基于人工智能水文模型的流域洪水预测方法技术

本发明专利技术涉及一种基于人工智能水文模型的流域洪水预测方法，包括：建立待预测流域的流域拓扑；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。该方法有利于提高流域洪水预测的便捷性和准确性。测的便捷性和准确性。测的便捷性和准确性。

【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
‑<br/>输出。这样的模型大多数都是随机水文模型，比如BP人工神经网络模型，回归模型，模糊数学模型等等。
[0004]但是，现有的众多流域水文模型在水文预报，特别是洪水预报实践中，大多无法取得令人满意的预报结果。概念性模型适用于大流域和中短期的水文预测，有一定的物理基础，但模型参数的率定十分复杂和困难。概念性模型的参数大都具有明确的物理意义，参数值原则上可根据其物理意义直接定量的。但由于缺乏降雨径流形成过程中各要素的实测与试验过程，故在实际应用中只能根据出口断面的实测流量过程，用系统识别的方法推求。由于参数多，信息量少，就会产生参数相关性、不稳定性和不唯一性问题。物理模型是严格基于物理过程的水流预测模型，但模型的建立存在如下问题：1)需要有非常详细的河道地形数据，对于资料不全的地区这种方法就不能发挥作用；2)采用传统的三角形网格进行网格剖分，预测结果的误差大。此类模型一般适用于重要水库、湖泊和河流的重要河段等水体，不适用于流域尺度。系统理论模型是建立在经验统计的基础上的一种模型，该类模型简单灵活，适用性广。但是，用于外延预报，则模型隐含的物理基础消失了，变成了纯数学表达，所以外延效果较差。因此，有必要提供一种新的流域洪水预测方法，以克服现有技术存在的问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于人工智能水文模型的流域洪水预测方法，该方法有利于提高流域洪水预测的便捷性和准确性。
[0006]为实现上述目的，本专利技术采用的技术方案是：一种基于人工智能水文模型的流域洪水预测方法，包括：
[0007]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；
[0008]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；
[0009]通过构建的人工智能水文模型进行流域洪水预测。
[0010]进一步地，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：
[0011][0012]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。
[0013]进一步地，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；
[0014]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。
[0015]进一步地，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。
[0016]进一步地，构建14个LSTM特征编码层进行时序特征提取；
[0017]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batch size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；
[0018]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、本文档来自技高网...

【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：