一种基于全感融合的高精度流量在线监测智能算法制造技术

本发明专利技术提供一种基于全感融合的高精度流量在线监测智能算法，选定目标测流断面，收集历史水位、面积和流量测验的原始数据，根据比降级和水位级划分不同数据集，并根据所述不同数据集垂线流速分布特征，建立流速分布模型；利用接触式与非接触式测流数据，创新融合推流方法；根据历史测验数据样本集，提出了分比降级和水位级率定垂线流速分布规律的方法，为垂线平均流速的推算提供较为精确的理论依据；充分利用历史数据资料和实时水情数据，根据流速分布规律，高精度推算实时流量。高精度推算实时流量。高精度推算实时流量。

【技术实现步骤摘要】
一种基于全感融合的高精度流量在线监测智能算法


[0001]本专利技术涉及水文流量监测方法，尤其涉及一种基于全感融合的高精度流量在线监测智能算法。

技术介绍

[0002]现有的流量在线监测方法通常可分为接触式与非接触式两类，通过测得水体中某部分或某些点的流速(称为代表流速Vindex)，通过比测，建立代表流速Vindex与断面平均流速Vm的关系，再通过水位查取断面面积，计算得到流量。接触式的如H
‑
ADCP、非接触式的如雷达测速、视频测速等，均是此原理。
[0003]现有的流量在线监测方法往往精度较低，难以达到基本水文资料搜集的精度要求。对于H
‑
ADCP等接触式测流方法，由于其安装位置固定，水位变化时，其所测点流速的垂线相对位置也会变化，从而导致所测代表流速与断面平均流速关系不稳定，难以得出较高精度的相关关系。对于雷达、视频等非接触式测流方法，测水面点的流速，虽然相对位置不会变化，但是其在受洪水涨落、顶托等影响，代表流速与断面平均流速关系通常也不稳定。而多套设备测流的站点也无较好的方法对不同设备数据进行高精度融合计算。

技术实现思路

[0004]本专利技术的目的在于针对上述现有技术的不足，提供了一种基于全感融合的高精度流量在线监测智能算法，能够提高在线测流的精度。
[0005]为实现上述目的，本专利技术采用了如下技术方案：
[0006]本专利技术提供了一种基于全感融合的高精度流量在线监测智能算法，包括以下步骤：
[0007]S1、选定目标测流断面，收集历史水位、面积和流量测验的原始数据，根据比降级和水位级划分不同数据集，并根据所述不同数据集垂线流速分布特征，建立流速分布模型；
[0008]S2、通过垂线流速分布模型，分别计算接触式和非接触式的垂线平均流速，以融合为综合垂线流速；
[0009]S3、基于不同的测流断面形态，建立流量网格计算模型；
[0010]S4、获取实时接触式和非接触式流速测验数据，依据所述流量网格计算模型计算实时流量，并通过滤波平滑处理，实现高精度的断面流量在线实时推求。
[0011]进一步，所述S1的具体步骤为：
[0012]S101、收集水文站历史流速仪多线多点法或走航式ADCP流量测验的原始数据、及对应的水文站水位、上游站水位数据和下游站水位数据，组成历史流量数据库D
Q
：
[0013]D
Q
＝{H1，H2…
H
t
}；
[0014]H＝{Q,Z,Z
上
，Z
下
，R}；
[0015]其中，H
t
为t项流量文件；Q为流量信息；Z为水文站水位信息；Z
上
为上游站水位数据；Z
下
为下游站水位数据；R为流速信息；
[0016]S102、样本集划分：通过所述上游站水位数据和所述下游站水位数据计算出水面比降S；根据所述水面比降S将流量文件H划分为I个集合，统计S＞0的集合数m，并记为U
S+
；(I
‑
m)个S≤0的集合记为U
S
‑
；
[0017][0018]S＝(Z
上
‑
Z
下
)/L
[0019]根据水文站水位信息将在每个所述水面比降内按水位级划分为n个集合W，将在每个所述水面比降内按水位级划分为n
′
个集合W
′
，记为：
[0020][0021][0022]其中，m为集合数；L为上游站和下游站之间的距离。
[0023]进一步，所述S1的具体步骤还包括：
[0024]S103、在每个比降级和水位级U集合条件下，提取流量文件中流速信息R，以确定流速点在断面中的空间位置，其中：
[0025]R＝(X
i
,Y
i
,V
i
)；
[0026]X
i
为每个流速点的断面起点距；Y
i
为每个流速点的高程；V
i
为每个测速点的流速；
[0027]S104、对流速点的坐标进行归一化和一维化处理；根据起点距X
ki
确定垂线，计算所述垂线对应的水深h
i
，并计算出相对水深h
′
i
；对断面上每个点进行计算，经过处理后将空间坐标转化在一个标准垂线上，h
′
i
∈(0,1)；
[0028]h
i
＝Z
t
‑
Z
河底i
[0029]h
′
i
＝Y
i
‑
Z
河底i
/h
i
[0030]其中，Z
t
为测流时的水位；Z
河底i
为河底高程；i为编号；
[0031]S105、对所述垂线上每点的流速进行归一化处理：
[0032]V
i
′
＝(V
i
‑
V
i,min
)/(V
i,max
‑
V
i,min
)
[0033]其中，V
i,max
为每条垂线上的最大流速；V
i,min
为每条垂线上的最小流速，由于V
i,min
为河底处流速，存在测量盲区，无法直接测到，故V
i,min
直接取0；V
i
′
为归一化流速。
[0034]进一步，S106、将断面上所有点流速数据处理成二维双向归一化数据集(h
′
i
,V
i
′
)，并根据h
′
i
的大小进行数据集的重新排序；
[0035]利用带噪声的密度聚类算法DBSCAN聚类分析进行数据集的处理，去除噪声，将集群建模为高密度的点簇；所述密度聚类算法DBSCAN确定邻域半径Eps和邻域半径里最小数据点数量MinPts的参数为：
[0036][0037][0038]其中，RE
max
、RE
med
、RE
min
分别为低水、中水和高水时最大允许的相对误差；H1为高水位和中水位分界处相对水深；H2为中水位和低水位分界处相对水深；p
i
为第i个数据点的邻域半径Eps内数据点数量，n为数据集的对象数量；
[0039]高、中、低水位级按《河流流量测验规范》推荐方法进行划分，或借用水文站采用值；各水位级最大允许误差采用《水文资料整编规范》推荐值；
[0040]查看每个数据点是否在核心点的领域内，若在，且不为核心点，则为边界点；若不在，且不为核心点，则为噪声点；
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于全感融合的高精度流量在线监测智能算法，其特征在于，包括以下步骤：S1、选定目标测流断面，收集历史水位、面积和流量测验的原始数据，根据比降级和水位级划分不同数据集，并根据所述不同数据集垂线流速分布特征，建立流速分布模型；S2、通过垂线流速分布模型，分别计算接触式和非接触式的垂线平均流速，以融合为综合垂线流速；S3、基于不同的测流断面形态，建立流量网格计算模型；S4、获取实时接触式和非接触式流速测验数据，依据所述流量网格计算模型计算实时流量，并通过滤波平滑处理，实现高精度的断面流量在线实时推求。2.根据权利要求1所述的一种基于全感融合的高精度流量在线监测智能算法，其特征在于，所述S1的具体步骤为：S101、收集水文站历史流速仪多线多点法或走航式ADCP流量测验的原始数据、及对应的水文站水位、上游站水位数据和下游站水位数据，组成历史流量数据库D
Q
：D
Q
＝{H1，H2…
H
t
}；H＝{Q,Z,Z
上
，Z
下
，R}；其中，H
t
为t项流量文件；Q为流量信息；Z为水文站水位信息；Z
上
为上游站水位数据；Z
下
为下游站水位数据；R为流速信息；S102、样本集划分：通过所述上游站水位数据和所述下游站水位数据计算出水面比降S；根据所述水面比降S将流量文件H划分为I个集合，统计S＞0的集合数m，并记为U
S+
；(I
‑
m)个S≤0的集合记为U
S
‑
；S＝(Z
上
‑
Z
下
)/L根据水文站水位信息将在每个所述水面比降内按水位级划分为n个集合W，将在每个所述水面比降内按水位级划分为n
′
个集合W
′
，记为：，记为：其中，m为集合数；L为上游站和下游站之间的距离。3.根据权利要求2所述的一种基于全感融合的高精度流量在线监测智能算法，其特征在于，所述S1的具体步骤还包括：S103、在每个比降级和水位级U集合条件下，提取流量文件中流速信息R，以确定流速点在断面中的空间位置，其中：R＝(X
i
,Y
i
,V
i
)；X
i
为每个流速点的断面起点距；Y
i
为每个流速点的高程；V
i
为每个测速点的流速；S104、对流速点的坐标进行归一化和一维化处理；根据起点距X
ki
确定垂线，计算所述垂线对应的水深h
i
，并计算出相对水深h
′
i
；对断面上每个点进行计算，经过处理后将空间坐标
转化在一个标准垂线上，h
′
i
∈(0,1)；h
i
＝Z
t
‑
Z
河底i
h
′
i
＝Y
i
‑
Z
河底i
/h
i
其中，Z
t
为测流时的水位；Z
河底i
为河底高程；i为编号；S105、对所述垂线上每点的流速进行归一化处理：V
i
′
＝(V
i
‑
V
i,min
)/(V
i,max
‑
V
i,min
)其中，V
i,max
为每条垂线上的最大流速；V
i,min
为每条垂线上的最小流速，由于V
i,min
为河底处流速，存在测量盲区，无法直接测到，故V
i,min
直接取0；V
i
′
为归一化流速；。4.根据权利要求3所述的一种基于全感融合的高精度流量在线监测智能算法，其特征在于：S106、将断面上所有点流速数据处理成二维双向归一化数据集(h
′
i
,V
′
i
)，并根据h
′
i
的大小进行数据集的重新排序；利用带噪声的密度聚类算法DBSCAN聚类分析进行数据集的处理，去除噪声，将集群建模为高密度的点簇；所述密度聚类算法DBSCAN确定邻域半径Eps和邻域半径里最小数据点数量MinPts的参数为：数量MinPts的参数为：其中，RE
max
、RE
med
、RE
min
分别为低水、中水和高水时最大允许的相对误差；H1为高水位和中水位分界处相对水深；H2为中水位和低水位分界处相对水深；p
i
为第i个数据点的邻域半径Eps...

【专利技术属性】
技术研发人员：梅军亚，赵昕，邓山，袁德忠，徐洪亮，张亭，陈超，牟芸，吴琼，谢天雄，张莉，贾志伟，曹磊，蒋四维，胡焰鹏，胡立，
申请(专利权)人：长江水利委员会水文局，
类型：发明
国别省市：