【技术实现步骤摘要】
本专利技术涉及水文预报，尤其涉及一种机器学习结合传统机理模型构建行洪安全知识图谱的方法及系统。
技术介绍
1、长期以来，如何对洪水实现预报精准、预警期长、预案科学、预演快速的“四预”功能，构建以数字孪生流域为核心的智慧水利体系，一直是水文水资源领域研究的热点问题。目前的洪水预报主要以经验预报和水动力模型为主，经验预报方法存在精度不足的问题，在极端情景下更是难以适用；水动力模型方法计算耗时长，时效性较差，且模型构建需大量的边界条件约束，对专业知识要求较高，使用不够便捷。
技术实现思路
1、针对现有洪水预报方法中的问题，本专利技术提出一种机器学习结合传统机理模型构建行洪安全知识图谱的方法及系统，结合机器学习模型，计算关键控制断面水位与其他水文因素的非线性响应关系，可形成精准及时的实时水位预报模型，计算各边界条件下水位变化情势，形成最大行洪安全知识图谱。
2、为了实现上述目的，本专利技术通过如下的技术方案来实现：
3、一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，所述方法包括：
4、通过机理模型模拟计算流域水文情势变化情况，具体包括：
5、实测河网断面，收集流域内河流断面数据、水位数据、流量数据和降雨数据并进行数据预处理；
6、根据收集到的河流断面数据、水位数据和流量数据，基于圣维南方程组构建一维水动力模型；进行模型率定与模型验证，判断所述一维水动力模型的精度是否满足要求；若否，则重新进行模型率定与验证；若是，则计算产
7、通过机器学习模型构建流域行洪安全知识图谱，具体包括：
8、将所述一维水动力模型的边界条件因子作为输入条件，模拟计算结果作为训练样本，进行关键影响因子识别和参数自动寻优后构建机器学习模型；其中，边界条件因子包括上游流量、下游水位或潮位数据，以及区间入流流量；
9、通过所述机器学习模型，分析关键控制断面水位与关键影响因子之间的非线性关系，计算不同影响因子条件下的关键控制断面水位；
10、以关键控制断面水位和下游边界逆推上游最大流量，以关键控制断面水位和下游水位或潮位数据为条件矩阵，绘制行洪安全知识图谱。
11、作为本专利技术的一种优选方案，所述基于圣维南方程组构建一维水动力模型，具体包括：
12、一维水动力模型基于一维明渠非恒定流方程，理论基础是圣维南方程组，包括连续方程和运动方程；
13、所述连续方程为：
14、
15、式中，a表示过水断面面积，单位为m2；t表示时间，单位为s；q表示河流断面净流量，单位为m3/s；x表示沿水流方向的距离，单位为m；q表示单位河段长度的旁侧入流量，包括均匀旁侧入量和集中旁侧入量，单位为m3/s；
16、所述运动方程为：
17、
18、式中，g为重力加速度，单位为m2/s；α为动量校正系数；h为水深，单位为m；c为谢才系数；n为河床糙率，r为水力半径，单位为m；
19、对所述圣维南方程组采用6点abbott-ionescu隐式有限差分格式进行离散，按照水位-流量-水位的顺序交替布置形成计算网格，且水位点和流量点计算的时间步长δt相同；
20、其中，连续方程离散为：
21、运动方程离散为：
22、式中，j表示计算网格中网格点的第j处；α、β、γ分别为过流宽度和外部输入δ的函数，随s时刻的流量和水深以及s+1/2时刻流量的大小而变化；δj表示在网格点j处的外部输入；
23、分别表示网格点j-1处、网格点j处、网格点j+1处在s+1时刻的流量；分别表示网格点j-1处、网格点j处、网格点j+1处在s+1时刻的水深。
24、作为本专利技术的一种优选方案，所述模型率定具体为对河床糙率n进行率定，按不同河段对河床糙率n进行设置，基于同步水文测验资料进行模型率定；
25、收集历史洪水资料进行模型验证，使用纳什效率系数nse评价所述一维水动力模型的模拟结果，所述纳什效率系数nse的计算公式如下：
26、
27、式中，m为数据集中数据的个数，为第m个数据的实测值，为第m个数据的模型模拟值，为数据集中所有数据实测值的平均值。
28、作为本专利技术的一种优选方案，所述计算产汇流作为所述一维水动力模型的边界条件，方法包括：
29、收集流域多年降雨数据，使用泰森多边形划分单元计算面雨量，并通过流域的经验推理公式，计算支流集水区的降雨产流；
30、根据泰森多边形分割子流域的面积计算各雨量站在各个子流域的权重，得到泰森多边形面雨量权重矩阵，根据推理公式法，计算汇流；
31、将计算出的降雨产流和汇流作为一维水动力模型的边界条件。
32、作为本专利技术的一种优选方案，所述模拟计算典型工况下的关键控制断面水位，方法包括：
33、对长时期历史实测的下游水位或潮位数据频率分析，计算不同重现期最高潮位，根据流域防洪标准，选取关键控制断面及控制水位；
34、根据历史资料，选取不同重现期的下游水位或潮位数据作为典型工况，结合区间入流数据，计算不同上游流量数据对应的关键控制断面水位h1。
35、作为本专利技术的一种优选方案，通过计算gini系数和pearson相关系数评估各影响因子的重要性，识别关键影响因子，具体包括：
36、给定影响因子的数据集d，数据集d的gini系数的计算公式为：
37、
38、
39、式中，gini(d)为数据集d的gini系数；k表示影响因子的类别个数，pk表示数据集d中第k类影响因子所占比例；gini(d，a)表示数据集d中影响因子a的gini系数；
40、当计算影响因子a的gini系数时，根据影响因子a的取值，将数据集d分割为d1和d2两个子集，计算每个取值对应的gini系数，经加权后得到影响因子a的gini系数；
41、所述pearson相关系数的计算公式为：
42、
43、式中，r表示pearson相关系数；xi、yi分别表示变量x和变量y的第i个观测值，分别表示变量x和变量y的观测值的均值；i表示观测值的数量；
44、所述参数自动寻优具体为使用贝叶斯优化算法对模型参数进行自动寻优。
45、作为本专利技术的一种优选方案，所述机器学习模型使用的算法包括随机森林算法、长短时记忆算法、支持向量机算法和决策树算法；
46、当所述机器学习模型使用的算法具体为随机森林算法时，关键影响因子识别和参数自动寻优后构建的机器学习模型具体为随机森林代理模型；
47、所述分析关键控制断面水位与各影响因子之间的非线性关系，计算不同影响因子条件下的关键控制断面水位，具体包括：
48、根据给定的上游流量数据、本文档来自技高网...
【技术保护点】
1.一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述基于圣维南方程组构建一维水动力模型，具体包括：
3.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述模型率定具体为对河床糙率n进行率定，按不同河段对河床糙率n进行设置，基于同步水文测验资料进行模型率定；
4.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述计算产汇流作为所述一维水动力模型的边界条件，方法包括：
5.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述模拟计算典型工况下的关键控制断面水位，方法包括：
6.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，通过计算Gini系数和Pearson相关系数评估各影响因子的重要性，识别关键影响因子，具体包括：
7
8.根据权利要求7所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述以关键控制断面水位和下游边界逆推上游最大流量，以关键控制断面水位和下游水位或潮位数据为条件矩阵，绘制行洪安全知识图谱，方法包括：
9.基于权利要求1-8任一项所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法的系统，其特征在于，所述系统包括：用于模拟计算流域水文情势变化情况的机理模型模块和用于构建流域行洪安全知识图谱的机器学习模型模块；
...【技术特征摘要】
1.一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述方法包括：
2.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述基于圣维南方程组构建一维水动力模型，具体包括：
3.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述模型率定具体为对河床糙率n进行率定，按不同河段对河床糙率n进行设置，基于同步水文测验资料进行模型率定；
4.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述计算产汇流作为所述一维水动力模型的边界条件，方法包括：
5.根据权利要求1所述的一种机器学习结合传统机理模型构建行洪安全知识图谱的方法，其特征在于，所述模拟计算典型工况下的关键控制断面水位，方法包括：
6.根据权利要求1所述的一种机器...
【专利技术属性】
技术研发人员：陈黎明，周举，陆昊，胡腾飞，徐祎凡，丁磊，缴健，金秋，陈炼钢，栾震宇，施勇，
申请(专利权)人：水利部交通运输部国家能源局南京水利科学研究院，
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。