CN113641733A - 一种河道断面流量实时智能推求方法 - Google Patents
一种河道断面流量实时智能推求方法 Download PDFInfo
- Publication number
- CN113641733A CN113641733A CN202111207276.3A CN202111207276A CN113641733A CN 113641733 A CN113641733 A CN 113641733A CN 202111207276 A CN202111207276 A CN 202111207276A CN 113641733 A CN113641733 A CN 113641733A
- Authority
- CN
- China
- Prior art keywords
- hydrological
- flow
- hydrologic
- cluster
- section
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 90
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 68
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 6
- 230000008030 elimination Effects 0.000 claims description 6
- 238000003379 elimination reaction Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012856 packing Methods 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000004806 packaging method and process Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000002265 prevention Effects 0.000 abstract description 2
- 238000013473 artificial intelligence Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/283—Multi-dimensional databases or data warehouses, e.g. MOLAP or ROLAP
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- 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
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Remote Sensing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及水文测验技术领域,尤其涉及一种河道断面流量实时智能推求方法。
背景技术
水文资料是防汛抗旱、水利工程建设、水资源利用和保护、水生态治理和可持续发展等方面的基础性资料,在经济社会发展中具有重要作用。流量资料的计算或推求是水文资料收集中的核心和难点,近年来各类社会需求对其精度和时效性要求越来越高,也越来越迫切,水利部更是提出了水文资料整编“日清月结”甚至实时整编的要求,以满足社会各类需求。新中国成立以来,我国水利事业蓬勃发展,在河流上建设了大批水利工程或涉水工程。这些工程的建设为地方经济社会的发展发挥巨大的综合效益,如防洪、发电、航运、灌溉等,同时,这些工程的建设也显著改变了天然河道的水文情势、河段特点和水文测站(断面)特性,严重影响了水位流量关系的变化,给流量推求带来了极大困难和挑战。因此,合理利用新技术、新方法不断提高河道断面流量的精度和时效性,对进一步提升水文资料服务经济社会的水平、更大限度的满足社会各类需求具有重要意义。
目前,常规的河道流量推算或推求方法大多采用传统的水位流量关系线的方法,即采用水位与流量建立某种关系来推求流量,常用的有单一线法、单值化法、连时序法、连实测流量过程线法等,通过定线精度的控制,达到相关标准和规范的要求。这些计算方法属于传统的水文学方法,简单实用,易于理解,但是面临一些问题,主要体现在:①这些方法是由历史资料分析和建立的,分析过程往往带有很强的经验性。在当前实践生产中,这些方法虽然以软件程序化的形式实现了流量的实时推求,但宝贵的经验往往难以程序化,因此大部分测站的流量实时推求仍然需要人工定线或干预,自动化和智能化水平极低;②这些方法是水文前辈专家的经验性分析成果,是总结和概化而非全部实际情况的体现。实践中由于水文过程的复杂性,流量推求往往难以找到周全的方法,如精度较高的单值化法中,也常常有许多特殊水情的流量点未能参加关系线的建立,在以后出现类似水情时,流量推求仍然会有大的偏差。③这些方法绝大部分采用关系线的形式推求相应水位的流量,其具体做法的基本思路是关系线必须通过“点群中心”,线是点的概化,而非精确匹配,方法自身存在误差。④这些方法大多是采用事后定线,即用已经收集到的水文数据定线,难以满足流量实时推求的要求。在传统水文工作中,水文资料的整编每年一般2次,汛后1次,次年年初对上年资料进行整编。虽然水利部实施了水文资料整编“日清月结”,但由于整编的基础理论和方法并未有实质进步或提升,“日清月结”成果大部分仍然是按月的临时成果,正式成果仍然采用原有模式整编,时效性提升严重受限;⑤传统方法是建立在一定的测站(或断面)特性和河段特点的基础上,也就是说大多数传统方法对应的测站特性和河段特点应相对固定或变化不大,但实际当中,测站特性和河段特点作为河流的自然属性是经常发生变化,正如人们常说的“三十年河东、三十年河西”,加之受水利工程建设等人为活动影响,其变化更加复杂而缺乏规律性,导致采用传统方法进行流量推求时,常常发生较大偏差。
近年来,随着信息技术、物联网、大数据、云计算、数据挖掘以及人工智能等前言技术的快速发展。2017年国务院发布《新一代人工智能发展规划》,标志着人工智能以上升为国家战略。利用人工智能技术的强大的数据处理、挖掘、分析与识别能力,可为水文行业各类数据处理带来革命性进步,实现河道流量与水文要素间的更精确匹配,得到精度更高,时效性更快的实时流量推求。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了一种河道断面流量实时智能推求方法,显著提高河道断面流量实时整编或报汛精度。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了一种河道断面流量实时智能推求方法,
S1、建立水文要素标准化样本集:收集历史水文资料,分析和识别可能影响河道断面流量推求的河道断面和断面所在河段的各类水文要素样本集U;
考虑到各水文要素之间数值大小与量纲的不同,对所有流量点相应的水文要素原始数据X进行标准化处理,形成标准化变量,以消除变量间变异程度上的差异,标准化之后的水文要素样本集为;为一个n维向量,所述河道断面所有历史水位流量关系线上的流量点一一对应的作为新的样本集W;
S3、将断面历史水位流量关系线上所有流量点一一对应的所述水文特征要素组合建立数据仓库D,采用K均值聚类算法对D进行分类,将每个流量点对应的样本数据作为对象,随机假定K个质心,每个质心初始的代表一个簇的中心,形成K个聚类中心,聚类个数K的选择采用肘部法则;
S4、计算数据仓库D中每一个对象与各簇中心的距离,并赋予最近的簇,得到新的K个聚类 ,重新计算每个簇的水文特征要素组合样本的平均值,更新为新的簇中心,每一个对象到每一个聚类中心的距离度量采用欧式距离;
S5、不断重复所述S4,反复迭代进行分配点和更新类簇中心点的步骤,直至类簇中心点的变化很小,得到最终聚类,各类簇中心为,是一个与所述水文特征要素组合相同的n维向量,为确保流量推求精度不低于单次流量测验误差,C聚类中组与组之间的误差应不大于10%;
否则,视为匹配失败;
S21、建立Wrapper包装法模型,选择递归特征消除法作为所述Wrapper包装法模型中的算法;
S22、选择所述递归特征消除法中的逐步回归子模型对模型进行机器学习和数据训练;反复的构建所述逐步回归子模型,自动从样本集W的训练集中逐个引入水文要素,所述引入水文要素的条件是偏回归平方和经检验后是显著的;
同时,每引入一个新的所述水文要素后,要对旧的所述水文要素逐个检验,剔除偏回归平方和不显著的所述水文要素;
S23、模型评价与特征子集选择:直接采用Sklearn中成熟的feature_selection模块的Recursive Feature Elimination CV,选择误差最小的子集作为优化后的所述水文特征要素组合,同时得到逐步回归模型中,流量与的线性方程组,具体为:
进一步,所述S22包括以下步骤:
进一步,所述肘部法则的实现步骤为:
S31、将每个簇的质心与簇内样本点的平均距离误差和作为畸变程度;
S32、以畸变程度为y轴,聚类个数为x轴,建立所述畸变程度和所述聚类个数的线性相关图,所述畸变程度会随着类别的增加而降低,对有区分度的数据,在达到单个临界点时,所述畸变程度线性相关图会有显著转折变化,之后缓慢下降;所述临界点为聚类性能较好的点;
S33、重复训练多个K均值模型,选取不同的K值,得到合理的聚类数目。
进一步,所述S7的具体实施步骤为:
S71、若河道断面的水位流量关系为单一线、单值化、临时曲线或公式法;
当聚类算法与传统方法的偏差不超过水位流量关系定线误差的2倍时,以聚类算法为准;
当大于2倍相对误差时,以所述聚类算法与传统方法的平均值作为最终推求结果:
S72、若河道断面的水文流量关系为连时序法和连实测流量过程线法;当所述聚类算法与所述传统方法的偏差不超过水位流量关系定线误差的3倍时,以所述聚类算法为准;
当大于3倍相对误差时,由人工辅助确认最终推求结果:
进一步,所述S1中的水文要素样本集U包括两大类,一类是本断面水文要素条件;另一类是断面上下游河段的水文要素;
对于不同河道断面,应结合河段特点和断面水文特征性以及来水情况进行分析,确定水文特征要素组合选择,且所述S2中水文特征要素组合应包含河道断面的水位。
进一步,所述S1中水文特征要素的选择分为两大类,一类是实测值;另一类是借用值;以对流量推求影响较大且难以实时监测的水文要素,借用最近一次的实测值,以提高流量推求的精度。
进一步,所述S6中的阈值,根据社会需求对河流流量测验精度要求的不同,阈值设定是可变的;
但对同一个河道断面的同一种需求阈值应固定不变;
所述S7中的水位流量关系定线误差,同一河道断面需要按高、中、低水位级的划分分别取值,但对同一水位级,取值是一致的。
本发明的有益效果为:通过分析和确定影响河道断面流量实时推求的水文特征要素组合,对水位历年变幅进行分级,通过历史水位流量关系线找出对应的流量点,建立水文特征要素组合与河道断面流量点的一一对应关系。通过建立水文特征要素组合数据仓库,获得不同水文特征要素组合下,相应水位对应流量点与水文特征要素组合的配套关系;通过上述水位流量分组和流量与水文特征要素组合关系的建立,可利用水文特征要素组合聚类算法实现河道断面流量的实时推求,能够利用人工智能技术,更快速、准确地实现河道流量的实时推求,显著提高水文资料整编和相应流量报汛的精度和自动化、智能化水平,在实践中,对复杂水文特性具有更强的适用性,具有更高的推广价值,可以为水资源监督管理和水旱灾害防御提供更及时和精确的流量数据支持。
附图说明
图1 为本发明一种河道断面流量实时智能推求方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
请参阅图1,一种河道断面流量实时智能推求方法,
S1、建立水文要素标准化样本集:收集历史水文资料,分析和识别可能影响河道断面流量推求的河道断面和断面所在河段的各类水文要素样本集U;
考虑到各水文要素之间数值大小与量纲的不同,对所有流量点相应的水文要素原始数据X进行标准化处理,形成标准化变量,以消除变量间变异程度上的差异,标准化之后的水文要素样本集为;为一个n维向量,所述河道断面所有历史水位流量关系线上的流量点一一对应的作为新的样本集W;
S3、将断面历史水位流量关系线上所有流量点一一对应的所述水文特征要素组合建立数据仓库D,采用K均值聚类算法对D进行分类,将每个流量点对应的样本数据作为对象,随机假定K个质心,每个质心初始的代表一个簇的中心,形成K个聚类中心,聚类个数K的选择采用肘部法则;
S5、不断重复所述S4,反复迭代进行分配点和更新类簇中心点的步骤,直至类簇中心点的变化很小,得到最终聚类,各类簇中心为,是一个与所述水文特征要素组合相同的n维向量,为确保流量推求精度不低于单次流量测验误差,C聚类中组与组之间的误差应不大于10%;
否则,视为匹配失败;
S21、建立Wrapper包装法模型,选择递归特征消除法作为所述Wrapper包装法模型中的算法;
S22、选择所述递归特征消除法中的逐步回归子模型对模型进行机器学习和数据训练;反复的构建所述逐步回归子模型,自动从样本集W的训练集中逐个引入水文要素,所述引入水文要素的条件是偏回归平方和经检验后是显著的;
同时,每引入一个新的所述水文要素后,要对旧的所述水文要素逐个检验,剔除偏回归平方和不显著的所述水文要素;
S23、模型评价与特征子集选择:直接采用Sklearn中成熟的feature_selection模块的Recursive Feature Elimination CV,选择误差最小的子集作为优化后的所述水文特征要素组合,同时得到逐步回归模型中,流量与的线性方程组,具体为:
所述S22包括以下步骤:
所述肘部法则的实现步骤为:
S31、将每个簇的质心与簇内样本点的平均距离误差和作为畸变程度;
S32、以畸变程度为y轴,聚类个数为x轴,建立所述畸变程度和所述聚类个数的线性相关图,所述畸变程度会随着类别的增加而降低,对有区分度的数据,在达到单个临界点时,所述畸变程度的线性相关图会有显著转折变化,之后缓慢下降;所述临界点为聚类性能较好的点;
S33、重复训练多个K均值模型,选取不同的K值,得到合理的聚类数目。
所述S7的具体实施步骤为:
S71、若河道断面的水位流量关系为单一线、单值化、临时曲线或公式法;
当聚类算法与传统方法的偏差不超过水位流量关系定线误差的2倍时,以聚类算法为准;
当大于2倍相对误差时,以所述聚类算法与传统方法的平均值作为最终推求结果:
S72、若河道断面的水文流量关系为连时序法和连实测流量过程线法;当所述聚类算法与所述传统方法的偏差不超过水位流量关系定线误差的3倍时,以所述聚类算法为准;
当大于3倍相对误差时,由人工辅助确认最终推求结果:
所述S1中的水文要素样本集U包括两大类,一类是本断面水文要素条件,包括本站水位、洪水涨落率、水面宽、平均水深、糙率、降水量等;另一类是断面上下游河段的水文要素,包括上游水位、下游水位、水面比降、上游降水量、洪水涨落率等;
所述S1中水文特征要素的选择分为两大类,一类是实测值,如水位、比降、涨落率等;另一类是借用值,如断面面积、糙率等,对流量推求影响较大且难以实时监测的水文要素,借用最近一次的实测值,以提高流量推求的精度。
所述S6中的阈值,根据社会需求对河流流量测验精度要求的不同,阈值设定是可变的;
但对同一个河道断面的同一种需求阈值应固定不变;
所述S7中的水位流量关系定线误差,同一河道断面需要按高、中、低水位级的划分分别取值,但对同一水位级,取值是一致的。
通过分析和识别影响河道断面流量推求的水文要素(如本站水位、上游水位、下游水位、断面面积、比降、涨落率、水面宽、水深等),确定不同水位级下影响流量推求的水文特征要素组合,获得水文特征要素组合与历史流量的对应关系,建立形成水文特征要素聚类数据仓库;在实时推求流量时,根据河道断面实时水位对应的水文特征要素组合,基于水文特征要素聚类相似度算法,检索水文特征要素聚类数据仓库,快速找出与当前水文特征要素组合匹配的最佳组合,从而实现河道断面流量的实时推求。本发明通过水文特征要素聚类相似度算法可更加有针对性的进行河道断面流量实时整编或相应流量报汛,实现流量测点的精确匹配,减少水位流量关系定线本身和人为干预带来的双重误差,更快速、更准确地实现河道断面流量实时推求,显著提高河道断面流量实时整编或报汛精度和自动化、智能化水平,为水旱灾害防御、水资源管理和水生态治理提供可实时获得的、精确更高的流量信息支持。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种河道断面流量实时智能推求方法,其特征在于:
S1、建立水文要素标准化样本集:收集历史水文资料,分析和识别可能影响河道断面流量推求的河道断面和断面所在河段的各类水文要素样本集U;
考虑到各水文要素之间数值大小与量纲的不同,对所有流量点相应的水文要素原始数据X进行标准化处理,形成标准化变量 ,以消除变量间变异程度上的差异,标准化之后的水文要素样本集为;为一个n维向量,所述河道断面所有历史水位流量关系线上的流量点一一对应的作为新的样本集W;
S3、将断面历史水位流量关系线上所有流量点一一对应的所述水文特征要素组合建立数据仓库D,采用K均值聚类算法对D进行分类,将每个流量点对应的样本数据作为对象,随机假定K个质心,每个质心初始的代表一个簇的中心,形成K个聚类中心,聚类个数K的选择采用肘部法则;
S4、计算数据仓库D中每一个对象与各簇中心的距离,并赋予最近的簇,得到新的K个聚类 ,重新计算每个簇的水文特征要素组合样本的平均值,更新为新的簇中心,每一个对象到每一个聚类中心的距离度量采用欧式距离;
S5、不断重复所述S4,反复迭代进行分配点和更新类簇中心点的步骤,直至类簇中心点的变化很小,得到最终聚类,各类簇中心为,是一个与所述水文特征要素组合相同的n维向量,为确保流量推求精度不低于单次流量测验误差,C聚类中组与组之间的误差应不大于10%;
否则,视为匹配失败;
S21、建立Wrapper包装法模型,选择递归特征消除法作为所述Wrapper包装法模型中的算法;
S22、选择所述递归特征消除法中的逐步回归子模型对模型进行机器学习和数据训练;反复的构建所述逐步回归子模型,自动从样本集W的训练集中逐个引入水文要素,所述引入水文要素的条件是偏回归平方和经检验后是显著的;
同时,每引入一个新的所述水文要素后,要对旧的所述水文要素逐个检验,剔除偏回归平方和不显著的所述水文要素;
S23、模型评价与特征子集选择:直接采用Sklearn中成熟的feature_selection模块的Recursive Feature Elimination CV,选择误差最小的子集作为优化后的所述水文特征要素组合,同时得到逐步回归模型中,流量与的线性方程组,具体为:
3.根据权利要求2所述的一种河道断面流量实时智能推求方法,其特征在于,所述S22包括以下步骤:
4.根据权利要求1所述的一种河道断面流量实时智能推求方法,其特征在于,所述肘部法则的实现步骤为:
S31、将每个簇的质心与簇内样本点的平均距离误差和作为畸变程度;
S32、以畸变程度为y轴,聚类个数为x轴,建立所述畸变程度和所述聚类个数的线性相关图,所述畸变程度会随着类别的增加而降低,对有区分度的数据,在达到单个临界点时,所述畸变程度的线性相关图会有显著转折变化,之后缓慢下降;所述临界点为聚类性能较好的点;
S33、重复训练多个K均值模型,选取不同的K值,得到合理的聚类数目。
7.根据权利要求1所述的一种河道断面流量实时智能推求方法,其特征在于:所述S1中水文特征要素的选择分为两大类,一类是实测值;另一类是借用值,以对流量推求影响较大且难以实时监测的水文要素,借用最近一次的实测值,以提高流量推求的精度。
8.根据权利要求1所述的一种河道断面流量实时智能推求方法,其特征在于:所述S6中的阈值,根据社会需求对河流流量单次测验精度要求的不同,阈值设定是可变的;
但对同一个河道断面的同一种需求阈值应固定不变;
所述S7中的水位流量关系定线误差,同一河道断面需要按高、中、低水位级的划分分别取值,但对同一水位级,取值是一致的。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207276.3A CN113641733B (zh) | 2021-10-18 | 2021-10-18 | 一种河道断面流量实时智能推求方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111207276.3A CN113641733B (zh) | 2021-10-18 | 2021-10-18 | 一种河道断面流量实时智能推求方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113641733A true CN113641733A (zh) | 2021-11-12 |
CN113641733B CN113641733B (zh) | 2022-01-07 |
Family
ID=78427246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111207276.3A Active CN113641733B (zh) | 2021-10-18 | 2021-10-18 | 一种河道断面流量实时智能推求方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113641733B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687308A (zh) * | 2022-12-08 | 2023-02-03 | 长江水利委员会水文局 | 一种水位流量关系智能定线方法 |
CN116628411A (zh) * | 2023-05-29 | 2023-08-22 | 长江水利委员会水文局 | 一种基于全感融合的高精度流量在线监测智能算法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
AU2020101063A4 (en) * | 2020-06-19 | 2020-07-23 | Jilin Province Water Resource and Hydropower Consultative Company of P.R.CHINA | A Calculation Method of River Ecological Flow |
CN111753965A (zh) * | 2020-06-30 | 2020-10-09 | 长江水利委员会水文局 | 一种基于深度学习的河流流量自动整编方法及系统 |
CN112464584A (zh) * | 2020-11-09 | 2021-03-09 | 长江勘测规划设计研究有限责任公司 | 自由表面流的水位和流量推求方法 |
-
2021
- 2021-10-18 CN CN202111207276.3A patent/CN113641733B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190354873A1 (en) * | 2018-02-16 | 2019-11-21 | Lucas Pescarmona | Analysis system and hydrology management for basin rivers |
CN108896117A (zh) * | 2018-05-10 | 2018-11-27 | 北京师范大学 | 一种遥感水文站监测河流径流的方法 |
AU2020101063A4 (en) * | 2020-06-19 | 2020-07-23 | Jilin Province Water Resource and Hydropower Consultative Company of P.R.CHINA | A Calculation Method of River Ecological Flow |
CN111753965A (zh) * | 2020-06-30 | 2020-10-09 | 长江水利委员会水文局 | 一种基于深度学习的河流流量自动整编方法及系统 |
CN112464584A (zh) * | 2020-11-09 | 2021-03-09 | 长江勘测规划设计研究有限责任公司 | 自由表面流的水位和流量推求方法 |
Non-Patent Citations (2)
Title |
---|
张国学,史东华,冯能操: "基于H-ADCP的河道断面多层流速测量与流量计算", 《人民长江》 * |
章厚玉,郎理民,韩念民,刘伟林: "单宽流量法计算断面流量公式中系数的验证", 《人民长江》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115687308A (zh) * | 2022-12-08 | 2023-02-03 | 长江水利委员会水文局 | 一种水位流量关系智能定线方法 |
CN116628411A (zh) * | 2023-05-29 | 2023-08-22 | 长江水利委员会水文局 | 一种基于全感融合的高精度流量在线监测智能算法 |
CN116628411B (zh) * | 2023-05-29 | 2024-05-17 | 长江水利委员会水文局 | 一种基于全感融合的高精度流量在线监测智能方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113641733B (zh) | 2022-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN110619432B (zh) | 一种基于深度学习的特征提取水文预报的方法 | |
CN111178611B (zh) | 一种日电量预测的方法 | |
CN107145965B (zh) | 一种基于相似度匹配和极限学习机的河流洪水预测方法 | |
CN112735097A (zh) | 一种区域滑坡预警方法及系统 | |
CN109472088A (zh) | 一种页岩气调产井生产压力动态预测方法 | |
CN112418491A (zh) | 一种水库剩余拦沙库容动态配置方法 | |
CN112016175A (zh) | 一种基于树状层次聚类的供水管网测压点优化布置方法 | |
CN108038211A (zh) | 一种基于上下文的无监督关系数据异常检测方法 | |
CN112016839B (zh) | 一种基于qr-bc-elm的洪涝灾害预测预警方法 | |
CN109285219B (zh) | 一种基于dem的网格型水文模型网格演算次序编码方法 | |
CN111461192B (zh) | 基于多水文站联动学习的河道水位流量关系确定方法 | |
CN117035201B (zh) | 平原河网水工程集群多目标调度规则制定方法及系统 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
CN110738565A (zh) | 基于数据集合的房产金融人工智能复合风控模型 | |
CN115455867A (zh) | 基于回归分析的坝区流态的推求方法 | |
CN115345846A (zh) | 一种中低碳钢晶粒度智能评级方法及系统 | |
CN114971005A (zh) | 基于lstm与差分回归模型动态加权的海湾水温组合预测方法 | |
CN115470970A (zh) | 基于prophet-LightGBM组合模型的电量预测方法及系统 | |
CN114862007A (zh) | 一种面向碳酸盐岩气井的短周期产气量预测方法及系统 | |
CN114493234A (zh) | 一种供水管网关键压力控制点的识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |