CN111598724B - 一种中小水库入库流量日前预测的分时段集成方法 - Google Patents
一种中小水库入库流量日前预测的分时段集成方法 Download PDFInfo
- Publication number
- CN111598724B CN111598724B CN202010423881.3A CN202010423881A CN111598724B CN 111598724 B CN111598724 B CN 111598724B CN 202010423881 A CN202010423881 A CN 202010423881A CN 111598724 B CN111598724 B CN 111598724B
- Authority
- CN
- China
- Prior art keywords
- day
- flood
- flood season
- predictor
- warehousing flow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000010354 integration Effects 0.000 title claims abstract description 12
- 238000013135 deep learning Methods 0.000 claims abstract description 9
- 238000001556 precipitation Methods 0.000 claims abstract description 4
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 16
- 238000005065 mining Methods 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000013178 mathematical model Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012314 multivariate regression analysis Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种中小水库入库流量日前预测的分时段集成方法,主要解决了现有技术存在的中小水库无法有效利用现有技术进行入库流量预测的问题。该分时段集成方法包括如下步骤:(S1)基于流域降水量划分汛期与非汛期;(S2)搭建汛期与非汛期的集成学习预测器;(S3)对汛期与非汛期的集成学习预测器进行训练;(S4)进行入库流量的预测。通过上述方案,本发明达到了采用水量平衡原理,由水库各类用水可还原水库来水,获得水库入库流量的历史数据,利用深度学习网络强大的非线性表达能力,挖掘历史数据背后的规律来预测日前的入库流量在保证精度的同时避免了对难以观测水文要素资料的依赖的目的,具有很高的实用价值和推广价值。
Description
技术领域
本发明属于水文及水资源技术领域,具体地讲,是涉及一种中小水库入库流量日前预测的分时段集成方法。
背景技术
相比于大型水库,中小水库的可调节库容小,调节能力十分有限,因此,中小水库入库流量日前预测具有迫切的工程实际需要。当前对中小水库入库流量的日前预测,主要可分为成因分析法和数理统计法两大类。
成因分析法:应用水文学概念模拟河川径流的产流过程,建立数学模型,将各种水文要素代入数学模型求得预测结果。常见的水文数学模型有三江源蓄满产流模型、三江源滞后演算模型、马斯京根分段连续演算模型、新安江模型等。成因分析法原理简单,全局考虑了气候变化特性、气体运动情况和下渗面变迁等因素对径流的影响。
数理统计法:应用数理统计理论和方法,从大量历史水文资料中,寻找预报对象和预报因子之间的统计关系或水文要素自身历史变化的统计规律,立预报模型进行预报。根据预报因子类别的不同,可分为单要素预报和多因子综合预报。单要素预报,分析水文要素本身时序变化规律进行预报,如历史演变法、周期叠加法、平稳时间系列法、趋势分析法及随机函数典型分解法等;多因子综合预报,分析水文要素与前期多因子之间的统计相关关系,然后用数理统计法加以综合,进行预报,如多元回归分析、逐步回归分析及多维时间序列等。
现有技术中,成因分析法需要大量难以观测的流域历史水文要素资料、精度较高的历史气象数据,流域产汇流模型的参数设定与计算复杂;此外不同流域的地形地势不一、气候多样,截留、下渗、土湿、地表流、壤中流等水文要素各异,流域产汇流模型缺乏普适性。对于中小水库无论从人力、物力还是财力,都难以有效实现对流域内水文要素数据的观测与积累。数理统计法则需要大量较为完整和准确的历史数据,但受限于中小水库流域的观测资料,往往难以找出和找齐最主要的影响因子,无法有效分析出关联关系。因此如何解决现有技术中存在的问题是本领域技术人员亟需解决的问题。
发明内容
为了克服现有技术中的上述不足,本发明提供一种中小水库入库流量日前预测的分时段集成方法,考虑到中小水库具有较好的各类用水历史数据,利用水量平衡原理,由水库各类用水可还原水库来水,由此获得水库入库流量的历史数据,再结合不同时期影响流量的主导因素,利用深度学习网络强大的非线性表达能力来预测入库流量,可在不失精度的情况下避免对大量气象历史数据、流域水文要素历史数据的依赖。
为了实现上述目的,本发明采用的技术方案如下:
一种中小水库入库流量日前预测的分时段集成方法,包括如下步骤:
S1、基于流域降水量划分汛期与非汛期;
S2、搭建汛期与非汛期的集成学习预测器;
S3、对汛期与非汛期的集成学习预测器进行训练;
S4、进行入库流量的预测。
进一步地,所述步骤S1中划分汛期与非汛期的标准为:
S11、根据流域内各水文站的降雨量,计算全年各天之间的欧式距离:
其中,di,j表示第i天和第j天之间的欧氏距离,ri,k表示第i天第k个水文站的降雨量,rj,k表示第j天第k个水文站的降雨量;
S12、设定类别数目为2,采用基于欧氏距离的聚类方法,聚合各天形成的包含汛期与非汛期2个时段。
进一步地,所述步骤S2中搭建汛期与非汛期的集成学习预测器的具体步骤如下:
S21、采用反向传播神经网络、卷积神经网络和长短期记忆神经网络进行深度学习并搭建基预测器,采用加权投票集成各个基预测器的预测结果作为集成学习预测器的预测结果:
S22、分别对汛期采用序列预测模式和非汛期采用分时刻预测模式进行预测。
进一步地,所述步骤S3中对汛期与非汛期的集成学习预测器进行训练的具体步骤如下:
S31、对历史数据进行预处理;
S32、对汛期序列和非汛期各个时刻集成学习预测器进行训练。
具体地,所述步骤S4中进行入库流量的预测的具体步骤如下:
S41、判断预测日所处汛期还是非汛期;
S42、若预测日处于汛期,取预测日前n天入库流量的时刻序列,输入汛期序列集成学习预测器,计算得到预测日入库流量的时刻序列;若预测日处于非汛期,对各个时刻取预测日前m天该时刻的入库流量,输入到对应时刻的集成学习预测器,计算得到预测日对应时刻的入库流量,由各个时刻预测的入库流量按序形成预测日入库流量的时刻序列。
与现有技术相比,本发明具有以下有益效果:
(1)本发明采用水量平衡原理,由水库各类用水还原水库来水,从而获得水库入库流量的历史数据;利用深度学习网络强大的非线性表达能力,挖掘历史数据背后的规律来预测日前的入库流量,在保证精度的同时避免了对难以观测水文要素资料的依赖。
(2)本发明采用多类型深度学习网络作为基预测器,利用加权投票集成各基预测器,构成集成学习预测器,综合了不同深度学习网络的优点,提升了预测精度。
(3)本发明基于中小水库流域控制范围内降雨量年内时序分布特征,将全年时段划分为汛期与非汛期;对不同时段,根据影响入库流量的主导因素,采用不同的预测模式,避免了全年采用单一预测模式带来的精度问题。
附图说明
图1为本发明的系统流程图。
图2为本发明集成学习预测器的结构示意图。
图3为本发明汛期序列预测模式示意图。
图4为本发明非汛期分时刻预测模式示意图。
图5为本发明汛期序列集成学习预测器的训练样本集生成示意图。
图6为本发明非汛期各个时刻集成学习预测器的训练样本集成示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1所示,一种中小水库入库流量日前预测的分时段集成方法,包括如下步骤:
S1、基于流域降水量划分汛期与非汛期:
S11、根据流域内各水文站的降雨量,计算全年各天之间的欧式距离:
其中,di,j表示第i天和第j天之间的欧氏距离,ri,k表示第i天第k个水文站的降雨量,rj,k表示第j天第k个水文站的降雨量;
S12、设定类别数目为2,采用基于欧氏距离的聚类方法,聚合各天形成的包含汛期与非汛期2个时段。
S2、搭建汛期与非汛期的集成学习预测器:
S21、采用反向传播神经网络、卷积神经网络和长短期记忆神经网络等多类深度学习并搭建基预测器,如图2所示,采用加权投票集成各个基预测器的预测结果作为集成学习预测器的预测结果:
S22、汛期采用序列预测模式,即汛期只搭建1个集成学习预测器,预测日前入库流量的时刻序列,如图3所示;非汛期采用分时刻预测模式,即对日前24个时刻分别搭建24个集成学习预测器,日前24个时刻各自独立预测,由各时刻预测结果按序构成入库流量日前预测的时刻序列,如图4所示。需要说明的是,“日期”即一天,所以本发明附图3与图4中出现的x 0代表一天中的第0时,x23代表一天中的第23时。
S3、对汛期与非汛期的集成学习预测器进行训练:
S31、对历史数据进行预处理:剔除重复数据和噪声数据;采用均值插补方式填充缺失数据;采用min-max归一化方式标准化原始数据。
S32、对汛期序列集成学习预测器的训练:以汛期入库流量历史数据为基础,以n天的时刻序列为输入,第n+1天的时刻序列为输出,构建训练样本集,训练集成学习预测器中的各个基预测器(即确定深度学习算法参数);以方差累和最小为目标,采用智能优化算法,确定集成器加权集成时各个基预测器的权重,如图5所示。
对非汛期各个时刻集成学习预测器的训练:以非汛期入库流量历史数据为基础,以m天某时刻的入库流量为输入,第m+1天相同时刻的入库流量为输出,构建训练样本集,训练该时刻集成学习预测器中的各个基预测器(即确定深度学习算法参数);以方差累和最小为目标,采用智能优化算法,确定集成器加权集成时各个基预测器的权重,如图6所示。
S4、进行入库流量的预测:
S41、判断预测日所处汛期还是非汛期;
S42、若预测日处于汛期,取预测日前n天入库流量的时刻序列,输入汛期序列集成学习预测器,计算得到预测日入库流量的时刻序列;若预测日处于非汛期,对各个时刻取预测日前m天该时刻的入库流量,输入到对应时刻的集成学习预测器,计算得到预测日对应时刻的入库流量,由各个时刻预测的入库流量按序形成预测日入库流量的时刻序列。
本发明对中小水库入库流量日前预测,通过对历史数据的采集分析,掌握水库入库流量的变化规律,预测未来时期的水库入库流量。在汛期,为水电站的洪峰应对、泄洪度汛等的防洪防灾决策提供依据;在枯期,为水电站的蓄水调节、发电用水与生态用水分配等水库运行方式制定提供依据;在正常期,为水电站日发电电量计划的编制提供决策依据。中小水库入库流量日前预测,可以帮助水电站制定与实际情况相一致的运行策略,更好地利用水资源,在保障蓄水抗旱、防洪抗灾等调节功能的同时提升水电站的经济效益。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (1)
1.一种中小水库入库流量日前预测的分时段集成方法,其特征在于,包括如下步骤:
S1、基于流域降水量划分汛期与非汛期;划分汛期与非汛期的标准为:
S11、根据流域内各水文站的降雨量,计算全年各天之间的欧式距离:
其中,di,j表示第i天和第j天之间的欧氏距离,ri,k表示第i天第k个水文站的降雨量,rj,k表示第j天第k个水文站的降雨量;
S12、设定类别数目为2,采用基于欧氏距离的聚类方法,聚合各天形成的包含汛期与非汛期2个时段;
S2、搭建汛期与非汛期的集成学习预测器:
S21、采用反向传播神经网络、卷积神经网络和长短期记忆神经网络进行深度学习并搭建基预测器,采用加权投票集成各个基预测器的预测结果作为集成学习预测器的预测结果:
S22、分别对汛期采用序列预测模式和非汛期采用分时刻预测模式进行预测;
S3、对汛期与非汛期的集成学习预测器进行训练:
S31、对历史数据进行预处理;
S32、对汛期序列和非汛期各个时刻集成学习预测器进行训练;
S4、进行入库流量的预测:
S41、判断预测日所处汛期还是非汛期;
S42、若预测日处于汛期,取预测日前n天入库流量的时刻序列,输入汛期序列集成学习预测器,计算得到预测日入库流量的时刻序列;若预测日处于非汛期,对各个时刻取预测日前m天该时刻的入库流量,输入到对应时刻的集成学习预测器,计算得到预测日对应时刻的入库流量,由各个时刻预测的入库流量按序形成预测日入库流量的时刻序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423881.3A CN111598724B (zh) | 2020-05-19 | 2020-05-19 | 一种中小水库入库流量日前预测的分时段集成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010423881.3A CN111598724B (zh) | 2020-05-19 | 2020-05-19 | 一种中小水库入库流量日前预测的分时段集成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598724A CN111598724A (zh) | 2020-08-28 |
CN111598724B true CN111598724B (zh) | 2022-07-22 |
Family
ID=72187304
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010423881.3A Expired - Fee Related CN111598724B (zh) | 2020-05-19 | 2020-05-19 | 一种中小水库入库流量日前预测的分时段集成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598724B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801416A (zh) * | 2021-03-10 | 2021-05-14 | 长沙理工大学 | 基于多维水文信息的lstm流域径流量预测方法 |
CN112989705A (zh) * | 2021-03-30 | 2021-06-18 | 海尔数字科技(上海)有限公司 | 水库的入库流量值的预测方法、装置、电子设备及介质 |
CN114611777A (zh) * | 2022-03-04 | 2022-06-10 | 山东锋士信息技术有限公司 | 基于堆叠式长短记忆网络的汛期水库入库流量预测方法 |
CN115034497A (zh) * | 2022-06-27 | 2022-09-09 | 武汉理工大学 | 多站点日水位预测方法、装置、电子设备及计算机介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243438A (zh) * | 2015-09-23 | 2016-01-13 | 天津大学 | 一种考虑径流不确定性的多年调节水库优化调度方法 |
CN106845771A (zh) * | 2016-12-16 | 2017-06-13 | 中国水利水电科学研究院 | 一种基于前期雨量优选参数的洪水预报方法 |
CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
CN108108838A (zh) * | 2017-12-18 | 2018-06-01 | 华电福新能源股份有限公司福建分公司 | 一种高水量利用率的季调节水库优化调度方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109800914A (zh) * | 2019-01-16 | 2019-05-24 | 河海大学 | 一种适用于滨海地区水资源的多目标优化调度方法 |
CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
CN110163442A (zh) * | 2019-05-27 | 2019-08-23 | 华北理工大学 | 一种基于集成学习的气井积液预测方法 |
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN110837934A (zh) * | 2019-11-11 | 2020-02-25 | 四川大学 | 一种基于深度学习的智能电网短期住宅负荷预测方法 |
-
2020
- 2020-05-19 CN CN202010423881.3A patent/CN111598724B/zh not_active Expired - Fee Related
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243438A (zh) * | 2015-09-23 | 2016-01-13 | 天津大学 | 一种考虑径流不确定性的多年调节水库优化调度方法 |
CN106845771A (zh) * | 2016-12-16 | 2017-06-13 | 中国水利水电科学研究院 | 一种基于前期雨量优选参数的洪水预报方法 |
CN107292098A (zh) * | 2017-06-15 | 2017-10-24 | 河海大学 | 基于前期气象因子与数据挖掘技术的中长期径流预报方法 |
CN107563567A (zh) * | 2017-09-18 | 2018-01-09 | 河海大学 | 基于稀疏自编码的核极限学习机洪水预报方法 |
CN108108838A (zh) * | 2017-12-18 | 2018-06-01 | 华电福新能源股份有限公司福建分公司 | 一种高水量利用率的季调节水库优化调度方法 |
CN108875161A (zh) * | 2018-05-31 | 2018-11-23 | 长江勘测规划设计研究有限责任公司 | 基于卷积神经网络深度学习的流量等级预测方法 |
CN109840587A (zh) * | 2019-01-04 | 2019-06-04 | 长江勘测规划设计研究有限责任公司 | 基于深度学习的水库入库流量预测方法 |
CN109800914A (zh) * | 2019-01-16 | 2019-05-24 | 河海大学 | 一种适用于滨海地区水资源的多目标优化调度方法 |
CN110163442A (zh) * | 2019-05-27 | 2019-08-23 | 华北理工大学 | 一种基于集成学习的气井积液预测方法 |
CN110471950A (zh) * | 2019-07-19 | 2019-11-19 | 河海大学 | 一种中小河流实时洪水预报智能模型预报方法 |
CN110837934A (zh) * | 2019-11-11 | 2020-02-25 | 四川大学 | 一种基于深度学习的智能电网短期住宅负荷预测方法 |
Non-Patent Citations (7)
Title |
---|
reservoir flood season integrated learning;Yong Liu等;《2010 Sixth International Conference on Natural Computation》;20100923;第1717-1720页 * |
不同类型指标对水库汛期分期的影响;徐冬梅等;《应用基础与工程科学学报》;20160615;第24卷(第3期);第429-441页 * |
两类集成学习算法在中长期径流预报中的应用;许斌等;《水力发电》;20200220;第46卷(第4期);第21-24+34页 * |
基于主成分分析的安徽省汛期降水空间聚类研究;王雅燕;《安徽农学通报》;20190615;第25卷(第11期);第157-164页 * |
基于集成学习的中长期水文预报研究;程子鹏;《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》;20190415(第4期);第A012-30页 * |
基于集成学习的革什扎流域水情精准预测系统性能分析与试验研究;卿启维等;《自动化应用》;20210825(第8期);第6-11页 * |
考虑动态水流滞时的梯级水库群日优化调度;纪昌明等;《水力发电学报》;20190321;第38卷(第8期);第37-47页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111598724A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598724B (zh) | 一种中小水库入库流量日前预测的分时段集成方法 | |
CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN109978235B (zh) | 一种基于样本学习的积涝水位预测方法 | |
CN104715292A (zh) | 基于最小二乘支持向量机模型的城市短期用水量预测方法 | |
Dong et al. | Enhancing short-term forecasting of daily precipitation using numerical weather prediction bias correcting with XGBoost in different regions of China | |
CN110837137A (zh) | 一种台风预测报警方法 | |
CN112801342A (zh) | 一种基于降雨径流相似性的自适应径流预报方法 | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
CN110533258B (zh) | 一种稻麦轮作农田涝渍预警评估方法及系统 | |
CN107609707A (zh) | 一种洪水预报、防灾决策方法及系统 | |
CN117236673B (zh) | 城市水网多尺度防洪排涝联合优化调度方法和系统 | |
CN113762618A (zh) | 一种基于多因子相似分析的湖泊水位预报方法 | |
CN115759488A (zh) | 一种基于边缘计算的碳排放监测预警分析系统及其方法 | |
CN116485584B (zh) | 高寒区大底坡河流wee协同调控方法及系统 | |
CN106709181A (zh) | 一种基于并行编程和模块法的分布式水文模型率定方法 | |
CN114266502A (zh) | 一种洪水受灾损失评估方法和仿真推演系统 | |
Wu et al. | Assessment of waterlogging risk in the deep foundation pit projects based on projection pursuit model | |
CN116562583A (zh) | 一种多维度水资源供需预测方法及系统 | |
CN110135652B (zh) | 一种长期汛期径流预测方法 | |
CN117150600B (zh) | 一种用于城市防内涝的屋顶蓄排水控制方法 | |
CN111985129A (zh) | 一种城市暴雨内涝精细化模拟方法 | |
CN111915173A (zh) | 一种梯级小水电站优化调度关键因素的筛选方法 | |
CN115730739A (zh) | 一种基于lstm神经网络的城市内涝积水预测方法 | |
CN115496128A (zh) | 一种基于雨强-雨型特征参数联合分布的城市内涝风险预报方法 | |
CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220722 |