CN112001556B - 一种基于深度学习模型的水库下游水位预测方法 - Google Patents

Abstract

本发明公开了一种基于深度学习模型的水库下游水位预测方法，采用最大信息系数来筛选下游水位相关因子；在相关性分析的基础上采用遗传算法优化得到单个相关因子间的最佳特征组合；将下游水位相关因子的最佳特征组合作为输入，构建基于卷积神经网络和长短期记忆网络的深度学习模型(CNNLSTM)；采用Adam梯度优化算法来训练CNNLSTM模型权重变量，将训练过的CNNLSTM作为水库下游水位预测模型。本发明的预报方法精细地考虑了下游水位的相关因子，并优化了相关因子的特征组合，采用了深度学习预测模型，有效地提高了下游水位的预测精度，对水库调度中准确计算发电出力具有至关重要的作用。

Description

一种基于深度学习模型的水库下游水位预测方法

技术领域

本发明涉及水库下游水位预测技术领域，尤其涉及一种基于深度学习模型的水库下游水位预测方法。

背景技术

水电能源是洁净、廉价、可再生的绿色环保能源。水库发电出力的准确计算是水库调度中的必要环节，对水库实现防洪、发电、供水和航运等综合效益具有重大意义。下游水位是发电出力计算的相关因素之一。目前，在水库调度中，通常采用下泄流量查尾水位流量曲线得到下游水位。然而，尾水位流量曲线通常在建库初期获得，随着水库多年运行，尾水位(也即下游水位)和下泄流量的关系会发生变化，这导致尾水位流量曲线不再准确。其次，尾水位流量曲线关系是在恒定流条件下测量得到的，但水库实际运行过程中并不是恒定流条件，这也使得尾水位流量曲线难以准确刻画运行过程中的尾水位与下泄流量关系。同时，尾水位流量曲线只考虑了当前时段下泄流量与下游水位的关系，而未考虑历史时段下泄流量、下游水位等其他因素的影响，进一步限制了通过尾水位流量曲线获得下游水位的准确度。尾水位流量关系曲线的不准确直接影响下游水位的准确度，进而导致发电出力的计算存在误差，给水库调度实现防洪、发电等综合效益带来较大不利影响。因此，如何精确地获取水库下游水位是亟需解决的理论和实际工程问题。

为了减少下游水位的误差，对尾水位流量关系曲线重新率定和进行水动力学模拟均是解决上述问题的方法之一。对尾水位流量关系曲线重新率定需要工程师花大量时间测定多组数据，费时费力费钱。并且随着水库的运行，这种关系曲线还将会改变，这种方法不是一种高效的方法。而水动力学模拟的方法虽能获取精度比较高的下游水位，但其存在建模复杂、求解耗时的问题。因此，本发明提出一种基于深度学习模型的水库下游水位预测方法，可高效准确地获取水库下游水位。

水库下游水位预测方法可以分为：时间序列模型、统计模型和混合模型。时间序列模型包括自回归模型、滑动平均模型和自回归滑动平均模型等。这类模型需要数据满足平稳性假设，这限制了它们在实际工程问题上的应用。统计模型包括线性回归、支持向量机和人工神经网络等机器学习模型。近年来，由于深度学习的飞速发展，卷积神经网络和循环神经网络等深度学习模型正在取代普通机器学习模型的地位。而混合模型则是指结合多种弱模型的优点得到的强模型，往往比单个模型具有更高的预测精度。因此，本发明提出一种基于卷积神经网络和长短期记忆网络的深度学习模型，来高效准确地预测水库下游水位。

综上所述，现有技术存在的问题是：

(1)传统通过尾水位流量关系曲线得到的下游水位具有误差，对水库调度带来不利影响。

(2)对尾水位流量关系曲线重新率定虽能减少下游水位的误差，但费时费力费钱，不是一种高效的方法。

(3)水动力学模拟的方法虽能获取精度比较高的下游水位，但其存在建模复杂、求解耗时的问题。

(4)普通机器学习模型来预测下游水位所能达到的精度有限。

解决上述技术问题的难度：

(1)水库下游水位受历史下泄流量和历史下游水位等诸多因素影响，呈现出高度的非线性、随机性和不确定性特征，辨识筛选有效的相关因子是本技术的难点之一。

(2)诸多相关因子是同时影响下游水位的，如何组合相关因子得到预测所需的最优特征组合也是本技术的难点之一。

(3)深度学习模型在语音识别和图像处理等领域应用广泛，但应用于水库下游水位预测领域的较少，可参考的文献有限。

解决上述技术问题的意义：

(1)采用最大信息系数来挖掘下游水位影响因素和下游水位之间的相关性，可有效辨识提取下游水位的相关因子，为预测模型提升预测精度奠定基础。

(2)通过遗传算法优化得到单个相关因子间的最佳特征组合，可进一步提升预测精度。

(3)采用基于卷积神经网络和长短期记忆网络的深度学习模型进行预测，既保留了卷积神经网络擅长处理特征问题的优点，又结合了长短期记忆网络擅长处理时序问题的优点，可为获取高精度下游水位预测值并实现发电出力精确计算提供技术保障。

发明内容

本发明的目的就在于为了解决上述问题而提供一种基于深度学习模型的水库下游水位预测方法。可以精确考虑下游水位及下游水位影响因子之间的相关关系，并能获得具有高精度的下游水位预测结果，从而能实现水库调度中发电出力的精确计算。

本发明通过以下技术方案来实现上述目的：

本发明包括以下步骤：

(1)收集历史下游水位及下游水位影响因子数据，下游水位影响因子具体为历史径流、上游水位、下泄流量和下游水位；

(2)采用最大信息系数分析下游水位和下游水位影响因子之间的相关性，筛选得到下游水位相关因子；与下游水位的最大信息系数大于0.6的影响因子可作为下游水位相关因子：

其中，X和Y分别代表影响因子和下游水位；MIC代表最大信息系数；n表示序列长度；D是有序队列，G是划分的网格，D|G表示数据D在网格G上的分布；I(D|G)表示信息系数；函数B(n)＝n^0.6。

(3)通过遗传算法优化得到单个相关因子间的最佳特征组合；每个独立的相关因子在特征组合中都有被选取和不被选取两种状态，即可等价于0-1规划问题。对于某种特定的特征组合，构建基于卷积神经网络和长短期记忆网络的预测模型，采用相对误差百分比来评价这种特征组合在验证集上的精度。采用遗传算法优化这个0-1规划问题，根据验证集精度优化得到下游水位相关因子的最优特征组合。

(4)基于最佳特征组合和下游水位构建训练集和验证集，并完成归一化处理；

(5)将下游水位相关因子的最佳特征组合作为输入，构建基于卷积神经网络和长短期记忆网络的深度学习模型(CNNLSTM)；

基于卷积神经网络和长短期记忆网络的预测方法是一个混合模型，其中卷积神经网络采用一维卷积神经网络，包括一维卷积层和一维池化层。

一维卷积层的前向传播公式如下：

其中，

指第t个时段下第l层的第j个输入值，

指第t个时段下第l层的第j个输出值，同时也是第(l+1)层的第j个输入值；

是第t个时段下第l层的第q个权重值，

是第t个时段下第l层的第j个偏置；F(·)是激活函数，可以是sigmoid,tanh或者relu函数；n^l和n^l+1是第l层和第(l+1)层的输入长度；k^l和s^l分别是第l层的核尺寸和移动步长；同时n^l和n^{l +1}存在关系n^l+1＝(n^l+k^l+1)/s^l。

一维池化层的前向传播公式如下：

其中激活函数F(·)为最大值函数max(·)或者平均值函数average(·)，其余变量含义和一维卷积层中的函数一样。

基于卷积神经网络和长短期记忆网络的预测方法是一个混合模型，其中长短期记忆网络的前向传播公式为：

其中，

和

分别是遗忘门、输入门、信息状态和输出门在第t个时段下第l层的权重和偏置；

和

分别是第t个时段下第l层的遗忘门、输入门、信息状态和输出门；

和

分别是在当前时段和前一时段第l层的细胞状态；

和

分别是在当前时段和前一时段第l层的输出；

是第t个时段下第l层的输入；tanh和σ分别是tanh和sigmoid激活函数；符号·和*分别代表矩阵乘法和矩阵元素间乘法。

(6)在训练集上采用Adam梯度优化算法训练CNNLSTM模型权重变量，在验证集上采用点预测指标来验证CNNLSTM预测精度。

(7)将训练好的CNNLSTM作为水库下游水位预测模型，输入待预测数据集，输出对应的水库下游水位预测结果。

本发明的另一目的在于提供一种实现所述基于深度学习模型的水库下游水位预测方法的信息数据处理终端。

本发明的另一目的在于提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行所述基于深度学习模型的水库下游水位预测方法。

本发明的有益效果在于：

本发明是一种基于深度学习模型的水库下游水位预测方法，与现有技术相比，本发明的优点及积极效果为：

(1)采用最大信息系数来挖掘下游水位影响因素和下游水位之间的相关性，可有效辨识提取下游水位的相关因子，为预测模型提升预测精度奠定基础。

(2)通过遗传算法优化得到单个相关因子间的最佳特征组合，可进一步提升预测精度。

(3)采用基于卷积神经网络和长短期记忆网络的深度学习模型进行预测，既保留了卷积神经网络擅长处理特征问题的优点，又结合了长短期记忆网络擅长处理时序问题的优点，可为获取高精度下游水位预测值并实现发电出力精确计算提供技术保障。

(4)采用本发明提出的基于卷积神经网络和长短期记忆网络的深度学习模型预测下游水位比传统尾水位流量曲线插值方法平均减少约92.74％的误差。

附图说明

图1是本发明实施例提供的基于深度学习模型的水库下游水位预测方法流程图。

图2是本发明一维卷积层网络结构示意图。

图3是本发明一维池化层网络结构示意图。

图4是本发明长短期记忆网络结构示意图。

图5是本发明实施例提供的CNNLSTM在葛洲坝水库3月验证集上的预测结果。

图6是本发明实施例提供的CNNLSTM在葛洲坝水库8月验证集上的预测结果。

具体实施方式

下面结合附图对本发明作进一步说明：

图1是本发明实施例提供的基于深度学习模型的水库下游水位预测方法流程图，其具体步骤如下：

(1)收集历史下游水位及下游水位影响因子数据，下游水位影响因子具体为历史径流、上游水位、下泄流量和下游水位；

(2)采用最大信息系数分析下游水位和下游水位影响因子之间的相关性，筛选得到下游水位相关因子；与下游水位的最大信息系数大于0.6的影响因子可作为下游水位相关因子：

其中，X和Y分别代表影响因子和下游水位；MIC代表最大信息系数；n表示序列长度；D是有序队列，G是划分的网格，D|G表示数据D在网格G上的分布；I(D|G)表示信息系数；函数B(n)＝n^0.6。

(3)通过遗传算法优化得到单个相关因子间的最佳特征组合；每个独立的相关因子在特征组合中都有被选取和不被选取两种状态，即可等价于0-1规划问题。对于某种特定的特征组合，构建基于卷积神经网络和长短期记忆网络的预测模型，采用相对误差百分比来评价这种特征组合在验证集上的精度。采用遗传算法优化这个0-1规划问题，根据验证集精度优化得到下游水位相关因子的最优特征组合。

(4)基于最佳特征组合和下游水位构建训练集和验证集，并完成归一化处理；

(5)将下游水位相关因子的最佳特征组合作为输入，构建基于卷积神经网络和长短期记忆网络的深度学习模型(CNNLSTM)；

基于卷积神经网络和长短期记忆网络的预测方法是一个混合模型，其中卷积神经网络采用一维卷积神经网络，包括一维卷积层和一维池化层。

一维卷积层的前向传播公式如下：

其中，

指第t个时段下第l层的第j个输入值，

指第t个时段下第l层的第j个输出值，同时也是第(l+1)层的第j个输入值；

是第t个时段下第l层的第q个权重值，

是第t个时段下第l层的第j个偏置；F(·)是激活函数，可以是sigmoid,tanh或者relu函数；n^l和n^l+1是第l层和第(l+1)层的输入长度；k^l和s^l分别是第l层的核尺寸和移动步长；同时n^l和n^l+1存在关系n^l+1＝(n^l+k^l+1)/s^l。

一维池化层的前向传播公式如下：

其中激活函数F(·)为最大值函数max(·)或者平均值函数average(·)，其余变量含义和一维卷积层中的函数一样。

基于卷积神经网络和长短期记忆网络的预测方法是一个混合模型，其中长短期记忆网络的前向传播公式为：

其中，

和

分别是遗忘门、输入门、信息状态和输出门在第t个时段下第l层的权重和偏置；

和

分别是第t个时段下第l层的遗忘门、输入门、信息状态和输出门；

和

分别是在当前时段和前一时段第l层的细胞状态；

和

分别是在当前时段和前一时段第l层的输出；

是第t个时段下第l层的输入；tanh和σ分别是tanh和sigmoid激活函数；符号·和*分别代表矩阵乘法和矩阵元素间乘法。

(6)在训练集上采用Adam梯度优化算法训练CNNLSTM模型权重变量，在验证集上采用点预测指标来验证CNNLSTM预测精度。

(7)将训练好的CNNLSTM作为水库下游水位预测模型，输入待预测数据集，输出对应的水库下游水位预测结果。

下面结合具体实施例对本发明的应用作进一步描述。

实施例

本发明以葛洲坝作为研究对象，采用2017年的数据来验证本发明模型的有效性和精度。将2017年12个月的下游水位作为验证集。对于每月的验证集，采用前两个月的数据作为对应的训练集，2小时作为一个时段。

选取历史时段的入库流量(Q_i)、下泄流量(Q_o)、上游水位(z_u)、水头(H)和下游水位(z_d)作为可能的影响因子，计算其与下游水位的最大信息系数(MIC)，如表1所示。表1以三月和八月为例列出了这两个验证集的MIC值，表格中大于0.6的因子采用灰色填充。其中t-0表示当前时段，t-1表示前一个时段，以此类推。因此，三月验证集的相关因子为Q_o,t～Q_o,t-8和Z_d,t-1～Z_d,t-8，八月验证集的相关因子为Q_i,t～Q_i,t-1,Q_o,t～Q_o,t-2,Z_u,t～Z_u,t-2和Z_d,t-1～Z_d,t-3。

表1相关因子MIC值

采用遗传算法进一步优化相关因子的最优特征组合。遗传算法的参数设置如下：种群大小为50；迭代次数为100；交叉率和变异率为0.95。表2以三月和八月为例列出了这两个验证集的特征组合结果，其中1表示在最优特征组合中该相关因子被选取，0表示不被选取。因此，三月的最终特征组合为[Q_o,t～Q_o,t-3,Q_o,t-6,Q_o,t-8,Z_d,t-1,Z_d,t-3,Z_d,t-4]；八月的最终特征组合为[Q_i,t,Q_o,t,Z_u,t-2,Z_d,t-1,Z_d,t-3]。

表2特征组合结果

为了验证基于卷积神经网络和长短期记忆网络混合模型(CNNLSTM)的预测性能，人工神经网络(ANN)、卷积神经网络(CNN)、长短期记忆网络(LSTM)、支持向量机(SVR)和传统尾水位流量曲线插值方法参与了对比。

表3列出了6种方法在12个验证集上下游水位精度指标对比情况。评价指标采用均方根误差(RMSE)、平均绝对误差百分比(MAPE)和平均绝对残差百分比(MAREP)，这三个指标越小，下游水位精度越高。表格中最优指标和次优指标分别用深灰色和浅灰色填充显示。从表3中可以看出，5个预测方法(SVR,ANN,CNN,LSTM,CNNLSTM)的精度比传统尾水位流量插值方法的精度均要高，综合来看，本发明的模型CNNLSTM在所有方法中具有最高的精度。同时，CNNLSTM获取的下游水位比插值方法的精度高也可从图5和图6的曲线中看出。

表3六种方法在12个数据集上下游水位精度对比

表4列出了分别采用CNNLSTM和插值方法获取的下游水位参与发电出力计算的对比情况。从表中可以发现在每个月，采用CNNLSTM预测得到的下游水位参与发电出力计算均比采用插值方法获取的下游水位参与计算的精度高，平均精度提升百分比为92.74％；综上所述，本发明提供了一种基于深度学习模型的水库下游水位预测方法及系统，可以精确考虑下游水位及下游水位影响因子之间的相关关系，并能获得具有高精度的下游水位预测结果，从而能实现水库调度中发电出力的精确计算。

表4 CNNLSTM与传统插值方法计算的发电出力对比

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。

以上显示和描述了本发明的基本原理和主要特征及本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.一种基于深度学习模型的水库下游水位预测方法，其特征在于，包括以下步骤：

(1)收集历史下游水位及下游水位影响因子数据；

(2)采用最大信息系数分析下游水位和下游水位影响因子之间的相关性，筛选得到下游水位相关因子；

(3)通过遗传算法优化得到单个相关因子间的最佳特征组合；

(4)基于最佳特征组合和下游水位构建训练集和验证集，并完成归一化处理；

(5)将下游水位相关因子的最佳特征组合作为输入，构建基于卷积神经网络和长短期记忆网络的深度学习模型CNNLSTM；

(6)在训练集上采用Adam梯度优化算法训练CNNLSTM模型权重变量，在验证集上采用点预测指标来验证CNNLSTM预测精度；

(7)将训练好的CNNLSTM作为水库下游水位预测模型，输入待预测数据集，输出对应的水库下游水位预测结果。

2.根据权利要求1所述的基于深度学习模型的水库下游水位预测方法，其特征在于，步骤(1)中，下游水位影响因子具体为历史径流、上游水位、下泄流量和下游水位。

3.根据权利要求1所述的基于深度学习模型的水库下游水位预测方法，其特征在于，步骤(2)中，与下游水位的最大信息系数大于0.6的影响因子可作为下游水位相关因子：

其中，X和Y分别代表影响因子和下游水位；MIC代表最大信息系数；n表示序列长度；D是有序队列，G是划分的网格，D|G表示数据D在网格G上的分布；I(D|G)表示信息系数；函数B(n)＝n^0.6。

4.根据权利要求1所述的基于深度学习模型的水库下游水位预测方法，其特征在于，步骤(3)中，每个独立的相关因子在特征组合中都有被选取和不被选取两种状态，即可等价于0-1规划问题, 对于某种特定的特征组合，构建基于卷积神经网络和长短期记忆网络的预测模型，采用相对误差百分比来评价这种特征组合在验证集上的精度, 采用遗传算法优化这个0-1规划问题，根据验证集精度优化得到下游水位相关因子的最优特征组合。

5.根据权利要求1所述的基于深度学习模型的水库下游水位预测方法，其特征在于，步骤(5)中：

基于卷积神经网络和长短期记忆网络的预测方法是一个混合模型，其中卷积神经网络采用一维卷积神经网络，包括一维卷积层和一维池化层；

一维卷积层的前向传播公式如下：

r＝(j-1)·s^l+q；j＝1,2,…,n^l+1

其中，

指第t个时段下第l层的第j个输入值，

指第t个时段下第l层的第j个输出值，同时也是第(l+1)层的第j个输入值；

是第t个时段下第l层的第q个权重值，

是第t个时段下第l层的第j个偏置；F(·)是激活函数，可以是sigmoid,tanh或者relu函数；n^l和n^{l +1}是第l层和第(l+1)层的输入长度；k^l和s^l分别是第l层的核尺寸和移动步长；同时n^l和n^l+1存在关系n^l+1＝(n^l+k^l+1)/s^l；

一维池化层的前向传播公式如下：

r＝(j-1)·s^l；j＝1,2,…,n^l+1

其中激活函数F(·)为最大值函数max(·)或者平均值函数average(·)，其余变量含义和一维卷积层中的函数一样。

6.如权利要求1所述的基于深度学习模型的水库下游水位预测方法，其特征在于，步骤(5)中：

基于卷积神经网络和长短期记忆网络的预测方法是一个混合模型，其中长短期记忆网络的前向传播公式为：

其中，

和

分别是遗忘门、输入门、信息状态和输出门在第t个时段下第l层的权重和偏置；f_t ^l,

和

分别是第t个时段下第l层的遗忘门、输入门、信息状态和输出门；

和

分别是在当前时段和前一时段第l层的细胞状态；

和

分别是在当前时段和前一时段第l层的输出；

是第t个时段下第l层的输入；tanh和σ分别是tanh和sigmoid激活函数；符号·和*分别代表矩阵乘法和矩阵元素间乘法。

Images