【技术实现步骤摘要】
一种基于三维卷积神经网络的河流流量预测方法
本专利技术涉及一种河流流量预测领域,尤其涉及一种基于多特征相关性的三维卷积神经网络河流流量预测方法。
技术介绍
中小河流,一般指流域面积从200~3000平方公里的河流区域。这类流域由于大多位于地势复杂多变的山地,难以部署基础测量设备,且流域洪水突发性强,难以提前预测并及时做好应急措施。其次,传统的基于物理模型的洪水预报方法需要根据大量观测资料数据确定模型参数,并且由于模型参数的独特性,难以推广并直接应用至其它流域的洪水预测。中小河流流域的洪水预测的巨大困难,给当地的经济,农业,居民人生安全带来了巨大隐患。因此,如何改进传统水文预报方法,缩短洪水报讯时间,并针对中小河流提高其洪水预报的准确性具有重要意义。传统的洪水预报方法通过对某一河流流域建立物理水文模型,借由数学物理模型描述或刻画流域的水循环动态过程,然后根据流域当地观测数据确定模型参数,得到完整的流域水文模型并应用于实际洪水预报。国内较为经典的水文模型有新安江模型,经过测试,其模型的结构和参数可以充分地反映湿润地区降雨径流过程。国外较为经典的水文模型如美国的Stanford模型等,也得到了广泛的应用。但是正如前文所述,传统的河流流域物理水文机理模型洪水预报方法存在以下缺点:物理水文模型的建立依赖于大量可观测的流域数据(包括流域集水区区域面积,流域地形地貌数据,流量,降雨量,蒸发量,土壤数据等)。物理模型的参数率定过程复杂且繁琐,需要上述资料数据以及大量的模拟计算,模拟计算的结果只有满足一定验证指 ...
【技术保护点】
1.一种基于三维卷积神经网络的河流流量预测方法,其特征在于,包括以下步骤:/nS1:筛选与河流流量相关的特征因素来构建气象-水文-流量数据集;/nS2:气象-水文-流量数据集生成上万组13维特征的长短时序数据样本,并对其进行预处理,探究气象、水文因素的相关性;/nS3:按比例随机划分训练集和验证集;搭建深度三维卷积神经网络,并使深度三维卷积神经网络在训练集上训练;/nS4:跟踪预测精度并自动保存当前最好的模型参数,在划分过的验证集上测试模型参数的均方差性能指标;/nS5:利用预训练过的神经网络模型进行未来n个小时的当前测站河流流量预测。/n
【技术特征摘要】
1.一种基于三维卷积神经网络的河流流量预测方法,其特征在于,包括以下步骤:
S1:筛选与河流流量相关的特征因素来构建气象-水文-流量数据集;
S2:气象-水文-流量数据集生成上万组13维特征的长短时序数据样本,并对其进行预处理,探究气象、水文因素的相关性;
S3:按比例随机划分训练集和验证集;搭建深度三维卷积神经网络,并使深度三维卷积神经网络在训练集上训练;
S4:跟踪预测精度并自动保存当前最好的模型参数,在划分过的验证集上测试模型参数的均方差性能指标;
S5:利用预训练过的神经网络模型进行未来n个小时的当前测站河流流量预测。
2.根据权利要求1所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的与河流流量相关的特征包括若干个测站的降雨情况、流域土壤水分蒸发量、流域平均降雨信息以及当前测站流量信息。
3.根据权利要求1或2所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的数据集生成的长短时序数据样本包括输入样本是输出样本;输入样本中包含过去t个小时的上游若干测站的降雨情况和土壤水分蒸发量的特征,以及过去t个小时的当前测站流量数据;输出样本中包含未来n个小时的当前测站流量数据。
4.根据权利要求3所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的时序样本预处理包括离散及空缺数据的填补、异常数据的剔除、输入数据标准化处理和多输入特征相关性矩阵计算;
对于空缺的降雨及土壤水分蒸发量数据,直接填零补充;
对于空缺的测站流量数据,取附近4个小时的流量数据取平均,公式如下所示:
其中,flowt为填补的测站流量数据;flowt-2为过去两个小时的测站流量数据;flowt-1为过去一个小时的测站流量数据;flowt+1为之后一小时的测站流量数据;flowt+2为之后两个小时的测站流量数据;
异常数据的剔除,检测每个特征离过去三个小时的平均值的距离,若该特征值偏离过去三个小时的平均值过远,即超过50%误差,则以过去三个小时的平均值替代该特征值;
输入数据标准化处理,对每个小时的每个特征数据标准化;标准化公式如下:
其中,Xnormalized为标准化后的输入数据;Xmin为所有样本中该特征值的最小值;Xmax为所有样本中该特征值的最大值;X为原始的特征值。
5.根据权利要求4所述的一种基于三维卷积神经网络的河流流量预测方法,其特征在于,所述的多输入特征相关性矩阵计算包括:
A.将每个时间段的特征数据排成长度为m的一列向量;
B.利用步骤A中得到的特征向量求取一个特征相关矩阵,矩阵中的每一个元素的计算公式如下:
其中,i,j分别为矩阵元素的下标,mi,mj分别代表特征向量中的第i,j个特征数据;
C.得到每个时间段的特征相关矩阵后,将过去t个小时的特征相关矩阵...
【专利技术属性】
技术研发人员:张巍,杨聃,王汉勇,邵广俊,林烨敏,刘国富,刘文娟,金建乐,项敏,胡伟飞,苏洁,
申请(专利权)人:国网浙江省电力有限公司紧水滩水力发电厂,
类型:发明
国别省市:浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。