【技术实现步骤摘要】
基于人工智能水文模型的流域洪水预测方法
[0001]本专利技术涉及水文预报
,具体涉及一种基于人工智能水文模型的流域洪水预测方法。
技术介绍
[0002]水文预报是根据前期或现时水文气象资料,运用水文学、气象学、水力学等原理和方法,对河流等水体在未来一定时段内的水文状况作出定性或定量的预测。水文预报在防汛、抗旱、水资源合理利用和国防中有重要作用。水文现象是由众多因素相互作用的复杂过程,它与大气圈、地壳圈、生物圈都有着十分密切的关系,属于综合性的自然现象。迄今为止,人们还不可能对水文现象用严格的物理定律来描述。常见的研究方法是将复杂水文现象加以概化,忽略次要的与随机的因素,保留主要因素和具有基本规律的部分,建立具有一定物理意义的数学物理模型,并在计算机上实现。流域水文模型是为模拟流域水文过程所建立的数学结构,被模拟的水文现象称为原型,模型则是对原型的物理和逻辑过程的概化。通过建立水文现象的水文模型,来对相关流域未来一段时间的水文状况进行预测。
[0003]国内外开发研制的水文模型众多,结构各异,按照模型构建有无物理基础来划分,流域水文模型可以分为物理模型、概念性模型和系统理论模型。完全物理化的模型的通用性非常好,这是水文工作者希望提出的理想化模型。概念性模型就是模型中含有物理意义,但是又不是完全的遵循物理规律,需要提出一定的假设条件。现在大多数发展起来的概念性模型有新安江模型、SAC模型、VIC模型等等。黑箱子模型是一种完全没有物理背景的模型,它的大概模式就是:输入
‑
运行
‑< ...
【技术保护点】
【技术特征摘要】
1.一种基于人工智能水文模型的流域洪水预测方法,其特征在于,包括:建立待预测流域的流域拓扑;根据防洪需求,基于流域拓扑建立流域的监测点,并在监测点上布设雨量站以及包括水位计、流量计和流速计的传感器,获取监测点上的降雨量、泄洪量、上游水位及潮汐数据;构建结合变分模态分解、LSTM和图神经网络的人工智能水文模型,以挖掘流域水位跟降雨量、泄洪量、上游水位和潮汐关系;输入监测点上的降雨量、泄洪量、上游水位和潮汐数据,先进行数据预处理,然后采用变分模态分解对水位特征进行模态分解,构造滞后特征,再通过LSTM提取时序特征,接着通过图卷积神经网络对流域拓扑结构图进行特征提取,而后重塑特征向量矩阵,并通过全连接回归预测层输出预测水位;通过构建的人工智能水文模型进行流域洪水预测。2.根据权利要求1所述的基于人工智能水文模型的流域洪水预测方法,其特征在于,所述数据预处理包括异常值处理、缺失值处理和数据归一化处理;在完成数据的异常值、缺失值处理后,为规范数据,加快模型的训练,剔除量纲对模型的影响,对每个监测点的所有数据依次进行归一化处理,将数据映射到0和1之间:式中,X为待归一化数据,X
min
和X
max
分别表示待归一化数据中的最大值和最小值,最终将数据映射到0和1之间后,作为特征数据输入模型进行训练。3.根据权利要求1所述的基于人工智能水文模型的流域洪水预测方法,其特征在于,输入的数据需要执行两个任务:任务1是以当天源头水库泄洪量和降雨量、流域多点K个监测点水位作为一个时间点的特征,通过过去N天的特征预测未来一天中K个监测点的水位;任务2是以当天源头水库未来三天泄洪量和降雨量、流域多点K个监测点作为一个时间点的特征,通过过去N个时间点的特征完成对未来三天流域K个监测点的水位的预测;将数据处理成符合模型输入格式:多个监测点的特征被分别处理为F*D形状的矩阵,其中F为特征维度:任务1时为K+2,水库特征降雨量和泄洪量,K个监测点特征水位;任务2时为K+6,未来三天水库特征降雨量和泄洪量,K个监测点特征水位;D为总天数;随后使用一个大小为N的输入滑动窗口,在时间流逝方向进行滑动,滑动步长为1,N即为过去天数,每滑动一个步长形成新的样本特征,作为模型的输入;使用一个大小为1或3的标签滑动窗口在时间流逝方向进行滑动,每滑动一个步长形成新的样本标签,标签值为一天或三天监测点特征的水位值;流域水位数据集前70%部分作为训练集,后30%部分作为测试集。4.根据权利要求1所述的基于人工智能水文模型的流域洪水预测方法,其特征在于,为将地理信息融入图拓扑结构,将地图中每个监测点视为图中的一个节点,遍历每个监测点,将其和其欧氏距离最近的监测点相连接,如果该条边已经存在,则遍历下一个监测点,以此构建出邻接矩阵进而计算度矩阵与拉普拉斯矩阵,获得包含地理位置信息与地理空间依赖关系的拓扑结构图,最终输出尺寸为(K,K)的邻接矩阵。5.根据权利要求1所述的基于人工智能水文模型的流域洪水预测方法,其特征在于,构建14个LSTM特征编码层进行时序特征提取;第1个LSTM特征编码层的特征集为降雨量、水位、泄洪量,用于预测第一级水库的水位;构建第1个LSTM特征编码层,输入尺寸为(B,H,F1)的特征向量,包含第一级水库降雨量、泄
洪量、第一级水库水位数据信息,其中,B为batchsize大小;H为时间长度,根据H个数据预测未来一天的数据;F为源头水库的特征维度,根据具体任务设为2或6;根据输入数据设置LSTM网络层的输入维度,同时给定LSTM网络的输出维度F';输入数据经过LSTM网络层后,取最后时刻的特征表示作为网络的输出,最终输出尺寸为(B,1,F')的特征向量;第2
‑
4个LSTM特征编码层的特征集为降雨量、水位、泄洪量、前一级水库的泄洪量,用于预测第2
‑
4级水库的水位;构建第2
‑
4个LSTM特征编码层,输入尺寸为(B,H,F2)的特征向量,包含降雨量、泄洪量、水位和前一级水库的泄洪量数据信息,其中,B为batchsize大小;H为时间长度,根据H个数据预测未来一天的数据;F为源头水库的特征维度,根据具体任务设为2或6;根据输入数据设置LSTM网络层的输入维度,同时给定LSTM网络的输出维度F';输入数据经过LSTM网络层后,取最后时刻的特征表示作为网络的输出,最终输出尺寸为(B,1,F')的特征向量;第5个LSTM特征编码层的特征集为支流降雨量、本级水库降雨量、水位、泄洪量、前一级水库的泄洪量,用于预测第5级水库的水位;构建第5个LSTM特征编码层,输入尺寸为(B,H,F3)的特征向量,包含支流降雨量、本级水库降雨量、水位、泄洪量、前一级水库的泄洪量数据信息,其中,B为batchsize大小;H为时间长度,根据H个数据预测未来一天的数据;F为源头水库的特征维度,根据具体任务设为2或6;根据输入数据设置LSTM网络层的输入维度,同时给定LSTM网络的输出维度F';输入数据经过LSTM网络层后,取最后时刻的特征表示作为网络的输出,最终输出尺寸为(B,1,F')的特征向量;第6
‑
9个LSTM特征编码层,即水库间的LSTM特征编码层的特征集为降雨量、泄洪量、水位,用于预测水库间流域的水位;构建第6
‑
9个LSTM特征编码层,输入尺寸为(B,H,F4)的特征向量,包含降雨量、泄洪量、水位的数据信息,其中,B为batchsize大小;H为时间长度,根据H个数据预测未来一天的数据;F4为源头水库的特征维度,根据具体任务设为2或6;根据输入数据设置LSTM网络层的输入维度,同时给定LSTM网络的输出维度F';输入数据经过LSTM网络层后,取最后时刻的特征表示作为网络的输出,最终输出尺寸为(B,1,F')的特征向量;第10个LSTM特征编码层,即第5级水库后面流域上游的LSTM特征编码层的特征集为降雨量、泄洪量、水位,用于预测第5级水库后面流域上游的水位;构建第10个LSTM特征编码层,输入尺寸为(B,H,F4)的特征向量,包含降雨量、泄洪量、水位数据信息,其中,B为batchsize大小;H为时间长度,根据H个数据预测未来一天的数据;F4为第5级水库后面流域上游的特征维度,根据具体任务设为2或6;根据输入数据设置LSTM网络层的输入维度,同时给定LSTM网络的输出维度F';输入数据经过LSTM网络层后,取最后时刻的特征表示作为网络的输出,最终输出尺寸为(B,1,F')的特征向量;第11个LSTM特征编码层,即第5级水库后面流域中游的LSTM特征编码层的特征集为降雨量、上游水位、水位、泄洪量,用于预测第5级水库后面流域中游的水位;构建第11个LSTM特征编码层,输入尺寸为(B,...
【专利技术属性】
技术研发人员:马森标,陈惠祥,黄祖海,陈友武,张紫盈,
申请(专利权)人:福建中锐汉鼎数字科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。