【技术实现步骤摘要】
基于机器学习融合多源遥感数据的水库调度规则优化方法
[0001]本专利技术属于水库调度的
,具体涉及一种基于机器学习融合多源遥感数据的水库调度规则优化方法。
技术介绍
[0002]水文气象数据是工程规划、设计、建设和运行管理的基本依据,也是评估流域水利工程防洪风险的重要资料,关系到流域水资源综合管理和水安全保障,对国民经济和社会发展具有重要意义。但是,我国部分水库仅有少量实测水文气象监测资料,因此如何反演长系列径流过程并指导水库运行调度是水文工作者面临的重大挑战。
[0003]近年来,卫星遥测技术和数据反演算法快速发展,基于卫星遥感反演的降水定量观测产品具有较宽的覆盖范围和更高的时空分辨率,有效弥补了气象站点布设不足的缺陷,并为无资料地区提供了新的数据参考。同时,随着人类观测手段和数据同化技术日渐成熟,学者们对多种来源(地面、船舶、无线电探空、测风气球、飞机、卫星等)的观测资料进行质量控制,提出利用数值天气预报的数据同化技术来重构长期历史气候过程,即所谓的再分析数据集,它同化了数值天气预报和大量的地面观测数据与卫星遥感信息,具有时空分辨率精度高、时间跨度长等优点。国内外学者在稀缺资料地区应用卫星遥测和再分析数据作为气象输入,通过水文模型反演长系列径流系列,取得了一定的应用效果。
[0004]但是,水文模型适用于模拟天然状态下的径流过程,大坝、水库、农业灌溉、引水和跨流域调水等工程措施往往会破坏下垫面的一致性,造成流域水文模型存在较大误差,制约了水文模拟精度。现有文献未能充分利用卫星遥测气象信息, ...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种基于机器学习融合多源遥感数据的水库调度规则优化方法,其特征在于,包括如下步骤:S1,采集水库的短系列径流观测数据,搜集水库的工程特性和调度运行相关资料,并提取水库所在流域的降水系列、再分析数据集气象资料以及陆地水储量系列;S2,根据步骤S1获得的短系列径流观测数据和气象资料,建立水库所在流域的水文模型,通过水文模型实现初步径流的模拟;S3,构建长短期记忆神经网络模型并采用其对步骤S2中的模拟径流进行校正,获得校正后的模拟径流系列模型;S4,将步骤S1采集的长系列气象资料输入到步骤S2建立的水文模型和步骤S3中校正后的模拟径流系统模型中,模拟水库的长系列入库径流过程;S5,根据步骤S4获得的水库长系列入库径流资料,构建多目标优化调度模型,并采用遗传算法求解得到优化的调度规则。2.根据权利要求1所述的基于机器学习融合多源遥感数据的水库调度规则优化方法,其特征在于,步骤S1中的短系列径流观测数据包括水库的日出库流量、库区日水位数据,再分析数据集气象资料包括小时尺度的近地气温、露点温度和水平风速。3.根据权利要求1所述的基于机器学习融合多源遥感数据的水库调度规则优化方法,其特征在于,步骤S2还包括如下子步骤:步骤2.1,根据步骤S1获取的气象数据,提取日最高气温和日最低气温系列,并计算日均露点温度、日均气温和日均风速;步骤2.2,根据步骤S1采集水库的短系列径流观测数据,依据水位
‑
库容曲线和水量平衡原理,推求入库日径流系列;步骤2.3,根据水库的入库日径流系列与同一时期的降水数据、日最高气温、日最低气温数据,构建率定考虑融雪模块的水文模型;步骤2.4,采用率定后的水文模型,通过输入长系列的降水和步骤2.1中的气温资料,模拟得到长系列的入库径流过程。4.根据权利要求1所述的基于机器学习融合多源遥感数据的水库调度规则优化方法,其特征在于,步骤S3还包括以下子步骤:步骤3.1,根据步骤S1获取的气象数据提取日均气温和露点温度,再根据日均气温和露点温度推求相对湿度系列;步骤3.2,通过对步骤S2模拟的日径流过程、实测的日径流过程进行统计分析,确定影响日实测径流的滞时;步骤3.3,根据上述步骤获得的数据构建具有三层神经网络架构的长短期记忆神经网络,采用长短期记忆神经网络模型,以气象数据、步骤S2模拟径流系列和实测径流系列作为输入,率定长短期记忆神经网络模型后,通过率定后的长短期记忆神经网络模型来校正步骤S2的模拟径流系列,得到校正后的模拟径流系列模型。5.根据权利要求4所述的基于机器学习融合多源遥感数据的水库调度规则优化方法,其特征在于,步骤3.1中求解相对湿度的方法为:通过克劳修斯
‑
克拉珀龙方程和给定气温T
求解得到大气饱和水汽压e
s
:式中:T0和e
s0
是积分常数,分别为273.16K和611Pa,L
v
技术研发人员:尹家波,郭生练,何绍坤,李千珣,沈友江,张家余,
申请(专利权)人:武汉大学,
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。