[发明专利]基于BP-LSTM的大坝监测物理量智能预测方法

权利要求书

1.一种基于BP-LSTM的大坝监测物理量智能预测方法，其特征在于：

获取需预测时段内的大坝监测数据，包括各时刻的大坝上、下游水位和大坝上游边界温度；

将预测时段内各时刻的大坝上、下游水位和大坝上游边界温度输入BP-LSTM网络模型，输出该预测时段内监测物理量的预测值；

所述BP-LSTM网络模型，包括：

S1、获取大坝某时间段的历史监测数据，包括各时刻的大坝上、下游水位、大坝上游边界温度以及需要预测的监测物理量测值；

S2、采用BP神经网络对大坝各时刻的边界温度进行特征提取，得到温度特征向量；

S3、采用LSTM神经网络进行监测物理量预测，将某时间段内各时刻由BP神经网络提取的温度特征向量，实测的上、下游水位及时间作为LSTM神经网络的输入，模型输出即为监测物理量的预测值；

S4、通过获取的某时间段历史监测数据对BP-LSTM网络模型进行训练，并保存训练得到的最优模型的参数。

2.根据权利要求1所述的基于BP-LSTM的大坝监测物理量智能预测方法，其特征在于，步骤S1包括：

获取大坝某时间段t∈[t₀，t₁]的历史监测数据，具体包括：t时刻的上游水位记为Hu_t，下游水位记为Hd_t；大坝上游边界温度，各高程测点温度记为Tb_{t_h}；所需预测的监测物理量记为u_t。

3.根据权利要求2所述的基于BP-LSTM的大坝监测物理量智能预测方法，其特征在于，步骤S2包括：

A、若上游坝面布置有边界温度测值断面：

S2-1、对于每个时刻t的边界温度测值序列，通过在高度方向等间距线性插值得到大坝边界温度向量记为TB_t＝[TB_1t，TB_2t，……，TB_Nt]，其中N为插值数量，定为常数；

S2-2、将每个时刻t的大坝边界温度向量TB_t输入BP神经网络进行处理，得到输出的温度特征向量记为T_t＝[T_1t，T_2t，……，T_Mt]，其中M为所取温度特征的数量；

B、若上游坝面未布置边界温度监测断面，则以实测坝趾气温T构建温度特征向量，即T_t＝[T，T，……，T]。

4.根据权利要求2所述的基于BP-LSTM的大坝监测物理量智能预测方法，其特征在于，步骤S3包括：

S3-1、令时刻t的自变量向量X_t＝[T_t，Hu_t，Hd_t，t]，应变量Y_t＝u_t；

利用历史监测数据构建固定长度为S的自变量时间序列x＝[x^t0+(S-1)，x^t0+S，……，x^t1]，其中x^t＝[X_t-(S-1)，X_t-(S-2)，……，X_t]；

构建应变量时间序列y＝[y^t0+(S-1)，y^t0+S，……，y^t1]，其中y^t＝Y_t；

常数S的物理意义是自变量对应变量影响的滞后效应的时间长度；

S3-2、以自变量序列x作为LSTM神经网络的输入，以LSTM神经网络最后一个单元的输出为监测物理量的预测值，由预测值构建的时间序列记为y₁。

5.根据权利要求4所述的基于BP-LSTM的大坝监测物理量智能预测方法，其特征在于，步骤S4包括：

构建模型损失函数为预测应变量序列y1与实测应变量序列y的均方根之和，以损失函数值最小为优化目标，利用历史监测数据样本对BP-LSTM网络模型进行训练并保存最优模型的参数。