[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

说明书

本发明提供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，根据物理定律对深度学习模型的损失函数进行修改；使用水质模型生成水质指标的模拟时间序列数据；使用模拟数据对深度学习模型进行训练，得到预训练模型；使用水质指标的历史实测数据对预训练模型进行调整优化，得到物理约束和过程驱动的深度学习模型PRPGDL；最后，基于PRPGDL模型预测未来的水质指标数据。本发明相比水质模型需要更少的边界条件和参数、有更高的预测准确度、速度和灵活性；相比深度学习模型具有更高的准确性和通用性，并且需要更少的实测数据；提供准确度更高、泛化能力和适用性更强、实测数据需求更少的水质预测方法。

技术领域

本发明涉及水质预测领域，尤其涉及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。

背景技术

水质预测是实现水质柔性管理、水污染防治的有效工具。目前，水质预测方法有机理模型方法和非机理模型方法两大类。基于过程的机理模型(例如EFDC、SWAT等)包含了根据几十年的观察和实验发展的对过程和机理的理解，具有较强的泛化能力和适用性，是目前进行水质预测的首选方法。如专利CN107091911B公开了一种基于EFDC模型的水质预测方法。但是，基于过程的水质模型实现的只是生态系统过程的一部分，可能会受到模型中其他未考虑的实际过程的强烈影响；模型需要的输入条件和环境参数众多，而且获取困难；建模和参数率定过程复杂，预测效率低；此外，水质模型不能方便快捷地集成其他种类数据，造成数据增长和模型改进之间的滞后。

随着观测数据的增多和计算能力的提升，非机理模型也被应用于水质预测。如专利CN103605909B公布了一种基于灰色理论和支持向量机的水质预测方法。由于水环境系统的复杂性、非线性、时滞性和不稳定性，DNN、LSTM、seq2seq等深度学习算法更适合于水质预测。如专利CN108334977B公布了一种基于改进的BP神经网络的水质预测方法和系统。专利CN107688871B公布了一种基于LSTM模型的水质预测方法。专利CN112330005A公布了一种基于seq2seq模型的水质预测方法。但是深度学习方法没有对数据隐含的过程机理的假设，忽略了已知的定律或理论(如物质守恒定律、能量守恒定律等)，这种忽略会带来不真实、不准确的预测，导致模型的泛化能力、适用性和推广性差，特别是其应用超过深度学习模型的训练数据的范围时。此外，由于需要大量的历史数据来学习复杂系统的过程机理，深度学习模型在历史数据匮乏地区难以应用。

发明内容

有鉴于此，本发明提供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，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；

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、使用训练集对物理定律约束的深度学习模型进行预训练，学习机理模型中人类对过程机理的理解，根据模型在验证集上的表现最优化模型的超参数，得到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。

进一步地，PRPGDL模型为基于本发明提出的技术体系建立的一类水质预测模型的统称，并不限定为某一个确定的模型。

进一步地，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：