天气数据，预测得到目标分干渠在未来灌溉时间段内下游作物的蒸发量；基于目标分干渠下游的作物种类和目标分干渠的历史放水量，预测得到目标分干渠在未来灌溉时间段内的初始的计划放水量。
计算模块203，用于基于初始的计划放水量、降雨量和蒸发量，计算得到实际放水量。
控制模块204，用于基于实际放水量和目标分干渠的渠道类型，控制目标分干渠在未来灌溉时间段内的开闸时长。
示例性的，预测模块202可以用于：
将历史天气数据输入天气数据预测模型，预测得到目标天气数据；其中，目标天气数据为未来灌溉时间段内的天气数据；目标天气数据包括：目标气温、目标平均气压和目标风速；天气数据预测模型为长短期记忆神经网络模型。
基于目标气温、目标平均气压和目标风速，计算目标分干渠在未来灌溉时间段内下游作物的蒸发量。
示例性的，目标气温可以包括目标最高气温和目标最低气温；目标分干渠在未来灌溉时间段内下游作物的蒸发量的计算公式可以为：
其中，为目标分干渠在未来灌溉时间段内下游作物的蒸发量，/>为海平面平均气压，/>为目标平均气压，/>为饱和水汽压-温度曲线上在平均气温处的斜率，平均气温为目标最高气温和目标最低气温的均值，/>为湿度计常数，/>为空气中的实际大气压、/>为饱和水汽压、/>为2m处的风速，/>通过目标风速得到，/>为与目标最高气温和目标最低气温相关的风速修正系数，/>为太阳净辐射。
示例性的，天气数据预测模型的训练过程可以包括：
随机生成一组神经元数量、学习率和迭代次数的初始值，并基于随机生成的神经元数量、学习率和迭代次数的初始值，建立当前的天气数据预测模型。
基于历史天气数据和当前的天气数据预测模型，得到当前的天气数据的预测值。
获取当前的天气数据的预测值在历史天气数据中对应的当前的真实值。
将当前的天气数据的预测值与当前的真实值的误差作为粒子群算法的适应度值，并将一组神经元数量、学习率和迭代次数的初始值作为粒子群算法中的一个粒子。
获取粒子群算法中历史个体最优位置、全局最优位置、粒子的位置向量和速度向量。
基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量。
基于更新后的全局最优位置向量，得到更新后的神经元数量、学习率和迭代次数的取值，并基于更新后的神经元数量、学习率和迭代次数的取值，建立更新后的天气数据预测模型。
基于历史天气数据和更新后的天气数据预测模型，得到更新后的天气数据的预测值。
获取更新后的天气数据的预测值在历史天气数据中对应的更新后的真实值。
基于当前的天气数据的预测值和当前的真实值，得到当前的天气数据预测模型的适应度值。
基于更新后的天气数据的预测值和更新后的真实值，得到更新后的天气数据预测模型的适应度值。
判断此时是否达到粒子群算法达到最大迭代次数，若未达到粒子群算法达到最大迭代次数，则从当前的天气数据预测模型的适应度值和更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为下一次迭代过程中的当前的天气数据预测模型。
若达到粒子群算法达到最大迭代次数，则从当前的天气数据预测模型的适应度值和更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为天气数据预测模型。
示例性的，基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量，可以包括：
基于历史个体最优位置、全局最优位置、粒子的位置向量和速度向量，结合第一公式，得到更新后的全局最优位置向量。
第一公式可以为：
其中，为迭代次数为/>次时第/>个粒子的第/>个维度的全局最优位置向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的全局最优位置向量，为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为个体学习因子，/>为群体学习因子，/>和为在[0,1]内取值的均匀分布伪随机数，/>为惯性权重系数，/>为个体最优位置，/>为全局最优位置。
示例性的，惯性权重系数的计算公式可以为：
其中，为惯性权重系数的最大值，/>为惯性权重系数的最小值，/>为粒子群算法最大迭代次数，/>为当前迭代次数。/>
示例性的，预测模块202还可以用于：
获取目标分干渠的历史土壤墒情和目标分干渠在未来灌溉时间段内的土壤墒情。基于目标分干渠下游的作物种类和目标分干渠的历史放水量，得到该作物种类一个生长周期中不同阶段的历史放水量。获取该作物种类此时所处的阶段。计算该作物种类此时所处的阶段对应的多个历史放水量的均值，以及计算多个历史放水量对应的土壤墒情的均值。计算该作物种类此时所处的阶段对应的多个历史放水量的均值与多个历史放水量对应的土壤墒情的均值的和，得到目标放水量。计算目标放水量与目标分干渠在未来灌溉时间段内的土壤墒情的差值，得到初始的计划放水量。
计算模块203可以用于：将初始的计划放水量减去降雨量并加上蒸发量，得到实际放水量。
控制模块204可以用于：基于目标分干渠的渠道类型，得到渠道单位时间内的水流量。计算实际放水量与渠道单位时间内的水流量的商，得到目标分干渠在未来灌溉时间段内的开闸时长，并根据开闸时长控制目标分干渠开闸。
需要说明的是，上述装置/单元之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种终端设备，参见图4，该终端设备300可以包括：至少一个处理器310、存储器320，该存储器320用于存储计算机程序321，所述处理器310用于调用并运行所述存储器320中存储的计算机程序321实现上述任意各个方法实施例中的步骤，例如图1所示实施例中的步骤101至步骤104。或者，处理器310执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能，例如图3所示各模块的功能。
示例性的，计算机程序321可以被分割成一个或多个模块/单元，一个或者多个模块/单元被存储在存储器320中，并由处理器310执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段，该程序段用于描述计算机程序在终端设备300中的执行过程。
本领域技术人员可以理解，图4仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如输入输出设备、网络接入设备、总线等。
处理器310可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器320可以是终端设备的内部存储单元，也可以是终端设备的外部存储设备，例如插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。所述存储器320用于存储所述计算机程序以及终端设备所需的其他程序和数据。所述存储器320还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构（Industry Standard Architecture，ISA）总线、外部设备互连（Peripheral Component，PCI）总线或扩展工业标准体系结构（ExtendedIndustry Standard Architecture，EISA）总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的水库分干渠灌溉控制方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本等终端设备上，本申请实施例对终端设备的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述水库分干渠灌溉控制方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述水库分干渠灌溉控制方法各个实施例中的步骤。
所述集成的单元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，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，RandomAccess Memory）、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
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。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，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讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，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。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各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申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (6)
1.一种水库分干渠灌溉控制方法，其特征在于，包括：
获取目标分干渠的渠道类型和作物种类，获取所述目标分干渠的历史放水量和所在地的历史天气数据，以及获取所述目标分干渠所在地在未来灌溉时间段内的降雨量；
基于所述历史天气数据，预测得到所述目标分干渠在所述未来灌溉时间段内下游作物的蒸发量；基于所述目标分干渠下游的作物种类和所述目标分干渠的历史放水量，预测得到所述目标分干渠在未来灌溉时间段内的初始的计划放水量；
基于所述初始的计划放水量、所述降雨量和所述蒸发量，计算得到实际放水量；
基于所述实际放水量和所述目标分干渠的渠道类型，控制所述目标分干渠在所述未来灌溉时间段内的开闸时长；
所述基于所述历史天气数据，预测得到所述目标分干渠在所述未来灌溉时间段内下游作物的蒸发量，包括：
将所述历史天气数据输入天气数据预测模型，预测得到目标天气数据；其中，所述目标天气数据为未来灌溉时间段内的天气数据；所述目标天气数据包括：目标气温、目标平均气压和目标风速；所述天气数据预测模型为长短期记忆神经网络模型；
基于所述目标气温、目标平均气压和所述目标风速，计算所述目标分干渠在所述未来灌溉时间段内下游作物的蒸发量；
所述天气数据预测模型的训练过程包括：
随机生成一组神经元数量、学习率和迭代次数的初始值，并基于随机生成的神经元数量、学习率和迭代次数的初始值，建立当前的天气数据预测模型；
基于所述历史天气数据和所述当前的天气数据预测模型，得到当前的天气数据的预测值；
获取所述当前的天气数据的预测值在所述历史天气数据中对应的当前的真实值；
将所述当前的天气数据的预测值与所述当前的真实值的误差作为粒子群算法的适应度值，并将所述一组神经元数量、学习率和迭代次数的初始值作为粒子群算法中的一个粒子；
获取粒子群算法中历史个体最优位置、全局最优位置、粒子的位置向量和速度向量；
基于所述历史个体最优位置、所述全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量；
基于所述更新后的全局最优位置向量，得到更新后的神经元数量、学习率和迭代次数的取值，并基于更新后的神经元数量、学习率和迭代次数的取值，建立更新后的天气数据预测模型；
基于所述历史天气数据和所述更新后的天气数据预测模型，得到更新后的天气数据的预测值；
获取所述更新后的天气数据的预测值在所述历史天气数据中对应的更新后的真实值；
基于所述当前的天气数据的预测值和所述当前的真实值，得到所述当前的天气数据预测模型的适应度值；
基于所述更新后的天气数据的预测值和所述更新后的真实值，得到所述更新后的天气数据预测模型的适应度值；
判断此时是否达到粒子群算法达到最大迭代次数，若未达到粒子群算法达到最大迭代次数，则从所述当前的天气数据预测模型的适应度值和所述更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为下一次迭代过程中的当前的天气数据预测模型；
若达到粒子群算法达到最大迭代次数，则从所述当前的天气数据预测模型的适应度值和所述更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为所述天气数据预测模型；
所述基于所述历史个体最优位置、所述全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量，包括：
基于所述历史个体最优位置、所述全局最优位置、粒子的位置向量和速度向量，结合第一公式，得到更新后的全局最优位置向量；
所述第一公式为：
其中，为迭代次数为/>次时第/>个粒子的第/>个维度的全局最优位置向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的全局最优位置向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为个体学习因子，/>为群体学习因子，/>和/>为在[0,1]内取值的均匀分布伪随机数，/>为惯性权重系数，/>为个体最优位置，/>为全局最优位置；
所述惯性权重系数的计算公式为：
其中，为惯性权重系数的最大值，/>为惯性权重系数的最小值，/>为粒子群算法最大迭代次数，/>为当前迭代次数。
2.如权利要求1所述的水库分干渠灌溉控制方法，其特征在于，所述目标气温包括目标最高气温和目标最低气温；所述目标分干渠在所述未来灌溉时间段内下游作物的蒸发量的计算公式为：
其中，为所述目标分干渠在所述未来灌溉时间段内下游作物的蒸发量，/>为海平面平均气压，/>为所述目标平均气压，/>为饱和水汽压-温度曲线上在平均气温处的斜率，所述平均气温为所述目标最高气温和所述目标最低气温的均值，/>为湿度计常数，/>为空气中的实际大气压、/>为饱和水汽压、/>为2m处的风速，/>通过所述目标风速得到，/>为与所述目标最高气温和所述目标最低气温相关的风速修正系数，/>为太阳净辐射。
3.如权利要求1所述的水库分干渠灌溉控制方法，其特征在于，所述基于所述目标分干渠下游的作物种类和所述目标分干渠的历史放水量，预测得到所述目标分干渠在未来灌溉时间段内的初始的计划放水量，包括：
获取所述目标分干渠的历史土壤墒情和所述目标分干渠在未来灌溉时间段内的土壤墒情；
基于所述目标分干渠下游的作物种类和所述目标分干渠的历史放水量，得到该作物种类一个生长周期中不同阶段的历史放水量；
获取所述该作物种类此时所处的阶段；
计算所述该作物种类此时所处的阶段对应的多个历史放水量的均值，以及计算所述多个历史放水量对应的土壤墒情的均值；
计算所述该作物种类此时所处的阶段对应的多个历史放水量的均值与所述多个历史放水量对应的土壤墒情的均值的和，得到目标放水量；
计算所述目标放水量与所述目标分干渠在未来灌溉时间段内的土壤墒情的差值，得到所述初始的计划放水量；
所述基于所述初始的计划放水量、所述降雨量和所述蒸发量，计算得到实际放水量，包括：
将所述初始的计划放水量减去所述降雨量并加上所述蒸发量，得到所述实际放水量；
所述基于所述实际放水量和所述目标分干渠的渠道类型，控制所述目标分干渠在所述未来灌溉时间段内的开闸时长，包括：
基于所述目标分干渠的渠道类型，得到渠道单位时间内的水流量；
计算所述实际放水量与所述渠道单位时间内的水流量的商，得到所述目标分干渠在所述未来灌溉时间段内的开闸时长，并根据所述开闸时长控制所述目标分干渠开闸。
4.一种水库分干渠灌溉控制装置，其特征在于，包括：
获取模块，用于获取目标分干渠的渠道类型和作物种类，获取所述目标分干渠的历史放水量和所在地的历史天气数据，以及获取所述目标分干渠所在地在未来灌溉时间段内的降雨量；
预测模块，用于基于所述历史天气数据，预测得到所述目标分干渠在所述未来灌溉时间段内下游作物的蒸发量；基于所述目标分干渠下游的作物种类和所述目标分干渠的历史放水量，预测得到所述目标分干渠在未来灌溉时间段内的初始的计划放水量；
计算模块，用于基于所述初始的计划放水量、所述降雨量和所述蒸发量，计算得到实际放水量；
控制模块，用于基于所述实际放水量和所述目标分干渠的渠道类型，控制所述目标分干渠在所述未来灌溉时间段内的开闸时长；
所述预测模块，还用于：
将所述历史天气数据输入天气数据预测模型，预测得到目标天气数据；其中，所述目标天气数据为未来灌溉时间段内的天气数据；所述目标天气数据包括：目标气温、目标平均气压和目标风速；所述天气数据预测模型为长短期记忆神经网络模型；
基于所述目标气温、目标平均气压和所述目标风速，计算所述目标分干渠在所述未来灌溉时间段内下游作物的蒸发量；
所述天气数据预测模型的训练过程包括：
随机生成一组神经元数量、学习率和迭代次数的初始值，并基于随机生成的神经元数量、学习率和迭代次数的初始值，建立当前的天气数据预测模型；
基于所述历史天气数据和所述当前的天气数据预测模型，得到当前的天气数据的预测值；
获取所述当前的天气数据的预测值在所述历史天气数据中对应的当前的真实值；
将所述当前的天气数据的预测值与所述当前的真实值的误差作为粒子群算法的适应度值，并将所述一组神经元数量、学习率和迭代次数的初始值作为粒子群算法中的一个粒子；
获取粒子群算法中历史个体最优位置、全局最优位置、粒子的位置向量和速度向量；
基于所述历史个体最优位置、所述全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量；
基于所述更新后的全局最优位置向量，得到更新后的神经元数量、学习率和迭代次数的取值，并基于更新后的神经元数量、学习率和迭代次数的取值，建立更新后的天气数据预测模型；
基于所述历史天气数据和所述更新后的天气数据预测模型，得到更新后的天气数据的预测值；
获取所述更新后的天气数据的预测值在所述历史天气数据中对应的更新后的真实值；
基于所述当前的天气数据的预测值和所述当前的真实值，得到所述当前的天气数据预测模型的适应度值；
基于所述更新后的天气数据的预测值和所述更新后的真实值，得到所述更新后的天气数据预测模型的适应度值；
判断此时是否达到粒子群算法达到最大迭代次数，若未达到粒子群算法达到最大迭代次数，则从所述当前的天气数据预测模型的适应度值和所述更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为下一次迭代过程中的当前的天气数据预测模型；
若达到粒子群算法达到最大迭代次数，则从所述当前的天气数据预测模型的适应度值和所述更新后的天气数据预测模型的适应度值中，选取适应度值较小的模型作为所述天气数据预测模型；
所述基于所述历史个体最优位置、所述全局最优位置、粒子的位置向量和速度向量，得到更新后的全局最优位置向量，包括：
基于所述历史个体最优位置、所述全局最优位置、粒子的位置向量和速度向量，结合第一公式，得到更新后的全局最优位置向量；
所述第一公式为：
其中，为迭代次数为/>次时第/>个粒子的第/>个维度的全局最优位置向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的全局最优位置向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为迭代次数为/>时第/>个粒子的第/>个维度的速度向量，/>为个体学习因子，/>为群体学习因子，/>和/>为在[0,1]内取值的均匀分布伪随机数，/>为惯性权重系数，/>为个体最优位置，/>为全局最优位置；
所述惯性权重系数的计算公式为：
其中，为惯性权重系数的最大值，/>为惯性权重系数的最小值，/>为粒子群算法最大迭代次数，/>为当前迭代次数。
5.一种终端设备，包括：处理器和存储器，所述存储器中存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至3任一项所述的水库分干渠灌溉控制方法。
6.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的水库分干渠灌溉控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085785.0A CN117598190B (zh) | 2024-01-22 | 2024-01-22 | 水库分干渠灌溉控制方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410085785.0A CN117598190B (zh) | 2024-01-22 | 2024-01-22 | 水库分干渠灌溉控制方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117598190A CN117598190A (zh) | 2024-02-27 |
| CN117598190B true CN117598190B (zh) | 2024-04-16 |
Family
ID=89956481
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410085785.0A Active CN117598190B (zh) | 2024-01-22 | 2024-01-22 | 水库分干渠灌溉控制方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117598190B (zh) |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651011A (zh) * | 2016-11-30 | 2017-05-10 | 中国农业大学 | 一种基于粒子群算法的渠系优化配水方法 |
| CN110367097A (zh) * | 2019-07-23 | 2019-10-25 | 山东开创云软件有限公司 | 一种灌区水流控制方法和服务器 |
| CN110580657A (zh) * | 2019-10-12 | 2019-12-17 | 中国水利水电科学研究院 | 农业灌溉需水量预测方法 |
| CN110754333A (zh) * | 2019-12-24 | 2020-02-07 | 中苏科技股份有限公司 | 一种适于灌区的灌溉调度方法 |
| CN110999766A (zh) * | 2019-12-09 | 2020-04-14 | 怀化学院 | 灌溉决策方法、装置、计算机设备和存储介质 |
| CN112819332A (zh) * | 2021-02-02 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于全渠道输配的水量分配方法、装置及计算机设备 |
| CN114651709A (zh) * | 2022-04-26 | 2022-06-24 | 河北省农林科学院旱作农业研究所 | 一种用于农作物灌溉的高效节水方法和装置 |
| CN115125903A (zh) * | 2022-07-08 | 2022-09-30 | 中水三立数据技术股份有限公司 | 一种基于需水预测的田间一体化闸门自动灌排管理方法 |
| CN115530054A (zh) * | 2022-10-12 | 2022-12-30 | 河北省科学院应用数学研究所 | 灌溉控制方法、装置、电子设备及存储介质 |
| CN115644039A (zh) * | 2022-10-19 | 2023-01-31 | 武汉市中城事大数据有限责任公司 | 基于农业***模型的灌溉决策***及方法 |
| CN116992305A (zh) * | 2023-08-09 | 2023-11-03 | 华能新能源股份有限公司山西分公司 | 一种基于大数据的气象预报方法及*** |
| CN117131758A (zh) * | 2023-07-10 | 2023-11-28 | 中国科学院空天信息创新研究院 | 灌溉用水估算模型的训练方法、装置及灌溉用水估算方法 |
| CN117158302A (zh) * | 2023-10-12 | 2023-12-05 | 郑州大学 | 智能农业精准灌溉方法及*** |
| CN117356412A (zh) * | 2023-11-17 | 2024-01-09 | 河北润农节水科技股份有限公司 | 灌溉决策方法、装置、设备及计算机可读存储介质 |
-
2024
- 2024-01-22 CN CN202410085785.0A patent/CN117598190B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106651011A (zh) * | 2016-11-30 | 2017-05-10 | 中国农业大学 | 一种基于粒子群算法的渠系优化配水方法 |
| CN110367097A (zh) * | 2019-07-23 | 2019-10-25 | 山东开创云软件有限公司 | 一种灌区水流控制方法和服务器 |
| CN110580657A (zh) * | 2019-10-12 | 2019-12-17 | 中国水利水电科学研究院 | 农业灌溉需水量预测方法 |
| CN110999766A (zh) * | 2019-12-09 | 2020-04-14 | 怀化学院 | 灌溉决策方法、装置、计算机设备和存储介质 |
| CN110754333A (zh) * | 2019-12-24 | 2020-02-07 | 中苏科技股份有限公司 | 一种适于灌区的灌溉调度方法 |
| CN112819332A (zh) * | 2021-02-02 | 2021-05-18 | 中国水利水电科学研究院 | 一种基于全渠道输配的水量分配方法、装置及计算机设备 |
| CN114651709A (zh) * | 2022-04-26 | 2022-06-24 | 河北省农林科学院旱作农业研究所 | 一种用于农作物灌溉的高效节水方法和装置 |
| CN115125903A (zh) * | 2022-07-08 | 2022-09-30 | 中水三立数据技术股份有限公司 | 一种基于需水预测的田间一体化闸门自动灌排管理方法 |
| CN115530054A (zh) * | 2022-10-12 | 2022-12-30 | 河北省科学院应用数学研究所 | 灌溉控制方法、装置、电子设备及存储介质 |
| CN115644039A (zh) * | 2022-10-19 | 2023-01-31 | 武汉市中城事大数据有限责任公司 | 基于农业***模型的灌溉决策***及方法 |
| CN117131758A (zh) * | 2023-07-10 | 2023-11-28 | 中国科学院空天信息创新研究院 | 灌溉用水估算模型的训练方法、装置及灌溉用水估算方法 |
| CN116992305A (zh) * | 2023-08-09 | 2023-11-03 | 华能新能源股份有限公司山西分公司 | 一种基于大数据的气象预报方法及*** |
| CN117158302A (zh) * | 2023-10-12 | 2023-12-05 | 郑州大学 | 智能农业精准灌溉方法及*** |
| CN117356412A (zh) * | 2023-11-17 | 2024-01-09 | 河北润农节水科技股份有限公司 | 灌溉决策方法、装置、设备及计算机可读存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 住房和城乡***标准定额司编.援疆重要工程建设标准 能源资源与工业.2010,46-31,46-32. * |
| 崔建双.25个经典的元启发式算法 从设计到matlab实现.2021,148-151. * |
| 张莉.一带一路"国际物流链与供应链研究.2020,230-234. * |
| 黄翀鹏等.算法中惯性权值的非线性递减策略研究.2007,481-484. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117598190A (zh) | 2024-02-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7313478B1 (en) | Method for determining field readiness using soil moisture modeling | |
| CN110597873A (zh) | 降水数据估计方法、装置、设备及存储介质 | |
| CN116819029B (zh) | 一种河道水污染监测方法及*** | |
| Huttunen et al. | Agricultural nutrient loading under alternative climate, societal and manure recycling scenarios | |
| US11966208B2 (en) | Methods and systems for greenspace cultivation and management in smart cities based on Internet of Things | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN113191302A (zh) | 一种草原生态监测方法及*** | |
| CN116307191A (zh) | 一种基于人工智能算法的水资源配置方法、装置和设备 | |
| CN116070728A (zh) | 光伏发电***发电量预测方法、设备、***及介质 | |
| CN117598190B (zh) | 水库分干渠灌溉控制方法、装置、设备及存储介质 | |
| CN110442988A (zh) | 一种基于元胞自动机的城市地表径流流向计算方法及装置 | |
| CN115486247B (zh) | 用于确定肥料配比的方法、存储介质及处理器 | |
| CN116090842A (zh) | 农田灌溉决策方法、装置、设备和存储介质 | |
| CN109840308B (zh) | 一种区域风电功率概率预报方法及*** | |
| CN114548608B (zh) | 模型处理方法、装置、目标交通设备及存储介质 | |
| CN115689067A (zh) | 太阳辐照度预测方法、装置及存储介质 | |
| CN113704696B (zh) | 一种水库水温结构判别方法及判别设备 | |
| CN117151263A (zh) | 充电站的充电量预测方法、装置、电子设备及介质 | |
| CN112231913A (zh) | 一种城市内涝黑点的内涝模拟方法及装置 | |
| CN112163695A (zh) | 基于copula函数的风力光伏发电预测方法、***和介质 | |
| CN113763017B (zh) | 一种信息处理方法及装置、存储介质 | |
| CN115600749B (zh) | 地下水位预测方法、装置及电子设备 | |
| CN117502198A (zh) | 基于有效利用系数的节水灌溉方法、装置、设备和介质 | |
| CN118259708A (zh) | 一种温室大棚的温度控制方法、装置、终端设备及存储介质 | |
| CN116109206A (zh) | 海绵设施的建设效果评价方法、装置、终端及存储介质 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |