[发明专利]基于卷积神经网络深度学习的流量等级预测方法

说明书

本发明提供了一种基于卷积神经网络深度学习的流量等级预测方法，包括以下步骤：选择与水库入库流量潜在相关的影响因子作为输入集合；进行样本集分类和原始输入数据集构建；对样本集中的原始输入数据集进行标准化处理；搭建多层卷积神经网络；以均方误差最小化作为损失函数，确定预测准确率；进行网络参数训练；进行网络性能测试；检验预测精度；进行模型参数的滚动学习训练；自动保存学习训练成果并自动更新实时库的知识记录；通过网络模型计算得出最终的流量等级预测结果。本发明通过组合低层特征形成更加高层的特征融合，从而实现对目标的高级抽象描述，并通过自动学习能发现输入数据的模式和时空分布规律，可有效应用于流域水情预报领域。

技术领域

本发明涉及流域水情预测技术领域，具体涉及一种基于卷积神经网络深度学习的流量等级预测方法。

背景技术

流域水情预测是极其重要的流域管理非工程措施，主要是根据流域的水文气象特征、下垫面条件、干支流水系分布、遥测站网布设、降雨径流实测资料等相关信息，分析流域的水循环机理及降雨径流规律，然后针对重点控制断面编制水情预报方案，用以预测各断面预见期内可能发生的径流过程，为开展流域的河道径流推演、防洪形势分析、水情报汛、水资源调配、水库群防洪调度决策、水库群供水调度计划编制、水电站群发电计划编制、水利工程泄洪设施控制方式制定、洪灾风险分析防控、防汛抗旱方案制定等提供科学准确的预测预报服务。

传统的流域水情预测的核心任务是构建流域水文模型，通过不同的理论方法、层级结构和建模方式对流域的水循环过程进行刻画与描述，然后采用数学语言或物理模型的形式进行表达，最终应用于预测预报计算和水文模拟分析。目前，据不完全统计，全世界已有70多个流域水文模型得到了广泛应用，较为经典的主要有国内的新安江模型、陕北模型和API模型；美国的Stanford模型、SWAT模型和SAC模型；英国的TOPMODEL模型和IHDM模型；丹麦DHI研发的MIKE系列模型，以及日本的Tank模型、德国的SWIM模型等。

以水库的入库流量等级预测为例，采用传统流域水文模型方法的主要步骤如下：

(1)控制流域确定：根据流域地理空间信息确定水库的集水区域范围和面积。

(2)资料收集：收集控制流域内的遥测站网资料和地形地貌资料，包括雨量站、流量站、蒸发站等测站详细分布，以及地形数据、土壤数据和各站点实测记录等。

(3)子流域划分：根据控制流域的面积大小、站网分布特点和资料条件，将控制流域按需划分为多个子流域。

(4)模型及样本选择：针对每个子流域分别构建用于洪水预报计算和枯水预报计算的水文模型，并分类摘录对之对应的参数率定样本和检验样本。

(5)参数率定：以模型构建需求和参数率定样本为基础，针对每个子流域按照水力拓扑关系从上到下逐一调用样本输入进行模拟计算，然后对比模拟输出与样本输出，以目标水库入库流量的拟合效果最佳为准则确定各子流域模型的最优参数。

(6)精度检验：以各子流域模型的参数率定成果和检验样本为基础，逐个子流域调用样本输入进行预报计算，然后对比预报输出和样本输出，通过目标水库入库流量的预报合格率确定最终的检验精度。若检验精度无法满足预期要求，则返回步骤(4)调整模型，直到检验精度达标为止。

(7)流量等级预测：根据各子流域优选出来的模型和参数，以预报时间的实测数据信息为输入计算目标水库的入库流量预测过程，经分析统计得最终流量等级。

上述基于流域水文模型的水库入库流量等级预测方法主要存在以下局限：

(1)水文模型大多具有清晰的成因机理、层次结构及物理涵义，模型应用过程较为复杂，且需要大量的人工干预，专业性和经验性都非常强，必须具备丰富的行业背景知识才能顺利开展预报预测任务。

(2)水文模型在建模过程中通常需要进行不同程度的模型参数概化、输入条件概化和边界约束概化，不可避免会忽略部分影响预报结果的关联因素。