[发明专利]基于物理定律和过程驱动的深度学习模型的水质预测方法

权利要求书

1.一种基于物理定律和过程驱动的深度学习模型的水质预测方法，其特征在于，包括以下步骤：

S1、在损失函数中加入对违反物理定律的预测的惩罚项，实现对深度学习模型的物理约束；

步骤S1具体为：

S11、根据所要预测的水质指标的特征选择合适的物理定律，对选定的物理定律进行概化，计算预测值对应的物理状态偏离真实值对应的物理状态的程度，计算公式概化为：

pr(y_m,y_p,**arges)＝|s(y_m,**arges)-s(y_p,**arges)|-α

其中y_m为观测值，y_p为预测值，**arges为除观测值和预测值之外的计算选定物理状态的变量，s(y,**arges)为计算物理状态的函数，α为确定的偏离程度的阈值；

S12、将pr(y_m,y_p,**arges)函数集成到深度学习模型的损失函数中，作为损失函数惩罚项的一部分，损失函数修改为：

Loss Function＝|pr(y_m,y_p,**arges)|×loss(y_m,y_p)

其中loss(y_m,y_p)为深度学习模型未经修改的损失函数，y_m为观测值，y_p为预测值；

S2、使用基于过程的水质模型模拟生成水质指标的模拟时间序列数据，并进行预处理，生成训练数据集和验证集；

S3、通过水质模型生成的大量的模拟数据对深度学习模型进行训练，初始化深度学习模型的网络参数，使深度学习模型学习到水质模型中包含的水环境系统的过程和机理；

使用训练集对不同超参数的深度学习模型进行训练，根据训练好的深度学习模型在验证集上的表现，选择在验证集上表现最好的深度学习模型，即为PRPGDL预训练模型；

S4、使用历史实测时间序列数据对PRPGDL预训练模型进行训练，得到PRPGDL模型；

S5、将当前和当前时刻之前预设时间段内的实测时间序列数据输入到训练完成的PRPGDL模型中，输出得到未来水质指标的预测数据。

2.根据权利要求1所述的一种基于物理定律和过程驱动的深度学习模型的水质预测方法，其特征在于，所述PRPGDL模型为基于本方法提出的技术体系建立的一类水质预测模型的统称。

3.根据权利要求1所述的一种基于物理定律和过程驱动的深度学习模型的水质预测方法，其特征在于，所述物理定律包括物质守恒定律、能量守恒定律以及与水体污染物迁移转化过程有关的物理学或湖沼学的定律或规律中的一种或几种。

4.根据权利要求1所述的一种基于物理定律和过程驱动的深度学习模型的水质预测方法，其特征在于，步骤S1所述的深度学习模型包括RNN、GRU、LSTM、LSTM-seq2seq、Transformer以及这些深度学习模型的常见变体中的一种或几种。

5.根据权利要求1所述的一种基于物理定律和过程驱动的深度学习模型的水质预测方法，其特征在于，S2所述的水质模型包括EFDC、QUAL2K、SWAT以及基于过程的水质模型中的一种或几种。

6.根据权利要求1所述的一种基于物理定律和过程驱动的深度学习模型的水质预测方法，其特征在于，所述S2具体过程为：

S21：随机生成选定的水质模型所需要的边界条件、参数以及输入变量的模拟数据；

S22：将S21生成的边界条件和参数设置为水质模型的边界条件和参数，将输入变量的模拟数据输入到水质模型中，输出得到水质模型的模拟时间序列数据；

S23：重复步骤S21和S22，直到生成的模拟时间序列数据的数据量达到设定值；

S24：输入变量的模拟数据与水质指标的模拟时间序列数据构成预训练数据集，将预训练数据集按照一定比例划分为训练集和验证集，对训练集、验证集进行标准化处理。