基于混合深度学习模型的水库水位预测预警方法及系统技术方案

本发明专利技术涉及一种基于混合深度学习模型的水库水位预测预警方法及系统，该方法包括：1）构建基于注意力机制和改进粒子群Conv1D

【技术实现步骤摘要】
基于混合深度学习模型的水库水位预测预警方法及系统


[0001]本专利技术属于水库水位预测预警
，具体涉及一种基于混合深度学习模型的水库水位预测预警方法及系统。

技术介绍

[0002]水库是指拦洪蓄水和调节水流的水利工程建筑物，具有防洪、供水、农业灌溉、发电等作用，因此水库的健康监测十分重要。
[0003]水库水位监测一直是水库健康监测项目中最为重要的监测目标之一，其直接影响着水库的健康状况，因此科学且合理的进行水库水位调度对于维护水库健康是十分必要的。
[0004]现有的水库水位调度技术，基于传感器采集水库实时水位，再凭借人工经验及简单的数学推导公式进行水库水位的实时调度。这种方法对于数据的利用比较片面，忽略了采集到的水库各项指标，导致耗费巨大资源采集到的水库数据搁置，同时还需投入资源进行维护。而在水库水位调度过程中，大多凭借人工经验及简单的数学推导公式，通常不能科学、合理的进行，并且仅能进行水库水位的实时调度，不能依据未来水库水位的变化趋势进行水库水位调度，以应对未来极端气候。

技术实现思路
<br/>[0005]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于混合深度学习模型的水库水位预测预警方法，其特征在于，包括以下步骤：1)构建基于注意力机制和改进粒子群Conv1D
‑
LSTM优化混合模型：获取水库雨水情数据作为模型训练数据，搭建基于注意力机制的Conv1D
‑
LSTM混合模型，然后采用改进粒子群优化算法优化基于注意力机制的Conv1D
‑
LSTM混合模型，得到基于注意力机制和改进粒子群Conv1D
‑
LSTM优化混合模型；2)加载基于注意力机制和改进粒子群Conv1D
‑
LSTM优化混合模型；获取水库雨水情实时监测数据，而后输入模型进行水库水位预测，得到水库水位预测值；3)判断预测水位是否处于安全区间，是则将获取到的数据存入数据库，正常进行水库水位调度，否则对比水库水位预警标准，输出水库各参数信息及预警等级，进而结合输出参数进行水库水位调度，以将水库水位调度至安全区间。2.根据权利要求1所述的基于混合深度学习模型的水库水位预测预警方法，其特征在于，所述步骤1)中，构建基于注意力机制和改进粒子群Conv1D
‑
LSTM优化混合模型的具体方法为：S1、获取水库雨水情数据，选择采集时间、水库水位、泄洪量、降雨量特征作为模型训练数据，形成数据集；S2、对数据集中数据进行预处理并构造时效因子和水位分量，然后将数据集划分为训练集和测试集，再分别重塑为3D数据；S3、搭建并通过训练集训练得到基于注意力机制的Conv1D
‑
LSTM混合模型；S4、采用改进粒子群优化算法优化基于注意力机制的Conv1D
‑
LSTM混合模型，得到基于注意力机制和改进粒子群Conv1D
‑
LSTM优化混合模型；S5、通过测试集对得到的模型进行评估，以验证模型泛化能力；然后将训练并评估完成的基于注意力机制和改进粒子群Conv1D
‑
LSTM优化混合模型发布到云端或储存在本地，以备调用。3.根据权利要求2所述的基于混合深度学习模型的水库水位预测预警方法，其特征在于，所述步骤S2中，对数据集中数据进行预处理并构造时效因子和水位分量的具体方法为：S201、将数据集中数据按采集时间进行排序；S202、对于存在缺失值的数据，采用缺失值的前一个值对缺失值进行填补；S203、构造时效因子：根据数据采集时间以及采集的水库数据，通过函数f(t)构造0.01t和ln(0.01t)两个时效分量，其中f(t)＝c1t+c2lnt，c1、c2为系数，t为监测当日至起始观测日的累计天数；S204、构造水位分量：水位分量反应了水库水位变化的趋势和速度，水库水位采集时间定义为T
t
(t＝1,2,
…
,n)，按如下函数求取水位分量：其中，为T0～T
n
时段的水库水位,H
i
为的任意一个非空子集，W为水库水位；根据f(W)进行水库水位特征变换，得W1,W2,W3分别为：
S205、对数据集中数据进行最大最小值归一化。4.根据权利要求2所述的基于混合深度学习模型的水库水位预测预警方法，其特征在于，水库雨水情数据集样本数为samples，特征features为time_effcent、rainfall、flood_Discharge、water_ago1Level、water_ago2Level、water_Level；将其重塑为3D数据，形状为(samples,width,features)，重塑后有N＝(sample
‑
swidth+1)个向量矩阵单元。5.根据权利要求2所述的基于混合深度学习模型的水库水位预测预警方法，其特征在于，所述步骤S3中，搭建基于注意力机制的Conv1D
‑
LSTM混合模型的具体方法为：S301、构建Conv1D堆叠层；Conv1D堆叠层由Input层和两层Conv1D组成，从Input层获取数据，使用卷积核为(4,3)的Conv1D对数据进行特征提取，提取完成后将数据输入卷积核为(3,3)的Conv1D中进一步提取数据特征；S302、构建第一LSTM层；获取步骤S302中处理完成的数据，输入神经元个数为98的LSTM层中，训练完成加入Dropout使神经元概率性失活，最终输出向量矩阵集...

【专利技术属性】
技术研发人员：马森标，徐飞，黄正鹏，陈友武，黄祖海，
申请(专利权)人：福建中锐网络股份有限公司，
类型：发明
国别省市：