【技术实现步骤摘要】
本专利技术涉及闸前壅水峰值预测，具体涉及一种基于bp神经网络模型的闸前壅水峰值预测方法。
技术介绍
1、大型明渠输水工程为便于对水位和流量进行调节，每间隔一定距离设置一座节制闸，各节制闸之间的渠段称为渠池。当遇到突发事件，需要对渠池内故障处实施应急处置时，通常要求快速关闭渠池两端的节制闸。在此过程中，渠池下游端节制闸的闸前水位会快速升高，有可能发生漫溢乃至次生灾害。对于管理人员而言，在关闭节制闸之前，快速准确地预测闸前壅水的峰值，对制定安全、有效的节制闸调控方案十分重要。
2、闸前壅水峰值的主要相关因子可归为三类：闸门调控因子、状态因子和环境因子。其中闸门调控因子主要是闸门关闭幅度和闸门关闭速度，状态因子主要是运行水位和输水流量，环境因子主要是渠道糙率和渠池沿程渗漏。面对如此多的相关因子，闸门调度人员主要依靠日常积累的经验预测闸前壅水峰值，精度因人而异，可靠性差。对于断面规则的棱柱形渠道，可利用基于断波理论的简化公式进行估算，不过实际的输水渠道断面形状往往沿程变化，简化公式本身的预测误差也较大。基于圣维南方程组编制一维非恒定流仿真程序，能够模拟水流运动过程，较为精确地预测闸前壅水峰值。不过，程序的编制和使用需要一定的专业门槛，且使用前必须合理设置初始条件、边界条件等。面对不可预知的突发事件，临时采用仿真程序预测闸前壅水峰值，复杂、繁琐且费时。
技术实现思路
1、针对现有技术中的上述不足，本专利技术提供的一种基于bp神经网络模型的闸前壅水峰值预测方法解决了传统人工经验和简
2、为了达到上述专利技术目的，本专利技术采用的技术方案为：
3、提供了一种基于bp神经网络模型的闸前壅水峰值预测方法，其包括以下步骤：
4、s1、构建渠道的一维非恒定流仿真模型；
5、s2、通过一维非恒定流仿真模型对闸前壅水峰值对各相关因子变化的敏感性进行仿真并筛选，得到关键因子；
6、s3、根据关键因子得到工况数据集；通过一维非恒定流仿真模型对工况数据集进行测试，得到闸前壅水峰值数据集；
7、s4、根据工况数据集和闸前壅水峰值数据集构建bp神经网络模型并进行训练，得到训练后的bp神经网络模型；
8、s5、根据渠道的运行状态设置关键因子的值并输入至训练后的bp神经网络模型，得到闸前壅水峰值，完成预测。
9、进一步地，步骤s1的具体步骤为：
10、s1-1、根据渠道的结构组成和几何参数，采用圣维南方程组构建渠道的水流方程组，采用闸门过流公式构建闸水位流量关系方程；其中，圣维南方程组包括动量方程和连续方程；
11、s1-2、采用有限差分格式对渠道的水流特性、闸水位和流量的关系进行离散，得到对应的离散方程；
12、s1-3、联立离散方程和渠道两端的边界条件形成封闭的线性矩阵方程，得到渠道任意断面的水位和流量。
13、进一步地，步骤s1-1的圣维南方程组如下：
14、
15、其中，a表示过水面积，t表示时间坐标，q表示流量，x表示空间坐标，q表示单位长度渠道上的侧向入流量，g表示重力加速度，z表示水位，n表示糙率系数，r表示水力半径；
16、步骤s1-1的闸门过流公式如下：
17、he＝zup-zdown
18、
19、其中，b表示水面宽度，e表示闸门的开度，m和n表示与闸门型式和过闸流量有关的经验系数，he表示闸门的上下游水位差，zup表示闸门上游的水位，zdown表示闸门下游的水位。
20、进一步地，步骤s1-2的具体步骤为：
21、s1-2-1、按照preissmann离散格式，计算圣维南方程组中的变量、变量对时间和空间的偏导数，计算式为：
22、
23、
24、
25、其中，f(x,t)表示圣维南方程组原方程，表示圣维南方程组离散方程，θ表示时间权重系数，ψ表示空间权重系数，t表示时间，s表示流程距离，δt表示时间步长，δs表示空间步长，j表示以流程距离s为横坐标，时间t为纵坐标构成的矩形网格中，平行于s轴的直线在t轴上的位置编号，i表示平行于t轴的直线在s轴上的位置编号，表示位置编号为i+1和j+1时的圣维南方程组原方程，fij+1表示位置编号为i和j+1时的圣维南方程组原方程，表示位置编号为i+1和j时的圣维南方程组原方程，fij表示位置编号为i和j时的圣维南方程组原方程，表示对时间的偏导数，表示对空间的偏导数；
26、s1-2-2、建立圣维南方程组中连续方程的离散方程：
27、
28、其中，a1i＝(1-ψ)bm，b表示水面宽度，bm表示preissmann离散格式中网格偏心点m断面处的水面宽度，即(·)m表示在m断面处取值，c1i＝ψbm，表示位置编号为i和j+1时的水位，表示位置编号为i+1和j+1的流量的水位，表示位置编号为i+1和j时的水位，表示位置编号为i和j时的水位，表示位置编号为i和j+1时的流量，表示位置编号为i+1和j+1时的流量，表示位置编号为i+1和j时的流量，表示位置编号为i和j时的流量；
29、s1-2-3、建立圣维南方程组中动量方程的离散方程：
30、
31、其中，c2i＝-a2i，
32、
33、
34、表示水位z为常数时，过水面积a沿流程距离s的变化率。
35、进一步地，步骤s1-3的具体步骤为：
36、s1-3-1、以初始时刻渠道各离散断面的水位、流量作为时空离散水动力学方程组的初始条件，根据渠道的入流流量，建立上游边界条件离散方程：
37、
38、其中，a0、b0和e0表示离散系数，为初始时刻上游边界断面的水位，为初始时刻上游边界断面的流量；
39、s1-3-2、根据下游流量水位关系，建立下游边界条件离散方程：
40、
41、其中，an、dn和en表示离散系数，表示初始时刻下游边界断面的水位，表示初始时刻下游边界断面的流量。
42、进一步地，步骤s2中的相关因子包括闸门关闭幅度、闸门关闭用时、运行水位、输水流量、渠池沿程渗漏和渠道糙率。
43、进一步地，步骤s2的具体方法为：确定各相关因子的日常变化范围；分别选取变化范围的上下边界值作为某一相关因子的值，其余相关因子的值不变，仿真分析对应的闸前壅水峰值的变化幅度；若闸前壅水峰值的变化幅度超过10％，则判定该相关因子为关键因子。
44、进一步地，步骤s3中的工况数据集的获取方法为：根据各关键因子的日常计量单元大小，在其变化范围内间隔选取不同的关键因子的值并将其进行排列组合，得到工况数据集。
45、进一步地，步骤s3中的工况数据集和闸前壅水峰值数据集共同组成映射关系表；映射关系本文档来自技高网...
【技术保护点】
1.一种基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S1的具体步骤为：
3.根据权利要求2所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S1-1的圣维南方程组如下：
4.根据权利要求3所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S1-2的具体步骤为：
5.根据权利要求4所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S1-3的具体步骤为：
6.根据权利要求1所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S2中的相关因子包括闸门关闭幅度、闸门关闭用时、运行水位、输水流量、渠池沿程渗漏和渠道糙率。
7.根据权利要求1所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S2的具体方法为：确定各相关因子的日常变化范围；分别选取变化范围的上下边界值作为某一相关因子的值，其余相关因子的值不变，仿
8.根据权利要求1所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S3中的工况数据集的获取方法为：根据各关键因子的日常计量单元大小，在其变化范围内间隔选取不同的关键因子的值并将其进行排列组合，得到工况数据集。
9.根据权利要求1所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S3中的工况数据集和闸前壅水峰值数据集共同组成映射关系表；所述映射关系表用于判断训练后的BP神经网络模型的预测精度。
10.根据权利要求1所述的基于BP神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤S4的BP神经网络模型的训练过程为：采用L-M算法对BP神经网络模型进行训练，将工况数据集作为BP神经网络模型的输入，获取当前BP神经网络模型的输出；基于当前BP神经网络模型的输出和步骤S3中的闸前壅水峰值，通过均方误差损失函数对BP神经网络模型进行参数调整，得到训练后的BP神经网络模型。
...【技术特征摘要】
1.一种基于bp神经网络模型的闸前壅水峰值预测方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的基于bp神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤s1的具体步骤为：
3.根据权利要求2所述的基于bp神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤s1-1的圣维南方程组如下：
4.根据权利要求3所述的基于bp神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤s1-2的具体步骤为：
5.根据权利要求4所述的基于bp神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤s1-3的具体步骤为：
6.根据权利要求1所述的基于bp神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤s2中的相关因子包括闸门关闭幅度、闸门关闭用时、运行水位、输水流量、渠池沿程渗漏和渠道糙率。
7.根据权利要求1所述的基于bp神经网络模型的闸前壅水峰值预测方法，其特征在于：所述步骤s2的具体方法为：确定各相关因子的日常变化范围；分别选取变化范围的上下边界值作为某一相关因子的值，其余相...
【专利技术属性】
技术研发人员：崔巍，陈文学，穆祥鹏，刘慧，王磊，雷毓灵，丁志楠，
申请(专利权)人：中国水利水电科学研究院，
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。