CN113820976B - 基于人工智能的闸门智能控制方法 - Google Patents
基于人工智能的闸门智能控制方法 Download PDFInfo
- Publication number
- CN113820976B CN113820976B CN202111002852.0A CN202111002852A CN113820976B CN 113820976 B CN113820976 B CN 113820976B CN 202111002852 A CN202111002852 A CN 202111002852A CN 113820976 B CN113820976 B CN 113820976B
- Authority
- CN
- China
- Prior art keywords
- model
- gate
- water level
- upstream
- artificial intelligent
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0423—Input/output
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/25—Pc structure of the system
- G05B2219/25257—Microcontroller
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于人工智能的闸门智能控制方法,涉及闸门控制领域。它包括以下步骤:步骤1:从水闸综合自动化系统数据库获取一段时间内历史运行数据;对数据进行标准化处理,分成训练集和测试集;步骤2,建立静态分析模型;步骤3,建立动态分析模型;步骤4,建立短期预测模型;步骤5:运行人员结合现场实际情况、启用静态分析模型和动态分析模型的推演值下达闸门开启高度操作命令。本发明能有效解决依赖人工经验的闸门运行操作方式存在的工作量大、智慧化程度低的问题,提高水闸运行管理单位的智慧化水平,降低运行人员的工作量,具有较高的实用价值。
Description
技术领域
本发明涉及闸门控制领域,更具体地说它是一种基于人工智能的闸门智能控制方法。
背景技术
在河流、渠系等水利工程中,一般通过控制闸门的开启高度来调节河道水位和流量;目前水位、流量的调节主要依赖人工经验进行判断并对闸门进行操作,智能化程度不高;以北溪水闸为例,当前采取的闸门控制策略如下:
上游水位超过某一设定水位时,将提升部分闸门高度进行排水直至水位降至预定水位之下;此时运行人员一般在现地结合上下游水位和流量,根据经验对闸门开启高度进行试探性调整,过程中需要全程观测水位变化情况,并做出相应调整;
通过对历史运行数据分析后发现,大多数情况下闸门调整的整个过程持续时间短则数分钟长则数小时,一天内可能进行多次调整,调整时间经常发生在夜晚或凌晨,运行人员压力和工作量较大;另外,在洪水、台风多发的季节,水位变化频繁,运行人员需要时刻监测水位变化并对闸门进行控制,工作量显著增大;因此,传统依赖人工经验的闸门控制策略耗时耗力且控制效果无法达到最优。
随着计算机技术的发展,人工智能、大数据分析等新技术逐渐成熟;另一方面,大多数水利工程从自动化阶段进入信息化改造阶段,积攒了大量的历史运行数据;若能利用人工智能、大数据分析技术对历史运行数据进行分析和特征提取,构造水位、流量与闸门开度的关联关系模型,并在信息化改造过程中一并投入应用,用于指导运行人员进行闸门操作,则能有效提高水闸运行管理单位的智慧化水平,降低运行人员的工作量。
因此,研发一种能准确反应水位、流量与闸门开度的关联关系,并加以利用实现对闸门的智能控制的控制方法很有必要。
发明内容
本发明的目的是为了克服上述背景技术的不足之处,而提供一种基于人工智能的闸门智能控制方法。
为了实现上述目的,本发明的技术方案为:基于人工智能的闸门智能控制方法,其特征在于,包括以下步骤:
步骤1:从水闸综合自动化系统数据库获取一段时间内历史运行数据,包括上下游水位、上下游流量、上下游雨量、闸门高度和闸门操作数据;对数据进行标准化处理,并按4:1的比例对处理后的数据集进行切割,分成训练集和测试集;
步骤2.1,静态分析模型:
在水流稳定情况下,上下游水位、流量和当前闸门开启高度之间存在的应关系;
建立人工智能模型,设定迭代次数、batch size、神经网络的层数和宽度、学习率;以上下游水位、流量作为模型的输入,以当前闸门开启高度作为输出;采用训练集中的数据对模型进行训练;
步骤2.2:完成模型的训练后,采用测试集中的数据对训练好的模型进行测试,在模型精度满足要求后即可将模型部署在边缘或者云端;
步骤2.3:在下一次需要进行闸门控制时,只用在模型中输入需要达到的上游目标水位、当前上游流量、下游水位和流量,即可自动推演出闸门需要开启的高度,运行人员可根据该推演值对闸门进行操作;
步骤3.1,动态分析模型:动态分析模型将闸门操作控制对水位的调整过程考虑进来;
建立人工智能模型,设定迭代次数、batch size、神经网络的层数和宽度、学习率;以每一次操作前的上下游水位、流量和操作过程中的闸门高度变化量作为模型的输入,以操作后的上游水位作为输出;采用训练集中的数据对模型进行训练;
步骤3.2、在完成模型的训练后,采用测试集中的数据对训练好的模型进行测试,在模型精度满足要求后即可将模型部署在边缘或者云端;
步骤3.3:基于以上模型,根据当前上下游水位、流量信息,输入不同的闸门开启高度变化量,推演得到闸门操作后的水位,生成闸门开启高度变化量与闸门操作后的水位对应关系;
步骤3.4:在确定目标水位后根据上述对应关系可得到闸门高度变化量建议值,运行人员则根据该建议值对闸门进行操作;
步骤4.1,短期预测模型:短期预测模型是对闸门操作前的水位短期变化趋势进行预测;
建立人工智能模型,设定迭代次数、batch size、神经网络的层数和宽度、学习率;以t0-2T、t0-T和t0时刻的上下游水位、流量、雨量信息和闸门高度作为模型的输入,以t0+T时刻上游的水位作为输出;其中,t0表示当前时刻,T表示时间推移量;采用训练集中的数据对模型进行训练;
步骤4.2:在完成模型的训练后,采用测试集中的数据对训练好的模型进行测试,在模型精度满足要求后即可将模型部署在边缘或者云端;
步骤4.3:基于以上高精度预测模型,根据当前和历史时刻的上下游水位、流量、雨量以及闸门高度信息,预测未来上游水位的走势;通过水位预测可对未来水位波动情况进行预警,为运行人员监控水位变化趋势提供技术支撑;
步骤5:静态分析模型、动态分析模型和短期预测模型配合使用,正常情况下由短期预测模型实时监测未来一段时间内水位变化,当监测到一段时间后水位将超过设定值时,启用静态分析模型和动态分析模型,输出闸门高度变化量建议值,运行人员结合现场实际情况、启用静态分析模型和动态分析模型的推演值下达闸门开启高度操作命令。
在上述技术方案中,还包括步骤6,步骤6:为保持模型的精度,静态分析模型、动态分析模型和短期预测模型具有自学习的能力,每隔一段时间采用最新的数据对模型重新进行训练。
在上述技术方案中,步骤1中,对于有多孔闸门的河流或渠道,设每孔闸门排水能力相等,闸门开启高度为所有闸门开启高度之和。
在上述技术方案中,在步骤2.1、步骤3.1和步骤4.1中,人工智能算法包括线性回归以及RNN、DNN、LSTM,均有成熟的可直接调用的函数包,在MATLAB中对以上算法进行调用,根据各算法的效果进行选择。
在上述技术方案中,在步骤2.2、步骤3.2和步骤4.2中,若测试的效果不佳,则调整模型的相关参数或选择不同的智能算法,重新对模型进行训练。
本发明与现有技术相比,具有以下优点:
1)本发明能有效解决依赖人工经验的闸门运行操作方式存在的工作量大、智慧化程度低的问题,提高水闸运行管理单位的智慧化水平,降低运行人员的工作量,具有较高的实用价值。
2)本发明提出了三种运算模型:静态分析模型、动态分析模型和短期预测模型,可从多个角度充分分析利用水利工程历史运行数据。
附图说明
图1为本发明的静态分析模型示意图。
图2为本发明的动态分析模型示意图。
图3为闸门开启高度变化量与闸门操作后的水位对应关系示意图。
图4为本发明的短期预测模型示意图。
具体实施方式
下面结合附图详细说明本发明的实施情况,但它们并不构成对本发明的限定,仅作举例而已。同时通过说明使本发明的优点将变得更加清楚和容易理解。
参阅附图可知:基于人工智能的闸门智能控制方法,包括以下步骤:
步骤1:从水闸综合自动化系统数据库获取一段时间内历史运行数据,主要包括上下游水位、上下游流量、上下游雨量、闸门高度和闸门操作数据等;对数据进行标准化处理,并按4:1的比例对处理后的数据集进行切割,分成训练集和测试集;
步骤2.1,静态分析模型:
理论上,在水流稳定情况下(即上下游水位、流量和当前闸门开启高度一段时间内无变动或变动不大),上下游水位、流量和当前闸门开启高度之间存在一定的对应关系;
建立人工智能模型,设定迭代次数、batch size、神经网络的层数和宽度、学习率;以上下游水位、流量作为模型的输入,以当前闸门开启高度作为输出;采用训练集中的数据对模型进行训练,如图1所示;
步骤2.2:完成模型的训练后,采用测试集中的数据对训练好的模型进行测试,在模型精度满足要求后即可将模型部署在边缘或者云端;
步骤2.3:在下一次需要进行闸门控制时,只用在模型中输入需要达到的上游目标水位、当前上游流量、下游水位和流量,即可自动推演出闸门需要开启的高度,运行人员可根据该推演值对闸门进行操作;
步骤3.1,动态分析模型:动态分析模型将闸门操作控制对水位的调整过程考虑进来;
建立人工智能模型,设定迭代次数、batch size、神经网络的层数和宽度、学习率;以每一次操作前的上下游水位、流量和操作过程中的闸门高度变化量作为模型的输入,以操作后的上游水位作为输出;采用训练集中的数据对模型进行训练,如图2所示;
步骤3.2、在完成模型的训练后,采用测试集中的数据对训练好的模型进行测试,在模型精度满足要求后即可将模型部署在边缘或者云端;
步骤3.3:基于以上模型,根据当前上下游水位、流量信息,输入不同的闸门开启高度变化量,推演得到闸门操作后的水位,生成闸门开启高度变化量与闸门操作后的水位对应关系,如图3所示;
步骤3.4:在确定目标水位后根据上述对应关系可得到闸门高度变化量建议值,运行人员则根据该建议值对闸门进行操作;
步骤4.1,短期预测模型:短期预测模型是对闸门操作前的水位短期变化趋势进行预测;
建立人工智能模型,设定迭代次数、batch size、神经网络的层数和宽度、学习率;以t0-2T、t0-T和t0时刻的上下游水位、流量、雨量信息和闸门高度作为模型的输入,以t0+T时刻上游的水位作为输出;其中,t0表示当前时刻,T表示时间推移量;采用训练集中的数据对模型进行训练;
步骤4.2:在完成模型的训练后,采用测试集中的数据对训练好的模型进行测试,在模型精度满足要求后即可将模型部署在边缘或者云端;
步骤4.3:基于以上高精度预测模型,根据当前和历史时刻的上下游水位、流量、雨量以及闸门高度信息,预测未来上游水位的走势;通过水位预测可对未来水位波动情况进行预警,为运行人员监控水位变化趋势提供技术支撑;
步骤5:静态分析模型、动态分析模型和短期预测模型配合使用,正常情况下由短期预测模型实时监测未来一段时间内水位变化,当监测到一段时间后水位将超过设定值时,启用静态分析模型和动态分析模型,输出闸门高度变化量建议值,运行人员结合现场实际情况、启用静态分析模型和动态分析模型的推演值下达闸门开启高度操作命令。
还包括步骤6,步骤6:为保持模型的精度,静态分析模型、动态分析模型和短期预测模型具有自学习的能力,每隔一段时间采用最新的数据对模型重新进行训练。
步骤1中,对于有多孔闸门的河流或渠道,设每孔闸门排水能力相等,闸门开启高度为所有闸门开启高度之和。
在步骤2.1、步骤3.1和步骤4.1中,常用的人工智能算法包括线性回归以及RNN、DNN、LSTM,均有成熟的可直接调用的函数包,在MATLAB中对以上算法进行调用,根据各算法的效果进行选择。
在步骤2.2、步骤3.2和步骤4.2中,若测试的效果不佳,则调整模型的相关参数或选择不同的智能算法,重新对模型进行训练。
其它未说明的部分均属于现有技术。
Claims (5)
1.基于人工智能的闸门智能控制方法,其特征在于,包括以下步骤:
步骤1:从水闸综合自动化系统数据库获取一段时间内历史运行数据,包括上下游水位、上下游流量、上下游雨量、闸门高度和闸门操作数据;对数据进行标准化处理,并按4:1的比例对处理后的数据集进行切割,分成训练集和测试集;
步骤2.1,静态分析模型:
在水流稳定情况下,上下游水位、流量和当前闸门开启高度之间存在的应关系;
建立人工智能模型,设定迭代次数、batchsize、神经网络的层数和宽度、学习率;以上下游水位、流量作为人工智能模型的输入,以当前闸门开启高度作为输出;采用训练集中的数据对人工智能模型进行训练;
步骤2.2:完成人工智能模型的训练后,采用测试集中的数据对训练好的人工智能模型进行测试,在人工智能模型精度满足要求后即可将人工智能模型部署在边缘或者云端;
步骤2.3:在下一次需要进行闸门控制时,只用在人工智能模型中输入需要达到的上游目标水位、当前上游流量、下游水位和流量,即可自动推演出闸门需要开启的高度,运行人员可根据该推演值对闸门进行操作;
步骤3.1,动态分析模型:动态分析模型将闸门操作控制对水位的调整过程考虑进来;
建立人工智能模型,设定迭代次数、batchsize、神经网络的层数和宽度、学习率;以每一次操作前的上下游水位、流量和操作过程中的闸门高度变化量作为人工智能模型的输入,以操作后的上游水位作为输出;采用训练集中的数据对人工智能模型进行训练;
步骤3.2、在完成人工智能模型的训练后,采用测试集中的数据对训练好的人工智能模型进行测试,在人工智能模型精度满足要求后即可将人工智能模型部署在边缘或者云端;
步骤3.3:基于人工智能模型,根据当前上下游水位、流量信息,输入不同的闸门开启高度变化量,推演得到闸门操作后的水位,生成闸门开启高度变化量与闸门操作后的水位对应关系;
步骤3.4:在确定目标水位后根据上述对应关系可得到闸门高度变化量建议值,运行人员则根据该建议值对闸门进行操作;
步骤4.1,短期预测模型:短期预测模型是对闸门操作前的水位短期变化趋势进行预测;
建立人工智能模型,设定迭代次数、batchsize、神经网络的层数和宽度、学习率;以t0-2T、t0-T和t0时刻的上下游水位、流量、雨量信息和闸门高度作为人工智能模型的输入,以t0+T时刻上游的水位作为输出;其中,t0表示当前时刻,T表示时间推移量;采用训练集中的数据对人工智能模型进行训练;
步骤4.2:在完成人工智能模型的训练后,采用测试集中的数据对训练好的人工智能模型进行测试,在人工智能模型精度满足要求后即可将人工智能模型部署在边缘或者云端;
步骤4.3:基于人工智能模型,根据当前和历史时刻的上下游水位、流量、雨量以及闸门高度信息,预测未来上游水位的走势;通过水位预测可对未来水位波动情况进行预警,为运行人员监控水位变化趋势提供技术支撑;
步骤5:静态分析模型、动态分析模型和短期预测模型配合使用,正常情况下由短期预测模型实时监测未来一段时间内水位变化,当监测到一段时间后水位将超过设定值时,启用动态分析模型,输出闸门高度变化量建议值,运行人员结合现场实际情况、启用静态分析模型的推演值下达闸门开启高度操作命令。
2.根据权利要求1所述的基于人工智能的闸门智能控制方法,其特征在于,还包括步骤6,步骤6:为保持人工智能模型的精度,静态分析模型、动态分析模型和短期预测模型具有自学习的能力,每隔一段时间采用最新的数据对人工智能模型重新进行训练。
3.根据权利要求2所述的基于人工智能的闸门智能控制方法,其特征在于,步骤1中,对于有多孔闸门的河流或渠道,设每孔闸门排水能力相等,闸门开启高度为所有闸门开启高度之和。
4.根据权利要求3所述的基于人工智能的闸门智能控制方法,其特征在于,在步骤2.1、步骤3.1和步骤4.1中,人工智能模型的人工智能算法包括线性回归以及RNN、DNN、LSTM,均有成熟的可直接调用的函数包,在MATLAB中对以上算法进行调用,根据各算法的效果进行选择。
5.根据权利要求4所述的基于人工智能的闸门智能控制方法,其特征在于,在步骤2.2、步骤3.2和步骤4.2中,若测试的效果不佳,则调整人工智能模型的相关参数或选择不同的智能算法,重新对人工智能模型进行训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002852.0A CN113820976B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的闸门智能控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111002852.0A CN113820976B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的闸门智能控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113820976A CN113820976A (zh) | 2021-12-21 |
CN113820976B true CN113820976B (zh) | 2023-09-29 |
Family
ID=78923406
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111002852.0A Active CN113820976B (zh) | 2021-08-30 | 2021-08-30 | 基于人工智能的闸门智能控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113820976B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115291653A (zh) * | 2022-07-28 | 2022-11-04 | 青海中水数易信息科技有限责任公司 | 一种具备即时分析、调整功能的测控管一体式闸门 |
CN115761316B (zh) * | 2022-11-08 | 2024-01-05 | 中国长江电力股份有限公司 | 基于yolo自动识别的水电站平板闸门启闭方法 |
CN116360330B (zh) * | 2023-06-01 | 2023-09-01 | 珠江水利委员会珠江水利科学研究院 | 一种基于多通道超声波阵列的明渠流量测量方法及系统 |
CN117151187A (zh) * | 2023-08-17 | 2023-12-01 | 清华大学 | 闸门开度预测模型训练应用方法、装置、设备和存储介质 |
CN117850487B (zh) * | 2024-03-07 | 2024-05-10 | 山西博科慧通科技有限公司 | 基于水利监测数据的闸门智能控制方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0968170A (ja) * | 1995-08-29 | 1997-03-11 | Hitachi Ltd | 下水処理場の汚水ポンプ制御装置 |
JP2003293344A (ja) * | 2002-01-31 | 2003-10-15 | Toshiba Corp | 河川の水位予測装置 |
JP2004293199A (ja) * | 2003-03-27 | 2004-10-21 | Jfe Engineering Kk | 水位制御方法および水位制御支援方法 |
CN103475698A (zh) * | 2013-08-27 | 2013-12-25 | 肖振清 | 一种多渠段水利系统及控制方法 |
WO2015033269A1 (en) * | 2013-09-03 | 2015-03-12 | Abb Technology Ltd. | A control system for operation of irrigation canals |
JP2015094122A (ja) * | 2013-11-12 | 2015-05-18 | 沖電気工業株式会社 | 水位予測装置及び水位予測方法並びに水位予測システム |
CN105137951A (zh) * | 2015-09-25 | 2015-12-09 | 江苏省泰州引江河管理处 | 一种水闸引流自控系统及方法 |
CN106759137A (zh) * | 2017-01-23 | 2017-05-31 | 长江勘测规划设计研究有限责任公司 | 基于人工神经网络的双缸液压闸门油缸行程误差补偿方法 |
CN206573930U (zh) * | 2017-03-23 | 2017-10-20 | 珠江水利委员会珠江水利科学研究院 | 一种灌区信息化系统 |
CN109002929A (zh) * | 2018-08-20 | 2018-12-14 | 雅砻江流域水电开发有限公司 | 一种水电站水库水位预测分析与控制方法 |
CN110805734A (zh) * | 2019-11-08 | 2020-02-18 | 国网四川省电力公司雅安供电公司 | 一种小型水电站闸门控制系统 |
CN111474965A (zh) * | 2020-04-02 | 2020-07-31 | 中国水利水电科学研究院 | 基于模糊神经网络的串联输水渠道水位预测与控制方法 |
-
2021
- 2021-08-30 CN CN202111002852.0A patent/CN113820976B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0968170A (ja) * | 1995-08-29 | 1997-03-11 | Hitachi Ltd | 下水処理場の汚水ポンプ制御装置 |
JP2003293344A (ja) * | 2002-01-31 | 2003-10-15 | Toshiba Corp | 河川の水位予測装置 |
JP2004293199A (ja) * | 2003-03-27 | 2004-10-21 | Jfe Engineering Kk | 水位制御方法および水位制御支援方法 |
CN103475698A (zh) * | 2013-08-27 | 2013-12-25 | 肖振清 | 一种多渠段水利系统及控制方法 |
WO2015033269A1 (en) * | 2013-09-03 | 2015-03-12 | Abb Technology Ltd. | A control system for operation of irrigation canals |
JP2015094122A (ja) * | 2013-11-12 | 2015-05-18 | 沖電気工業株式会社 | 水位予測装置及び水位予測方法並びに水位予測システム |
CN105137951A (zh) * | 2015-09-25 | 2015-12-09 | 江苏省泰州引江河管理处 | 一种水闸引流自控系统及方法 |
CN106759137A (zh) * | 2017-01-23 | 2017-05-31 | 长江勘测规划设计研究有限责任公司 | 基于人工神经网络的双缸液压闸门油缸行程误差补偿方法 |
CN206573930U (zh) * | 2017-03-23 | 2017-10-20 | 珠江水利委员会珠江水利科学研究院 | 一种灌区信息化系统 |
CN109002929A (zh) * | 2018-08-20 | 2018-12-14 | 雅砻江流域水电开发有限公司 | 一种水电站水库水位预测分析与控制方法 |
CN110805734A (zh) * | 2019-11-08 | 2020-02-18 | 国网四川省电力公司雅安供电公司 | 一种小型水电站闸门控制系统 |
CN111474965A (zh) * | 2020-04-02 | 2020-07-31 | 中国水利水电科学研究院 | 基于模糊神经网络的串联输水渠道水位预测与控制方法 |
Non-Patent Citations (3)
Title |
---|
吴鹏飞 等.基于多断面水位-流量法的渠道流量测量技术.《测控技术》.2019,第第38卷卷(第第38卷期),第92-96页. * |
唐鸣 等.基于长短时记忆网络(LSTM)的南水北调中线水位预测 . 《中国农村水利水电》.2020,(第undefined期),第189-193页. * |
赵力学.基于混合BP神经网络的河流水位流量预测方法研究.《中国优秀硕士学位论文全文数据库 基础科学辑》.2020,(第undefined期),第A012-15页. * |
Also Published As
Publication number | Publication date |
---|---|
CN113820976A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113820976B (zh) | 基于人工智能的闸门智能控制方法 | |
CN113222296B (zh) | 一种基于数字孪生的防洪调度方法 | |
CN102902257A (zh) | 污水处理工艺优化及节能控制系统和方法 | |
US10918014B2 (en) | Fertilization precision control method for water and fertilizer integrated equipment and control system thereof | |
CN114415520B (zh) | 一种水联网灌区的全渠系自适应预测控制方法 | |
WO2024109103A1 (zh) | 一种闸门联动控制方法、装置及并联供水发电系统 | |
CN106123111A (zh) | 一种换热站自动控制系统的补水调节控制回路及方法 | |
CN116956120A (zh) | 一种基于改进的tft模型对水质非平稳时间序列的预测方法 | |
CN112149877A (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
CN215340800U (zh) | 流域管理系统 | |
JP2020109233A (ja) | 越流量調整装置および越流量調整方法 | |
CN117473876A (zh) | 一种融合shap方法和基因表达式编程的闸群联控方法 | |
CN104615161A (zh) | 一种基于模型预测的双回路水箱液位控制方法 | |
CN113642256B (zh) | 一种基于主题数据库的实用闸门启闭优化方法 | |
JP2004293199A (ja) | 水位制御方法および水位制御支援方法 | |
CN112502896B (zh) | 一种水轮机调速器接力器动作速率偏离度预警方法及系统 | |
CN113931270A (zh) | 一种基于深度学习的截流井智能监控系统及监控方法 | |
CN114326569A (zh) | 一种水闸升降智能定位控制系统及方法 | |
CN117850487B (zh) | 基于水利监测数据的闸门智能控制方法及系统 | |
Litrico | Robust flow control of single input multiple outputs regulated rivers | |
CN117076260B (zh) | 一种参数及设备异常检测方法及装置 | |
JP2006070543A (ja) | 雨水排水制御システム | |
CN114754396B (zh) | 一种经智能算法优化的热电厂集中供热系统和方法 | |
CN116146402B (zh) | 水电站调速器主配压阀抽动故障诊断预警方法 | |
CN113406940B (zh) | 一种基于模型预测控制的智能排水分级实时控制方法 |
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 |