一种基于深度学习的水质水量预警方法技术

本发明专利技术涉及水质水量预警技术领域，具体公开了一种基于深度学习的水质水量预警方法，所述方法包括：S100、在预设检测点设置水质传感器，获取实时水质水量数据及历史水质水量数据；S200、将获取的实时水质水量数据及历史水质水量数据进行滤波及归一化处理，将处理后的实时水质水量数据及历史若干个时间点对应的历史水质水量数据整理成严格可送入模型的时间序列数据，并输入至若干组不同的分析模型中，获取不同的预测结果；S300、根据实时水质水量数据及历史水质水量数据获取加权策略，根据加权策略对不同分析模型的预测结果进行加权求和，将加权求和结果输入至预警模型中，根据预警模型输出结果判断预警策略。预警模型输出结果判断预警策略。预警模型输出结果判断预警策略。

【技术实现步骤摘要】
一种基于深度学习的水质水量预警方法


[0001]本专利技术涉及水质水量预警
，具体为一种基于深度学习的水质水量预警方法。

技术介绍

[0002]随着经济的快速发展以及人们对生活环境品质要求的不断增加，对于河湖水质状态的监测、预警及管理成为了河湖管理部门的工作职责之一，其中，随着物联网技术及智能检测技术的发展，通过在检测点设置对应的水质监测仪，进而能够实现对各个监测点水质、水量(降雨量)的监测过程，同时，为了避免对水质、水量状态管理的滞后性，现有技术会根据当前监测的数据对未来一段时间内的水质水量数据进行预测，根据预测的结果进行警情预警过程，进而能够提前对河湖水质水量风险进行处理。
[0003]现有的水质水量预警方法通过建立神经网络预测模型来实现水质水量的预警过程，通过将海量的历史参数经过处理后作为向本对预测模型进行训练，进而能够通过向预测模型输入当前的水质水量数据获取对应的预测结果；同时，为了进一步提高预测结果的准确性，现有技术还会通过训练多个预测模型来实现获取多组预测结果，通过预设权重来对多组预测结果进行加权求和，进而避免了单个预测模型获取结果的误差性。
[0004]然而，现有技术采用的算法很少考虑到水质样本的时间属性，而未来的的水质状态不仅和当下有关，还和历史数据有关；另外，在多个预测模型进行分析的过程中，固定的权重系数仅仅能够综合多个预测模型结果进行判断，无法根据水质水量的具体状态来动态的调整权重系数，进而无法充分利用各个预测模型使用算法的优势。

技术实现思路

[0005]本专利技术的目的在于提供一种基于深度学习的水质水量预警方法，解决以下技术问题：
[0006]如何根据实际水质水量状态充分利用多个预测模型的优势以提高预测结果的准确性。
[0007]本专利技术的目的可以通过以下技术方案实现：
[0008]一种基于深度学习的水质水量预警方法，所述方法包括：
[0009]S100、在预设检测点设置水质传感器，获取实时水质水量数据及历史水质水量数据；
[0010]S200、将获取的实时水质水量数据及历史水质水量数据进行滤波及归一化处理，将处理后的实时水质水量数据及历史若干个时间点对应的历史水质水量数据整理成严格可送入模型的时间序列数据，并输入至若干组不同的分析模型中，获取不同的预测结果；
[0011]S300、根据实时水质水量数据及历史水质水量数据获取加权策略，根据加权策略对不同分析模型的预测结果进行加权求和，将加权求和结果输入至预警模型中，根据预警模型输出结果判断预警策略。
[0012]进一步地，所述加权策略的获取过程包括：
[0013]在所述分析模型训练过程中，将第一加权值作为一个可训练的参数放到分析模型中训练，进而获取每个分析模型的第一加权值；
[0014]通过公式计算第i个分析模型的第一权重系数；
[0015]其中，N为分析模型训练的个数，i∈[1，N]；Value
wi
为第i个分析模型的第一参考值。
[0016]进一步地，所述加权策略的获取过程还包括：
[0017]根据历史水质水量数据及实时水质水量数据的变化特性确定每个分析模型的第二权重值，根据所有分析模型的第二权重值获得每个分析模型的第二权重系数；
[0018]根据第一权重系数和第二权重系数确定每个分析模型对应的权重系数。
[0019]进一步地，所述第二权重值的获取过程包括：
[0020]通过公式[A
j
，B
j
]}*α
j
获得t时间点偏离状态值Q
(t)
；
[0021]其中，为第j项水质参数在t时刻的参数值，[A
j
，B
j
]为第j项水质参数对应的参数值标准区间；f为判断函数，若则[A
j
，B
j
]}＝0；否则，]}＝0；否则，min{x，y}表示选取x，y中的最小值；α
j
为第j项水质参数对应的消参权重系数；
[0022]根据不同时间点偏离状态值Q
(t)
的变化状态获得每个分析模型的第二权重值。
[0023]进一步地，所述第二权重值的获取过程还包括：
[0024]通过公式获取水质的变化状态值C；
[0025]通过公式获取水质的稳定性系数S；
[0026]其中，Y为时间序列数据的时间点数，t∈[1，Y]；ΔQ为Q对应的预设阈值，g为判断函数，当且|Q
(t)
‑
Q
(t
‑
1)
|≥ΔQ时，g(Q
(t)
，Q
(t
‑
1)
，ΔQ)＝1，否则，g(Q
(t)
，Q
(t
‑
1)
，ΔQ)＝0；
[0027]通过变化状态值C及稳定性系数S获得每个分析模型的第二权重值。
[0028]进一步地，所述第二权重系数的获取过程包括：
[0029]通过公式计算获得第i个分析模型的第二权重值；
[0030]通过计算第i个分析模型的第二权重系数z
i
；
[0031]其中，C
i
为第i个分析模型的预设变化状态值；S
i
为第i个分析模型的预设稳定性系数；τ1、τ2为预设调整系数。
[0032]进一步地，所述加权策略的获取过程还包括：
[0033]通过公式b
i
＝w
i
*σ1+z
i
*σ2获取第i个分析模型的权重系数b
i
；
[0034]其中，σ1、σ2为预设固定系数，且σ1+σ2＝1；
[0035]按照每个分析模型的权重系数对所有分析模型的结果进行加权求和，根据加权求和结果判断预警策略。
[0036]进一步地，所述预警模型构建的过程包括：
[0037]构建三层全连接神经网络，将加权求和的结果放入全连接神经网络，输出层为4个节点；
[0038]对输出层采用softmax进行多分类，多分类的标准包括正常、轻微预警、一般预警、严重预警四个类别；
[0039]所述预警策略为：
[0040]当输出结果为轻微预警、一般预警、严重预警中的任一个时，进行预警。
[0041]进一步地，所述水质传感器监测的水质参数包括pH、电导率、浊度、溶解氧、温度、氨氮、余氯和高锰酸钾指数；
[0042]所述分析模型包括LSTM和GRU。
[0043]本专利技术的有益效果：
[0044](1)本专利技术通过在训练的过程中，将水质样本的时间属性纳入到训练的过程，进而提高分析的准确性；根据实时水质水量数据及历史水质水量数据对加权策略进行动态调整，能够充分利用不同预测模型的优势，进而提高分析结果的准确性。
附图说明
[0045]下本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的水质水量预警方法，其特征在于，所述方法包括：S100、在预设检测点设置水质传感器，获取实时水质水量数据及历史水质水量数据；S200、将获取的实时水质水量数据及历史水质水量数据进行滤波及归一化处理，将处理后的实时水质水量数据及历史若干个时间点对应的历史水质水量数据整理成严格可送入模型的时间序列数据，并输入至若干组不同的分析模型中，获取不同的预测结果；S300、根据实时水质水量数据及历史水质水量数据获取加权策略，根据加权策略对不同分析模型的预测结果进行加权求和，将加权求和结果输入至预警模型中，根据预警模型输出结果判断预警策略。2.根据权利要求1所述的一种基于深度学习的水质水量预警方法，其特征在于，所述加权策略的获取过程包括：在所述分析模型训练过程中，将第一加权值作为一个可训练的参数放到分析模型中训练，进而获取每个分析模型的第一加权值；通过公式计算第i个分析模型的第一权重系数；其中，N为分析模型训练的个数，i∈[1，N]；Value
wi
为第i个分析模型的第一参考值。3.根据权利要求2所述的一种基于深度学习的水质水量预警方法，其特征在于，所述加权策略的获取过程还包括：根据历史水质水量数据及实时水质水量数据的变化特性确定每个分析模型的第二权重值，根据所有分析模型的第二权重值获得每个分析模型的第二权重系数；根据第一权重系数和第二权重系数确定每个分析模型对应的权重系数。4.根据权利要求3所述的一种基于深度学习的水质水量预警方法，其特征在于，所述第二权重值的获取过程包括：通过公式获得t时间点偏离状态值Q
(t)
；其中，为第j项水质参数在t时刻的参数值，[A
j
，B
j
]为第j项水质参数对应的参数值标准区间；f为判断函数，若则否则，否则，min{x，y}表示选取x，y中的最小值；α
j
为第j项水质参数对应的消参权重系数；根据不同时间点偏离状态值Q
(t)
的变化状态获得每个分析模型的第二权重值。5.根据权利要求4所述的一种基于深度学习的水质水量预警方法，其特征在于，所述第二权重值的获取过程还包括：通过公式获取水质的变化状态值C；通过公式获取水质的稳定性系数S；其中，Y...

【专利技术属性】
技术研发人员：张友德，钱益武，程雨涵，徐德保，王清泉，董晓婉，尹星，
申请(专利权)人：安徽新宇环保科技股份有限公司，
类型：发明
国别省市：