CN112270123A - 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 - Google Patents
一种基于卷积生成对抗网络的流域水库群径流随机生成方法 Download PDFInfo
- Publication number
- CN112270123A CN112270123A CN202011144070.6A CN202011144070A CN112270123A CN 112270123 A CN112270123 A CN 112270123A CN 202011144070 A CN202011144070 A CN 202011144070A CN 112270123 A CN112270123 A CN 112270123A
- Authority
- CN
- China
- Prior art keywords
- runoff
- network
- reservoir group
- convolution
- watershed
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000013459 approach Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 2
- 241000039077 Copula Species 0.000 description 7
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004913 activation Effects 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
- 238000011160 research Methods 0.000 description 2
- 238000002948 stochastic simulation Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000003042 antagnostic effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于卷积生成对抗网络的流域水库群径流随机生成方法,包括:收集、整理流域水库群坝址历史径流序列资料;建立卷积生成对抗网络模型;将随机噪声输入生成器中,生成流域水库群径流序列;将历史径流序列与生成器生成的径流序列输入到判别器中进行判别;训练网络,更新生成器与判别器的参数,直至生成最佳的径流序列样本。本发明方法不需特定概率分布的假设,同时考虑流域水库群径流的时空二维多变量相关性,弥补了传统方法在流域水库群径流序列时空二维相关性随机生成样本的代表性和可靠性的不足。该方法可操作性强、易扩展,不需要复杂的采样技术便可生成大量的多样性径流样本,且增加径流样本的维数几乎不增加模型的计算工作量。
Description
技术领域
本发明涉及水文水资源领域中的径流随机生成方法,特别涉及一种基于卷积生成对抗网络的流域水库群径流随机生成方法。
背景技术
水库群联合优化调度可充分发挥水库间的水文、库容和电力补偿作用,最大限度地提高水资源的利用效率。中长期径流预报是水库群中长期优化调度的依据,但限于目前的中长期预报水平,其预报精度尚难以适应中长期优化调度的需要,限制了中长期优化调度技术的应用。水库群联合调度规则作为指导水库运行管理的重要工具,是影响整个库群综合效益发挥的关键技术。根据历史径流系列,采用隐随机模型提炼水库群调度规则,是规避中长期预报精度低的重要途径之一。在实际工程中,水库历史径流系列一般只有几十年的资料长度,难以反映未来径流变化的随机性。对于单一水库而言,现有的历史实测径流序列长度足矣;但对于具有时空二维相关的水库群径流序列,其样本的代表性和可靠性不足,尚不能满足库群隐随机优化调度的需求。
鉴于水文系统的复杂性,无法采用显式的数理方程来描述,故随机模拟方法在该领域得到了大量的研究和广泛的应用。传统的水文随机模拟方法主要有回归模型、解集模型和基于物理机制的随机模型。这些随机模拟方法都是基于统计假设,通过蒙特卡洛、拉丁超立方等抽样方法进行随机生成,需要事先假定径流数据服从的概率分布,而这些假定的分布在实际中可能并不适用。传统的随机模拟技术较难捕捉到高维数据的非线性特征,存在一定的局限性。
此外,为了使随机生成的样本更能反映水文序列的统计特征和相关关系,近年来,Copula函数被引入随机水文模型来进一步提高水文随机生成的精度。应用Copula函数构造联合分布,采用联合随机抽样方法进行大样本的径流过程随机生成,克服了传统随机模拟方法对时间序列相关性描述较差的缺点。目前关于采用Copula函数进行随机生成的研究大多集中于二维Copula函数,即同时考虑两变量的相关关系;且随着变量的增加,多变量Copula函数的建模和求解工作参数估计的难度也将大大增加,不适用于多变量相关的径流随机生成问题。
随着水库群联合调度的不断发展,随机生成技术不仅要考虑径流过程的时间相关性,还要考虑流域不同水库之间的空间相关性,亟需发展既不需特定概率分布的假设,又能同时考虑时空二维多变量相关性的径流随机生成方法。生成对抗网络是一种生成式模型,其优势在于不需事先假定样本的分布,便可自己通过学习历史样本的分布来随机产生趋近于历史样本分布的新的径流序列样本;且能同时考虑流域不同水库径流序列的时间与空间相关性。卷积生成对抗网络采用卷积神经网络,不需要大量标注训练数据便可学习到历史数据的深度表征。
发明内容
发明目的:本发明的目的是提供一种基于卷积生成对抗网络的流域水库群径流随机生成方法,通过建立卷积生成对抗网络模型,对流域水库群历史径流样本进行学习,通过不断地更新模型参数提高学习能力,最终生成趋近于历史径流样本分布的新的多样性径流序列样本。
技术方案:本发明的一种基于卷积生成对抗网络的流域水库群径流随机生成方法,包括以下步骤:
(1)收集、整理流域水库群坝址径流序列资料,得到流域水库群历史径流序列;
(2)建立卷积生成对抗网络模型;
(3)将随机噪声输入卷积生成对抗网络模型的生成器网络中,生成器网络生成流域水库群径流序列;
(4)将流域水库群历史径流序列与生成器生成的流域水库群径流序列输入到卷积生成对抗网络模型的判别器网络中进行判别,如判别器的输出结果趋近于1,则结束计算,生成最佳的流域水库群径流样本,否则转步骤(5);
(5)训练卷积生成对抗网络,更新生成器网络与判别器网络的参数,转步骤(3)。
进一步的,步骤(1)中收集、整理流域水库群坝址径流序列资料,所述径流序列资料包括流域各个水库的天然径流逐年长系列观测资料,时段长为月、旬或日。
进一步的,步骤(2)中的卷积生成对抗网络模型包括一个生成器网络和一个判别器网络,其中,生成器网络包括2个全连接层和2个反卷积层,用于向上采样输入随机噪声z以生成流域水库群径流序列,随机噪声输入第一全连接层,第一全连接层的输出与第二全连接层的输入连接,第二全连接层的输出与第一反卷积层的输入连接,第一反卷积层的输出与第二反卷积层的输入连接,第二反卷积层输出生成的流域水库群径流序列;判别器网络包括2个卷积层、1个全连接层和1个Sigmoid函数层,用于从历史数据和生成的样本中对数据进行降采样,流域水库群历史径流序列与生成器生成的流域水库群径流序列输入第一卷积层,第一卷积层的输出与第二卷积层的输入连接,第二卷积层的输出与第三全连接层的输入连接,第三全连接层的输出与Sigmoid函数层的输入连接,Sigmoid函数层输出一个概率值。
进一步的,步骤(3)中将服从高斯分布的随机噪声z作为卷积生成对抗网络模型的生成器网络的输入;生成器网络先将随机噪声z在一个小范围卷积表征空间投影为许多特征映射,然后依次经过2个全连接层和2个反卷积层扩展为12*12*1的矩阵,即为生成的流域水库群径流序列。
进一步的,步骤(4)中将生成器网络生成的流域水库群径流序列和流域水库群历史径流序列作为卷积生成对抗网络模型的判别器网络的输入;判别器网络将输入的生成器网络生成的流域水库群径流序列和流域水库群历史径流序列依次经过2个卷积层、1个全连接层和1个Sigmoid函数层,输出为一个[0,1]的概率值,若概率值趋近于1,则输出生成的流域水库群径流序列样本;否则,执行步骤(5)。
进一步的,步骤(5)中采用批量更新的方式训练网络,批量大小为10;根据步骤(4)中判别器网络的输出采用学习速率自调整梯度下降算法RMSProp来更新生成器网络和判别器网络的参数,每更新一次生成器网络的同时更新4次判别器网络,更新判别器网络时将其参数截断到[-0.01,0.01]区间内。
有益效果:与现有技术相比,本发明的基于卷积生成对抗网络的流域水库群径流随机生成方法,针对流域水库群历史径流序列代表性不好、可靠性不足的问题,通过建立卷积生成对抗网络模型,对流域水库群历史径流样本进行学习,通过不断地更新模型参数提高学习能力,最终生成趋近于历史径流样本分布的新的多样性径流序列样本,弥补了传统水文随机生成技术需要事先假定样本分布而造成的偏离实际情况的问题,以及难以捕捉到高维数据的非线性特征的问题。相较于基于Copula函数的径流随机生成技术,该方法能够同时考虑流域不同水库径流序列的时空二维多变量相关性,且增加径流样本的维数几乎不增加模型的计算工作量,避免了Copula函数随着径流序列维数的增加其建模和参数估计的工作量大大增加的问题,为流域水库群径流随机生成问题提供了一种新的解决途径。
附图说明
图1是本发明方法的流程图;
图2是生成对抗网络生成流域水库群径流序列的示意图;
图3是卷积生成对抗网络的生成器网络和判别器网络结构;其中(a)是生成器网络结构;(b)是判别器网络结构;
图4(a)-(c)是传统径流随机生成方法及本发明方法下水库A生成径流序列时间相关性差异图;
图4(d)-(f)是传统径流随机生成方法及本发明方法下水库B生成径流序列时间相关性差异图;
图5是传统径流随机生成方法及本发明方法下水库A、B生成径流序列空间相关性差异图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。以下给出了大量具体的细节以便提供对本发明更为彻底的理解。然而,对于本领域技术人员而言显而易见的是,本发明可以无需一个或多个这些细节而得以实施。在其他的例子中,为了避免与本发明发生混淆,对于本领域公知的一些技术特征未进行描述。
如图1和图2所示,本发明的一种基于卷积生成对抗网络的流域水库群径流随机生成方法,包括以下步骤:
(1)收集、整理流域水库群坝址径流序列资料,得到流域水库群历史径流序列;
所述数据资料包括流域各个水库的天然径流逐年长系列观测资料,时段长为月、旬或日。
(2)建立卷积生成对抗网络模型;
卷积生成对抗网络模型包括一个生成器网络和一个判别器网络,
如图3中(a)和(b)所示,生成器网络和判别器网络为均为卷积神经网络。
(21)生成器网络:
生成器网络包括2个全连接层和2个反卷积层,用于向上采样输入噪声z以生成径流序列,随机噪声输入第一全连接层,第一全连接层的输出与第二全连接层的输入连接,第二全连接层的输出与第一反卷积层的输入连接,第一反卷积层的输出与第二反卷积层的输入连接,第二反卷积层输出生成的流域水库群径流序列。具体的:生成器网络将一个100维的随机噪声z在一个小范围卷积表征空间投影为许多特征映射,先经过2个全连接层reshape成3*3*128的矩阵,再经过2个反卷积层和上采样后扩展为12*12*1的矩阵,步长为2。生成器网络的隐含层采用ReLU激活函数,并采用批处理标准化。
(22)判别器网络:
判别器包括2个卷积层、1个全连接层和1个sigmoid函数层,用于从流域水库群历史径流序列和生成器网络生成的流域水库群径流序列中对数据进行降采样来降低特征的维度并保留有效信息,流域水库群历史径流序列与生成器生成的流域水库群径流序列输入第一卷积层,第一卷积层的输出与第二卷积层的输入连接,第二卷积层的输出与第三全连接层的输入连接,第三全连接层的输出与Sigmoid函数层的输入连接,Sigmoid函数层输出一个概率值。具体的:判别器将大小为12*12*1的矩阵经过2个卷积层和下采样转化为3*3*128的矩阵,然后经过一个全连接层reshape转换成1024维向量,再经过Sigmoid函数层输出一个[0,1]的概率值。判别器网络的隐含层采用LeakyReLU激活函数,并采用批处理标准化。
(3)将服从高斯分布的随机噪声z作为卷积生成对抗网络模型中的生成器网络的输入;生成器网络将随机噪声z经过2个全连接层和2个反卷积层扩展为12*12*1的矩阵,即为生成的流域水库群径流序列。
(4)将生成器网络生成的流域水库群径流序列和流域水库群历史径流序列作为卷积生成对抗网络模型的判别器网络的输入;判别器网络将输入的生成器网络生成的流域水库群径流序列和流域水库群历史径流序列依次经过2个卷积层、1个全连接层和1个Sigmoid函数层输出为一个[0,1]的概率值,输出值越接近1,说明输入的生成器网络生成的流域水库群径流序列的分布越接近流域水库群历史径流序列的分布;输出值越接近0,说明输入的生成器网络生成的流域水库群径流序列的分布与流域水库群历史径流序列的差异越大。若输出值趋近于1,则结束计算,生成最佳的流域水库群径流样本,否则转步骤(5)。
(5)采用批量更新的方式训练网络,批量大小为10;根据步骤(4)中判别器的输出采用学习速率自调整梯度下降算法RMSProp来更新生成器和判别器的参数,每更新一次生成器的同时更新4次判别器,更新完判别器将其参数截断到[-0.01,0.01]区间内,转步骤(3)。
对比分析:以包含A、B两座水库的虚拟水库群的径流随机生成为例,图4(a)-(c)为分别采用传统的径流随机生成方法及本发明方法生成的水库A径流样本的时间相关系数热图;图4(d)-(f)为分别采用传统的径流随机生成方法及本发明方法生成的水库B径流样本的时间相关系数热图;图5所示为分别采用传统的径流随机生成方法及本发明方法下生成的水库A、B径流样本的空间相关系数图,即水库A与水库B年径流序列的空间相关系数,从左至右依次为历史年径流序列、本发明方法生成的年径流序列、传统的径流随机生成方法生成的年径流序列。得出如下结论:与传统的基于统计的随机生成模型相比,由于生成对抗学习技术,本发明方法生成的流域水库群径流样本的时间相关性与水库A、水库B的历史径流的时间相关性更相似;本发明方法尤其在捕捉径流过程的中等程度相关性、弱相关性以及跨时段相关性方面优于传统的径流随机生成方法。本发明方法能够学习到水库A与水库B径流序列的空间相关性,传统的径流随机生成方法在考虑时间相关性的同时不能兼顾水库A与水库B的空间相关性。
本发明的一种基于卷积生成对抗网络的流域水库群径流随机生成方法,包括收集、整理流域水库群坝址径流序列资料;建立卷积生成对抗网络模型;将随机噪声输入生成器中生成流域水库群径流序列;将历史径流序列与生成器生成的径流序列输入到判别器中进行判别;更新生成器与判别器的参数;直至生成最佳的流域水库群径流序列样本。本发明提出了既不需事先假定径流样本的分布,又可同时考虑流域不同水库径流序列的时空二维多变量相关性的径流随机生成方法,该方法可操作性强、易扩展,不需要复杂的采样技术便可生成大量的多样性径流样本,且增加径流样本的维数几乎不增加模型的计算工作量,为生成多样性的随机水库群径流序列,提升径流样本的代表性和可靠性提供了一种新的途径,也为更加科学、合理地提取指导水库群运行的优化调度规则提供了坚实基础。
Claims (6)
1.一种基于卷积生成对抗网络的流域水库群径流随机生成方法,其特征在于,包括以下步骤:
(1)收集、整理流域水库群坝址径流序列资料,得到流域水库群历史径流序列;
(2)建立卷积生成对抗网络模型;
(3)将随机噪声输入卷积生成对抗网络模型的生成器网络中,生成器网络生成流域水库群径流序列;
(4)将流域水库群历史径流序列与生成器生成的流域水库群径流序列输入到卷积生成对抗网络模型的判别器网络中进行判别,如判别器的输出结果趋近于1,则结束计算,生成最佳的流域水库群径流样本,否则转步骤(5);
(5)训练卷积生成对抗网络,更新生成器网络与判别器网络的参数,转步骤(3)。
2.根据权利要求1所述的基于卷积生成对抗网络的流域水库群径流随机生成方法,其特征在于,步骤(1)中收集、整理流域水库群坝址径流序列资料,所述径流序列资料包括流域各个水库的天然径流逐年长系列观测资料,时段长为月、旬或日。
3.根据权利要求1所述的基于卷积生成对抗网络的流域水库群径流随机生成方法,其特征在于,步骤(2)中的卷积生成对抗网络模型包括一个生成器网络和一个判别器网络,其中,生成器网络包括2个全连接层和2个反卷积层,用于向上采样输入随机噪声z以生成流域水库群径流序列,随机噪声输入第一全连接层,第一全连接层的输出与第二全连接层的输入连接,第二全连接层的输出与第一反卷积层的输入连接,第一反卷积层的输出与第二反卷积层的输入连接,第二反卷积层输出生成的流域水库群径流序列;判别器网络包括2个卷积层、1个全连接层和1个Sigmoid函数层,用于从流域水库群历史径流序列和生成器网络生成的流域水库群径流序列中对数据进行降采样来降低特征的维度并保留有效信息,流域水库群历史径流序列与生成器生成的流域水库群径流序列输入第一卷积层,第一卷积层的输出与第二卷积层的输入连接,第二卷积层的输出与第三全连接层的输入连接,第三全连接层的输出与Sigmoid函数层的输入连接,Sigmoid函数层输出一个概率值。
4.根据权利要求1所述的基于卷积生成对抗网络的流域水库群径流随机生成方法,其特征在于,步骤(3)中将服从高斯分布的随机噪声z作为卷积生成对抗网络模型的生成器网络的输入;生成器网络先将随机噪声z在一个小范围卷积表征空间投影为许多特征映射,然后依次经过2个全连接层和2个反卷积层扩展为12*12*1的矩阵,即为生成的流域水库群径流序列。
5.根据权利要求1所述的基于卷积生成对抗网络的流域水库群径流随机生成方法,其特征在于,步骤(4)中将生成器网络生成的流域水库群径流序列和流域水库群历史径流序列作为卷积生成对抗网络模型的判别器网络的输入;判别器网络将输入的生成器网络生成的流域水库群径流序列和流域水库群历史径流序列依次经过2个卷积层、1个全连接层和1个Sigmoid函数层,输出为一个[0,1]的概率值,若概率值趋近于1,则输出生成的流域水库群径流序列样本;否则,执行步骤(5)。
6.根据权利要求1所述的基于卷积生成对抗网络的流域水库群径流随机生成方法,其特征在于,步骤(5)中采用批量更新的方式训练网络,批量大小为10;根据步骤(4)中判别器网络的输出采用学习速率自调整梯度下降算法RMSProp来更新生成器网络和判别器网络的参数,每更新一次生成器网络的同时更新4次判别器网络,更新判别器网络时将其参数截断到[-0.01,0.01]区间内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011144070.6A CN112270123A (zh) | 2020-10-23 | 2020-10-23 | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011144070.6A CN112270123A (zh) | 2020-10-23 | 2020-10-23 | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270123A true CN112270123A (zh) | 2021-01-26 |
Family
ID=74342361
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011144070.6A Pending CN112270123A (zh) | 2020-10-23 | 2020-10-23 | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270123A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659672A (zh) * | 2022-11-02 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
CN115659672B (zh) * | 2022-11-02 | 2024-06-07 | 中国长江三峡集团有限公司 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341318A (zh) * | 2017-07-17 | 2017-11-10 | 河海大学 | 一种基于全河的月径流时间位移二维矩阵的模拟方法 |
CN110956591A (zh) * | 2019-11-06 | 2020-04-03 | 河海大学 | 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法 |
-
2020
- 2020-10-23 CN CN202011144070.6A patent/CN112270123A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107341318A (zh) * | 2017-07-17 | 2017-11-10 | 河海大学 | 一种基于全河的月径流时间位移二维矩阵的模拟方法 |
CN110956591A (zh) * | 2019-11-06 | 2020-04-03 | 河海大学 | 一种基于深度卷积生成对抗网络的大坝裂缝图像数据增强方法 |
Non-Patent Citations (1)
Title |
---|
冯锐: "基于LSTM模型的九龙江流域径流序列预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659672A (zh) * | 2022-11-02 | 2023-01-31 | 中国长江三峡集团有限公司 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
WO2024093493A1 (zh) * | 2022-11-02 | 2024-05-10 | 中国长江三峡集团有限公司 | 一种流域水风光资源联合随机模拟方法、装置 |
CN115659672B (zh) * | 2022-11-02 | 2024-06-07 | 中国长江三峡集团有限公司 | 一种流域水风光资源联合随机模拟方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | LSTM-EFG for wind power forecasting based on sequential correlation features | |
Kisi et al. | River suspended sediment estimation by climatic variables implication: Comparative study among soft computing techniques | |
CN113094860B (zh) | 一种基于注意力机制的工控网络流量建模方法 | |
CN111652425A (zh) | 一种基于粗糙集和长短期记忆网络的河流水质预测方法 | |
CN115526382B (zh) | 一种路网级交通流预测模型可解释性分析方法 | |
CN113554466A (zh) | 一种短期用电量预测模型构建方法、预测方法和装置 | |
CN109583588A (zh) | 一种短期风速预测方法及系统 | |
CN111695666A (zh) | 一种基于深度学习的风电功率超短期条件概率预测方法 | |
CN108964023A (zh) | 一种用于电网的母线电压态势短期预测方法及系统 | |
CN114492978A (zh) | 一种基于多层注意力机制的时空序列预测方法及设备 | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
Gao et al. | An adaptive deep-learning load forecasting framework by integrating transformer and domain knowledge | |
CN103049669A (zh) | 基于多元周期平稳时序分析及灰色理论的水华预测及因素分析方法 | |
CN112270123A (zh) | 一种基于卷积生成对抗网络的流域水库群径流随机生成方法 | |
Huang et al. | CrossWaveNet: A dual-channel network with deep cross-decomposition for Long-term Time Series Forecasting | |
CN113837434A (zh) | 太阳能光伏发电预测方法、装置、电子设备和存储介质 | |
CN117113054A (zh) | 一种基于图神经网络和Transformer的多元时间序列预测方法 | |
CN110610261A (zh) | 基于神经网络的水体溶解氧预测方法 | |
Zhou et al. | Data-driven solutions for building environmental impact assessment | |
Gao et al. | TgDLF2. 0: Theory-guided deep-learning for electrical load forecasting via transformer and transfer learning | |
CN116578858A (zh) | 基于图神经网络的空压机故障预测与健康度评价方法及系统 | |
Mazumdar et al. | Optimized machine learning model for predicting groundwater contamination | |
CN108596781A (zh) | 一种电力系统数据挖掘与预测整合方法 | |
Fang et al. | SAW: A hybrid prediction model for parking occupancy under the environment of lacking real-time data | |
CN115271154A (zh) | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210126 |