一种基于神经网络的水库水位预测方法技术

本发明专利技术公开了一种基于神经网络的水库水位预测方法，包括：获取当前水库历史的水位数据、流量数据、下流流量以及雨量数据；将水位数据按STL分解算法生成周期成分、趋势成分以及残差成分，并将每个分解后的成分作为目标变量；将流量数据、下流流量数据以及雨量数据进行预处理后组成输入变量输入，对数据使用带输入注意力机制的双向长短期记忆神经网络模型进行编码并提取相应的特征；在特征的基础上采用时间注意力机制模型来识别有效特征并赋予更高权重；将预处理后的目标变量和权重后的有效特征合成变量，采用单向长短期记忆神经网络解码，从而达到对水库水位的精准预测。本发明专利技术能够提取出重要的信息以及具有更长的预测时效。效。效。

【技术实现步骤摘要】
一种基于神经网络的水库水位预测方法


[0001]本专利技术涉及水文数据预测和深度学习领域，尤其涉及一种基于神经网络的水库水位预测方法。

技术介绍

[0002]水库建设主要作用于生活供水、防洪防涝、农业灌溉、水力发电、以及改善生态等。若水库水位过低，造成生活用水供水以及供电不足以及更严重的话，会加速干旱。若水位过高无法及时以及高效泄洪，引发洪涝灾害。洪涝和干旱等灾害会对农业、工业以及其他社会产业造成重大经济损失，还会对人民生命安全造成一定的威胁。因此，水库水位、蓄水量和泄水量是水库的维护的关键。近些年，洪涝以及干旱等自然灾害频发，如何精准控制水库水位成为亟需解决的问题。然而控制水库水位要消耗大量的人力物力，对水库水位进行预测能帮助有效减少人为的干预以及能更加科学地对水库进行维护。
[0003]目前水库水位预测的方法有传统的时间序列模型、基于机器学习的统计模型和集成模型。传统的时间序列模型包括自回归模型、滑动平均模型和自回归滑动平均模型等。这类时间序列模型需要数据满足平稳性假设，而现实生活中满足该条件的数据并不多，因此时间序列模型无法提供准本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的水库水位预测方法，其特征在于，包括以下步骤：S1、获取当前水库历史的水库水位数据、水库流量数据、水库下流流量数据、雨量数据和数据记录时间：S2、将水库水位数据按STL分解算法生成周期成分、趋势成分以及残差成分；并将每个分解后的成分设为目标变量；S3、将水库流量数据、下流流量数据以及雨量数据进行预处理后组成编码模块输入变量；S4、将各个目标变量进行预处理后分别作为解码模块输入变量的组成部分：S5、将编码模块输入变量输入到基于带有输入注意力机制的双向长短期记忆神经网络模型组成的编码器中：通过输入注意力机制得到该输入变量所对应的注意力权重，并计算得到权重后的编码器输入变量；将权重后的编码器输入变量输入到基于双向长短期记忆神经网络的编码器中进行编码，提取出相应数据的特征序列；S6、将提取出的特征序列输入到基于带有时间注意力机制的单向长短期记忆神经网络中，通过时间注意力机制得到特征所对应的注意力权重；将权重后的特征输出和S4中预处理后的目标变量拼接合成为单向长短期记忆神经网络输入变量；S7、将单向长短期记忆神经网络输入变量输入到基于单向长短期记忆神经网络的深度学习模型中进行解码，直至得到未来设定时间内各个目标变量的预测，相加得到该设定时间内水库水位数据的预测。2.根据权利要求1所述的方法，其特征在于，所述STL分解算法的计算公式如下：[Y
t
]
t＝1T
＝[P
t
]
t＝1T
+[S
t
]
t＝1T
+[R
t
]
t＝1T
其中，[P
t
]
tT
是水库水位数据的数值中的趋势成分，[S
t
]
tT
是水库水位数据的数值中的周期成分，[R
t
]
tT
是水库水位数据的数值中的残差成分，[Y
t
]
tT
是水库水位数据的原始数值。3.根据权利要求1所述的方法，其特征在于，所述的双向长短期记忆神经网络包括两个方向相反的单向长短期记忆神经网络；基于单向长短期记忆神经网络的深度学习模型包括4个单元：记忆元、输出门、输入门以及遗忘门；其计算公式如下：f
t
＝σ(W
f
[h
t
‑1,x
t
]+b
f
)i
t
＝σ(W
i
[h
t
‑1,x
t
]+b
i
))o
t
＝σ(W
o
[h
t
‑1,x
t
]+b
o
)h
t
＝o
t
*tanh(C
t
)其中f
t
是遗忘门；其中i
t
是输入门；其中o
t
是输出门；其中x
t
是当前的输入变量；其中是在当前输入在候选记忆元状态下的值；其中C
t
当前状态下的记忆元状态；其中h
t
是单向长短期记忆神经网络隐状态及模型的输出；其中W
f
,W
i
,W
o
,W
C
是相应权重及b
f
,b
i
,b
o
,b
C
是相应偏置；其中tanh和σ分别是tanh和sigmoid激活函数；其中
·
和*分别代表矩阵乘法和矩阵元素间乘法；双向长短期记忆神经网络的隐状态及输出的计算公式如下：H
t
＝γh
t
+δh
′
t
其中t＝1,2,
…
,T，γ，δ是常数以及γ+δ＝1；其中h
t
是正向长短期记忆神经网络在t时的输出以及h
′
t
是反向长短期记忆神经网络在t时的输出。4.根据权利要求1所述的方法，其特征在于，所述S5中输入注意力机制的计算公式如下：下：其中t表示当下的时间及t＝1,2,
…
,T，T是输入数据时间的长度；其中x
k
表示第k个输入变量在所有时间单位下的组合向量：其中k＝1,2,
…
,n以及n代表输入变量的个数，其中包括预处理后的水库流量、水库下流流量以及水库雨量的数据；其中T是对该向量进行转置；其中H
t
‑1和C
t
‑1是双向长短期记忆神经网络中在前一时间单位下的隐状态和记忆元状态输出；其中ν
e
,W
e
,U
e
是基于双向长短期记忆神经网络的编码器所要学习的参数值；其...

【专利技术属性】
技术研发人员：裘英杰，金孜璇，廖洪富，张子健，陈奇，
申请(专利权)人：浙江成功软件开发有限公司，
类型：发明
国别省市：