【技术实现步骤摘要】
一种入库流量的预测方法、装置及电子设备
[0001]本公开涉及数据处理
,尤其涉及深度学习以及大数据
技术介绍
[0002]对于水电站来说,发电是主要经济效益来源,而水就是生产的原料。对进入水电站水库的入库流量进行精准预测,能够帮助水电站对防洪、发电计划调度工作进行合理安排,达到避免洪涝灾害和提升发电经济效益的目的。
[0003]然而,由于入库流量受诸多因素影响,且影响因素作用关系复杂、不易直接精准观测。因此,在根据相关技术对入库流量进行预测时,通常需要依据大量专业领域知识进行计算,且无法捕捉到降水的距离特性和降水累计特性等。这样一来,势必导致现有入库流量的预测方法存在效率低、准确性差的技术问题。因此,如何能够提高入库流量的预测过程中的效率和准确性,已成为了重要的研究方向之一。
技术实现思路
[0004]本公开提供了一种入库流量的预测方法、装置及电子设备。
[0005]根据本公开的一方面,提供了一种入库流量的预测方法,包括:
[0006]获取实际的入库流量数据,基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA
‑
LSTM,获取影响入库流量预测的第一数值;
[0007]采集预测流域内的历史降水数据,并基于所述历史降水数据,获取所述预测流域的降水特征;
[0008]基于所述预测流域的降水特征获取影响入库流量预测的第二数值;
[0009]基于所述第一数值和所述第二数值,获取所述预测流域的预测入库流量。
[ ...
【技术保护点】
【技术特征摘要】
1.一种入库流量的预测方法,包括:获取实际的入库流量数据,基于所述入库流量数据和时间模式注意力机制的长短期记忆网络TPA
‑
LSTM,获取影响入库流量预测的第一数值;采集预测流域内的历史降水数据,并基于所述历史降水数据,获取所述预测流域的降水特征;基于所述预测流域的降水特征获取影响入库流量预测的第二数值;基于所述第一数值和所述第二数值,获取所述预测流域的预测入库流量。2.根据权利要求1所述的入库流量的预测方法,其中,所述基于所述预测流域的降水特征获取第二数值,包括:将所述降水特征输入多个一维卷积核中进行卷积处理,得到所述第二数值。3.根据权利要求1所述的入库流量的预测方法,其中,所述基于所述入库流量数据和TPA
‑
LSTM,获取影响入库流量预测的第一数值,包括:按照获取到的每组入库流量数据的采集时刻,生成时间序列;将所述时间序列输入所述TPA
‑
LSTM进行自注意力学习,得到所述第一数值。4.根据权利要求1
‑
3任一项所述的入库流量的预测方法,其中,所述采集预测流域内的历史降水数据,包括:获取属于所述预测流域内多个观测对象,最近N次降水的降水数据,作为所述历史降水数据,其中N为大于或者等于1的正整数。5.根据权利要求4所述的入库流量的预测方法,其中,所述基于所述历史降水数据,获取所述预测流域的降水特征,包括:针对任一个观测对象,基于每次降水的所述降水数据,获取所述每次降水的降水时刻和所述每次降水中出现的峰值;根据所述每次降水的降水时刻和所述峰值,获取所述每次降水的降水特征;基于所述N次降水的降水特征,生成所述观测对象的降水特征;基于每个所述观测对象的降水特征,生成所述预测流域的降水特征。6.根据权利要求5所述的入库流量的预测方法,其中,所述每次降水的降水特征,包括:所述峰值、所述降水时刻与当前时刻的时间距离、每次降水的降水总量、所述峰值的和值与所述时间距离的乘积以及所述降水总量与所述时间距离的乘积。7.根据权利要求6所述的入库流量的预测方法,其中,所述基于所述N次降水的降水特征,生成所述观测对象的降水特征,包括:基于所述每次降水的降水特征,获取所述N次降水的累计降水总量;将所述累计降水总量与所述N次降水的降水特征进行拼接,生成所述观测对象的降水特征。8.根据权利要求6所述的入库流量的预测方法,其中,所述每次降水的降水总量采用如下方式获取:获取所述峰值所属的降水尖峰,并获取所述所属的降水尖峰对应的降水量,对每个所述降水尖峰对应的降水量求和,得到所述每次降水的降水总量。9.一种入库流量的预测装置,包括:第一数值获取模块,用于获取实际的入库流量数据,基于所述入库流量数据和时间模
式注意力机制的长短期记忆网络TPA
‑
LSTM,获取影响入库流量预测的第一数值;降水特征获取模块,用于采集预测流域内的历史降水数据,并基于所述历史降水数据,获取所述预测流域的降水特征;第二数值获取模块,用于基于所述预测流域的降水特征获取...
【专利技术属性】
技术研发人员:许铭,解鑫,刘建林,刘颖,
申请(专利权)人:北京百度网讯科技有限公司,
类型:发明
国别省市:
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。