【技术实现步骤摘要】
基于神经微分方程的水库入库流量预测方法
本专利技术涉及水库入库流量预测,更具体地说,它涉及基于神经微分方程的水库入库流量预测方法。
技术介绍
人工水库是通过在河流上修建水坝,在雨季储存过多的水来调节自然水流以及将储存的水供将来使用而建立的。大型水库在优化水资源管理方面发挥着至关重要的作用,例如供水、洪水/干旱调整、水力发电最大化、水生生态系统平衡、沉积物运输以及潜在的地质灾害,潜在的地质灾害如滑坡、河流沉积等。大多数水坝根据气候变化和历史观测依据预定的规则运行。由于内在因素和外在因素都受到多种影响因素的影响,内在因素如降水、融雪,外在因素如下游水调节、农业灌溉,导致最佳的水库运营难度很大。例如,夏季应储存过多的水以用于将来的水力发电,但必须将储水能力保持在较低水平,以承受可能的洪峰。但是,排水可能会导致大量的电力收入损失,如果可以提前进行准确而可靠的入库预测,则可以从根本上减少水的收入。传统的入库预测是根据专家的知识进行操作的,通常会设计数学/物理模型来模拟流入/流出的动力学。但是,基于规则的预定义模型无法处理突发事件,例如洪水和水坝溃决,这阻止了它们在实时水库运营中的适用性。典型的机器学习方法已显示出能够拟合复杂的多元时间序列数据的能力,并提取经验知识和时变要求以改善水库的运行。例如,自回归综合移动平均线(ARIMA)家族模型已用于对水文时间序列进行建模;贝叶斯网络以及K-means聚类被用于预测年度和每月流量;其他算法,例如支持向量回归和神经网络,也已用于学习文献中水文数据的非线性和非平稳特征;而在深度学 ...
【技术保护点】
1.基于神经微分方程的水库入库流量预测方法,其特征是,包括以下步骤:/nS1:获取目标水库的多元水电时序数据和外部因素,并对所述多元水电时序数据和所述外部因素进行数据预处理;/nS2:将所述多元水电时序数据输入到预构建的随机递归神经网络中进行深度学习,通过引入ODE求解器对所述随机递归神经网络中的隐藏状态的均值和方差在时间上进行连续转换,并通过重采样技术得到任意时间点连续的随机潜在变量序列;/nS3:通过ODE外推网络对当前随机潜在变量进行外推学习,得到未来任意时间点对应的随机潜在变量特征;/nS4:通过外部因素特征提取网络提取所述外部因素中的因素特征;/nS5:将步骤S1-S4中学习到的特征融合,并通过多层感知机依据融合结果对未来多步的水库入库流量进行预测,得到水库入库流量预测值。/n
【技术特征摘要】
1.基于神经微分方程的水库入库流量预测方法,其特征是,包括以下步骤:
S1:获取目标水库的多元水电时序数据和外部因素,并对所述多元水电时序数据和所述外部因素进行数据预处理;
S2:将所述多元水电时序数据输入到预构建的随机递归神经网络中进行深度学习,通过引入ODE求解器对所述随机递归神经网络中的隐藏状态的均值和方差在时间上进行连续转换,并通过重采样技术得到任意时间点连续的随机潜在变量序列;
S3:通过ODE外推网络对当前随机潜在变量进行外推学习,得到未来任意时间点对应的随机潜在变量特征;
S4:通过外部因素特征提取网络提取所述外部因素中的因素特征;
S5:将步骤S1-S4中学习到的特征融合,并通过多层感知机依据融合结果对未来多步的水库入库流量进行预测,得到水库入库流量预测值。
2.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法,其特征是,所述多元水电时序数据包括历史水流数据和历史电力数据;
所述历史水流数据的流量维度分别为入库流量、流出流量和用于发电的水流量;
所述历史电力数据的流量维度分别为总发电量、上网电量和厂用电量。
3.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法,其特征是,所述多元水电时序数据和所述外部因素的数据预处理过程具体为:
对所述多元水电时序数据和所述外部因素进行线性归一化处理后转换到[0,1]的范围数值;
以及,将所述多元水电时序数据中的每一条训练数据的序列长度划分为至少一批固定长度序列,所述固定长度序列的大小满足所述随机递归神经网络的输入训练数据需求。
4.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法,其特征是,若所述多元水电时序数据中存在着离群点、异常值的序列点时,则在所述数据预处理阶段通过插值法或平滑措施进行数据处理。
5.根据权利要求1所述的基于神经微分方程的水库入库流量预测方法,其特征是,对所述多元水电时序数据的分布进行连续转换的具体过程为:
通过所述ODE求解网络将所述多元水电时序数据中参与深度学习的目标特征的时间变量以微分形式无限细分后转换成连续变量;
根据所述连续变量计算得到任意期望时间步的均值和方差,并通过初始化所述均值和所述方差对潜在变量进行连续变换选择;
所述随机递归神经网络依据所述潜在变量的连续变换选择完成无限步的潜在变量的更新,得到任意时间点连续的随机潜在变量。
6.根据权利要求5所述的基于神经微分方程的水库入库流量预测方法,其特征是,通过初始化所述均值μ和所述方差σ对潜在变量进行连续变换选择的具体计算公式为:
其中,R表示GRU网络中的重置门;U表示GRU网络中的更新门;I表示重置门、更新门的输入;O表示GRU网络中新均值和方差更新网络的输入;表...
【专利技术属性】
技术研发人员:罗玮,黄颖,胡立春,周子祺,
申请(专利权)人:四川大汇大数据服务有限公司,
类型:发明
国别省市:四川;51
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。