CN117744504A - 一种泄洪雾化雨强度分析模型建立方法和装置 - Google Patents
一种泄洪雾化雨强度分析模型建立方法和装置 Download PDFInfo
- Publication number
- CN117744504A CN117744504A CN202410186436.8A CN202410186436A CN117744504A CN 117744504 A CN117744504 A CN 117744504A CN 202410186436 A CN202410186436 A CN 202410186436A CN 117744504 A CN117744504 A CN 117744504A
- Authority
- CN
- China
- Prior art keywords
- flood discharge
- data
- analysis model
- rain intensity
- atomization
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 104
- 238000000889 atomisation Methods 0.000 title claims abstract description 73
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 79
- 238000013528 artificial neural network Methods 0.000 claims abstract description 33
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 30
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 16
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 8
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 230000015654 memory Effects 0.000 claims description 35
- 239000003595 mist Substances 0.000 claims description 16
- 238000011176 pooling Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 230000006403 short-term memory Effects 0.000 abstract description 5
- 230000008569 process Effects 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000009792 diffusion process Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000010485 coping Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007921 spray Substances 0.000 description 1
- 210000002105 tongue Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种泄洪雾化雨强度分析模型建立方法和装置，涉及泄洪监测技术领域。方法包括：基于卷积神经网络和长短期记忆神经网络构建初始分析模型，获取包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度的样本泄洪数据；将样本泄洪数据输入所述初始分析模型中进行迭代训练，得到泄洪雾化雨强度分析模型。本发明针对现有分析手段难以总结不同泄洪条件与雾化雨之间复杂关系的问题，利用卷积神经网络对空间特征的提取能力，以及长短期记忆神经网络对时间序列建模能力，通过泄洪样本数据使得预测模型适应不同泄洪条件与雾化雨强度之间的复杂性，从而对泄洪雾化雨强度进行准确的预测，为泄洪管理提供有效地决策支持。
Description
技术领域
本发明涉及泄洪监测技术领域，尤其涉及一种泄洪雾化雨强度分析模型建立方法和装置。
背景技术
泄洪雾化雨是在大坝泄洪期间，水舌相撞所产生的具有范围性，特异性，随机性的降雨。在雾化降雨过程中，泄洪条件（如大坝等泄洪装置的物理条件）是雾化雨强度分析的依据。目前对于泄洪雾化雨的分析预测主要依据研究学者提出的经验公式，根据泄洪装置的上下游水位差、泄洪量与雾化雨强度之间的经验关系进行预测。该方法对于拱坝泄洪有较好的可靠度，但面对更多的泄洪条件与泄洪雾化雨强度之间的复杂关系，难以通过经验公式总结，例如对于我国西南片区大力发展的挑流泄洪水电站，依据以往的经验预测性能下降明显。
也有学者提出利用BP神经网络来量化雾化雨强度，BP神经网络本质上是线性权函数的逼近，指的是利用函数中的一些线性参数的变动来对要识别的模式或者函数进行某种逼近，这种方法在识别前后没有关联的数据时方可奏效，但是在识别前后有关联的数据时，该算法无法挖掘时间序列数据产生的模式。并且BP神经网络通常需要大量的训练数据，尤其是在复杂的问题上，如果没有足够的雾化雨强度数据进行训练，模型可能难以泛化到新的情况，导致性能下降，无法得到模型的最优解、实现对雾化雨强度的准确预测。
因此在泄洪雾化雨分析领域，亟需一种更高效、适应性强以及预测准确性高的分析方法。
发明内容
本发明提供一种泄洪雾化雨强度分析模型建立方法和装置，以解决现有的分析手段难以根据泄洪条件与泄洪雾化雨强度之间的复杂关系准确预测雾化雨强度的问题。
本发明通过下述技术方案实现：
本发明的第一方面，提供了一种泄洪雾化雨强度分析模型建立方法，包括：
S1，构建初始分析模型：基于卷积神经网络和长短期记忆神经网络构建初始分析模型，所述卷积神经网络用于提取泄洪数据的空间特征，所述长短期记忆神经网络用于对所述空间特征进行预测，得到雾化雨强度，所述雾化雨强度包括雾化雨的横向长度、纵向长度和高度；
S2，训练所述初始分析模型：获取样本泄洪数据，所述样本泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度；将所述样本泄洪数据输入所述初始分析模型中进行迭代训练，得到泄洪雾化雨强度分析模型。
本发明针对经验公式难以总结不同泄洪条件与雾化雨之间复杂关系的问题，通过基于卷积神经网络和长短期记忆神经网络融合的分析模型学习不同泄洪条件与雾化雨之间的复杂关系，利用卷积神经网络具有优秀的对空间特征的提取能力，以及长短期记忆神经网络对时间序列建模能力，在雾化雨强度数据有限的条件下训练预测模型，使得预测模型能够适应不同泄洪条件与泄洪雾化雨强度之间的复杂性，融合泄洪条件的空间特征和时间特征，从而对泄洪雾化雨强度进行准确的预测。
在一种实施方式中，所述卷积神经网络包括2个卷积层和2个池化层，所述卷积层的卷积核大小为20×20，通道数量为1。
在一种实施方式中，所述长短期记忆神经网络包括第一LSTM层和第二LSTM层，所述第一LSTM层、第二LSTM层用于对所述空间特征进行学***滑层和全连接层。
在一种实施方式中，将所述样本泄洪数据输入所述初始分析模型中进行迭代训练，包括：
S211，将所述样本泄洪数据处理成维度为4、长度为N的特征数据输入所述初始分析模型，得到模型输出；所述特征数据的4个维度对应泄洪数据中的水位差、泄洪量、孔型数据和挑流挑角，数据长度对应样本数量；
S212，将各样本对应的雾化雨强度数据作为样本标签，根据所述样本标签和模型输出调整模型参数，完成一次迭代训练；
S213，重复执行S211-S212，直到训练次数达到预设值或模型准确性满足预设条件。
在一种实施方式中，所述方法还包括：设置训练周期，获取当前训练周期内的泄洪数据，若当前训练周期内的泄洪数据的数量大于预设值，则将当前训练周期内的泄洪数据和历史泄洪数据输入所述泄洪雾化雨强度分析模型中进行优化训练，所述历史泄洪数据是在当前训练周期之前获取的泄洪数据。
在一种实施方式中，所述方法还包括：获取特定泄洪条件下的泄洪数据，所述特定泄洪条件包括极端气象条件；将所述特定泄洪条件下的泄洪数据输入所述泄洪雾化雨强度分析中进行微调训练，得到适用于特定泄洪条件的雾化雨强度分析模型。
本发明的第二方面，提供一种泄洪雾化雨强度分析方法，所述方法包括：获取实时泄洪数据，通过雾化雨强度分析模型对所述实时泄洪数据进行预测，得到雾化雨强度；所述雾化雨强度分析模型是根据上述任一实施例所述的泄洪雾化雨强度分析模型建立方法得到的。
本发明的第三方面，提供一种泄洪雾化雨强度分析模型建立装置，所述装置包括：
初始模型构建模块，用于构建初始分析模型：基于卷积神经网络和长短期记忆神经网络构建初始分析模型，所述卷积神经网络用于提取泄洪数据的空间特征，所述长短期记忆神经网络用于对所述空间特征进行预测，得到雾化雨强度，所述雾化雨强度包括雾化雨的横向长度、纵向长度和高度；
训练模块，用于训练所述初始分析模型：获取样本泄洪数据，所述样本泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度；将所述样本泄洪数据输入所述初始分析模型中进行迭代训练，得到泄洪雾化雨强度分析模型。
本发明的第四方面，提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例所述的泄洪雾化雨强度分析模型建立方法或泄洪雾化雨强度分析方法。
本发明的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一实施例所述的泄洪雾化雨强度分析模型建立方法或泄洪雾化雨强度分析方法。
本发明与现有技术相比，具有如下的优点和有益效果：
1、利用卷积神经网络具有优秀的对空间特征的提取能力，以及长短期记忆神经网络对时间序列建模能力，通过有限的训练数据使得预测模型适应不同泄洪条件与泄洪雾化雨强度之间的复杂性，融合泄洪条件的空间特征和时间特征，从而对泄洪雾化雨强度进行准确的预测；
2、卷积核大小为20×20，定义了模型从输入数据中提取特征的窗口大小，较大的卷积核能够捕捉更大范围的特征，适用于涉及到长程依赖或大尺度结构的问题，能够在输入数据中捕获泄洪数据中的一些大尺度的特征，有利于更好地捕捉特征之间的联系，卷积和通道数为1，考虑了问题的复杂性和计算资源的平衡；
3、将样本泄洪数据处理成维度为4、长度为样本数量的特征数据作为模型输入，采用批量输入进行迭代训练的方式，考虑了泄洪数据的数据特征和数据量特点，在有限的训练资源下提高对模型训练的效率；
4、本发明的方法可以根据不同泄洪装置、地理环境和气象条件进行特定泄洪条件下的模型训练与优化，使其更好地适应各种情境，增强了泄洪管理者在应对泄洪条件变化时的决策能力。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
图1是本发明实施例的一种泄洪雾化雨强度分析模型建立方法的流程图；
图2是本发明实施例的一种是卷积神经网络结构示意图；
图3是本发明实施例的一种长短期记忆神经网络结构示意图；
图4是本发明实施例的一种CNN-LSTM的损失曲线图；
图5是本发明的泄洪雾化雨强度分析模型在暴雨区的预测值与真实监测值对比图；
图6是本发明的泄洪雾化雨强度分析模型在薄雾区的预测值与真实监测值对比图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于或设备固有的其它步骤或单元。
在本申请的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本申请的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本申请的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本申请的各种实施例中被清楚地限定。
本发明的实施例提供一种泄洪雾化雨强度分析模型建立方法，适用对不同泄洪条件下的雾化雨强度分析，有利于提高雾化雨强度预测准确性以及应用范围。
如图1所示，图1是本发明实施例的一种泄洪雾化雨强度分析模型建立方法的流程图，包括以下步骤：
S1，构建初始分析模型：基于卷积神经网络和长短期记忆神经网络构建初始分析模型，卷积神经网络用于提取泄洪数据的空间特征，长短期记忆神经网络用于对空间特征进行预测，得到雾化雨强度，雾化雨强度包括雾化雨范围；
S2，训练所述初始分析模型：获取历史泄洪数据，历史泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度；将历史泄洪数据输入初始分析模型，对初始分析模型进行迭代训练，得到泄洪雾化雨强度分析模型。
本发明中使用卷积神经网络（Convolutional Neural Network，CNN）来处理数据的空间特征，CNN通过卷积层和池化层提取数据中的空间信息，以便更好地理解大坝周围地区的雨强度分布。如图2所示是卷积神经网络结构示意图，CNN主要包括卷积层和池化层，这两个组成部分在提取数据特征和空间信息方面非常有效。卷积层使用卷积核对输入数据进行卷积运算，以提取雨强度数据中的空间特征，从而能够更好地理解大坝泄洪口周围地区的雨强度分布。通过卷积后的特征图，CNN可以捕获输入数据的关键特征，为后续的分析和预测提供有力的支持。
因此，在该方法中，卷积核的大小和通道数的选择至关重要，以确保CNN能够准确地提取和分析大坝周围雨强度数据的关键特征，从而改善泄洪决策的准确性。
作为优先实施方式，设置CNN网络结构的参数如下：CNN包括2个卷积层和2个池化层，卷积层和池化层交替连接，卷积层的卷积核为20×20，通道数量为1。池化层的池化区域为2×2，通道为1，池化层的设置与卷积层的设置相对应。
通过分析现有雾化雨强度数据发现，影响雾化雨强度的各因素之间除了具有明显的空间上的联系，在不同的时间段内也呈现出不同的变化趋势。使用长短期记忆神经网络（Long short-term memory，LSTM）来处理时间序列数据，以考虑雨强度的时间依赖性。如图3所示是长短期记忆神经网络结构示意图，LSTM网络能够捕捉数据中的序列关系，并预测未来的雨强度， LSTM是一种特殊的循环神经网络，不同于传统的循环神经网络，其最主要的特点在于细胞状态的维护和控制。在大坝泄洪雾化雨强度分析中，LSTM神经网络的作用是捕捉雨强度数据的时间依赖性，以便更好地理解和预测未来的雨强度变化。LSTM的细胞状态就像一个传送带，只有少量的线***互，这使得它能够长时间地保持数据的记忆而不发生忘记或混淆。此外，LSTM利用各种被称为“门”的结构来控制信号传播，以调整细胞状态的内容，从而实现在细胞状态中添加或删除数据。这种特性使得LSTM在时间序列数据的处理中非常有效，有助于提高大坝泄洪决策的准确性和时间性。通过配置LSTM网络的层数和时间步长，以适应数据的时间依赖性。
作为优先实施方式，设置LSTM网络结构的参数如下：长短期记忆神经网络包括第一LSTM层和第二LSTM层，第一LSTM层、第二LSTM层用于对所述空间特征进行学***滑层和全连接层，dropout层用于防止过拟合。
在本实施例中，第一LSTM层接收卷积神经网络输出的数据，并进行时序特征学习。第一LSTM层主要负责学习输入数据中的时序特征，LSTM具有记忆单元，能够捕捉和存储长期的时序依赖关系，通过时间步骤，LSTM网络能够有效地处理时序信息，并将学到的时序特征传递给下一层。第二LSTM层接收来自第一LSTM层的时序特征输出，这些输出包含了第一LSTM层对时序特征的学习结果。第二LSTM层的主要任务是学习空间特征，它会进一步整合来自第一LSTM层的时序特征，同时考虑空间特征的影响。因此，LSTM网络能够有效地捕捉数据中的时序和空间相关性。最后由第二LSTM层输出包含结合了时序和空间特征的信息，为后续层的处理提供更加综合的特征表示。
S2是模型训练和优化步骤，包括使用历史泄洪数据对CNN-LSTM模型进行训练，并通过持续的交叉验证和性能评估确保模型的可靠性，模型的训练和优化使其能够适应不断变化的泄洪条件，如泄洪装置物理条件、地理环境条件、气象条件等，以提供可靠的泄洪决策支持。
以下是基于CNN-LSTM的泄洪雾化雨强度分析模型的训练实施步骤，包括：
S201，数据采集和准备：收集不同泄洪条件的历史泄洪数据，这些数据具体不同泄洪装置、不同地理环境、不同气象条件下的泄洪数据，对这些数据来源进行分门别类，设置相应的标注，泄洪数据包括水位差、泄洪量、孔型数据和挑流挑角等，但并不局限于此，可根据不同的泄洪装置、地理环境、气象条件对具体的泄洪数据进行选择和增加，但这些数据中，其对应的历史雾化雨强度数据是必须的，用以校正模型输出。
数据采集还包括采集实时的数据，用以后续对模型的持续优化。
数据准备还包括对数据进行预处理的步骤，包括数据的去噪、格式化和归一化等，以确保数据的质量和一致性。
S202，设置模型训练参数：设置训练的次数或训练终止条件、优化算法、梯度阈值、最初学习速率、学习率减少周期、学习率减少因子、正则化参数等。
在一种实施方式中，在模型使用过程中，还根据实时采集数据对模型进行持续优化，因此通过设置训练周期，获取当前训练周期内的泄洪数据，若当前训练周期内的泄洪数据的数量大于预设值，则将当前训练周期内的泄洪数据和历史泄洪数据输入所述泄洪雾化雨强度分析模型中进行优化训练，所述历史泄洪数据是在当前训练周期之前获取的泄洪数据。
由于雾化雨样本数据不易采集、数量有限，且为了保证随着时间的推移、泄洪条件、地理环境、气候等发生改变，导致模型预测性能下降，在模型使用过程中获取新的样本数据对模型进行优化训练，使模型保持持续地高预测性能。通过周期内收集样本数量的判断，避免即使在达到设定的周期时，但由于周期内新增的样本数据太少，而对模型执行一次无效的优化，浪费训练资源。此外，当周期内新增的样本数量足够时，也可以只利用新增的样本数量对模型进行优化。
S203，进行模型训练，包括以下步骤：
S211，将样本泄洪数据处理成维度为4、长度为N的特征数据输入所述初始分析模型，得到模型输出，其中，特征数据的4个维度对应泄洪数据中的水位差、泄洪量、孔型数据和挑流挑角，数据长度对应样本数量，即针对不同泄洪条件采集的泄洪数据的数据量；
S212，将各样本对应的雾化雨强度数据作为样本标签，根据所述样本标签和模型输出调整模型参数，完成一次迭代训练。该步骤中，样本数据被批量输入到初始模型中进行训练，一批次的输入作为一次训练，多次迭代训练模型参数，直到训练次数或模型准确性满足预设条件；
S213，重复执行S211-S212，直到训练次数达到预设值或模型准确性满足预设条件；
在一种实施方式中，在训练前将历史泄洪数据分为训练数据和测试数据，利用训练数据对初始分析模型进行训练，利用测试数据对训练后的模型进行准确性验证，验证结果满足要求，即得到雾化雨强度分析模型，后续使用该模型对实时采集的泄洪数据进行预测，得到预测的雾化雨强度数据。
在一种实施方式中，在模型应用于特定泄洪条件下的雾化雨分析时，对上述步骤S2中训练得到的雾化雨强度分析模型采用与该特定的泄洪条件相关的泄洪数据进行微调训练，以使得模型适应于该条件下雾化雨强度的持续稳定地预测。具体为：获取特定泄洪条件下的泄洪数据，将特定泄洪条件下的泄洪数据输入所述泄洪雾化雨强度分析中进行微调训练，得到适用于特定泄洪条件的雾化雨强度分析模型，其中特定泄洪条件包括极端气象条件、特殊地理环境、特定泄洪装置等。
本发明的第二方面，提供一种泄洪雾化雨强度分析方法，包括：获取实时泄洪数据，通过雾化雨强度分析模型对所述实时泄洪数据进行预测，得到雾化雨强度；其中，雾化雨强度分析模型是根据本发明上述任一实施例中所述的泄洪雾化雨强度分析模型建立方法得到的。
进一步地，使用上述泄洪雾化雨强度分析模型的雾化雨强度预测数据来支持大坝泄洪决策。基于预测的雨强度变化，评估洪水风险泄洪雾化雨强度，决定是否进行泄洪，以降低洪水等风险。
为验证本发明的泄洪雾化雨强度分析模型的预测性能，将泄洪数据输入到采用本发明的方法训练得到的CNN-LSTM，得到雾化雨强度预测结果及分析如下。
1、CNN-LSTM模型的基本设置如下：
依托编程软件建立CNN-LSTM神经网络模型，此次模型采用了2个卷积层和2个池化层、一个特征学***滑和全连层。其中卷积核为20×20，通道数量为1，池化层的池化区域为2×2，通道为1。
训练样本数据选取国内已建水电站共选取4条长为256的监测真实数据，通过2层卷积和池化处理，得到1条长为64的输入数据特征数据，该条数据具备了压缩前4条数据的特征值，具有4条长为256的真实数据的全部特征。
2、CNN-LSTM模型的训练参数设置如下：
1）、选用Adam优化算法；
2）、最大训练周期Max Epochs=800；
3）、梯度阈值Gradient Threshold=1；
4）、最初学习速率Initial Learn Rate=0.01；
5）、设置最初学习速率是变化的Learn Rate Schedule= piece wise；
6）、学习率减少周期Learn Rate Drop Period=40；
7）、学习速率减少因子Learn Rate Drop Factor=0.8；
8）、L2正则化参数设置L2Regularization=1e-3。
在实际案例中，CNN-LSTM网络会依据设置的初始学习速率以学习速率减少因子和学习速率减少周期自动调节学习速率，让其随时保持学习速率的变化，以适应***响应样本的变化，以及样本的难度，设置L2正则化是为了防止过拟合现象以保证预测值的正确性。
3、CNN-LSTM神经网络模型的训练过程如下：
以我国大型水电站的实测数据为依托，对CNN-LSTM深度学习神经网络进行训练。和前文一致，同样选取4条长度为256的实测监测数据作为模型的输入数据，1条长为256的数据作为输出数据，即收集了我国水电站雾化雨监测不同工况下所产生的雾化范围数据256组，其中对雾化雨扩散起着主要影响的4个影响因素为水位差，泄洪量，孔型，挑流挑角。利用前232个实测数据CNN-LSTM深度学习神经网络进行训练，利用最后24个实测数据进行可靠性验证。
训练周期为8轮，每一轮迭代100次，对232个监测输入样本共计迭代了800次，从样本训练均方差曲线得知，在CNN-LSTM深度学习神经网络进行训练初期均方差快速下降，在迭代次数达到100左右，均方差趋于稳定，保持在0.1左右波动。图4是CNN-LSTM损失曲线图，如图所示，损失幅度下降迅速，在迭代次数仅20次后，损失就达到了0.01，然后损失量随着迭代增加也保持不变。该CNN-LSTM深度学习神经网络学习率为0.002048。总体来看，基于雾化雨实测数据的喷射扩散模型误差小，故在此基础上，可对训练的雾化雨扩散模型进行验证分析。
4、CNN-LSTM神经网络的预测结果如下：
基于CNN-LSTM深度学习神经网络模型训练结果，对最后24个雾化雨监测实测数据进行预测分析，由于雾化降雨扩散有明显的分区现象，对于其区域可简约的分为暴雨区与薄雾区两个区域，但无论对于几个区域，都可以分解为单条随机数据，该深度学习神经网络模型就可对这样的单条随机数据进行预测。其雾化雨扩散模型预测分析的样本参数如表1所示。
表1 CNN-LSTM神经网络训练模型验证样本
利用训练好的CNN-LSTM深度学习神经网络模型，输入某待预测的大坝泄洪的基础条件水位差（m）、泄洪量(m³/s)、孔形系数、挑角(°)等已知参数，预测泄洪时该大坝泄洪所产生的雾化雨范围及强度。
图5是CNN-LSTM在暴雨区的预测值与真实监测值对比图，图6是CNN-LSTM在薄雾区的预测值与真实监测值对比图，由图可知：对于暴雨雾化区，其预测曲线和真实曲线表现出高度吻合，误差较小，从图像看出，其在7号泄洪孔处横向宽度预测值误差值最大，绝对误差为34m，相对误差为23.2％，其余预测点相对误差均在10％以内，暴雨雾化区预测值准确。对于薄雾雾化区，其预测曲线和真实曲线吻合度较暴雨雾化区稍有下降，其纵向长度预测值在18号泄洪孔处误差最大，绝对误差为51m，相对误差为11.3％，其余纵向长度预测误差在10％以内，横向长度预测值在7号泄洪孔处误差最大35m，相对误差为9.2％，总体上看，雾化雨薄雾区的误差不超过13％，其薄雾区预测值准确。
与现有技术相比，本发明具有以下有益效果：
1、提高泄洪安全性：通过更准确的雨强度分析和预测，降低泄洪过程中的风险，从而提高泄洪地区的安全，减少洪水可能带来的危害；
2、更精确的泄洪决策：通过综合考虑时间和空间相关性，该技术能够提供更准确的泄洪决策支持。这有助于降低误报洪水风险或延迟泄洪的可能性，提高泄洪决策的可信度；
3、更好的适应性：本发明的方法可以根据不同泄洪装置、地理环境和气象条件进行训练和优化，使其更好地适应各种情境。这增强了大坝管理者在应对气象变化和大坝特性变化时的决策能力；
4、自动化决策支持：该技术可以实时监测雨强度数据，并根据模型的输出自动提供决策支持，减少了操作员的主观干预，提高了决策制定的效率，降低由洪水事件引发的经济和环境损失，以及人员生命安全的风险；
5、提高泄洪管理效率：该技术有助于泄洪管理的自动化和智能化，使决策过程更及时和准确。这提高了管理的效率和可靠性。
综上所述，本发明通过结合卷积-长短时记忆神经网络的能力，提供了一种更高效、更精确和更可靠的泄洪雾化雨强度分析方法，在泄洪管理和泄洪决策中取得显著的进步。
本发明的第三方面，提供一种泄洪雾化雨强度分析模型建立装置，包括：
初始模型构建模块，用于构建初始分析模型：基于卷积神经网络和长短期记忆神经网络构建初始分析模型，卷积神经网络用于提取泄洪数据的空间特征，长短期记忆神经网络用于对空间特征进行预测，得到雾化雨强度，雾化雨强度包括雾化雨的横向长度、纵向长度和高度；
训练模块，用于训练所述初始分析模型：获取样本泄洪数据，样本泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度；将样本泄洪数据输入所述初始分析模型中进行迭代训练，得到泄洪雾化雨强度分析模型。
本发明的第四方面，提供一种电子设备该电子设备包括处理器、存储器、输入装置、输出装置以及通信装置；计算机设备中处理器的数量可以是一个或多个；电子设备中的处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接。
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，以实现本发明上述任一实施例的泄洪雾化雨强度分析模型建立方法或泄洪雾化雨强度分析方法。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置42可用于接收训练数据或待预测数据、设置参数数据、控制指令等；输出装置43用于输出预测值以及中间处理结果等。
本发明的第五方面，提供一种计算机可读存储介质，其上存储有计算机程序，当该计算机程序被处理器执行时实现本发明任一实施例的泄洪雾化雨强度分析模型建立方法或泄洪雾化雨强度分析方法。存储介质可以是ROM/RAM、磁碟、光盘等。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种泄洪雾化雨强度分析模型建立方法，其特征在于，所述方法包括：
S1，构建初始分析模型：基于卷积神经网络和长短期记忆神经网络构建初始分析模型，所述卷积神经网络用于提取泄洪数据的空间特征，所述长短期记忆神经网络用于对所述空间特征进行预测，得到雾化雨强度，所述雾化雨强度包括雾化雨的横向长度、纵向长度和高度；
S2，训练所述初始分析模型：获取样本泄洪数据，所述样本泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度；将所述样本泄洪数据输入所述初始分析模型中进行迭代训练，得到泄洪雾化雨强度分析模型。
2.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法，其特征在于，所述卷积神经网络包括2个卷积层和2个池化层，所述卷积层的卷积核大小为20×20，通道数量为1。
3.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法，其特征在于，所述长短期记忆神经网络包括第一LSTM层和第二LSTM层，所述第一LSTM层、第二LSTM层用于对所述空间特征进行学***滑层和全连接层。
4.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法，其特征在于，将所述样本泄洪数据输入所述初始分析模型中进行迭代训练，包括：
S211，将所述样本泄洪数据处理成维度为4、长度为N的特征数据输入所述初始分析模型，得到模型输出；所述特征数据的4个维度对应泄洪数据中的水位差、泄洪量、孔型数据和挑流挑角，数据长度对应样本数量；
S212，将各样本对应的雾化雨强度数据作为样本标签，根据所述样本标签和模型输出调整模型参数，完成一次迭代训练；
S213，重复执行S211-S212，直到训练次数达到预设值或模型准确率满足预设条件。
5.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法，其特征在于，所述方法还包括：设置训练周期，获取当前训练周期内的泄洪数据，若当前训练周期内的泄洪数据的数量大于预设值，则将当前训练周期内的泄洪数据和历史泄洪数据输入所述泄洪雾化雨强度分析模型中进行优化训练，所述历史泄洪数据是在当前训练周期之前获取的泄洪数据。
6.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法，其特征在于，所述方法还包括：获取特定泄洪条件下的泄洪数据，所述特定泄洪条件包括极端气象条件；将所述特定泄洪条件下的泄洪数据输入所述泄洪雾化雨强度分析中进行微调训练，得到适用于特定泄洪条件的雾化雨强度分析模型。
7.一种泄洪雾化雨强度分析方法，其特征在于，所述方法包括：获取实时泄洪数据，通过雾化雨强度分析模型对所述实时泄洪数据进行预测，得到雾化雨强度；所述雾化雨强度分析模型是根据权利要求1-6任一项所述的泄洪雾化雨强度分析模型建立方法得到的。
8.一种泄洪雾化雨强度分析模型建立装置，其特征在于，所述装置包括：
初始模型构建模块，用于构建初始分析模型：基于卷积神经网络和长短期记忆神经网络构建初始分析模型，所述卷积神经网络用于提取泄洪数据的空间特征，所述长短期记忆神经网络用于对所述空间特征进行预测，得到雾化雨强度，所述雾化雨强度包括雾化雨的横向长度、纵向长度和高度；
训练模块，用于训练所述初始分析模型：获取样本泄洪数据，所述样本泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度；将所述样本泄洪数据输入所述初始分析模型中进行迭代训练，得到泄洪雾化雨强度分析模型。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并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权利要求1至6任一项所述的泄洪雾化雨强度分析模型建立方法或权利要求7所述的泄洪雾化雨强度分析方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6任一项所述的泄洪雾化雨强度分析模型建立方法或权利要求7所述的泄洪雾化雨强度分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410186436.8A CN117744504A (zh) | 2024-02-20 | 2024-02-20 | 一种泄洪雾化雨强度分析模型建立方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410186436.8A CN117744504A (zh) | 2024-02-20 | 2024-02-20 | 一种泄洪雾化雨强度分析模型建立方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117744504A true CN117744504A (zh) | 2024-03-22 |
Family
ID=90261193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410186436.8A Pending CN117744504A (zh) | 2024-02-20 | 2024-02-20 | 一种泄洪雾化雨强度分析模型建立方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117744504A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
| WO2021109644A1 (zh) * | 2019-12-06 | 2021-06-10 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
| CN115099497A (zh) * | 2022-06-28 | 2022-09-23 | 中国水利水电科学研究院 | 一种基于cnn-lstm的实时洪水预报智能方法 |
| KR20230052440A (ko) * | 2021-10-13 | 2023-04-20 | 배재대학교 산학협력단 | Ｃｎｎ 기반의 수위 예측 모델 구현 방법 및 장치 |
| CN116989749A (zh) * | 2023-03-13 | 2023-11-03 | 福建中锐汉鼎数字科技有限公司 | 基于人工智能水文模型的流域洪水预测方法 |
| CN117520784A (zh) * | 2023-11-30 | 2024-02-06 | 中国船舶集团国际工程有限公司 | 基于卷积注意力长短期神经网络的地下水位多步预测方法 |
-
2024
- 2024-02-20 CN CN202410186436.8A patent/CN117744504A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110647980A (zh) * | 2019-09-18 | 2020-01-03 | 成都理工大学 | 一种基于gru神经网络的时间序列预测方法 |
| WO2021109644A1 (zh) * | 2019-12-06 | 2021-06-10 | 北京理工大学 | 一种基于元学习的混合动力车辆工况预测方法 |
| KR20230052440A (ko) * | 2021-10-13 | 2023-04-20 | 배재대학교 산학협력단 | Ｃｎｎ 기반의 수위 예측 모델 구현 방법 및 장치 |
| CN115099497A (zh) * | 2022-06-28 | 2022-09-23 | 中国水利水电科学研究院 | 一种基于cnn-lstm的实时洪水预报智能方法 |
| CN116989749A (zh) * | 2023-03-13 | 2023-11-03 | 福建中锐汉鼎数字科技有限公司 | 基于人工智能水文模型的流域洪水预测方法 |
| CN117520784A (zh) * | 2023-11-30 | 2024-02-06 | 中国船舶集团国际工程有限公司 | 基于卷积注意力长短期神经网络的地下水位多步预测方法 |
Non-Patent Citations (7)
| Title |
|---|
| 彭新民;林芝;黄财元;刘昉;: "挑流泄洪雾化的人工神经网络模型初探", 中国农村水利水电, no. 01, 25 January 2006 (2006-01-25), pages 60 - 61 * |
| 徐源浩;邬强;李常青;陈游倩;张力;冉广;胡彩虹;: "基于长短时记忆(LSTM)神经网络的黄河中游洪水过程模拟及预报", 北京师范大学学报(自然科学版), no. 03, 15 June 2020 (2020-06-15), pages 387 - 393 * |
| 戴丽荣 等: "挑流泄洪雾化影响范围的人工神经网络模型预测", 水利水电技术, vol. 34, no. 05, 20 May 2005 (2005-05-20), pages 7 - 9 * |
| 戴丽荣, 张云芳, 张华, 刘媛媛: "挑流泄洪雾化影响范围的人工神经网络模型预测", 水利水电技术, no. 05, 20 May 2003 (2003-05-20) * |
| 林云;: "BP神经网络预测挑流泄洪雾化范围的应用分析", 水利科技与经济, no. 06, 30 June 2009 (2009-06-30), pages 521 - 522 * |
| 柳海涛, 孙双科, 刘之平, 王晓松: "泄洪雾化预测的人工神经网络方法探讨", 水利学报, no. 10, 28 October 2005 (2005-10-28), pages 1241 - 1245 * |
| 沈位刚;时梦楠;徐圣捷;: "基于遗传神经网络的泄洪雾化雨预测研究", 中国水运(下半月), no. 10, 15 October 2015 (2015-10-15), pages 155 - 157 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106529814B (zh) | 基于Adaboost聚类和马尔科夫链的分布式光伏超短期预测方法 | |
| CN111343650B (zh) | 一种基于跨域数据和对抗损失的城市尺度无线业务流量预测方法 | |
| de Guia et al. | Using stacked long short term memory with principal component analysis for short term prediction of solar irradiance based on weather patterns | |
| CN113177652A (zh) | 一种光伏出力预测方法 | |
| Liao et al. | Ultra-short-term interval prediction of wind power based on graph neural network and improved bootstrap technique | |
| CN109242150A (zh) | 一种电网可靠性预测方法 | |
| CN115169724A (zh) | 一种基于时空图卷积神经网络的径流预测方法 | |
| CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
| CN113516304A (zh) | 基于时空图网络的区域污染物时空联合预测方法及装置 | |
| CN114169434A (zh) | 一种负荷预测方法 | |
| CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
| Bellagarda et al. | Effectiveness of neural networks and transfer learning to forecast photovoltaic power production | |
| CN113595798A (zh) | 改进闪电连接过程优化算法的网络流量预测方法及*** | |
| CN116109007B (zh) | 发电功率确定方法、服务器及存储介质 | |
| CN112633565A (zh) | 一种光伏功率集合区间预测方法 | |
| CN117744504A (zh) | 一种泄洪雾化雨强度分析模型建立方法和装置 | |
| CN117033923A (zh) | 一种基于可解释性机器学习的犯罪数量预测方法及*** | |
| CN115616333A (zh) | 一种配电网线损预测方法及*** | |
| CN113723670B (zh) | 变时间窗口的光伏发电功率短期预测方法 | |
| CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
| CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及*** | |
| CN112787882A (zh) | 一种物联网边缘流量预测方法、装置及设备 | |
| CN111935766A (zh) | 一种基于全局空间依赖性的无线网络流量预测方法 | |
| Lestari et al. | Rainfall Prediction using Spatial Convolutional Neural Networks and Recurrent Neural Networks | |
| CN117394306B (zh) | 基于新能源并网的风电功率预测模型建立方法及其应用 |
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 |