CN109543912A - 基于深度学习的水库最优调度决策模型生成方法 - Google Patents

Abstract

本发明公开的基于深度学习的水库最优调度决策模型生成方法，涉及水库调度技术领域，基于深度学习算法，从水库历史调度数据中提取水库的历史调度规则，对水库调度模型的计算精度进行优化的同时，还对水库调度模型的计算耗时进行了优化，可快速从海量历史调度数据中提取水库调度规则，适用于水库实时调度以及水库短期、中长期等时段调度，提高了水库调度模型的计算精度、计算效率及实用性，解决了现有技术存在的计算精度低、计算效率低及实用性不强的缺陷。

Description

基于深度学习的水库最优调度决策模型生成方法

技术领域

本发明涉及水库调度技术领域，具体涉及一种基于深度学习的水库最优调度决策模型生成方法。

背景技术

水库作为人类利用和管理水资源的重要水利工程措施，有效解决了水资源配置与人类经济社会发展需求间的矛盾。水库调度方案作为指导水库调度运行的有力工具，是实现水库综合效益发挥的关键技术之一。因此，制定科学的水库调度方案，对于充分发挥水库的综合效益至关重要。

当前，水库调度工作主要以调度图或调度模型(如线性函数、机器学习算法)为指导依据，二者均通过历史的长系列资料模拟制定。传统的水库调度图以其直观、实用的优点在实际调度中应用广泛，但因无法考虑水雨情信息而缺乏灵活性，一定程度上限制了水库的优化决策。相比之下，调度模型根据水库的历史调度数据提取水库调度规则，尤其是基于机器学习算法的水库调度模型，能够根据水库的运行状况，结合入流信息和气象信息等制定出相对灵活的调度方案，从而更显著的提高水库效益。

但是，目前现有的水库调度模型在实际应用中尚存在多种缺陷：

(1)对水库历史调度管理经验的学习能力有限，给出的决策结果与实际调度操作偏差较大；

(2)水库需应对的实际调度场景复杂，在处理极端入流条件时，难以给出合理精准的调度决策；

(3)多只侧重于模拟精度，对计算耗时的关注不够，限制了模型的实际应用；

(4)由于影响水库调度的因子众多，且影响因子与水库调度决策之间存在复杂的非线性关系，大大增加了调度模型的求解难度与计算耗时，因此，现有技术在水库中长期调度中应用较为广泛，但由于难以满足水库实时调度的快速决策需求，导致在水库的实时调度中鲜少应用。

发明内容

为解决现有技术的不足，本发明实施例提供了一种基于深度学习的水库最优调度决策模型生成方法，该方法包括：

S1、采集水库历史调度数据和库区站点气象数据并利用深度学习算法，获取水库的历史调度规则；

S2、根据所述水库历史调度数据及所述库区站点气象数据，构建包括决策变量Y和影响因子X的数据集，其中，所述决策变量包括水库各个时段的出流量Q_O ^T，所述影响因子包括：月份M、时刻T、水库当前时段入流量Q_i ^T、水库上一时段出流量Q_O ^T-1、水库上一时段水坝上水位Z_u ^T-1、水库上一时段水坝上水位Z_d ^T-1、水库当前保证出力N_T、水库当前时段降水量P_T及水库当前时段蒸发量E_T，则所述数据集S＝{X，Y}＝{M，T，Q_i ^T，Q_O ^T-1，Z_u ^T-1，Z_d ^T-1，P_T，E_T，Q_O ^T}，其中T为自然数，T∈[0，24]；

S3、以影响因子为模型输入向量，以决策变量为模型输出向量，构建基于长短期记忆网络深度学习算法的水库调度模型，并根据所述数据集确定训练样本和测试样本，其中，所述水库调度模型的模型表达式为f为水库的历史调度规则函数；

S4、设定所述水库调度模型的最大迭代次数及最大隐层节点数，根据所述最大迭代次数、所述最大隐层节点数及所述训练样本，采用基于误差反向传播算法和Holdout验证方法对所述水库调度模型进行训练，生成水库调度决策模型；

S5、利用所述测试样本对所述水库调度决策模型进行精度测试，计算不同组合的迭代次数和隐层节点数对所述水库调度决策模型计算精度的影响，判断所述水库调度决策模型是否满足设定的精度要求，将满足精度要求的水库调度决策模型组合在一起，生成水库调度决策模型集；

S6、比较所述水库调度决策模型集中各个水库调度决策模型的计算精度，根据比较结果，获得最优迭代次数及最优隐层节点数，保证了水库调度决策模型的计算精度；

S7、测试批量值对所述水库调度决策模型集中各个水库调度决策模型的计算耗时的影响，根据测试结果，获得最优批量值，保证了水库调度决策模型的计算效率；

S8、根据所述最优迭代次数、所述最优隐层节点数及所述最优批量值，生成水库最优调度决策模型。

进一步地，根据所述数据集确定训练样本和测试样本包括：

基于二八定律，将数据集划分为训练样本和测试样本，其中，所述训练样本占所述数据集中数据总个数的80％，所述测试样本占所述数据集中数据总个数的20％。

进一步地，判断所述水库调度决策模型是否满足设定的精度要求包括：

若所述水库调度决策模型不满足设定的精度要求，则重复上述步骤S4-S8。

本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法，具有以下有益效果：

(1)本发明提供的基于深度学习的水库最优调度决策模型是基于深度学习的水库调度快速决策方法生成的，其中，基于深度学习领域中的长短期记忆网络(Long Short-term Memory Network，LSTM)从水库历史调度数据中提取水库的调度规则，进一步提升了对水库调度管理经验的学习能力；

(2)本发明提供的基于深度学习的水库最优调度决策模型能够给出合理应对多种极端入流事件的水库调度决策；

(3)本发明提供的基于深度学习的水库最优调度决策模型在保证模拟精度的同时，也保证了计算耗时，增强了水库调度模型的实际应用性；

(4)本发明提供的基于深度学习的水库最优调度决策模型可快速从海量历史调度数据中提取水库调度规则，适用于水库实时调度以及水库短期、中长期等时段调度。

附图说明

图1为本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法流程示意图；

图2a为本发明实施例提供的水库调度决策模型的迭代次数及隐层节点数与计算精度的均方根误差RSR之间的关系示意图；

图2b为本发明实施例提供的水库调度决策模型的迭代次数及隐层节点数与计算精度的纳什效率系数NSE之间的关系示意图；

图2c为本发明实施例提供的水库调度决策模型的迭代次数及隐层节点数与计算耗时之间的关系示意图；

图3a为本发明实施例提供的水库调度决策模型的计算精度的均方根误差RSR及批量值与计算耗时之间的关系示意图；

图3b为本发明实施例提供的水库调度决策模型的计算精度的纳什效率系数NSE及批量值与计算耗时之间的关系示意图；

图4为本发明实施例提供的水库最优调度决策模型的模拟结果与实测结果对比示意图。

具体实施方式

以下结合附图和具体实施例对本发明作具体的介绍。

如图1所示，本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法包括以下步骤：

S101、采集水库历史调度数据和库区站点气象数据并利用深度学习算法，获取水库的历史调度规则。

S102、根据所述水库历史调度数据及所述库区站点气象数据，构建包括决策变量Y和影响因子X的数据集，其中，所述决策变量包括水库各个时段的出流量Q_O ^T，所述影响因子包括：月份M、时刻T、水库当前时段入流量Q_i ^T、水库上一时段出流量Q_O ^T-1、水库上一时段水坝上水位Z_u ^T-1、水库上一时段水坝上水位Z_d ^T-1、水库当前保证出力N_T、水库当前时段降水量P_T及水库当前时段蒸发量E_T，则所述数据集S＝{X，Y}＝{M，T，Q_i ^T，Q_O ^T-1，Z_u ^T-1，Z_d ^T-1，P_T，E_T，Q_O ^T}，其中T为自然数，T∈[0，24]。

S103、以影响因子为模型输入向量，以决策变量为模型输出向量，构建基于长短期记忆网络深度学习算法的水库调度模型，并根据所述数据集确定训练样本和测试样本，其中，所述水库调度模型的模型表达式为Q_o ^T＝f(M,T,Q_i ^T,Q_o ^T-1,Z_u ^T-1,Z_d ^T-1,N_T,P_T,E_T)，f为水库的历史规则函数。

S104、设定所述水库调度模型的最大迭代次数及最大隐层节点数，根据所述最大迭代次数、所述最大隐层节点数及所述训练样本，采用基于误差反向传播算法和Holdout验证方法对所述水库调度模型进行训练，生成水库调度决策模型。

S105、利用所述测试样本对所述水库调度决策模型进行精度测试，计算不同组合的迭代次数和隐层节点数对所述水库调度决策模型计算精度的影响，判断所述水库调度决策模型是否满足设定的精度要求，将满足精度要求的水库调度决策模型组合在一起，生成水库调度决策模型集。

作为一个具体的实施例，水库调度决策模型的计算精度的评价指标采用均方根误差与标准差之比RSR以及纳什效率系数NSE，其中RSR和NSE可以分别按式(1)及(2)计算得到：

式中，s_i代表模型模拟结果，o_i代表观测结果，代表平均观测值。若RSR<0.5，NSE>0.75，表示该水库调度决策模型满足精度要求。

作为一个具体的实施例，首先，设定批量值为50，测试不同迭代次数和隐层节点数的组合对水库调度决策模型计算精度的影响，其中，迭代次数和隐层节点数的变化范围均为5-100，设定间隔为5，共计400组工况。之后，根据上一步的实验结果，在保证水库调度决策模型模拟精度最高的条件下，调整批量值大小，测试批量值对模型计算耗时的影响，设定批量值的变化范围是1-800，在1-100范围内设定间隔为5，100-800范围内设定间隔为25，共计44组工况。

S106、比较所述水库调度决策模型集中各个水库调度决策模型的计算精度，根据比较结果，获得最优迭代次数及最优隐层节点数。

测试结果如图2a、2b及2c所示，隐层节点数对水库调度决策模型的模拟精度和计算耗时影响较小，迭代次数对水库调度决策模型的模拟精度和计算耗时影响显著，随着迭代次数的增加，水库调度决策模型的模拟精度提高，计算耗时增加。当迭代次数大于40时，水库调度决策模型更易取得高精度的模拟结果。

S107、测试批量值对所述水库调度决策模型集的计算耗时的影响，根据测试结果，获得最优批量值。

从图3a及3b可以看出，批量值对水库调度决策模型的计算精度影响较小，主要影响水库调度决策模型的计算耗时，当批量值大于80时，水库调度决策模型计算耗时较小，且逐渐趋于稳定。

S108、根据所述最优迭代次数、所述最优隐层节点数及所述最优批量值，生成水库最优调度决策模型。

在一个具体的实施例中，当迭代次数为100，隐层节点数为15，批量值为275时，可获得水库最优调度决策函数，此时，水库调度决策模型的计算精度最高，RSR为0.188，NSE为0.985，计算耗时最小为3.8s，其模拟结果如图4所示。

可选地，根据所述数据集确定训练样本和测试样本包括：

基于二八定律，将数据集划分为训练样本和测试样本，其中，所述训练样本占所述数据集中数据总个数的80％，所述测试样本占所述数据集中数据总个数的20％。

可选地，判断所述水库调度决策模型是否满足设定的精度要求包括：

若所述水库调度决策模型不满足设定的精度要求，则重复上述步骤S4-S8。

本发明实施例提供的基于深度学习的水库最优调度决策模型生成方法，基于深度学习算法，从水库历史调度数据中提取水库的历史调度规则，对水库调度模型的计算精度进行优化的同时，还对水库调度模型的计算耗时进行了优化，可快速从海量历史调度数据中提取水库调度规则，适用于水库实时调度以及水库短期、中长期等时段调度，提高了水库调度模型的计算精度、计算效率及实用性。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。

可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。

此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。

存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。

计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。

还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。

本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (3)

1.一种基于深度学习的水库最优调度决策模型生成方法，其特征在于，包括：

S1、采集水库历史调度数据和库区站点气象数据并利用深度学习算法，获取水库的历史调度规则；

S2、根据所述水库历史调度数据及所述库区站点气象数据，构建包括决策变量Y和影响因子X的数据集，其中，所述决策变量包括水库各个时段的出流量Q_O ^T，所述影响因子包括：月份M、时刻T、水库当前时段入流量Q_i ^T、水库上一时段出流量Q_O ^T-1、水库上一时段水坝上水位Z_u ^T-1、水库上一时段水坝上水位Z_d ^T-1、水库当前保证出力N_T、水库当前时段降水量P_T及水库当前时段蒸发量E_T，则所述数据集S＝{X，Y}＝{M，T，Q_i ^T，Q_O ^T-1，Z_u ^T-1，Z_d ^T-1，P_T，E_T，Q_O ^T}，其中T为自然数，T∈[0，24]；

S3、以影响因子为模型输入向量，以决策变量为模型输出向量，构建基于长短期记忆网络深度学习算法的水库调度模型，并根据所述数据集确定训练样本和测试样本，其中，所述水库调度模型的模型表达式为f表示水库的历史调度规则函数；

S4、设定所述水库调度模型的最大迭代次数及最大隐层节点数，根据所述最大迭代次数、所述最大隐层节点数及所述训练样本，采用基于误差反向传播算法和Holdout验证方法对所述水库调度模型进行训练，生成水库调度决策模型；

S5、利用所述测试样本对所述水库调度决策模型进行精度测试，计算不同组合的迭代次数和隐层节点数对所述水库调度决策模型计算精度的影响，判断所述水库调度决策模型是否满足设定的精度要求，将满足精度要求的水库调度决策模型组合在一起，生成水库调度决策模型集；

S6、比较所述水库调度决策模型集中各个水库调度决策模型的计算精度，根据比较结果，获得最优迭代次数及最优隐层节点数；

S7、测试批量值对所述水库调度决策模型集的计算耗时的影响，根据测试结果，获得最优批量值；

S8、根据所述最优迭代次数、所述最优隐层节点数及所述最优批量值，生成水库调度最优决策模型。

2.根据权利要求1所述的基于深度学习的水库最优调度决策模型生成方法，其特征在于，根据所述数据集确定训练样本和测试样本包括：

基于二八定律，将数据集划分为训练样本和测试样本，其中，所述训练样本占所述数据集中数据总个数的80％，所述测试样本占所述数据集中数据总个数的20％。

3.根据权利要求1所述的基于深度学习的水库最优调度决策模型生成方法，其特征在于，判断所述水库调度决策模型是否满足设定的精度要求包括：

若所述水库调度决策模型不满足设定的精度要求，则重复上述步骤S4-S8。