CN113486594A - 以电折水计算模型构建方法、用水量确定方法及装置 - Google Patents
以电折水计算模型构建方法、用水量确定方法及装置 Download PDFInfo
- Publication number
- CN113486594A CN113486594A CN202110836327.2A CN202110836327A CN113486594A CN 113486594 A CN113486594 A CN 113486594A CN 202110836327 A CN202110836327 A CN 202110836327A CN 113486594 A CN113486594 A CN 113486594A
- Authority
- CN
- China
- Prior art keywords
- water
- machine learning
- learning model
- model
- folding
- 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
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 226
- 238000004364 calculation method Methods 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010801 machine learning Methods 0.000 claims description 117
- 238000012549 training Methods 0.000 claims description 81
- 238000012795 verification Methods 0.000 claims description 42
- 238000003973 irrigation Methods 0.000 claims description 17
- 230000002262 irrigation Effects 0.000 claims description 17
- 230000000694 effects Effects 0.000 claims description 14
- 238000011156 evaluation Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 9
- 230000005611 electricity Effects 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 238000005452 bending Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013075 data extraction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 239000007921 spray Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003621 irrigation water Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000003809 water extraction Methods 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种以电折水计算模型构建方法、用水量确定方法及装置，通过考虑各种以电折水影响因子对以电折水系数的影响，利用已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据，对机器学习模型进行训练以及验证，得到以电折水计算模型，实现对各种以电折水影响因子数据下的以电折水系数以及用水量的准确计算，节约计量设备的投资和运维费用。
Description
技术领域
本发明涉及计算机技术领域，更具体的，涉及一种以电折水计算模型构建方法、用水量确定方法及装置。
背景技术
近20年来，随着经济的快速发展，对地下水的开采量不断增加，导致地下水位逐年下降，有些地区甚至形成降落漏斗，导致地质灾害。水利部门需要掌握地下水开采量的大小，以支持其进行管理决策。每个省有几万至几十万口井，如果每口井都安装用水量计量设备，计量设备的安装和维护成本都很高。
由于电力部门已经掌握每口井的用电量，采用“以电折水”的方法既可满足水利部门精确获取地下水开采量的需求，同时又节约了设备投资和维护成本。因此，目前对暂时不能获取用水量数据的水利工程，供水单位可以采取“以电折水”方式计收水费。“以电折水”是通过计量机井的用电量，乘以以电折水系数来推算用水量的一种方法。以电折水系数一般是指在相同时段内水泵提水量与耗电量的比值，其计算公式为：
μ＝Qw/E
其中，μ为以电折水系数，Qw为用水量(m3)，E为用电量(kW·h)。理论上，如果确定出以电折水系数，就可以根据用电量计算用水量。
但是，在实际应用中，以电折水系数受很多因素的影响，如何准确确定以电折水系数，从而准确计量用水量成为本领域亟待解决的技术问题。
发明内容
有鉴于此，本发明提供了一种以电折水计算模型构建方法、用水量确定方法及装置，提高了对用水量计量的准确性。
为了实现上述发明目的，本发明提供的具体技术方案如下：
一种以电折水计算模型构建方法，包括：
获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
将多个样本数据划分为训练集和验证集；
利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型。
可选的，所述以电折水影响因子包括：水泵自身特性和性能、地下水位埋深、电网电压、灌溉方式和用电量。
可选的，所述利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型，包括：
利用所述训练集分别对不同类型的机器学习模型进行训练；
利用所述验证集分别对训练后的不同类型的机器学习模型进行验证，得到对训练后的不同类型的机器学习模型的评估指标；
根据对训练后的不同类型的机器学习模型的评估指标，选取综合效果最好的机器学习模型确定为所述以电折水计算模型。
可选的，所述利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型，包括：
利用所述训练集对机器学习模型进行训练；
利用所述验证集对训练后的机器学习模型进行验证；
以新增典型井数据检验验证后的机器学习模型的精度；
在机器学习模型的精度满足预设要求的情况下，将验证后的机器学习模型确定为所述以电折水计算模型；
在机器学习模型的精度不满足预设要求的情况下，更新所述训练集和所述验证集，并返回执行利用所述训练集对机器学习模型进行训练，直到机器学习模型的精度满足预设要求。
一种用水量确定方法，包括：
获取待计算用水量对象的以电折水影响因子数据；
将所述待计算用水量对象的以电折水影响因子数据输入以电折水计算模型，得到所述待计算用水量对象对应的以电折水系数和用水量，所述以电折水计算模型是利用上述实施例公开的以电折水计算模型构建方法构建的。
一种以电折水计算模型构建装置，包括：
样本获取单元，用于获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
样本划分单元，用于将多个样本数据划分为训练集和验证集；
模型构建单元，用于利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型。
可选的，所述以电折水影响因子包括：水泵自身特性和性能、地下水位埋深、电网电压、灌溉方式和用电量。
可选的，所述模型构建单元，具体用于：
利用所述训练集分别对不同类型的机器学习模型进行训练；
利用所述验证集分别对训练后的不同类型的机器学习模型进行验证，得到对训练后的不同类型的机器学习模型的评估指标；
根据对训练后的不同类型的机器学习模型的评估指标，选取综合效果最好的机器学习模型确定为所述以电折水计算模型。
可选的，所述模型构建单元，具体用于：
利用所述训练集对机器学习模型进行训练；
利用所述验证集对训练后的机器学习模型进行验证；
以新增典型井数据检验验证后的机器学习模型的精度；
在机器学习模型的精度满足预设要求的情况下，将验证后的机器学习模型确定为所述以电折水计算模型；
在机器学习模型的精度不满足预设要求的情况下，更新所述训练集和所述验证集，并返回执行利用所述训练集对机器学习模型进行训练，直到机器学习模型的精度满足预设要求。
一种用水量确定装置，包括：
数据获取单元，用于获取待计算用水量对象的以电折水影响因子数据；
用水量计算单元，用于将所述待计算用水量对象的以电折水影响因子数据输入以电折水计算模型，得到所述待计算用水量对象对应的以电折水系数和用水量，所述以电折水计算模型是利用上述实施例公开的以电折水计算模型构建方法构建的。
相对于现有技术，本发明的有益效果如下：
本发明公开的一种以电折水计算模型构建方法，通过考虑各种以电折水影响因子对以电折水系数的影响，利用已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据，对机器学习模型进行训练以及验证，得到以电折水计算模型，实现对各种以电折水影响因子数据下的以电折水系数以及用水量的准确计算。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种以电折水计算模型构建方法的流程示意图；
图2为本发明实施例公开的另一种以电折水计算模型构建方法的流程示意图；
图3为本发明实施例公开的另一种以电折水计算模型构建方法的流程示意图；
图4为本发明实施例公开的一种用水量确定方法的流程示意图；
图5为本发明实施例公开的一种以电折水计算模型构建装置的结构示意图；
图6为本发明实施例公开的一种用水量确定装置的结构示意图；
图7为本发明实施例公开的一种以电折水计算平台示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
发明人经过研究发现：以电折水系数的影响因素主要有：水泵自身特性和性能、地下水位埋深、电网电压、灌溉方式，以下分别进行说明。
1、水泵自身特性和性能
在耗电量一定的情况下，水泵工作效率高，对应提水量就大；水泵工作效率低，对应提水量就小。同一型号水泵，使用时间较长时，机械磨损产生的漏失和阻力增大，容积效率和机械效率降低，耗能相同时提水量也会减少，经分析可知水泵本身的特性及性能是以电折水系数的直接影响因素。
2、地下水位埋深
不同区域、不同机井所在位置地下水位一般是不同的，另外，即便是同一眼机井，由于季节不同，地下水位也是变化的。所以，以电折水系数大小随着地下水位线的变化而变化，水位下降，提相同的水量耗能就多，以电折水系数就会变小，反之以电折水系数就会变大。基于此，地下水位埋深是影响以电折水系数大小因素之一。
3、电网电压
当电力条件好、电压稳定时，水泵在高效区运行，其工作效率高，单位耗能提水量就大；当电压不稳定特别是灌溉高峰期时，农村机井电压低，此时很难保证水泵在高效区运行，其工作效率下降，单位耗能提水量就较小。因此，农村电网的变化对以电折水系数的影响也是不可忽略的。
4、灌溉方式
土垄沟、管灌、喷灌等不同灌溉方式下灌溉系统压力不同，水泵工作环境也不同。其中，土垄沟灌溉水泵出水口阻力小，相同条件下单位耗能提水量大；喷灌灌溉系统压力大，水泵出水口阻力大，相同条件下单位耗能提水量小。因此，不同灌溉方式对以电折水系数的大小也是有影响的。
在此基础上，为了研究上述各种以电折水影响因子对以电折水系数的影响，从而根据以电折水影响因子数据准确计算以电折水系数以及用水量，本发明提供了一种以电折水计算模型构建方法，请参阅图1，该方法具体包括以下步骤：
S101：获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
可以以典型井监测数据和人工现场采集的数据建立样本数据，典型井是从各地区选择出来的具有代表性的机井，在选择典型井时主要从水泵特性、取水深度、空间分布、灌溉方式等几个方面同时考虑，使所选择的机井具有足够的代表性。
典型井监测数据和人工现场采集的数据包括用水量和用电量，根据用水量和用电量计算以电折水系数。
具体的，对典型井监测数据和人工现场采集的数据进行预处理，提取出以电折水影响因子数据，以电折水影响因子包括：水泵自身特性和性能、地下水位埋深、电网电压、灌溉方式和用电量，并标记以电折水系数和用水量。
S102：将多个样本数据划分为训练集和验证集；
按预设比例将多个样本数据划分为训练集和验证集，预设比例可以为8:2、7:3等，在此不做具体限定。
S103：利用训练集对机器学习模型进行训练，并利用验证集对训练后的机器学习模型进行验证，得到以电折水计算模型。
机器学习模型可以为任意一种类型的机器学习模型，如支持向量机回归模型、BP人工神经网络模型，也可以同时采用多模型。
利用训练集对机器学习模型进行训练，并利用验证集对训练后的机器学习模型进行验证，评估模型的精度和适用性。
进一步，为了提高以电折水计算模型的精度，请参阅图2，本实施例公开了另一种以电折水计算模型构建方法，具体包括以下步骤：
S201：获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
S202：将多个样本数据划分为训练集和验证集；
S203：利用训练集分别对不同类型的机器学习模型进行训练；
S204：利用验证集分别对训练后的不同类型的机器学习模型进行验证，得到对训练后的不同类型的机器学习模型的评估指标；
S205：根据对训练后的不同类型的机器学习模型的评估指标，选取综合效果最好的机器学习模型确定为以电折水计算模型。
训练后的不同类型的机器学习模型的评估指标包括：平均绝对误差、平均平方误差、均方根误差等。
本实施例公开的以电折水计算模型构建方法，通过对不同类型的机器学习模型进行训练和验证，可以选择综合效果最好的机器学习模型作为最终的以电折水计算模型，优化了模型类型的选取，并结合合理选择样本数据中的以电折水影响因子，提高了以电折水计算模型的精度。
请参阅图3，本实施例还公开了另一种以电折水计算模型构建方法，具体包括以下步骤：
S301：获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
S302：将多个样本数据划分为训练集和验证集；
S303：利用训练集对机器学习模型进行训练；
S304：利用验证集对训练后的机器学习模型进行验证；
S305：以新增典型井数据检验验证后的机器学习模型的精度；
S306：判断机器学习模型的精度是否满足预设要求；
可以根据实际应用中对以电折水计算模型的精度需求，设置此处要求。
在机器学习模型的精度满足预设要求的情况下，S307：将验证后的机器学习模型确定为以电折水计算模型；
在机器学习模型的精度不满足预设要求的情况下，S308：更新训练集和验证集，并返回执行S303。
由于之前已有的典型井会一直产生新数据，并且也会有新的典型井出现，从而产生相应的典型井数据，这些新增典型井数据都可以作为新的样本数据。为了进一步提高以电折水计算模型的精度，本实施例利用新增典型井数据检验验证后的机器学习模型的精度。
在机器学习模型的精度不满足预设要求的情况下，利用新增典型井数据更新训练集和验证集，重新对机器学习模型进行训练。
本实施例公开的一种以电折水计算模型构建方法，通过在机器学习模型的精度不满足预设要求的情况下，更新训练集和验证集，重新训练模型，提高了以电折水计算模型的精度。
基于上述实施例公开的一种以电折水计算模型构建方法，请参阅图4，本实施例公开了一种用电量确定方法，具体包括以下步骤：
S401：获取待计算用水量对象的以电折水影响因子数据；
S402：将待计算用水量对象的以电折水影响因子数据输入以电折水计算模型，得到待计算用水量对象对应的以电折水系数和用水量。
需要说明的是，上述以电折水计算模型是利用上述实施例公开的以电折水计算模型构建方法构建的，在此不再赘述。
在以电折水计算模型的实际应用中，需要确定以电折水计算模型的输入变量、输出变量，以及变量的时间频度(日、旬、月)。
模型输入：
模型输出：以电折水系数、用水量。
本实施公开的一种用水量确定方法，根据实际待计算用水量对象的以电折水影响因子数据，调用预先构建的以电折水计算模型，准确计算以电折水系数和用水量，实现用水量的准确计量，节约计量设备的投资和运维费用。
基于上述实施例公开的一种以电折水计算模型构建方法，本实施例对应公开了一种以电折水计算模型构建装置，请参阅图5，包括：
样本获取单元501，用于获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
样本划分单元502，用于将多个样本数据划分为训练集和验证集；
模型构建单元503，用于利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型。
可选的，所述以电折水影响因子包括：水泵自身特性和性能、地下水位埋深、电网电压、灌溉方式和用电量。
可选的，所述模型构建单元503，具体用于：
利用所述训练集分别对不同类型的机器学习模型进行训练；
利用所述验证集分别对训练后的不同类型的机器学习模型进行验证，得到对训练后的不同类型的机器学习模型的评估指标；
根据对训练后的不同类型的机器学习模型的评估指标，选取综合效果最好的机器学习模型确定为所述以电折水计算模型。
可选的，所述模型构建单元503，具体用于：
利用所述训练集对机器学习模型进行训练；
利用所述验证集对训练后的机器学习模型进行验证；
以新增典型井数据检验验证后的机器学习模型的精度；
在机器学习模型的精度满足预设要求的情况下，将验证后的机器学习模型确定为所述以电折水计算模型；
在机器学习模型的精度不满足预设要求的情况下，更新所述训练集和所述验证集，并返回执行利用所述训练集对机器学习模型进行训练，直到机器学习模型的精度满足预设要求。
基于上述实施例公开的一种用水量确定方法，本实施例对应公开了一种用水量确定装置，请参阅图6，该装置包括：
数据获取单元601，用于获取待计算用水量对象的以电折水影响因子数据；
用水量计算单元602，用于将所述待计算用水量对象的以电折水影响因子数据输入以电折水计算模型，得到所述待计算用水量对象对应的以电折水系数和用水量，所述以电折水计算模型是利用上述实施例公开的以电折水计算模型构建方法构建的。
请参阅图7，本实施例还公开了一种以电折水计算平台，选择成熟的机器学习平台作为以电折水计算模型开发的平台，在机器学习平台上完成数据ETL(Extract、Transform、Load，数据抽取、转换(清洗)、加载)、模型训练及验证、模型发布等任务，业务平台通过调用“以电折水模型服务接口”完成电量到水量的转换推理。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
上述各个实施例之间可任意组合，对所公开的实施例的上述说明，本说明书中各实施例中记载的特征可以相互替换或者组合，使本领域专业技术人员能够实现或使用本申请。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种以电折水计算模型构建方法，其特征在于，包括：
获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
将多个样本数据划分为训练集和验证集；
利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型。
2.根据权利要求1所述的方法，其特征在于，所述以电折水影响因子包括：水泵自身特性和性能、地下水位埋深、电网电压、灌溉方式和用电量。
3.根据权利要求1所述的方法，其特征在于，所述利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型，包括：
利用所述训练集分别对不同类型的机器学习模型进行训练；
利用所述验证集分别对训练后的不同类型的机器学习模型进行验证，得到对训练后的不同类型的机器学习模型的评估指标；
根据对训练后的不同类型的机器学习模型的评估指标，选取综合效果最好的机器学习模型确定为所述以电折水计算模型。
4.根据权利要求1所述的方法，其特征在于，所述利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型，包括：
利用所述训练集对机器学习模型进行训练；
利用所述验证集对训练后的机器学习模型进行验证；
以新增典型井数据检验验证后的机器学习模型的精度；
在机器学习模型的精度满足预设要求的情况下，将验证后的机器学习模型确定为所述以电折水计算模型；
在机器学习模型的精度不满足预设要求的情况下，更新所述训练集和所述验证集，并返回执行利用所述训练集对机器学习模型进行训练，直到机器学习模型的精度满足预设要求。
5.一种用水量确定方法，其特征在于，包括：
获取待计算用水量对象的以电折水影响因子数据；
将所述待计算用水量对象的以电折水影响因子数据输入以电折水计算模型，得到所述待计算用水量对象对应的以电折水系数和用水量，所述以电折水计算模型是利用权利要求1～4中任意一项所述的以电折水计算模型构建方法构建的。
6.一种以电折水计算模型构建装置，其特征在于，包括：
样本获取单元，用于获取已标记以电折水系数和用水量且包括以电折水影响因子数据的多个样本数据；
样本划分单元，用于将多个样本数据划分为训练集和验证集；
模型构建单元，用于利用所述训练集对机器学习模型进行训练，并利用所述验证集对训练后的机器学习模型进行验证，得到以电折水计算模型。
7.根据权利要求6所述的装置，其特征在于，所述以电折水影响因子包括：水泵自身特性和性能、地下水位埋深、电网电压、灌溉方式和用电量。
8.根据权利要求6所述的装置，其特征在于，所述模型构建单元，具体用于：
利用所述训练集分别对不同类型的机器学习模型进行训练；
利用所述验证集分别对训练后的不同类型的机器学习模型进行验证，得到对训练后的不同类型的机器学习模型的评估指标；
根据对训练后的不同类型的机器学习模型的评估指标，选取综合效果最好的机器学习模型确定为所述以电折水计算模型。
9.根据权利要求6所述的装置，其特征在于，所述模型构建单元，具体用于：
利用所述训练集对机器学习模型进行训练；
利用所述验证集对训练后的机器学习模型进行验证；
以新增典型井数据检验验证后的机器学习模型的精度；
在机器学习模型的精度满足预设要求的情况下，将验证后的机器学习模型确定为所述以电折水计算模型；
在机器学习模型的精度不满足预设要求的情况下，更新所述训练集和所述验证集，并返回执行利用所述训练集对机器学习模型进行训练，直到机器学习模型的精度满足预设要求。
10.一种用水量确定装置，其特征在于，包括：
数据获取单元，用于获取待计算用水量对象的以电折水影响因子数据；
用水量计算单元，用于将所述待计算用水量对象的以电折水影响因子数据输入以电折水计算模型，得到所述待计算用水量对象对应的以电折水系数和用水量，所述以电折水计算模型是利用权利要求1～4中任意一项所述的以电折水计算模型构建方法构建的。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110836327.2A CN113486594A (zh) | 2021-07-23 | 2021-07-23 | 以电折水计算模型构建方法、用水量确定方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110836327.2A CN113486594A (zh) | 2021-07-23 | 2021-07-23 | 以电折水计算模型构建方法、用水量确定方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113486594A true CN113486594A (zh) | 2021-10-08 |
Family
ID=77943314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110836327.2A Pending CN113486594A (zh) | 2021-07-23 | 2021-07-23 | 以电折水计算模型构建方法、用水量确定方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113486594A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114190264A (zh) * | 2021-11-18 | 2022-03-18 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
| CN115248905A (zh) * | 2022-08-02 | 2022-10-28 | 中国水利水电科学研究院 | 以电折水系数计算方法及装置 |
| CN116739359A (zh) * | 2023-03-13 | 2023-09-12 | 中国水利水电科学研究院 | 井群系统综合以电折水系数、分级提水能耗量计算方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106895885A (zh) * | 2017-03-27 | 2017-06-27 | 唐山海森电子股份有限公司 | 农业灌溉以电折水算法管控系统及水电转换系数修正方法 |
| CN107702933A (zh) * | 2017-09-27 | 2018-02-16 | 南通大学 | 测定平原河网灌溉泵站水量－电量转换系数的装置及方法 |
| CN112945329A (zh) * | 2021-03-15 | 2021-06-11 | 国网河北省电力有限公司营销服务中心 | 确定农业机井灌溉水量的方法、装置及终端 |
-
2021
- 2021-07-23 CN CN202110836327.2A patent/CN113486594A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106895885A (zh) * | 2017-03-27 | 2017-06-27 | 唐山海森电子股份有限公司 | 农业灌溉以电折水算法管控系统及水电转换系数修正方法 |
| CN107702933A (zh) * | 2017-09-27 | 2018-02-16 | 南通大学 | 测定平原河网灌溉泵站水量－电量转换系数的装置及方法 |
| CN112945329A (zh) * | 2021-03-15 | 2021-06-11 | 国网河北省电力有限公司营销服务中心 | 确定农业机井灌溉水量的方法、装置及终端 |
Non-Patent Citations (4)
| Title |
|---|
| 岳士茹;郄志红;刘印良;吕旺;兰凤;: "基于SVM的河北省平原区水电转换系数内插预测研究", 河北农业大学学报, no. 01 * |
| 岳士茹等: "《 基于SVM的河北省平原区水电转换系数内插预测研究》", 《河北农业大学学报》, vol. 43, no. 1, pages 133 - 139 * |
| 梁雪丽;吕旺;兰凤;: "以电折水系数影响因素探析――以不同灌溉方式为例", 海河水利, no. 01 * |
| 王晓东;薛伟;马长明;孙玉珠;: "基于农业灌溉用水计量的水电转换系数研究", 北京水务, no. 06 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114190264A (zh) * | 2021-11-18 | 2022-03-18 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
| CN114190264B (zh) * | 2021-11-18 | 2022-11-08 | 国网河北省电力有限公司营销服务中心 | 一种精准灌溉方案确定方法、系统及终端设备 |
| CN115248905A (zh) * | 2022-08-02 | 2022-10-28 | 中国水利水电科学研究院 | 以电折水系数计算方法及装置 |
| CN116739359A (zh) * | 2023-03-13 | 2023-09-12 | 中国水利水电科学研究院 | 井群系统综合以电折水系数、分级提水能耗量计算方法及装置 |
| CN116739359B (zh) * | 2023-03-13 | 2024-04-19 | 水利部牧区水利科学研究所 | 井群系统综合以电折水系数、分级提水能耗量计算方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113486594A (zh) | 以电折水计算模型构建方法、用水量确定方法及装置 | |
| Afshar et al. | Particle swarm optimization for automatic calibration of large scale water quality model (CE-QUAL-W2): Application to Karkheh Reservoir, Iran | |
| Li et al. | Reducing lake water-level decline by optimizing reservoir operating rule curves: A case study of the Three Gorges Reservoir and the Dongting Lake | |
| Ahmed | Numerical modeling of the Rideau valley watershed | |
| Sun et al. | Solution method of overtopping risk model for earth dams | |
| CN111199298B (zh) | 基于神经网络的洪水预报方法与系统 | |
| CN113673765A (zh) | 一种小流域洪水预报预警方法及终端 | |
| CN101899820B (zh) | 面向河流生态系统保护的流域地表水可利用量确定方法 | |
| CN106372739A (zh) | 一种基于需求响应基线的需求响应效果评估方法 | |
| CN104636834A (zh) | 一种改进的联合概率规划模型系统优化方法 | |
| CN112052559A (zh) | 一种基于月水量平衡的三参数水文模型及其构建方法 | |
| Ghorbani et al. | Genetic programming for sea level predictions in an island environment | |
| CN104916049A (zh) | 一种新型机井取水计量系统 | |
| Zhao et al. | Evaluating influences of the Manwan Dam and climate variability on the hydrology of the Lancang-Mekong River, Yunnan Province, southwest China | |
| CN114548680A (zh) | 城市暴雨洪水管理模型参数自动率定方法及系统 | |
| Thornton et al. | The Brigalow Catchment Study: IV.* Clearing brigalow (Acacia harpophylla) for cropping or grazing increases peak runoff rate | |
| Salwey et al. | National‐scale detection of reservoir impacts through hydrological signatures | |
| CN114970171B (zh) | 考虑产流结构不确定性的水文模型及对地表地下水文过程影响的量化方法 | |
| Li et al. | Lake inflow simulation using the coupled water balance method and Xin’anjiang Model in an ungauged stream of Chaohu Lake Basin, China | |
| CN112507635B (zh) | 一种流域湿地洪水调蓄功能量化评估方法 | |
| Bidwell | Groundwater management tools: analytical procedure and case studies | |
| CN114329713A (zh) | 一种基于灾损曲线和水动力模型的居民建筑损失计算方法 | |
| CN111539596A (zh) | 一种流域灰色基础设施的调蓄能力评价方法 | |
| Mordos et al. | Hydro-Economic Assessment for GERD Impacts on Sudan Hydropower Generation | |
| Tuhtan | Cost optimization of small hydropower |
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 |