TWI618016B - 水庫水位之預測顯示系統及方法 - Google Patents
水庫水位之預測顯示系統及方法 Download PDFInfo
- Publication number
- TWI618016B TWI618016B TW105121206A TW105121206A TWI618016B TW I618016 B TWI618016 B TW I618016B TW 105121206 A TW105121206 A TW 105121206A TW 105121206 A TW105121206 A TW 105121206A TW I618016 B TWI618016 B TW I618016B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- reservoir
- water level
- historical
- historical data
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種水庫水位之預測顯示系統,包含:一預測模組,根據至少一輸入資料並透過一類神經網路演算法運算出至少一預測資料,該輸入資料至少包含水庫水位即時資料,而該預測資料至少包含水庫水位預測資料;一資料庫,自該預測模組接收及儲存該預測資料及/或該輸入資料;及一使用者操作介面,包含:一操作模組,接收使用者操作條件,該使用者操作條件至少包含使用者所選定瀏覽之預測資料及/或歷史資料;及一預測資料顯示模組,根據該使用者操作條件,至該資料庫擷取該選定瀏覽之預測資料及/或歷史資料,並顯示該選定瀏覽之預測資料及/或歷史資料,以供使用者瀏覽。
Description
本發明係關於一種水庫水位預測之顯示系統,特別是關於一種利用多類即時水文資料進行水庫水位預測之顯示系統及方法。
水力電廠在考量如何有效率地發電時,須兼顧防洪及供水。因此,水力電廠的發電操作與水庫水位息息相關。在進行發電操作時,須將目前水庫水位及未來水庫水位一併列入考量,否則將無法同時達到高發電效率、防洪及供水的目的。
然而,目前在進行水庫水位高度的預測值判斷時,僅係由水力電廠運轉人員根據目前水庫水位高低及部份相關資訊,憑藉個人經驗判斷來進行。而由於資料量龐大且多樣性高,資料的彙整及統合分析極為不易,若僅憑人力將無法有效進行如此複雜的操作,並藉此做出適當的判斷或預測。缺乏一種可統整各類資料,並以易於理解的方式提供水力電廠運轉人員進行操作判斷的系統。
因此,需要一種能蒐集、統整、分析水庫水位相關資料,且能將統整及分析後的資料以易於理解及易於操作的方式呈現給使用者,令使用者能輕易了解相關資訊的水庫水位之預測顯示系統及方法。
為了解決上述問題,本發明之目的在提供一種水庫水位之預測顯示系統及方法。
本發明之另一目的在提供一種透過類神經網路演算法進行水庫水位預測的水庫水位之預測顯示系統及方法。
本發明之再一目的在提供一種可以圖形方式顯示預測資料及歷史資料的水庫水位之預測顯示系統及方法。
本發明之又一目的在提供一種透過模擬未來發電量、排洪量資料,可以圖形方式顯示水庫水位之預測顯示系統及方法。
本發明之另一目的在提供一種可以圖形方式顯示水文、雨量、發電量等預測資料及歷史資料的水庫水位之預測顯示系統及方法。
為達上述目的,本發明提供一種水庫水位之預測顯示系統,包含:一預測模組、一資料庫及一使用者操作介面。該預測模組根據至少一輸入資料並透過一類神經網路演算法運算出至少一預測資料,該輸入資料至少包含水庫水位即時資料,而該預測資料至少包含水庫水位預測資料。該資料庫係自該預測模組接收及儲存該預測資料及/或該輸入資料。該使用者操作介面包含:一操作模組及一預測資料顯示模組。該操作模組接收使用者操作條件,該使用者操作條件至少包含使用者所選定瀏覽之預測資料及/或歷史資料。而該預測資料顯示模組係根據該使用者操作條件,至該資料庫擷取該選定瀏覽之預測資料及/或歷史資料,並顯示該選定瀏覽之預測資料及/或歷史資料,以供使用者瀏覽。
於本發明較佳之實施例中,所述顯示該選定瀏覽之預測資料及/或歷史資料,係以圖形方式顯示。
於本發明較佳之實施例中,所述顯示該選定瀏覽之預測資料及/或歷史資料,係以具有複數縱軸的圖形方式顯示其關聯性。
於本發明較佳之實施例中,所述顯示該選定瀏覽之預測資料及/或歷史資料,係顯示包含:水庫入流量預測資料、水庫入流量歷史資料、水庫水位預測資料、水庫水位歷史資料、雨量預測資料、雨量歷史資料、發電量模擬資料、發電量歷史資料、排洪量模擬資料、排洪量歷史資料或其組合。
於本發明較佳之實施例中,該使用者操作條件包含該輸入資料之一部分。
於本發明較佳之實施例中,該使用者操作條件包含防洪量模擬資料或發電量模擬資料。
於本發明較佳之實施例中,該預測資料包含水庫入流量預測資料。
根據本發明之目的,再提供一種水庫水位之預測顯示方法,包含:根據至少一輸入資料透過一類神經網路演算法運算出至少一預測資料,該輸入資料至少包含水庫水位即時資料,而該預測資料至少包含水庫水位預測資料;接收使用者操作條件,其中該使用者操作條件至少包含使用者所選定瀏覽之預測資料及/或歷史資料;根據該使用者操作條件擷取該選定瀏覽之預測資料及/或歷史資料;顯示該選定瀏覽之預測資料及/或歷史
資料。
於本發明較佳之實施例中,所述顯示該選定瀏覽之預測資料及/或歷史資料,係以圖形方式顯示。
於本發明較佳之實施例中,所述顯示該選定瀏覽之預測資料及/或歷史資料,係以具有複數縱軸的圖形方式顯示其關聯性。
於本發明較佳之實施例中,所述顯示該選定瀏覽之預測資料及/或歷史資料,係顯示包含:水庫入流量預測資料、水庫入流量歷史資料、水庫水位預測資料、水庫水位歷史資料、雨量預測資料、雨量歷史資料、發電量模擬資料、發電量歷史資料、排洪量模擬資料、排洪量歷史資料或其組合。
於本發明較佳之實施例中,該使用者操作條件包含該輸入資料之一部分。
於本發明較佳之實施例中,該使用者操作條件包含防洪量模擬資料或發電量模擬資料。
於本發明較佳之實施例中,該預測資料包含水庫入流量預測資料。
本發明前述各方面及其它方面依據下述的非限制性具體實施例詳細說明以及參照附隨的圖式將更趨於明瞭。
100‧‧‧類神經網路系統
200‧‧‧訓練資料
220‧‧‧資料伺服器
240‧‧‧水庫水位預測系統
250‧‧‧預測模組
252‧‧‧類神經網路學習模組
254‧‧‧預測資料運算模組
256‧‧‧輸入資料儲存模組
260‧‧‧使用者操作介面
262‧‧‧操作模組
264‧‧‧預測資料顯示模組
270‧‧‧資料庫
280‧‧‧使用者
300‧‧‧預測機制流程圖
310-350‧‧‧操作
400‧‧‧類神經網路模型
402‧‧‧發電量資料
404‧‧‧水庫水位資料
406‧‧‧排洪量資料
408a‧‧‧第一層類神經網路
408b‧‧‧第二層類神經網路
408c‧‧‧第三層類神經網路
412‧‧‧水庫入流量資料
424‧‧‧集水區雨量站觀測資料
426‧‧‧集水區氣象預報資料
432‧‧‧水庫入流量預測資料
442‧‧‧水庫水位預測資料
500‧‧‧使用者操作顯示流程圖
510-550‧‧‧操作
610‧‧‧圖形顯示區域
612‧‧‧縱軸
614‧‧‧水庫入流量預測折線圖
616‧‧‧水庫水位預測折線圖
618‧‧‧縱軸
619‧‧‧橫軸
620‧‧‧圖形顯示區域
622‧‧‧縱軸
624‧‧‧橫軸
626‧‧‧集水區雨量預測直條圖
720‧‧‧圖形顯示區域
722‧‧‧縱軸
724‧‧‧橫軸
728‧‧‧歷史雨量直條圖
730‧‧‧預測雨量直條圖
第一圖為一般類神經網路系統的示意圖。
第二圖為本發明基於類神經網路之水庫水位預測系統的架
構圖。
第三圖為本發明基於類神經網路之水庫水位預測方法之流程圖。
第四圖為本發明基於類神經網路之水庫水位預測系統一具體實施例的類神經網路模型圖。
第五圖為本發明基於類神經網路之水庫水位預測方法的使用者操作顯示流程圖。
第六圖為本發明基於類神經網路之水庫水位預測系統的預測結果顯示之一具體實施例示意圖。
第七圖為本發明基於類神經網路之水庫水位預測系統的預測結果顯示之另一具體實施例示意圖。
本發明基於類神經網路之水庫水位預測的系統及其方法,係利用類神經網路具有在不需要提供轉換的數學函示條件下,即可學習輸入資料與輸出資料之關係的特性,先以大量訓練資料對類神經網路進行訓練,以塑模出各個輸入節點與各個隱藏層神經元的權重、各個隱藏層神經元與輸出節點之權重,及各個節點的偏權值,而後配合即時擷取的水文資料作為各個輸入節點的輸入資料,以進行水庫水位預測。以下將配合圖示進一步說明。
第一圖為一般類神經網路系統的示意圖。本發明基於類神經網路之水庫水位預測的系統,係利用如圖示之類神經網路系統100進行訓
練,以塑模出各個權重及各個偏權值,於圖示中,該類神經網路系統100在第一層具有輸入節點S1、輸入節點S2,在第二層具有隱藏層神經元S3、隱藏層神經元S4、隱藏層神經元S5,在第三層具有輸出節點S6。
應了解類神經網路系統100在此僅為例示,本發明並不限於使用單層的隱藏層神經元,而係可視需求使用一至多層的隱藏層神經元。類神經網路系統100之輸入節點個數、隱藏層神經元個數、輸出節點個數,亦非可限制本發明,本發明之輸入節點個數、隱藏層神經元個數、輸出節點個數可視情況調整為任意個數。
請繼續參考第一圖,類神經網路系統100的各個輸入節點與各個隱藏層神經元均有相對應的權重,例如輸入節點S1與隱藏層神經元S5具有一權重W15,輸入節點S2與隱藏層神經元S5具有一權重W25。同時,類神經網路系統100的各個隱藏層神經元與輸出節點亦有相對應的權重,例如隱藏層神經元S3與輸出節點S6具有一權重W36,隱藏層神經元S5與輸出節點S6具有一權重W56。而各個輸入節點、隱藏層神經元及輸出節點均具有各自的偏權值,例如輸入節點S2具有偏權值θ2,隱藏層神經元S5具有偏權值θ5,輸出節點S6具有偏權值θ6。而一節點傳輸至下個節點的傳輸數值之計算方式如下,假設共有n個節點將各自的傳輸數值傳輸至該節點Y,則節點Y傳輸至下一節點的傳輸數值y之公式為:
其中,Wi為將傳輸數值傳輸至節點Y的n個節點中之第i個節點與節點Y所對應的權重,Xi為該第i個節點傳輸至節點Y的傳輸數值,θ為節點Y的偏權
值。
以節點S5為例,輸入節點S1與隱藏層神經元S5所對應的權重為W15,輸入節點S2與隱藏層神經元S5所對應的權重為W25,而隱藏層神經元S5的偏權值為θ5。設輸入節點S1傳輸至隱藏層神經元S5的傳輸數值為X1,而輸入節點S2傳輸至隱藏層神經元S5的傳輸數值為X2,則隱藏層神經元S5傳輸至輸出節點S6的傳輸數值為:(W15.X1+W25.X2)-θ5
在訓練類神經網路系統100的過程中,首先以大量已知的輸入資料及輸出資料作為訓練用的輸入資料與輸出資料,對類神經網路系統100進行訓練,藉此塑模出各個權重及各個偏權值。傳統上可採用傳統梯度下降演算法以修正各個權重。在塑模出各個權重及各個偏權值後,即可利用類神經網路系統100,以即時的輸入資料,進行輸出資料的預測。
第二圖為本發明基於類神經網路之水庫水位預測系統的架構圖,如圖所示,水庫水位預測系統240包含一預測模組250;一使用者操作介面260;及一資料庫270,該預測模組250包含一輸入資料儲存模組256,用以由複數個伺服器擷取及儲存至少一輸入資料,且該輸入資料至少包含水庫水位即時資料;一類神經網路學習模組252,根據儲存於該輸入資料儲存模組256的該輸入資料,以塑模出至少一權重及至少一偏權值;及一預測資料運算模組254,根據該類神經網路學習模組252所塑模出之該權重及該偏權值,對該輸入資料進行運算,以得出至少一預測資料,且該預測資料至少包含水庫水位預測資料;該使用者操作介面260則包含一操作模組
262,用以接收使用者操作條件,該使用者操作條件至少包含使用者所選定瀏覽之預測資料及/或歷史資料;及一預測資料顯示模組264,用以根據該使用者操作條件,至該資料庫270擷取該選定瀏覽之預測資料及/或歷史資料,並顯示該選定瀏覽之預測資料及/或歷史資料,以供使用者瀏覽。
其中,預測模組250係藉由大量的訓練資料200對類神經網路學習模組252進行訓練,藉此塑模出各個權重及各個偏權值。接著,由輸入資料儲存模組256定期至一或多個資料伺服器220擷取各類所需的即時資料並儲存,再由預測資料運算模組254將儲存在輸入資料儲存模組256的資料作為輸入資料,並依據類神經網路學習模組252塑模出的各個權重及各個偏權值,以進一步運算出預測資料,並透過資料庫270儲存該些預測資料。其中,預測資料運算模組254在執行預測運算時所使用的輸入資料,除了儲存於輸入資料儲存模組的資料外,可進一步包含由使用者透過操作模組262所輸入的資料。使用者並可透過操作模組262決定欲顯示的預測資料及/或歷史資料範圍,而後,使用者操作介面260將根據使用者選取的預測資料範圍,至資料庫270擷取該些預測資料及/或歷史資料,並透過預測資料顯示模組264將該些預測資料及/或歷史資料呈現給使用者。
請參考第三圖並配合參考第四圖,其中第三圖為本發明基於類神經網路之水庫水位預測方法之流程圖;而第四圖係為本發明基於類神經網路之水庫水位預測系統一具體實施例的類神經網路模型圖。本發明基於類神經網路之水庫水位預測方法,包含以下步驟:首先,進行步驟310,由使用者先建構類神經網路模型,其包含決定各個輸入節點的輸入資料為
何,其中該類神經網路模型可為單層類神經網路模型或多層類神經網路模型。
於本實施例中,在步驟310處,所建構之類神經網路模型為第四圖所示之類神經網路模型400,並以此類神經網路模型400對例如一甲水庫進行1至48小時的水庫水位預測。如圖所示,類神經網路模型400為三層之類神經網路模型,其中第一層類神經網路408a的隱藏層神經元個數可為5至20個,第二層類神經網路408b的隱藏層神經元個數可為5至20個,第三層類神經網路408c的隱藏層神經元個數可為5至20個。
應了解,各層類神經網路的隱藏層神經元個數在此僅為例示,本發明並不限於使用5-20個隱藏層神經元,而係可視需求設置任意個數的隱藏層神經元。
另外,於本實施例中,在步驟310處,係以發電量資料402、水庫水位資料404及排洪量資料406作為第一層類神經網路408a的輸入資料,以水庫入流量資料412作為第一層類神經網路408a的輸出資料。而第二層類神經網路408b的輸入資料為水庫入流量資料412、集水區雨量站觀測資料424及集水區氣象預報資料426,第二層類神經網路408b的輸出資料為水庫入流量預測資料432。第三層類神經網路408c的輸入資料則為水庫入流量預測資料432、發電量資料402及排洪量資料406,第三層類神經網路408c的輸出資料為水庫水位預測資料442。
在完成步驟310後,則進行步驟320,在步驟320處,使用者進一步決定以何項歷史資料作為訓練各層類神經網路的訓練資料,並藉此
塑模出各層類神經網路模型的各個權重及偏權值。
於實施例中,該歷史資料,係以2012年至2013年甲水庫的發電量資料402、水庫水位資料404及排洪量資料406作為第一層類神經網路408a的訓練用輸入資料,且以2012年至2013年甲水庫的水庫入流量資料412作為第一層類神經網路408a的訓練用輸出資料。並以2012年至2013年甲水庫的水庫入流量資料412、集水區雨量站觀測資料424及集水區氣象預報資料426作為第二層類神經網路408b的訓練用輸入資料,且以2012年至2013年甲水庫的水庫入流量預測資料432作為第二層類神經網路408b的訓練用輸出資料。再以2012年至2013年甲水庫的水庫入流量預測資料432、發電量資料402及排洪量資料406作為第三層類神經網路408c的訓練用輸入資料,並再以2012年至2013年甲水庫的水庫水位預測資料442作為第三層類神經網路408c的訓練用輸出資料。其中,第二層類神經網路408b的訓練用之水庫入流量預測資料432之資料時間點,較第二層類神經網路408b的訓練用之集水區雨量站觀測資料424,及訓練用之集水區氣象預報資料426的資料時間點延後1至48小時,以此模擬第二層類神經網路408b的輸入資料與輸出資料之關係,係為輸入資料與預測資料之關係。而第三層類神經網路408c的訓練用之水庫水位預測資料442之資料時間點,較第三層類神經網路408c的訓練用之發電量資料,及訓練用之排洪量資料的資料時間點延後1至48小時,以此模擬第三層類神經網路408c的輸入資料與輸出資料之關係,係為輸入資料與預測資料之關係。
在決定以何歷史資料作為訓練各層類神經網路的訓練資料
200後,進行步驟330,在步驟330處,以所決定的歷史資料對類神經網路學習模組252的各層類神經網路進行訓練,以塑模出各層類神經網路的各個權重及各個偏權值。
於本實施例中,在步驟330處,係以上述2012年至2013年各訓練用輸入資料及各訓練用輸出資料對類神經網路模型400進行訓練,以塑模出第一層類神經網路408a、第二層類神經網路408b及第三層類神經網路408c的各個權重及偏權值。
接著,進行步驟340,在步驟340處,由輸入資料儲存模組256定期至資料伺服器220擷取所需的即時資料並儲存,所擷取的該些資料亦可於日後作為訓練用之歷史資料及/或作為提供使用者瀏覽之歷史資料。其中,該些所擷取的即時資料可同時儲存於資料庫270,供使用者操作介面260使用。
於本實施例中,在步驟340處,係以一小時為間隔,由輸入資料儲存模組256每小時至A伺服器擷取甲水庫水位資料、發電量資料,及水庫集水區雨量站資料並儲存,至B伺服器擷取集水區氣象預報資料並儲存。並於預測資料儲存模組254執行預測運算時,提供該些資料對甲水庫進行1至48小時的水庫水位預測。
應了解,上述實施例僅為示例,本發明並非限於每小時執行一次資料擷取,而係可視需求,以數分鐘至數天作為資料擷取之執行間隔。同時,本發明並非僅可用於預測1至48小時後的水庫水位,而係可視需求進行至少數小時至數天、週、月、年的水庫預測。
接著,進行步驟350,在步驟350處,由預測資料運算模組254藉由類神經網路學習模組252塑模出的各個權重及各個偏權值進行預測運算,其係將儲存在輸入資料儲存模組256的資料作為輸入資料,並針對該些輸入資料運算出預測資料,而後,將該些運算出的預測資料儲存於資料庫270。
於本實施例中,係藉由上述塑模出的第一層類神經網路408a、第二層類神經網路408b及第三層類神經網路408c的各個權重及偏權值,以類神經網路模型400進行甲水庫水位預測,並將該些預測資料儲存至資料庫270。其中,用以預測的各輸入資料係來自輸入資料儲存模組256於A伺服器及B伺服器所擷取並儲存之資料,即完成本發明基於類神經網路之水庫水位預測方法。
第五圖為本發明基於類神經網路之水庫水位預測系統的使用者操作顯示流程圖,使用者操作顯示流程圖500開始於步驟510,由操作模組262確認一使用者是否為合法使用者。在一具體實施例中,係由使用者輸入帳號密碼,以供操作模組262進行確認。
在確認使用者合法登入後,於步驟520處,由操作模組262提供該使用者進行操作介面的使用,並於步驟530處,由操作模組262接收使用者輸入的操作條件。該些操作條件可包含使用者所選定瀏覽之資料範圍及/或部分用以進行預測的輸入資料(例如排洪量模擬資料及/或發電量模擬資料)等,但並不以此為限。其中,使用者所選定瀏覽之資料可為預測資料及/或歷史資料。
接著,於步驟540處,根據使用者輸入的操作條件,由預測資料顯示模組264至資料庫270及/或輸入資料儲存模組256擷取使用者所選定瀏覽之預測資料及/或使用者選定瀏覽之歷史資料。並於步驟550處,由預測資料顯示模組264顯示該些擷取自資料庫270及/或輸入資料儲存模組256之資料,以供使用者瀏覽。所述顯示該些擷取自資料庫270及/或輸入資料儲存模組256之資料,可為直接顯示資料的數值及/或將該些資料以圖形方式顯示。所述以圖形方式顯示,可為以折線圖及/或直條圖的方式顯示,但不以此為限。
第六圖為本發明基於類神經網路之水庫水位預測系統的預測結果顯示之一具體實施例示意圖,如圖所示,在使用者選定欲瀏覽之預測資料範圍後,預測資料顯示模組264即根據使用者選定之預測資料範圍,至資料庫270擷取對應的預測資料。並於圖形顯示區域610處,以折線圖的形式顯示使用者選定之水庫入流量預測折線圖614及水庫水位預測折線圖616,其中,水庫入流量預測折線圖614的對應縱軸612標示水庫預測入流量數值(CMS),橫軸619標示預測時間點。而水庫水位預測折線圖616的對應縱軸618標示水庫預測水位高度(m),橫軸619標示預測時間點。圖形顯示區域620則以直條圖的形式顯示集水區雨量預測直條圖626,其對應縱軸622標示預測雨量數值(mm),橫軸624標示預測時間點。
應了解,第六圖僅為一示意圖,本發明最終顯示之圖形並不以此為限,例如,圖形顯示區域610亦可同時顯示水庫入流量預測資料、水庫入流量歷史資料、水庫水位預測資料及水庫水位歷史資料。又例如,圖
形顯示區域620亦可視狀況具有兩組縱軸,並可以折線圖的形式顯示使用者所選定瀏覽之預測資料及/或歷史資料。
第七圖為本發明基於類神經網路之水庫水位預測系統的預測結果顯示之另一具體實施例示意圖,如圖所示,其係於圖形顯示區域720處,以直條圖的形式顯示各雨量站在各時間點的歷史雨量直條圖728及預測雨量直條圖730。其中,歷史雨量直條圖728及預測雨量直條圖730的對應縱軸722標示雨量數值(mm),對應的橫軸724標示時間點。同時,如圖所示,在同一時間點的歷史雨量直條圖728及預測雨量直條圖730係相互緊鄰,以方便使用者辨識各個時間點所對應的的歷史雨量與預測雨量。
如第七圖所示,當使用者所選定欲瀏覽之資料範圍為歷史資料時,即於圖形顯示區域720處,以歷史雨量直條圖728及預測雨量直條圖730顯示出所選定的各時間點的歷史資料及預測資料,使用者可藉此比較在各時間點,各個集水區的實際雨量值及預測雨量值,以分析預測值的準確度。
應了解,第七圖僅為一示意圖,本發明最終顯示之圖形並不以此為限。
Claims (10)
- 一種水庫水位之預測顯示系統,包含:一預測模組,根據至少一輸入資料並透過一類神經網路演算法運算出至少一預測資料,該輸入資料至少包含水庫水位即時資料與集水區氣象預報資料,而該預測資料至少包含水庫水位預測資料;一資料庫,自該預測模組接收及儲存該預測資料及/或該輸入資料;及一使用者操作介面,包含:一操作模組,接收使用者操作條件,該使用者操作條件至少包含使用者所選定瀏覽之預測資料及/或歷史資料;及一預測資料顯示模組,根據該使用者操作條件,至該資料庫擷取該選定瀏覽之預測資料及/或歷史資料,並顯示該選定瀏覽之預測資料及/或歷史資料,以供使用者瀏覽;其中該使用者操作條件包含該輸入資料之一部分;其中該使用者操作條件包含作為該輸入資料之一部分的排洪量模擬資料或發電量模擬資料。
- 如申請專利範圍第1項所述之水庫水位之預測顯示系統,其中所述顯示該選定瀏覽之預測資料及/或歷史資料,係以圖形方式顯示。
- 如申請專利範圍第1項所述之水庫水位之預測顯示系統,其中所述顯示該選定瀏覽之預測資料及/或歷史資料,係以具有複數縱軸的圖形方式顯示其關聯性。
- 如申請專利範圍第1項所述之水庫水位之預測顯示系統,其中所述顯示 該選定瀏覽之預測資料及/或歷史資料,係顯示包含:水庫入流量預測資料、水庫入流量歷史資料、水庫水位預測資料、水庫水位歷史資料、雨量預測資料、雨量歷史資料、發電量模擬資料、發電量歷史資料、排洪量模擬資料、排洪量歷史資料或其組合。
- 如申請專利範圍第1項所述之水庫水位之預測顯示系統,其中該預測資料包含水庫入流量預測資料。
- 一種水庫水位之預測顯示方法,包含:根據至少一輸入資料透過一類神經網路演算法運算出至少一預測資料,該輸入資料至少包含水庫水位即時資料與集水區氣象預報資料,而該預測資料至少包含水庫水位預測資料;接收使用者操作條件,其中該使用者操作條件至少包含使用者所選定瀏覽之預測資料及/或歷史資料;根據該使用者操作條件擷取該選定瀏覽之預測資料及/或歷史資料;顯示該選定瀏覽之預測資料及/或歷史資料;其中該使用者操作條件包含該輸入資料之一部分;其中該使用者操作條件包含作為該輸入資料之一部分的排洪量模擬資料或發電量模擬資料。
- 如申請專利範圍第6項所述之水庫水位之預測顯示方法,其中所述顯示該選定瀏覽之預測資料及/或歷史資料,係以圖形方式顯示。
- 如申請專利範圍第6項所述之水庫水位之預測顯示方法,其中所述顯示該選定瀏覽之預測資料及/或歷史資料,係以具有複數縱軸的圖形方式顯示其關聯性。
- 如申請專利範圍第6項所述之水庫水位之預測顯示方法,其中所述顯示該選定瀏覽之預測資料及/或歷史資料,係顯示包含:水庫入流量預測資料、水庫入流量歷史資料、水庫水位預測資料、水庫水位歷史資料、雨量預測資料、雨量歷史資料、發電量模擬資料、發電量歷史資料、排洪量模擬資料、排洪量歷史資料或其組合。
- 如申請專利範圍第6項所述之水庫水位之預測顯示方法,其中該預測資料包含水庫入流量預測資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105121206A TWI618016B (zh) | 2016-07-05 | 2016-07-05 | 水庫水位之預測顯示系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105121206A TWI618016B (zh) | 2016-07-05 | 2016-07-05 | 水庫水位之預測顯示系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201802747A TW201802747A (zh) | 2018-01-16 |
TWI618016B true TWI618016B (zh) | 2018-03-11 |
Family
ID=61725151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105121206A TWI618016B (zh) | 2016-07-05 | 2016-07-05 | 水庫水位之預測顯示系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI618016B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI690859B (zh) * | 2018-09-10 | 2020-04-11 | 陳柏蒼 | 利用圖形辨識量測水位之方法及其系統 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090095054A1 (en) * | 2006-12-22 | 2009-04-16 | Groves Bruce D | Methods and Systems for Analysis, Reporting and Display of Environmental Data |
CN103175513B (zh) * | 2013-03-01 | 2013-11-06 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控***及方法 |
TWI490811B (zh) * | 2008-12-19 | 2015-07-01 | Chugoku Electric Power | Support facilities for storage facilities, use of reservoir support facilities and support facilities for storage facilities |
-
2016
- 2016-07-05 TW TW105121206A patent/TWI618016B/zh active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090095054A1 (en) * | 2006-12-22 | 2009-04-16 | Groves Bruce D | Methods and Systems for Analysis, Reporting and Display of Environmental Data |
TWI490811B (zh) * | 2008-12-19 | 2015-07-01 | Chugoku Electric Power | Support facilities for storage facilities, use of reservoir support facilities and support facilities for storage facilities |
CN103175513B (zh) * | 2013-03-01 | 2013-11-06 | 戴会超 | 水利工程影响下基于物联网的流域水文水质监控***及方法 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI690859B (zh) * | 2018-09-10 | 2020-04-11 | 陳柏蒼 | 利用圖形辨識量測水位之方法及其系統 |
Also Published As
Publication number | Publication date |
---|---|
TW201802747A (zh) | 2018-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nagpal et al. | A methodology for auto-calibrating urban building energy models using surrogate modeling techniques | |
CN116451879B (zh) | 一种干旱风险预测方法、***及电子设备 | |
CN108172301A (zh) | 一种基于梯度提升树的蚊媒传染病疫情预测方法及*** | |
CN107480341A (zh) | 一种基于深度学习的大坝安全综合评判方法 | |
CN111639787A (zh) | 一种基于图卷积网络的时空数据预测方法 | |
CN106951611A (zh) | 一种基于使用者行为的严寒地区建筑节能设计优化方法 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
CN105868853A (zh) | 一种短期风电功率组合概率预测方法 | |
US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
CN108399470B (zh) | 一种基于多示例遗传神经网络的室内pm2.5预测方法 | |
CN105809264B (zh) | 电力负载预测方法和装置 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
TWI587222B (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和*** | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
WO2021063461A1 (en) | Method for planning a layout of a renewable energy site | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库*** | |
TWI618016B (zh) | 水庫水位之預測顯示系統及方法 | |
CN117335411B (zh) | 一种光伏电站群的中长期发电量预测方法 | |
CN109902344A (zh) | 中小跨径桥梁群结构性能预测装置及*** | |
CN117057490A (zh) | 湿胁迫热浪-洪水复合灾害的预测方法、***及电子设备 | |
Papadopoulou et al. | Evaluating predictive performance of sensor configurations in wind studies around buildings | |
CN112365082A (zh) | 一种基于机器学习的公共能源消耗预测方法 | |
CN117318018A (zh) | 一种风电出力短期预测方法及*** |