一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法技术

本发明专利技术公开了一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，包括如下步骤，S1、数据收集及预处理；S2、预测节制闸闸门调控状态，构建调控状态预测模型；S3、预测节制闸闸门调控幅度，构建调控幅度预测模型；S4、获取调控状态预测模型和调控幅度预测模型的综合评价结果。本发明专利技术以二分类神经网络模型进行节制闸调控状态实时预测，以多分类神经网络模型进行节制闸调控幅度实时预测，进而得到实时调控模型，无需构建求解水动力方程，能适应各类工况，预测结果准确度较高，可满足串联闸群调水工程实时调控需求。串联闸群调水工程实时调控需求。串联闸群调水工程实时调控需求。

A data-driven construction method of hydraulic real-time regulation model for series sluice Group Water Transfer Project

【技术实现步骤摘要】
一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法


[0001]本专利技术涉及串联闸群调控
，尤其涉及一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法。

技术介绍

[0002]调水工程用以解决水资源分布不均问题，并通过闸群、泵站等对水系进行控制。节制闸作为河道主要的控制型水工建筑物，其调度规则对河网水情有着直接影响。对节制闸进行准确合理的调控是实现串联闸群调水工程的安全稳定和高效经济运行的关键，也是国内外串联闸群调水工程研究的重点问题。
[0003]现阶段的工程调度仍以人工经验决策为主，调控安全稳妥，但决策效率低、劳动强度大、超调频次高。在闸群调度理论中，通过将水动力模型与控制算法、优化算法相结合，可自动生成控制指令，但对工程运行数据测量精度要求高，且模型求解效率低，即该方法难以满足实时决策的工程应用需求。针对以上问题，构建一种利用长序列监测数据搭建神经网络模型进行节制闸实时调控的模型。
[0004]目前，尚未出现使用数据驱动的方式进行串联闸群调水工程实时调控的技术方法。

技术实现思路

...

【技术保护点】

【技术特征摘要】
1.一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：包括如下步骤，S1、数据收集及预处理；收集所需工程调度的运行数据，并对其进行数据筛选以获取数据集；S2、预测节制闸闸门调控状态，构建调控状态预测模型；基于数据集构建第一训练数据集，利用第一训练数据集对二分类神经网络模型进行训练，获取调控状态预测模型；S3、预测节制闸闸门调控幅度，构建调控幅度预测模型；基于数据集构建第二训练数据集，利用第二训练数据集对多分类神经网络模型进行训练，获取调控幅度预测模型；S4、获取调控状态预测模型和调控幅度预测模型的综合评价结果。2.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：步骤S1具体为，获取所需工程调度的运行数据，并设置一定的调控幅度对运行数据进行数据筛选，剔除超出调控幅度阈值的运行数据，将剩余运行数据汇总为数据集；所述运行数据包括节制闸闸前水位、闸后水位、过闸流量、闸门开度、各个分退水口过闸流量。3.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：步骤S2具体为，按照合适的比例从数据集中选择节制闸发生调控和未发生调控情况下的运行数据汇总成第一训练数据集；采用交叉验证的方法对所述二分类神经网络模型进行训练，进而选择损失函数评估最优的模型和参数；其中从第一训练数据集中选取一定比例的数据作为第一验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第一训练集和第一测试集；训练过程中二分类神经网络模型以t
‑
m时刻相邻节制闸及预测节制闸的运行数据预测当前时刻预测节制闸的调控状态，以真阳率作为评价指标，获取训练好的二分类神经网络模型，即调控状态预测模型；m＝0,2,4。具体的，训练过程中，选择第n节制闸为预测节制闸，将上游节制闸n
‑
1的闸前水位闸后水位过闸流量下游节制闸n+1的闸前水位闸后水位过闸流量预测节制闸n的闸前水位闸后水位过闸流量闸门开度相邻两渠池的分水流量作为模型输入，选择预测节制闸当前时刻的调控状态GP
tn
作为输出结果。4.根据权利要求3所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：所述第一训练数据集在输入到二分类神经网络模型进行训练之前，进行Z
‑

【专利技术属性】
技术研发人员：张召，雷晓辉，景象，陈晓楠，刘爽，靳燕国，刘帅杰，位文涛，王艺霖，杜梦盈，朱杰，
申请(专利权)人：中国水利水电科学研究院，
类型：发明
国别省市：