System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及泄洪监测,尤其涉及一种泄洪雾化雨强度分析模型建立方法和装置。
技术介绍
1、泄洪雾化雨是在大坝泄洪期间,水舌相撞所产生的具有范围性,特异性,随机性的降雨。在雾化降雨过程中,泄洪条件(如大坝等泄洪装置的物理条件)是雾化雨强度分析的依据。目前对于泄洪雾化雨的分析预测主要依据研究学者提出的经验公式,根据泄洪装置的上下游水位差、泄洪量与雾化雨强度之间的经验关系进行预测。该方法对于拱坝泄洪有较好的可靠度,但面对更多的泄洪条件与泄洪雾化雨强度之间的复杂关系,难以通过经验公式总结,例如对于我国西南片区大力发展的挑流泄洪水电站,依据以往的经验预测性能下降明显。
2、也有学者提出利用bp神经网络来量化雾化雨强度,bp神经网络本质上是线性权函数的逼近,指的是利用函数中的一些线性参数的变动来对要识别的模式或者函数进行某种逼近,这种方法在识别前后没有关联的数据时方可奏效,但是在识别前后有关联的数据时,该算法无法挖掘时间序列数据产生的模式。并且bp神经网络通常需要大量的训练数据,尤其是在复杂的问题上,如果没有足够的雾化雨强度数据进行训练,模型可能难以泛化到新的情况,导致性能下降,无法得到模型的最优解、实现对雾化雨强度的准确预测。
3、因此在泄洪雾化雨分析领域,亟需一种更高效、适应性强以及预测准确性高的分析方法。
技术实现思路
1、本专利技术提供一种泄洪雾化雨强度分析模型建立方法和装置,以解决现有的分析手段难以根据泄洪条件与泄洪雾化雨强度之间的复杂关系准确预测雾化雨强度的
2、本专利技术通过下述技术方案实现:
3、本专利技术的第一方面,提供了一种泄洪雾化雨强度分析模型建立方法,包括:
4、s1,构建初始分析模型:基于卷积神经网络和长短期记忆神经网络构建初始分析模型,所述卷积神经网络用于提取泄洪数据的空间特征,所述长短期记忆神经网络用于对所述空间特征进行预测,得到雾化雨强度,所述雾化雨强度包括雾化雨的横向长度、纵向长度和高度;
5、s2,训练所述初始分析模型:获取样本泄洪数据,所述样本泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度;将所述样本泄洪数据输入所述初始分析模型中进行迭代训练,得到泄洪雾化雨强度分析模型。
6、本专利技术针对经验公式难以总结不同泄洪条件与雾化雨之间复杂关系的问题,通过基于卷积神经网络和长短期记忆神经网络融合的分析模型学习不同泄洪条件与雾化雨之间的复杂关系,利用卷积神经网络具有优秀的对空间特征的提取能力,以及长短期记忆神经网络对时间序列建模能力,在雾化雨强度数据有限的条件下训练预测模型,使得预测模型能够适应不同泄洪条件与泄洪雾化雨强度之间的复杂性,融合泄洪条件的空间特征和时间特征,从而对泄洪雾化雨强度进行准确的预测。
7、在一种实施方式中,所述卷积神经网络包括2个卷积层和2个池化层,所述卷积层的卷积核大小为20×20,通道数量为1。
8、在一种实施方式中,所述长短期记忆神经网络包括第一lstm层和第二lstm层,所述第一lstm层、第二lstm层用于对所述空间特征进行学习,得到结合空间特征和时序特征的输出特征,所述第二lstm层的输出依次连接dropout层、平滑层和全连接层。
9、在一种实施方式中,将所述样本泄洪数据输入所述初始分析模型中进行迭代训练,包括:
10、s211,将所述样本泄洪数据处理成维度为4、长度为n的特征数据输入所述初始分析模型,得到模型输出;所述特征数据的4个维度对应泄洪数据中的水位差、泄洪量、孔型数据和挑流挑角,数据长度对应样本数量;
11、s212,将各样本对应的雾化雨强度数据作为样本标签,根据所述样本标签和模型输出调整模型参数,完成一次迭代训练;
12、s213,重复执行s211-s212,直到训练次数达到预设值或模型准确性满足预设条件。
13、在一种实施方式中,所述方法还包括:设置训练周期,获取当前训练周期内的泄洪数据,若当前训练周期内的泄洪数据的数量大于预设值,则将当前训练周期内的泄洪数据和历史泄洪数据输入所述泄洪雾化雨强度分析模型中进行优化训练,所述历史泄洪数据是在当前训练周期之前获取的泄洪数据。
14、在一种实施方式中,所述方法还包括:获取特定泄洪条件下的泄洪数据,所述特定泄洪条件包括极端气象条件;将所述特定泄洪条件下的泄洪数据输入所述泄洪雾化雨强度分析中进行微调训练,得到适用于特定泄洪条件的雾化雨强度分析模型。
15、本专利技术的第二方面,提供一种泄洪雾化雨强度分析方法,所述方法包括:获取实时泄洪数据,通过雾化雨强度分析模型对所述实时泄洪数据进行预测,得到雾化雨强度;所述雾化雨强度分析模型是根据上述任一实施例所述的泄洪雾化雨强度分析模型建立方法得到的。
16、本专利技术的第三方面,提供一种泄洪雾化雨强度分析模型建立装置,所述装置包括:
17、初始模型构建模块,用于构建初始分析模型:基于卷积神经网络和长短期记忆神经网络构建初始分析模型,所述卷积神经网络用于提取泄洪数据的空间特征,所述长短期记忆神经网络用于对所述空间特征进行预测,得到雾化雨强度,所述雾化雨强度包括雾化雨的横向长度、纵向长度和高度;
18、训练模块,用于训练所述初始分析模型:获取样本泄洪数据,所述样本泄洪数据包括上下游水位差、泄洪量、孔型、挑流挑角和雾化雨强度;将所述样本泄洪数据输入所述初始分析模型中进行迭代训练,得到泄洪雾化雨强度分析模型。
19、本专利技术的第四方面,提供一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述的泄洪雾化雨强度分析模型建立方法或泄洪雾化雨强度分析方法。
20、本专利技术的第五方面,提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的泄洪雾化雨强度分析模型建立方法或泄洪雾化雨强度分析方法。
21、本专利技术与现有技术相比,具有如下的优点和有益效果:
22、1、利用卷积神经网络具有优秀的对空间特征的提取能力,以及长短期记忆神经网络对时间序列建模能力,通过有限的训练数据使得预测模型适应不同泄洪条件与泄洪雾化雨强度之间的复杂性,融合泄洪条件的空间特征和时间特征,从而对泄洪雾化雨强度进行准确的预测;
23、2、卷积核大小为20×20,定义了模型从输入数据中提取特征的窗口大小,较大的卷积核能够捕捉更大范围的特征,适用于涉及到长程依赖或大尺度结构的问题,能够在输入数据中捕获泄洪数据中的一些大尺度的特征,有利于更好地捕捉特征之间的联系,卷积和通道数为1,考虑了问题的复杂性和计算资源的平衡;
24、3、将样本泄洪数据处理成维度为4、长度为样本数量的特征数据作为模型输入,采用批量输入进行迭代训练的方式,考虑了泄洪数据的数据特征和数据量特点,在有限的训练资源下提高对模型训练的效率;本文档来自技高网...
【技术保护点】
1.一种泄洪雾化雨强度分析模型建立方法,其特征在于,所述方法包括:
2.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,所述卷积神经网络包括2个卷积层和2个池化层,所述卷积层的卷积核大小为20×20,通道数量为1。
3.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,所述长短期记忆神经网络包括第一LSTM层和第二LSTM层,所述第一LSTM层、第二LSTM层用于对所述空间特征进行学习,得到结合空间特征和时序特征的输出特征,所述第二LSTM层的输出依次连接dropout层、平滑层和全连接层。
4.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,将所述样本泄洪数据输入所述初始分析模型中进行迭代训练,包括:
5.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,所述方法还包括:设置训练周期,获取当前训练周期内的泄洪数据,若当前训练周期内的泄洪数据的数量大于预设值,则将当前训练周期内的泄洪数据和历史泄洪数据输入所述泄洪雾化雨强度分析模型中进行优化训练,所述历史泄洪数据是在当前训练
6.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,所述方法还包括:获取特定泄洪条件下的泄洪数据,所述特定泄洪条件包括极端气象条件;将所述特定泄洪条件下的泄洪数据输入所述泄洪雾化雨强度分析中进行微调训练,得到适用于特定泄洪条件的雾化雨强度分析模型。
7.一种泄洪雾化雨强度分析方法,其特征在于,所述方法包括:获取实时泄洪数据,通过雾化雨强度分析模型对所述实时泄洪数据进行预测,得到雾化雨强度;所述雾化雨强度分析模型是根据权利要求1-6任一项所述的泄洪雾化雨强度分析模型建立方法得到的。
8.一种泄洪雾化雨强度分析模型建立装置,其特征在于,所述装置包括:
9.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6任一项所述的泄洪雾化雨强度分析模型建立方法或权利要求7所述的泄洪雾化雨强度分析方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6任一项所述的泄洪雾化雨强度分析模型建立方法或权利要求7所述的泄洪雾化雨强度分析方法。
...【技术特征摘要】
1.一种泄洪雾化雨强度分析模型建立方法,其特征在于,所述方法包括:
2.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,所述卷积神经网络包括2个卷积层和2个池化层,所述卷积层的卷积核大小为20×20,通道数量为1。
3.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,所述长短期记忆神经网络包括第一lstm层和第二lstm层,所述第一lstm层、第二lstm层用于对所述空间特征进行学习,得到结合空间特征和时序特征的输出特征,所述第二lstm层的输出依次连接dropout层、平滑层和全连接层。
4.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,将所述样本泄洪数据输入所述初始分析模型中进行迭代训练,包括:
5.根据权利要求1所述的泄洪雾化雨强度分析模型建立方法,其特征在于,所述方法还包括:设置训练周期,获取当前训练周期内的泄洪数据,若当前训练周期内的泄洪数据的数量大于预设值,则将当前训练周期内的泄洪数据和历史泄洪数据输入所述泄洪雾化雨强度分析模型中进行优化训练,所述历史泄洪数据是在当前训练周期之前获取的泄洪数据。
6.根据权...
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。