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 PDF

Info

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
Application number
CN202111207276.3A
Other languages
English (en)
Other versions
CN113641733B (zh
Inventor
梅军亚
香天元
赵昕
张亭
牟芸
邓山
陈瑜彬
吴琼
张莉
朱子园
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.)
Bureau of Hydrology Changjiang Water Resources Commission
Original Assignee
Bureau of Hydrology Changjiang Water Resources Commission
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 Bureau of Hydrology Changjiang Water Resources Commission filed Critical Bureau of Hydrology Changjiang Water Resources Commission
Priority to CN202111207276.3A priority Critical patent/CN113641733B/zh
Publication of CN113641733A publication Critical patent/CN113641733A/zh
Application granted granted Critical
Publication of CN113641733B publication Critical patent/CN113641733B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

本发明提供了一种河道断面流量实时智能推求方法，包括建立水文要素标准化样本集、确定水文特征要素组合、将本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
Figure DEST_PATH_IMAGE001
建立数据仓库D、计算数据仓库D并分配至距离最短的聚类簇、在簇内求解与水文特征要素组合距离最短的水文特征要素组合样本点，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，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。

Description

一种河道断面流量实时智能推求方法
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
Figure 242336DEST_PATH_IMAGE001
，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
Figure 187158DEST_PATH_IMAGE002
；
Figure 680587DEST_PATH_IMAGE002
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
Figure 357556DEST_PATH_IMAGE002
作为新的样本集W；
Figure 342961DEST_PATH_IMAGE003
Figure 825895DEST_PATH_IMAGE004
Figure 908252DEST_PATH_IMAGE005
Figure 552860DEST_PATH_IMAGE006
Figure 288210DEST_PATH_IMAGE007
式中，Q为流量；X为流量对应的某一水文要素；m为X的均值；s为X标准差；n为水文要素的数量，N为历史水文资料中流量点的总个数；
Figure 246939DEST_PATH_IMAGE008
为流量对应的某一水文要素；
Figure 370753DEST_PATH_IMAGE009
为标准化后的水文要素变量；
S2、确定水文特征要素组合
Figure 468153DEST_PATH_IMAGE010
：采用包装法建立水文要素特征子集模型，在所述样本集
Figure 739734DEST_PATH_IMAGE002
中选取不同的特征子集，利用历史水文数据，对所述特征子集进行机器学习的数据训练；
以流量推求的准确度或误差最小作为衡量所述特征子集好坏的标准，每次选择多个特征组成所述特征子集，经过反复比较选出最好的所述特征子集，即为所述水文特征要素组合
Figure 49624DEST_PATH_IMAGE010
；
Figure 293523DEST_PATH_IMAGE010
实质为一个t维向量，t<n；
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
Figure 483196DEST_PATH_IMAGE010
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
Figure 930489DEST_PATH_IMAGE011
，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；
为提高距离度量的适配性，在所述欧式距离中引入所述S2中得到的各水文特征要素的权重系数
Figure 355654DEST_PATH_IMAGE012
，得到加权后的所述欧式距离；类簇中心就是类簇内所有对象在各个维度加权后的均值C；
Figure 201863DEST_PATH_IMAGE013
Figure 624754DEST_PATH_IMAGE014
Figure 824922DEST_PATH_IMAGE015
式中，
Figure 663565DEST_PATH_IMAGE016
表示
Figure 882057DEST_PATH_IMAGE017
个类簇中第
Figure 226582DEST_PATH_IMAGE018
个对象，
Figure 897735DEST_PATH_IMAGE019
，
Figure 681014DEST_PATH_IMAGE020
表示第
Figure 488433DEST_PATH_IMAGE021
个聚类中心的质心，
Figure 190810DEST_PATH_IMAGE022
，
Figure 97061DEST_PATH_IMAGE023
表示第i个对象的第t个属性，
Figure 605403DEST_PATH_IMAGE024
，
Figure 283640DEST_PATH_IMAGE025
表示第j个聚类中心的第t个属性；
Figure 281552DEST_PATH_IMAGE026
表示第
Figure 678030DEST_PATH_IMAGE027
个聚类的中心；
Figure 724483DEST_PATH_IMAGE028
，
Figure 522806DEST_PATH_IMAGE029
表示第
Figure 894881DEST_PATH_IMAGE030
个类簇中对象的个数，
Figure 700026DEST_PATH_IMAGE031
；
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
Figure 914886DEST_PATH_IMAGE032
，各类簇中心为
Figure 489087DEST_PATH_IMAGE033
，
Figure 517217DEST_PATH_IMAGE033
是一个与所述水文特征要素组合
Figure 668713DEST_PATH_IMAGE010
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%；
Figure 73280DEST_PATH_IMAGE034
S6、根据当前河道断面水位
Figure 829884DEST_PATH_IMAGE035
，提取当前所述水文特征要素组合
Figure 215866DEST_PATH_IMAGE010
的样本数据
Figure 74231DEST_PATH_IMAGE036
，
Figure 266178DEST_PATH_IMAGE036
是一个n维向量；
Figure 421829DEST_PATH_IMAGE037
逐一求解与最终聚类
Figure 306608DEST_PATH_IMAGE038
中各
Figure 386691DEST_PATH_IMAGE039
的欧式距离，以最短欧式距离d作为约束条件，确定
Figure 54432DEST_PATH_IMAGE037
归属最终聚类中的簇类S；
遍历聚类中心，继续求解与
Figure 520049DEST_PATH_IMAGE037
欧式距离最短的所述水文特征要素组合
Figure 592041DEST_PATH_IMAGE010
；
当
Figure 939846DEST_PATH_IMAGE040
最小且小于阈值
Figure 755486DEST_PATH_IMAGE041
时，相当于两个组合相似度U最高，视为匹配成功；
否则，视为匹配失败；
Figure 75609DEST_PATH_IMAGE042
Figure 974295DEST_PATH_IMAGE043
其中，流量推求误差的阈值
Figure 353936DEST_PATH_IMAGE044
根据社会需求确定；QS为距离最短水文特征要素组合对应的流量值；
S7、若匹配成功，则根据相似度最高的所述水文特征要素组合
Figure 629060DEST_PATH_IMAGE010
找出对应的流量点数值，并建立与该河道断面传统流量实时推求方法结果优选模型；
S8、若匹配不成功，将当前所述水文特征要素组合
Figure 820001DEST_PATH_IMAGE036
作为新的组合，与对应的流量点组成新的样本，纳入水文特征要素聚类数据仓库D中。
进一步，所述确定水文特征要素组合
Figure 217484DEST_PATH_IMAGE045
具体包括以下步骤：
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；
如此循环，边引入边剔除，遍历完所有所述水文要素，既无新水文要素引入也无旧水文要素删除为止，得到优选出的所述水文特征要素组合
Figure 493876DEST_PATH_IMAGE046
；
S23、模型评价与特征子集
Figure 697324DEST_PATH_IMAGE046
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
Figure 8351DEST_PATH_IMAGE046
，同时得到逐步回归模型中，流量与
Figure 311156DEST_PATH_IMAGE046
的线性方程组，具体为：
Figure 261795DEST_PATH_IMAGE047
Figure 954420DEST_PATH_IMAGE048
式中
Figure 103641DEST_PATH_IMAGE049
为各水文特征要素的权重。
进一步，所述S22包括以下步骤：
S221、对 t个水文要素
Figure 593660DEST_PATH_IMAGE050
分别同流量 Y建立一元回归模型：
Figure 890649DEST_PATH_IMAGE051
计算所述水文要素
Figure 593157DEST_PATH_IMAGE052
的回归系数的F检验的统计量值，记为
Figure 862464DEST_PATH_IMAGE053
，取其中的最大值
Figure 585700DEST_PATH_IMAGE054
，即
Figure 776510DEST_PATH_IMAGE055
给定显著性水平为5%，记相应的临界值为
Figure 607676DEST_PATH_IMAGE056
法，
Figure 997069DEST_PATH_IMAGE057
，则将该水文要素引入回归模型，记
Figure 828889DEST_PATH_IMAGE058
为选入水文要素指标集合；
S222、建立所述流量Y与水文要素子集
Figure 38154DEST_PATH_IMAGE059
，
Figure 879202DEST_PATH_IMAGE060
的二元回归模型，共有t-1个，计算水文要素回归系数F检验的统计量值，记为
Figure 123102DEST_PATH_IMAGE061
，选取其中的最大值记为
Figure 656982DEST_PATH_IMAGE062
，
Figure 822384DEST_PATH_IMAGE063
给定显著性水平为5%，记相应的临界值为
Figure 995352DEST_PATH_IMAGE064
法，
Figure 297021DEST_PATH_IMAGE065
，则将该水文要素引入回归模型，否则，终止水文要素变量的引入过程；
S223、继续建立流量与水文要素子集
Figure 1803DEST_PATH_IMAGE066
的回归重复所述S2，每次从未引入回归模型的水文要素中选取一个，直到经检验没有变量引入为止。
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：
Figure 920080DEST_PATH_IMAGE067
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：
Figure 368510DEST_PATH_IMAGE068
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
Figure 665630DEST_PATH_IMAGE069
，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
Figure 525002DEST_PATH_IMAGE002
；
Figure 868259DEST_PATH_IMAGE002
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
Figure 586291DEST_PATH_IMAGE002
作为新的样本集W；
Figure 393710DEST_PATH_IMAGE070
Figure 174716DEST_PATH_IMAGE071
Figure 333165DEST_PATH_IMAGE072
Figure 857818DEST_PATH_IMAGE073
Figure 50902DEST_PATH_IMAGE007
式中，Q为流量；X为流量对应的某一水文要素；m为X的均值；s为X标准差；n为水文要素的数量，N为历史水文资料中流量点的总个数；
Figure 799546DEST_PATH_IMAGE074
为流量对应的某一水文要素；
Figure 179712DEST_PATH_IMAGE075
为标准化后的水文要素变量；
S2、确定水文特征要素组合
Figure 505126DEST_PATH_IMAGE076
：采用包装法建立水文要素特征子集模型，在所述样本集
Figure 287138DEST_PATH_IMAGE002
中选取不同的特征子集，利用历史水文数据，对所述特征子集进行机器学习的数据训练；
以流量推求的准确度或误差最小作为衡量所述特征子集好坏的标准，每次选择多个特征组成所述特征子集，经过反复比较选出最好的所述特征子集，即为所述水文特征要素组合
Figure 409946DEST_PATH_IMAGE077
；
Figure 277407DEST_PATH_IMAGE077
实质为一个t维向量，t<n；
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
Figure 65235DEST_PATH_IMAGE010
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
Figure 718064DEST_PATH_IMAGE011
，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；
为提高距离度量的适配性，在所述欧式距离中引入所述S2中得到的各水文特征要素的权重系数
Figure 995462DEST_PATH_IMAGE012
，得到加权后的所述欧式距离；类簇中心就是类簇内所有对象在各个维度加权后的均值C；
Figure 366531DEST_PATH_IMAGE013
Figure 817104DEST_PATH_IMAGE014
Figure 610527DEST_PATH_IMAGE015
式中，
Figure 324405DEST_PATH_IMAGE016
表示
Figure 651613DEST_PATH_IMAGE017
个类簇中第
Figure 109139DEST_PATH_IMAGE018
个对象，
Figure 657932DEST_PATH_IMAGE019
，
Figure 293444DEST_PATH_IMAGE020
表示第
Figure 622794DEST_PATH_IMAGE021
个聚类中心的质心，
Figure 369164DEST_PATH_IMAGE022
，
Figure 897097DEST_PATH_IMAGE023
表示第i个对象的第t个属性，
Figure 700581DEST_PATH_IMAGE024
，
Figure 251648DEST_PATH_IMAGE025
表示第j个聚类中心的第t个属性；
Figure 67288DEST_PATH_IMAGE026
表示第
Figure 652990DEST_PATH_IMAGE027
个聚类的中心；
Figure 551676DEST_PATH_IMAGE028
，
Figure 606351DEST_PATH_IMAGE029
表示第
Figure 943791DEST_PATH_IMAGE030
个类簇中对象的个数，
Figure 931470DEST_PATH_IMAGE031
；
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
Figure 594533DEST_PATH_IMAGE078
，各类簇中心为
Figure 602415DEST_PATH_IMAGE033
，
Figure 9126DEST_PATH_IMAGE033
是一个与所述水文特征要素组合
Figure 975945DEST_PATH_IMAGE010
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%；
Figure 295062DEST_PATH_IMAGE079
S6、根据当前河道断面水位
Figure 104755DEST_PATH_IMAGE035
，提取当前所述水文特征要素组合
Figure 800310DEST_PATH_IMAGE010
的样本数据
Figure 949531DEST_PATH_IMAGE036
，
Figure 626500DEST_PATH_IMAGE036
是一个n维向量；
Figure 611905DEST_PATH_IMAGE037
逐一求解与最终聚类
Figure 157156DEST_PATH_IMAGE080
中各
Figure 174266DEST_PATH_IMAGE039
的欧式距离，以最短欧式距离d作为约束条件，确定
Figure 84453DEST_PATH_IMAGE037
归属最终聚类中的簇类S；
遍历聚类中心，继续求解与
Figure 744104DEST_PATH_IMAGE037
欧式距离最短的所述水文特征要素组合
Figure 781462DEST_PATH_IMAGE010
；
当
Figure 905276DEST_PATH_IMAGE040
最小且小于阈值
Figure 533834DEST_PATH_IMAGE041
时，相当于两个组合相似度U最高，视为匹配成功；
否则，视为匹配失败；
Figure 743099DEST_PATH_IMAGE081
Figure 584147DEST_PATH_IMAGE082
其中，流量推求误差的阈值
Figure 828046DEST_PATH_IMAGE083
根据社会需求确定；QS为距离最短水文特征要素组合对应的流量值；
S7、若匹配成功，则根据相似度最高的所述水文特征要素组合
Figure 93418DEST_PATH_IMAGE010
找出对应的流量点数值，并建立与该河道断面传统流量实时推求方法的成果优选模型。
S8、若匹配不成功，将当前所述水文特征要素组合
Figure 462082DEST_PATH_IMAGE036
作为新的组合，与对应的流量点组成新的样本，纳入水文特征要素聚类数据仓库D中。
所述确定水文特征要素组合
Figure 824931DEST_PATH_IMAGE084
具体包括以下步骤：
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；
如此循环，边引入边剔除，遍历完所有所述水文要素，既无新水文要素引入也无旧水文要素删除为止，得到优选出的所述水文特征要素组合
Figure 939648DEST_PATH_IMAGE046
；
S23、模型评价与特征子集
Figure 424856DEST_PATH_IMAGE046
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
Figure 93866DEST_PATH_IMAGE046
，同时得到逐步回归模型中，流量与
Figure 198088DEST_PATH_IMAGE046
的线性方程组，具体为：
Figure 416580DEST_PATH_IMAGE047
Figure 761105DEST_PATH_IMAGE048
式中
Figure 228995DEST_PATH_IMAGE049
为各水文特征要素的权重。
所述S22包括以下步骤：
S221、对 t个水文要素
Figure 681449DEST_PATH_IMAGE085
分别同流量 Y建立一元回归模型：
Figure 754447DEST_PATH_IMAGE051
计算所述水文要素
Figure 456824DEST_PATH_IMAGE052
的回归系数的F检验的统计量值，记为
Figure 959481DEST_PATH_IMAGE053
，取其中的最大值
Figure 218555DEST_PATH_IMAGE054
，即
Figure 818163DEST_PATH_IMAGE055
给定显著性水平为5%，记相应的临界值为
Figure 753758DEST_PATH_IMAGE056
法，
Figure 946973DEST_PATH_IMAGE057
，则将该水文要素引入回归模型，记
Figure 259006DEST_PATH_IMAGE086
为选入水文要素指标集合；
S222、建立所述流量Y与水文要素子集
Figure 788820DEST_PATH_IMAGE087
，
Figure 160895DEST_PATH_IMAGE088
的二元回归模型，共有t-1个，计算水文要素回归系数F检验的统计量值，记为
Figure 966040DEST_PATH_IMAGE089
，选取其中的最大值记为
Figure 832496DEST_PATH_IMAGE090
，
Figure 734593DEST_PATH_IMAGE091
给定显著性水平为5%，记相应的临界值为
Figure 762723DEST_PATH_IMAGE064
法，
Figure 179798DEST_PATH_IMAGE092
，则将该水文要素引入回归模型，否则，终止水文要素变量的引入过程；
S223、继续建立流量与水文要素子集
Figure 584366DEST_PATH_IMAGE093
的回归重复所述S2，每次从未引入回归模型的水文要素中选取一个，直到经检验没有变量引入为止。
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：
Figure 75390DEST_PATH_IMAGE094
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：
Figure 68229DEST_PATH_IMAGE095
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；
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
Figure 910283DEST_PATH_IMAGE046
应包含河道断面的水位。
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
Figure 348812DEST_PATH_IMAGE001
，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
Figure 225501DEST_PATH_IMAGE002
；
Figure 123663DEST_PATH_IMAGE002
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
Figure 453013DEST_PATH_IMAGE002
作为新的样本集W；
Figure 464962DEST_PATH_IMAGE003
Figure 196158DEST_PATH_IMAGE004
Figure 2571DEST_PATH_IMAGE005
Figure 553638DEST_PATH_IMAGE006
式中，Q为流量；X为流量对应的某一水文要素；m为X的均值；s为X标准差；n为水文要素的数量，N为历史水文资料中流量点的总个数；
Figure 369279DEST_PATH_IMAGE007
为流量对应的某一水文要素；
Figure 954981DEST_PATH_IMAGE008
为标准化后的水文要素变量；
S2、确定水文特征要素组合
Figure 194945DEST_PATH_IMAGE009
：采用包装法建立水文要素特征子集模型，在所述样本集
Figure 498887DEST_PATH_IMAGE002
中选取不同的特征子集，利用历史水文数据，对所述特征子集进行机器学习的数据训练；
以流量推求误差最小作为衡量所述特征子集好坏的标准，每次选择多个特征组成所述特征子集，经过反复比较选出最好的所述特征子集，即为所述水文特征要素组合
Figure 587060DEST_PATH_IMAGE010
；
Figure 292848DEST_PATH_IMAGE010
实质为一个t维向量，t<n；
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
Figure 441064DEST_PATH_IMAGE010
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
Figure 232302DEST_PATH_IMAGE011
，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；
为提高距离度量的适配性，在所述欧式距离中引入所述S2中得到的各水文特征要素的权重系数
Figure 124166DEST_PATH_IMAGE012
，得到加权后的所述欧式距离；类簇中心就是类簇内所有对象在各个维度加权后的均值C；
Figure 684460DEST_PATH_IMAGE013
Figure 102164DEST_PATH_IMAGE014
Figure 849540DEST_PATH_IMAGE015
式中，
Figure 545095DEST_PATH_IMAGE016
表示
Figure 959896DEST_PATH_IMAGE017
个类簇中第
Figure 636865DEST_PATH_IMAGE018
个对象，
Figure 887849DEST_PATH_IMAGE019
，
Figure 105203DEST_PATH_IMAGE020
表示第
Figure 390822DEST_PATH_IMAGE021
个聚类中心的质心，
Figure 363326DEST_PATH_IMAGE022
，
Figure 98677DEST_PATH_IMAGE023
表示第i个对象的第t个属性，
Figure 119722DEST_PATH_IMAGE024
，
Figure 994269DEST_PATH_IMAGE025
表示第j个聚类中心的第t个属性；
Figure 340936DEST_PATH_IMAGE026
表示第
Figure 566512DEST_PATH_IMAGE027
个聚类的中心；
Figure 656828DEST_PATH_IMAGE028
，
Figure 572832DEST_PATH_IMAGE029
表示第
Figure 575554DEST_PATH_IMAGE030
个类簇中对象的个数，
Figure 272114DEST_PATH_IMAGE031
；
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
Figure 913924DEST_PATH_IMAGE032
，各类簇中心为
Figure 12330DEST_PATH_IMAGE033
，
Figure 185953DEST_PATH_IMAGE033
是一个与所述水文特征要素组合
Figure 432127DEST_PATH_IMAGE010
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%；
Figure 349398DEST_PATH_IMAGE034
S6、根据当前河道断面水位
Figure 302311DEST_PATH_IMAGE035
，提取当前所述水文特征要素组合
Figure 912415DEST_PATH_IMAGE010
的样本数据
Figure 255672DEST_PATH_IMAGE036
，
Figure 491481DEST_PATH_IMAGE036
是一个n维向量；
Figure 46703DEST_PATH_IMAGE037
逐一求解与最终聚类
Figure 76975DEST_PATH_IMAGE038
中各聚类中心
Figure 986157DEST_PATH_IMAGE039
的欧式距离，以最短欧式距离d作为约束条件，确定
Figure 760078DEST_PATH_IMAGE037
归属最终聚类中的簇类S；
遍历聚类中心，继续求解与
Figure 235053DEST_PATH_IMAGE037
欧式距离最短的所述水文特征要素组合
Figure 436227DEST_PATH_IMAGE010
；
当
Figure 567125DEST_PATH_IMAGE040
最小且小于阈值
Figure 879158DEST_PATH_IMAGE041
时，相当于两个组合相似度U最高，视为匹配成功；
否则，视为匹配失败；
Figure 598852DEST_PATH_IMAGE042
Figure 46626DEST_PATH_IMAGE043
其中，阈值
Figure 195979DEST_PATH_IMAGE044
根据社会需求的单次测验误差要求确定；QS为距离最短水文特征要素组合对应的流量值；
S7、若匹配成功，则根据相似度最高的所述水文特征要素组合
Figure 311702DEST_PATH_IMAGE010
找出对应的流量值，并建立与该河道断面传统流量实时推求方法结果优选模型；
S8、若匹配不成功，将当前所述水文特征要素组合
Figure 698953DEST_PATH_IMAGE036
作为新的组合，与对应的流量点组成新的样本，纳入水文特征要素聚类数据仓库D中。
2.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，所述确定水文特征要素组合
Figure 914033DEST_PATH_IMAGE045
具体包括以下步骤：
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；
如此循环，边引入边剔除，直至遍历完所有所述水文要素，既无新水文要素引入也无旧水文要素删除为止，得到优选出的所述水文特征要素组合
Figure 268791DEST_PATH_IMAGE046
；
S23、模型评价与特征子集
Figure 673359DEST_PATH_IMAGE046
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
Figure 226700DEST_PATH_IMAGE046
，同时得到逐步回归模型中，流量与
Figure 688381DEST_PATH_IMAGE046
的线性方程组，具体为：
Figure 530435DEST_PATH_IMAGE047
Figure 738693DEST_PATH_IMAGE048
式中
Figure 349803DEST_PATH_IMAGE049
为各水文特征要素的权重。
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：
S221、对 t个水文要素
Figure 172266DEST_PATH_IMAGE050
分别同流量 Y建立一元回归模型：
Figure 986769DEST_PATH_IMAGE051
计算所述水文要素
Figure 513566DEST_PATH_IMAGE052
的回归系数的F检验的统计量值，记为
Figure 729914DEST_PATH_IMAGE053
，取其中的最大值
Figure 51174DEST_PATH_IMAGE054
，即
Figure 615623DEST_PATH_IMAGE055
给定显著性水平为5%，记相应的临界值为
Figure 149373DEST_PATH_IMAGE056
法，
Figure 485807DEST_PATH_IMAGE057
，则将该水文要素引入回归模型，记
Figure 977969DEST_PATH_IMAGE058
为选入水文要素指标集合；
S222、建立所述流量Y与水文要素子集
Figure 767064DEST_PATH_IMAGE059
，
Figure 370084DEST_PATH_IMAGE060
的二元回归模型，共有t-1个，计算水文要素回归系数F检验的统计量值，记为
Figure 623342DEST_PATH_IMAGE061
，选取其中的最大值记为
Figure 489667DEST_PATH_IMAGE062
，
Figure 28708DEST_PATH_IMAGE063
给定显著性水平为5%，记相应的临界值为
Figure 904260DEST_PATH_IMAGE064
法，
Figure 808762DEST_PATH_IMAGE065
，则将该水文要素引入回归模型，否则，终止水文要素变量的引入过程；
S223、继续建立流量与水文要素子集
Figure 127879DEST_PATH_IMAGE066
的回归重复所述S2，每次从未引入回归模型的水文要素中选取一个，直到经检验没有变量引入为止。
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。
5.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：
Figure 406414DEST_PATH_IMAGE067
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：
Figure 367548DEST_PATH_IMAGE068
。
6.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
Figure 251190DEST_PATH_IMAGE046
应包含河道断面的水位。
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。
CN202111207276.3A 2021-10-18 2021-10-18 一种河道断面流量实时智能推求方法 Active CN113641733B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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