CN113420808A - 一种基于反演数据和实测数据融合的水文预报方法及系统 - Google Patents

一种基于反演数据和实测数据融合的水文预报方法及系统 Download PDF

Info

Publication number
CN113420808A
CN113420808A CN202110690907.5A CN202110690907A CN113420808A CN 113420808 A CN113420808 A CN 113420808A CN 202110690907 A CN202110690907 A CN 202110690907A CN 113420808 A CN113420808 A CN 113420808A
Authority
CN
China
Prior art keywords
data
machine learning
hydrologic
fusion
hydrological
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.)
Withdrawn
Application number
CN202110690907.5A
Other languages
English (en)
Inventor
张善亮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University ZJU
PowerChina Huadong Engineering Corp Ltd
Original Assignee
Zhejiang University ZJU
PowerChina Huadong Engineering Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University ZJU, PowerChina Huadong Engineering Corp Ltd filed Critical Zhejiang University ZJU
Priority to CN202110690907.5A priority Critical patent/CN113420808A/zh
Publication of CN113420808A publication Critical patent/CN113420808A/zh
Priority to CN202111136496.1A priority patent/CN113657557B/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/14—Rainfall or precipitation gauges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • 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
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Environmental & Geological Engineering (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Ecology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Environmental Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Hydrology & Water Resources (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Feedback Control In General (AREA)

Abstract

本发明公开了一种基于反演数据和实测数据融合的水文预报方法及系统，该方法包括：采集实测数据并根据实测数据构建MIKE‑SHE水文模型；基于MIKE‑SHE水文模型得到反演数据；将实测数据和反演数据融合，得到融合数据；基于融合数据构建多个机器学习模型；基于综合评价法对各机器学习模型赋权，开展实时组合水文预报。该系统包括：水文模型构建模块、数据反演模块、数据融合模块、多机器学习模块构建模块和预报模块。通过使用本发明，能够提高水文预报精度。本发明作为一种基于反演数据和实测数据融合的水文预报方法及系统，可广泛应用于组合水文预报精度。

Description

一种基于反演数据和实测数据融合的水文预报方法及系统
技术领域
本发明涉及组合水文预报领域，尤其涉及一种基于反演数据和实测数据融合的水文预报方法及系统。
背景技术
水文预报是指根据前期或现时的水文气象资料，对某一水体、地区或者水文站在未来一定时间内的水文情况做出定性或者定量的预测，按照预报时间的长短，可以划分为实时、短期、中期和长期水文预报，对实际生产生活中的流域旱涝灾害防治、水资源科学分配等问题提供重要决策支撑。在全球气候变化和人类活动的双重影响下，水文过程受到的不确定性因素加大，导致开展准确水文预报的难度急剧增大，利用传统的单一水文模型难以实现现有水文预报相关任务。
发明内容
为了解决上述技术问题，本发明的目的是提供一种基于反演数据和实测数据融合的水文预报方法及系统，提高水文预报精度。
本发明所采用的第一技术方案是：一种基于反演数据和实测数据融合的水文预报方法，包括以下步骤：
采集实测数据并根据实测数据构建MIKE-SHE水文模型；
基于MIKE-SHE水文模型得到反演数据；
将实测数据和反演数据融合，得到融合数据；
基于融合数据构建多个机器学习模型；
基于综合评价法对各机器学习模型赋权，开展实时组合水文预报。
进一步，所述采集实测数据并根据实测数据构建MIKE-SHE水文模型这一步骤，其具体包括：
采集研究区域的降雨、蒸发、流量、水位数据和洪水数据；
根据洪水数据中洪水过程线的起涨点和退水终止点划分出洪水场次，并将相关降雨、蒸发、流量和水位数据按照洪水场次划分；
将划分好的洪水场次按照7:3划分为训练数据和测试数据；
基于训练数据构建MIKE-SHE水文模型；
基于测试数据验证MIKE-SHE水文模型。
进一步，所述基于MIKE-SHE水文模型得到反演数据这一步骤，其具体还包括：
设定不同重现期降雨或干旱条件的特殊工况；
将特殊工况下的水文数据作为率定参数输入至MIKE-SHE水文模型，得到水位和流量数据；
将水位和流量数据按照洪水场次进行数据划分，得到划分后的反演数据。
进一步，所述将实测数据和反演数据融合，得到融合数据这一步骤，其具体包括：
采用SOM算法对实测数据和反演数据的所有洪水场次进行分类，得到分类后的数据；
利用Deep Learning算法对分类后的数据进行融合，得到融合数据。
进一步，所述基于融合数据构建多个机器学习模型这一步骤，其具体包括：
基于融合数据分别训练多层前馈式神经网络机器学习模型、局部回归神经网络机器学习模型和神经网络LSTM机器学习模型；
输入实测数据并基于多层前馈式神经网络机器学习模型、局部回归神经网络机器学习模型和神经网络LSTM机器学习模型得到对应的水文预报结果。
进一步，所述基于综合评价法对各机器学习模型赋权，开展实时组合水文预报这一步骤，其具体包括：
选择指标对水文预报结果进行评价，得到指标评价结果；
基于指标评价结果确定各机器学习模型权重，并开展实时组合水文预报。
进一步，所述指标包括：
评价对洪峰预报准确相关的洪峰流量相对误差和峰现时间误差指标；
评价对洪量预报准确相关的总洪量相对平衡误差指标；
评价径流过程预报准确性的纳什系数指标。
本发明所采用的第二技术方案是：一种基于反演数据和实测数据融合的水文预报系统，包括：
水文模型构建模块，用于采集实测数据并根据实测数据构建MIKE-SHE水文模型；
数据反演模块，基于MIKE-SHE水文模型得到反演数据；
数据融合模块，用于将实测数据和反演数据融合，得到融合数据；
多机器学习模块构建模块，基于融合数据构建多个机器学习模型；
预报模块，基于综合评价法对各机器学习模型赋权，开展实时组合水文预报。
本发明方法及系统的有益效果是：本发明通过将实测数据和反演数据进行融合，扩充数据样本容量，利用机器学习算法的高效计算能力实现权重的实时更新，结合多指标综合评价获得合理权重，从而提升预报结果精度。
附图说明
图1是本发明一种基于反演数据和实测数据融合的水文预报的步骤流程图；
图2是本发明具体实施例流程示意图；
图3是本发明一种基于反演数据和实测数据融合的水文预报系统的结构框图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步的详细说明。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
参照图1和图2，本发明提供了一种基于反演数据和实测数据融合的水文预报方法，该方法包括以下步骤：
采集实测数据并根据实测数据构建MIKE-SHE水文模型；
基于MIKE-SHE水文模型得到反演数据；
将实测数据和反演数据融合，得到融合数据；
具体地，通过数据融合解决数据的全面性问题。
基于融合数据构建多个机器学习模型；
具体地，构建多个机器学习模型解决单一传统模型的精度不足的问题。
基于综合评价法对各机器学习模型赋权，开展实时组合水文预报。
具体地，引入多个评价指标并采用综合评价方法对模型结果进行评估并分配合适的权重，有利于解决权重确定不够严谨的问题，提供高精度实时水文预报。
进一步作为本方法的优选实施例，所述采集实测数据并根据实测数据构建MIKE-SHE水文模型这一步骤，其具体包括：
采集研究区域的降雨、蒸发、流量、水位数据和洪水数据；
根据洪水数据中洪水过程线的起涨点和退水终止点划分出洪水场次，并将相关降雨、蒸发、流量和水位数据按照洪水场次划分；
将划分好的洪水场次按照7:3划分为训练数据和测试数据；
基于训练数据构建MIKE-SHE水文模型；
基于测试数据验证MIKE-SHE水文模型。
具体地，训练阶段洪水用来率定参数，测试阶段洪水用来检验参数的率定效果，如果率定阶段表现不好，则需要重新率定参数。
进一步作为本方法的优选实施例，所述基于MIKE-SHE水文模型得到反演数据这一步骤，其具体还包括：
设定不同重现期降雨或干旱条件的特殊工况；
将特殊工况下的水文数据作为率定参数输入至MIKE-SHE水文模型，得到水位和流量数据；
将水位和流量数据按照洪水场次进行数据划分，得到划分后的反演数据。
具体地，重现期包括100年、200年、500年、1000年等，将特殊工况中包括降雨、蒸发等数据作为MIKE-SHE模型的输入，利用率定好参数的模型进行下游监测断面的特殊工况水位和流量。
进一步作为本方法的优选实施例，所述将实测数据和反演数据融合，得到融合数据这一步骤，其具体包括：
采用SOM算法对实测数据和反演数据的所有洪水场次进行分类，得到分类后的数据；
利用Deep Learning算法对分类后的数据进行融合，得到融合数据。
进一步作为本方法优选实施例，所述基于融合数据构建多个机器学习模型这一步骤，其具体包括：
基于融合数据分别训练多层前馈式神经网络机器学习模型、局部回归神经网络机器学习模型和神经网络LSTM机器学习模型；
输入实测数据并基于多层前馈式神经网络机器学习模型、局部回归神经网络机器学习模型和神经网络LSTM机器学习模型得到对应的水文预报结果。
具体地，基于误差逆向传播训练的多层前馈式神经网络BP(BackPropagation)算法；具有局部记忆单元和局部反馈连接的局部回归神经网络Elman算法，属于在BP算法上的改进；基于全局记忆模块能很好解决长时依赖问题的神经网络LSTM(Long Short TermMermory)算法，属于在Elman算法上的改进；所选取的三种机器学习算法在结构上具有传承性，各有优缺点，均在水文预报领域得到广泛应用。
进一步作为本方法优选实施例，所述基于综合评价法对各机器学习模型赋权，开展实时组合水文预报这一步骤，其具体包括：
选择指标对水文预报结果进行评价，得到指标评价结果；
基于指标评价结果确定各机器学习模型权重，并开展实时组合水文预报。
进一步作为本方法优选实施例，所述指标包括：
评价对洪峰预报准确相关的洪峰流量相对误差和峰现时间误差指标；
洪峰相对误差合格率指标：
Figure BDA0003126133810000051
Figure BDA0003126133810000052
其中，Qe代表洪峰流量相对误差系数，Qer代表洪峰相对误差合格率，Qo,m代表模型预报洪峰流量值，Qm代表流域实测洪峰流量值，Nq代表误差合格的洪水场次，取Qe≤20％为合格洪水场次，Nsum代表总的洪水场次。
峰现时间误差合格率指标：
Te＝|T(Qo,m)-T(Qm)|
Figure BDA0003126133810000053
其中，Te代表峰现时间误差，T(Qo,m)代表预报洪峰流量出现时间，T(Qm)代表流域实测洪峰流量出现时间，Ter代表峰现时间误差合格率，Nt代表误差合格的洪水场次，取Te≤2为合格洪水场次，Nsum代表总的洪水场次。
评价对洪量预报准确相关的总洪量相对平衡误差指标；
总洪量相对平衡误差指标：
Figure BDA0003126133810000054
其中，Ivf代表洪量平衡相对误差；Qt代表实时观测流量值；Qo,t代表模型预报流量值。
评价径流过程预报准确性的纳什系数指标；
纳什系数指标：
Figure BDA0003126133810000055
其中，NSE代表纳什系数，Qt代表实时观测流量值，Qo,t代表模型预报流量值，
Figure BDA0003126133810000056
代表实测值均值。
如图3所示，一种基于反演数据和实测数据融合的水文预报系统，包括：
水文模型构建模块，用于采集实测数据并根据实测数据构建MIKE-SHE水文模型；
数据反演模块，基于MIKE-SHE水文模型得到反演数据；
数据融合模块，用于将实测数据和反演数据融合，得到融合数据；
多机器学习模块构建模块，基于融合数据构建多个机器学习模型；
预报模块，基于综合评价法对各机器学习模型赋权，开展实时组合水文预报。
上述方法实施例中的内容均适用于本系统实施例中，本系统实施例所具体实现的功能与上述方法实施例相同，并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
以上是对本发明的较佳实施进行了具体说明，但本发明创造并不限于所述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (8)

1.一种基于反演数据和实测数据融合的水文预报方法，其特征在于，包括以下步骤：
采集实测数据并根据实测数据构建MIKE-SHE水文模型；
基于MIKE-SHE水文模型得到反演数据；
将实测数据和反演数据融合，得到融合数据；
基于融合数据构建多个机器学习模型；
基于综合评价法对各机器学习模型赋权，开展实时组合水文预报。
2.根据权利要求1所述一种基于反演数据和实测数据融合的水文预报方法，其特征在于，所述采集实测数据并根据实测数据构建MIKE-SHE水文模型这一步骤，其具体包括：
采集研究区域的降雨、蒸发、流量、水位数据和洪水数据；
根据洪水数据中洪水过程线的起涨点和退水终止点划分出洪水场次，并将相关降雨、蒸发、流量和水位数据按照洪水场次划分；
将划分好的洪水场次按照7:3划分为训练数据和测试数据；
基于训练数据构建MIKE-SHE水文模型；
基于测试数据验证MIKE-SHE水文模型。
3.根据权利要求2所述一种基于反演数据和实测数据融合的水文预报方法，其特征在于，所述基于MIKE-SHE水文模型得到反演数据这一步骤，其具体还包括：
设定不同重现期降雨或干旱条件的特殊工况；
将特殊工况下的水文数据作为率定参数输入至MIKE-SHE水文模型，得到水位和流量数据；
将水位和流量数据按照洪水场次进行数据划分，得到划分后的反演数据。
4.根据权利要求3所述一种基于反演数据和实测数据融合的水文预报方法，其特征在于，所述将实测数据和反演数据融合，得到融合数据这一步骤，其具体包括：
采用SOM算法对实测数据和反演数据的所有洪水场次进行分类，得到分类后的数据；
利用DeepLearning算法对分类后的数据进行融合，得到融合数据。
5.根据权利要求4所述一种基于反演数据和实测数据融合的水文预报方法，其特征在于，所述基于融合数据构建多个机器学习模型这一步骤，其具体包括：
基于融合数据分别训练多层前馈式神经网络机器学习模型、局部回归神经网络机器学习模型和神经网络LSTM机器学习模型；
输入实测数据并基于多层前馈式神经网络机器学习模型、局部回归神经网络机器学习模型和神经网络LSTM机器学习模型得到对应的水文预报结果。
6.根据权利要求5所述一种基于反演数据和实测数据融合的水文预报方法，其特征在于，所述基于综合评价法对各机器学习模型赋权，开展实时组合水文预报这一步骤，其具体包括：
选择指标对水文预报结果进行评价，得到指标评价结果；
基于指标评价结果确定各机器学习模型权重，并开展实时组合水文预报。
7.根据权利要求6所述一种基于反演数据和实测数据融合的水文预报方法，其特征在于，所述指标包括：
评价对洪峰预报准确相关的洪峰流量相对误差和峰现时间误差指标；
评价对洪量预报准确相关的总洪量相对平衡误差指标；
评价径流过程预报准确性的纳什系数指标。
8.一种基于反演数据和实测数据融合的水文预报系统，其特征在于，包括以下模块：
水文模型构建模块，用于采集实测数据并根据实测数据构建MIKE-SHE水文模型；
数据反演模块，基于MIKE-SHE水文模型得到反演数据；
数据融合模块，用于将实测数据和反演数据融合，得到融合数据；
多机器学习模块构建模块，基于融合数据构建多个机器学习模型；
预报模块，基于综合评价法对各机器学习模型赋权，开展实时组合水文预报。
CN202110690907.5A 2021-06-22 2021-06-22 一种基于反演数据和实测数据融合的水文预报方法及系统 Withdrawn CN113420808A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110690907.5A CN113420808A (zh) 2021-06-22 2021-06-22 一种基于反演数据和实测数据融合的水文预报方法及系统
CN202111136496.1A CN113657557B (zh) 2021-06-22 2021-09-27 一种基于反演数据和实测数据融合的水文预报方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110690907.5A CN113420808A (zh) 2021-06-22 2021-06-22 一种基于反演数据和实测数据融合的水文预报方法及系统

Publications (1)

Publication Number Publication Date
CN113420808A true CN113420808A (zh) 2021-09-21

Family

ID=77789796

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202110690907.5A Withdrawn CN113420808A (zh) 2021-06-22 2021-06-22 一种基于反演数据和实测数据融合的水文预报方法及系统
CN202111136496.1A Active CN113657557B (zh) 2021-06-22 2021-09-27 一种基于反演数据和实测数据融合的水文预报方法及系统

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202111136496.1A Active CN113657557B (zh) 2021-06-22 2021-09-27 一种基于反演数据和实测数据融合的水文预报方法及系统

Country Status (1)

Country Link
CN (2) CN113420808A (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104298841B (zh) * 2013-07-16 2018-04-13 浙江贵仁信息科技股份有限公司 一种基于历史数据的洪水预报方法和系统
CN106249318A (zh) * 2016-07-12 2016-12-21 清华大学 流域洪水实时预报方法及预报装置
CN107609335B (zh) * 2017-09-22 2018-10-30 中国水利水电科学研究院 一种基于合成流量和形状拟合的洪水预报方法
CN111104981B (zh) * 2019-12-19 2022-09-16 华中科技大学 一种基于机器学习的水文预报精度评价方法及系统
CN112861449B (zh) * 2021-02-19 2021-11-09 河海大学 一种基于洪水预报误差反演的多河段联合校正模型

Also Published As

Publication number Publication date
CN113657557B (zh) 2023-12-15
CN113657557A (zh) 2021-11-16

Similar Documents

Publication Publication Date Title
CN111104981B (zh) 一种基于机器学习的水文预报精度评价方法及系统
CN110471024B (zh) 一种基于量测数据分析的智能电表在线远程校验方法
CN113379110B (zh) 一种中长期径流预报结果趋势检验方法
CN112801342A (zh) 一种基于降雨径流相似性的自适应径流预报方法
CN111400371A (zh) 一种基于电压相关性校验的户变关系识别方法
CN110598352B (zh) 一种流域来水的预报方法
CN113762618B (zh) 一种基于多因子相似分析的湖泊水位预报方法
CN109523077B (zh) 一种风电功率预测方法
CN114117953B (zh) 水文模型结构诊断方法、径流预报方法及装置
CN112330065A (zh) 一种基于基流分割和人工神经网络模型的径流预报方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN108615092A (zh) 一种基于指数平滑模型的污水处理厂进水量预测的方法
CN117200223A (zh) 日前电力负荷预测方法和装置
CN113657557A (zh) 一种基于反演数据和实测数据融合的水文预报方法及系统
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN110009132A (zh) 一种基于lstm深度神经网络的短期电力负荷精细化预测方法
CN116484554A (zh) 一种配电网的拓扑辨识方法、装置、设备及介质
CN109919362A (zh) 一种考虑水利工程调度影响的中长期径流预报方法
CN114139802A (zh) 一种基于流域水情变化趋势分析模型的实时优化调度方法
Kumar et al. Energy Consumption in Smart Buildings using Machine Learning
CN110909943A (zh) 一种多尺度多因子联合驱动的月径流概率预报方法
CN109617122A (zh) 一种分布式电源出力预测的方法和装置
CN110389947A (zh) 一种黑名单生成方法、装置、设备及介质
CN113204583B (zh) 水库群调度决策行为挖掘方法和水库调度自动控制装置
CN111882100B (zh) 一种基于多模型随机线性组合的水文集合区间预报搭建方法

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210921

WW01 Invention patent application withdrawn after publication