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

[0005]本专利技术的目的在于提供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，从而解决现有技术中存在的前述问题。
[0006]为了实现上述目的，本专利技术采用的技术方案如下：
[0007]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，
[0008]S1、数据收集及预处理；
[0009]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；
[0010]S2、预测节制闸闸门调控状态，构建调控状态预测模型；
[0011]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；
[0012]S3、预测节制闸闸门调控幅度，构建调控幅度预测模型；
[0013]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；
[0014]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。
[0015]优选的，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。
[0016]优选的，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。
[0017]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。
[0018]优选的，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
‑
Score标准化处理。
[0019]优选的，步骤S3具体包括如下内容，
[0020]将数据集中调水工程各个节制闸所有发生调控情况的运行数据汇总成第二训练数据集，采用交叉验证的方法对所述多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；其中从第二训练数据集中选取一定比例的数据作为第二验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第二训练集和第二测试集；训练过程中多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幅度，以平均误差作为评价指标，获取训练好的多分类神经网络模型，即调控幅度预测模型；m＝0,2,4；
[0021]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幅度GPV
tn
作为输出结果。
[0022]优选的，所述第二训练数据集在输入到多分类神经网络模型进行训练之前，进行Normalizer归一化处理。
[0023]优选的，所述二分类神经网络模型和多分类神经网络模型均选用多层感知机模型，包括1个输入层和多个全连接层，并在模型中插入BN层和Dropout层。
[0024]优选的，所述二分类神经网络模型和所述多分类神经网络模型均采用交叉熵损失函数。
[0025]优选的，对所述二分类神经网络模型以及多分类神经网络模型的训练均采用k折交叉验证、批训练的方法和早停方法。
[0026]优选的，步骤S4具体为，计算调控状态预测模型和调控幅度预测模型得到的预测值与实际值之间的平均误差及标准差，并将其作为两个模型的综合评价指标。
[0027]本专利技术的有益效果是：1、本方法无需构建求解水动力方程，操作简单方便，且基本上能够满足各个节制闸的调控需求。2、数据维度小，结果计算速度快，可满足实时调控的需求。3、使用二分类神经网络针对闸门是否需要调控进行实时预测，使用多分类神经网络针对具体调控幅度进行实时预测，预测准确度大大提高。4、采用多重交叉验证，提高了模型的泛化性。5、本方法为一套固定的程序，只需进行数据的实时输入，便可自动生成实时调控指令。
附图说明
[0028]图1是本专利技术实施例中模型构建方法的原理流程图；
[0029]图2是本专利技术实施例中二分类神经网络模型的输入量和输出量示意图；
[0030]图3是本专利技术实施例中多分类神经网络模型的输入量和输出量示意图；
[0031]图4是本专利技术实施例中二分类和多分类神经网络模型的结构示意图；
[0032]图5是本专利技术实施例中十二里河渡槽进口节制闸的调控状态预测结果；
[0033]图6是本专利技术实施例中十二里河渡槽进口节制闸幅度预测结果对比图。
具体实施方式
[0034]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本专利技术，并不用于限定本专利技术。
[0035]实施例一
[0036]如图1所示，本实本文档来自技高网...

【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：