基于序列模型的渠池闸门流量预测方法技术

本申请涉及水利技术领域，提供了一种基于序列模型的渠池闸门流量预测方法，包括：获取目标水渠中各目标渠池对应的各闸门的输入流量、开度水平以及物理特征，目标水渠包括至少一个目标渠池和各目标渠池对应的多个闸门；基于预设的目标序列长度对各目标渠池进行分组，得到多个目标渠池组，目标渠池组包括按上下游关系依次排序的目标渠池，目标序列长度为目标渠池组中目标渠池的个数；针对任一目标渠池组，按序目标渠池组的各目标渠池对应的各闸门的输入流量、开度水平以及物理特征，输入目标渠池组对应的序列模型，得到目标渠池组对应的各闸门的输出流量。采用本申请可以大幅提高流量预测的效率。量预测的效率。量预测的效率。

【技术实现步骤摘要】
基于序列模型的渠池闸门流量预测方法


[0001]本申请涉及水利
，特别涉及一种基于序列模型的渠池闸门流量预测方法。

技术介绍

[0002]随着水利领域的发展，对水渠中各渠池水流量的预测需求增大。水渠结构中，渠道由进水闸、节制闸、退水闸和直开口进行控制。由节制闸隔开的渠道段称为渠池，在节制闸的调控下，有较为独立的控制属性。
[0003]传统技术中，一般使用传统物理模型对水流量进行预测，通过充分挖掘渠道的地形地貌、设置渠道参数等物理特征的前提下，进行物理过程的参数计算，最终得到一套具有区域针对性的预测模型，但该方法运算时间长，计算资源消耗多，且包含了大量无用中间数据。
[0004]可见，目前的使用物理模型进行水流量预测的方法，存在数据量大、预测效率低的问题。

技术实现思路

[0005]基于此，有必要针对上述技术问题，提出一种基于序列模型的渠池闸门流量预测方法、装置和计算机设备、计算机可读存储介质和计算机程序产品，以提高渠池闸门流量的预测效率。
[0006]第一方面，本申请提供了一种基于序列模型的渠池闸门流量预测方法，所述方法包括：获取目标水渠中各目标渠池对应的各闸门的输入流量、开度水平以及物理特征，所述目标水渠包括至少一个所述目标渠池和各所述目标渠池对应的多个闸门；基于预设的目标序列长度对各所述目标渠池进行分组，得到多个目标渠池组，所述目标渠池组包括按上下游关系依次排序的各所述目标渠池，所述目标序列长度为所述目标渠池组中所述目标渠池的个数；针对任一所述目标渠池组，按序将所述目标渠池组的各所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池组对应的序列模型，得到所述目标渠池组对应的各所述闸门的输出流量。
[0007]在其中一个实施例中，各所述目标渠池组的各所述目标渠池不重叠。
[0008]在其中一个实施例中，所述针对任一所述目标渠池组，按序将所述目标渠池组的各所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池组对应的序列模型，得到所述目标渠池组对应的各所述闸门的输出流量，包括：针对任一所述目标渠池，确定所述目标渠池对应的第一目标渠池组；针对任一所述目标渠池，按序将所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池对应的各个所述第一目标渠池组对应的序列模
型，得到所述目标渠池在各所述第一目标渠池组内时对应的各所述闸门的初始输出流量；针对任一所述闸门，对所述闸门的各所述初始输出流量取均值，得到所述闸门的输出流量。
[0009]在其中一个实施例中，所述方法还包括：针对任一所述目标渠池组，获取所述目标渠池组的样本数据序列，所述样本数据序列包括所述目标渠池组的各所述目标渠池对应的各所述闸门的样本输入流量、样本开度水平、样本输出流量以及样本物理特征；针对任一所述目标渠池组，根据所述目标渠池组的所述样本数据序列对初始序列模型进行训练，得到所述目标渠池组对应的所述序列模型，所述初始序列模型为输入层中各个节点串联的神经网络。
[0010]在其中一个实施例中，所述获取所述目标渠池组的样本数据序列，包括：针对所述目标渠池组的任一所述目标渠池，获取所述目标渠池的样本物理状态，所述目标渠池的所述样本物理状态包括所述目标渠池对应的各所述闸门的样本输入流量、样本开度水平、样本输出流量以及样本物理特征；针对所述目标渠池组的任一所述目标渠池，从所述目标渠池对应的所述样本物理状态中确定所述目标渠池的样本数据；根据所述目标渠池组的各所述目标渠池对应的各所述闸门的上下游关系，基于各所述目标渠池的样本数据构建得到所述目标渠池组的样本数据序列。
[0011]在其中一个实施例中，所述根据所述目标渠池组的所述样本数据序列对初始序列模型进行训练，得到所述目标渠池组对应的所述序列模型，包括：按序将所述目标渠池组的所述样本数据序列中各所述闸门的所述样本输入流量、所述样本开度水平以及所述样本物理特征，输入初始序列模型的各串联节点进行流量预测处理，得到所述目标渠池组对应的样本预测流量序列，所述串联节点为所述初始序列模型的隐藏层，每个所述串联节点对应一个所述闸门；根据所述样本预测流量序列与所述目标渠池组的所述样本数据序列中各所述闸门的所述样本输出流量之间的差异，对所述初始序列模型进行训练，得到所述目标渠池组对应的所述序列模型。
[0012]在其中一个实施例中，所述从所述目标渠池对应的所述样本物理状态中确定所述目标渠池的样本数据，包括：针对所述目标渠池的任一所述闸门，从所述闸门的多个样本物理状态中确定第一目标样本物理状态；从所述闸门的多个样本物理状态中确定第二目标样本物理状态，所述第二目标样本物理状态与所述第一目标样本物理状态对应相同的所述样本输入流量、所述样本物理特征和所述样本开度水平，且所述第一目标样本物理状态与各所述第二目标样本物理状态在采样时间上连续，相邻的采样时间间隔采样时长，所述第一目标样本物理状态的采样时间在各所述第二目标样本物理状态的采样时间之后；根据所述第一目标样本物理状态和各所述第二目标样本物理状态，确定所述目标渠池的样本数据。
[0013]第二方面，本申请提供了一种基于序列模型的渠池闸门流量预测装置，包括：
数据获取模块，用于获取目标水渠中各目标渠池对应的各闸门的输入流量、开度水平以及物理特征，所述目标水渠包括至少一个所述目标渠池和各所述目标渠池对应的多个闸门；渠池分组模块，用于基于预设的目标序列长度对各所述目标渠池进行分组，得到多个目标渠池组，所述目标渠池组包括按上下游关系依次排序的各所述目标渠池，所述目标序列长度为所述目标渠池组中所述目标渠池的个数；流量预测模块，用于针对任一所述目标渠池组，按序将所述目标渠池组的各所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池组对应的序列模型，得到所述目标渠池组对应的各所述闸门的输出流量。
[0014]在其中一个实施例中，各所述目标渠池组的各所述目标渠池不重叠。
[0015]在其中一个实施例中，所述流量预测模块，还用于针对任一所述目标渠池，确定所述目标渠池对应的第一目标渠池组；针对任一所述目标渠池，按序将所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池对应的各个所述第一目标渠池组对应的序列模型，得到所述目标渠池在各所述第一目标渠池组内时对应的各所述闸门的初始输出流量；针对任一所述闸门，对所述闸门的各所述初始输出流量取均值，得到所述闸门的输出流量。
[0016]在其中一个实施例中，所述基于序列模型的渠池闸门流量预测装置还包括：训练模块，用于针对任一所述目标渠池组，获取所述目标渠池组的样本数据序列，所述样本数据序列包括所述目标渠池组的各所述目标渠池对应的各所述闸门的样本输入流量、样本开度水平、样本输出流量以及样本物理特征；针对任一所述目标渠池组，根据所述目标渠池组的所述样本数据序列对初始序列模型进行训练，得到所述目标渠池组对应的所述序列模型，所述初始序列模型为输入层中各个节点串联本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于序列模型的渠池闸门流量预测方法，其特征在于，所述方法包括：获取目标水渠中各目标渠池对应的各闸门的输入流量、开度水平以及物理特征，所述目标水渠包括至少一个所述目标渠池和各所述目标渠池对应的多个闸门；基于预设的目标序列长度对各所述目标渠池进行分组，得到多个目标渠池组，所述目标渠池组包括按上下游关系依次排序的各所述目标渠池，所述目标序列长度为所述目标渠池组中所述目标渠池的个数；针对任一所述目标渠池组，按序将所述目标渠池组的各所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池组对应的序列模型，得到所述目标渠池组对应的各所述闸门的输出流量。2.如权利要求1所述的基于序列模型的渠池闸门流量预测方法，其特征在于， 各所述目标渠池组的各所述目标渠池不重叠。3.如权利要求1所述的基于序列模型的渠池闸门流量预测方法，其特征在于，所述针对任一所述目标渠池组，按序将所述目标渠池组的各所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池组对应的序列模型，得到所述目标渠池组对应的各所述闸门的输出流量，包括：针对任一所述目标渠池，确定所述目标渠池对应的第一目标渠池组；针对任一所述目标渠池，按序将所述目标渠池对应的各所述闸门的输入流量、开度水平以及物理特征，输入所述目标渠池对应的各个所述第一目标渠池组对应的序列模型，得到所述目标渠池在各所述第一目标渠池组内时对应的各所述闸门的初始输出流量；针对任一所述闸门，对所述闸门的各所述初始输出流量取均值，得到所述闸门的输出流量。4.如权利要求1所述的基于序列模型的渠池闸门流量预测方法，其特征在于，所述方法还包括：针对任一所述目标渠池组，获取所述目标渠池组的样本数据序列，所述样本数据序列包括所述目标渠池组的各所述目标渠池对应的各所述闸门的样本输入流量、样本开度水平、样本输出流量以及样本物理特征；针对任一所述目标渠池组，根据所述目标渠池组的所述样本数据序列对初始序列模型进行训练，得到所述目标渠池组对应的所述序列模型，所述初始序列模型为输入层中各个节点串联的神经网络。5.如权利要求4所述的基于序列模型的渠池闸门流量预测方法，其特征在于，所述获取所述目标渠池组的样本数据序列，包括：针对所述目标渠池组的任一所述目标渠池，获取所述目标渠池的样本物理状态，所述目标渠池的所述样本物理状态包括所述目标渠池对应的各所述闸门的样本输入流量、样本开度水平、样本输出流量以及样本物理特征；针对所述目标渠池组的任一所述目标渠池，从所述目标渠池对应的所述样本物理状态中确定所述目标渠池的样本数据；根据所述目标渠池组的各所述目标渠池对应的各所述闸门的上下游关系，基于各所述目标渠池的样本...

【专利技术属性】
技术研发人员：张敏，马为之，王忠静，郭世圆，
申请(专利权)人：清华大学，
类型：发明
国别省市：