CN114048679A - 基于神经网络的水库各区域水位精细化监测方法 - Google Patents

基于神经网络的水库各区域水位精细化监测方法 Download PDF

Info

Publication number
CN114048679A
CN114048679A CN202111333390.0A CN202111333390A CN114048679A CN 114048679 A CN114048679 A CN 114048679A CN 202111333390 A CN202111333390 A CN 202111333390A CN 114048679 A CN114048679 A CN 114048679A
Authority
CN
China
Prior art keywords
water
area
reservoir
neural network
water level
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
Application number
CN202111333390.0A
Other languages
English (en)
Inventor
代佳宇
贺中元
董雪
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.)
Jilin Jiaohe Pumped Storage Co ltd
State Grid Xinyuan Co Ltd
Original Assignee
Jilin Jiaohe Pumped Storage Co ltd
State Grid Xinyuan Co 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 Jilin Jiaohe Pumped Storage Co ltd, State Grid Xinyuan Co Ltd filed Critical Jilin Jiaohe Pumped Storage Co ltd
Priority to CN202111333390.0A priority Critical patent/CN114048679A/zh
Publication of CN114048679A publication Critical patent/CN114048679A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/2477—Temporal data queries
    • 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Medical Informatics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Databases & Information Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

基于神经网络的水库各区域水位精细化监测方法，首先对水库集水部分进行区域划分得到不同的水库集水区域，然后采集水库集水区域的历史数据，之后分别对水库每个区域各类型出水量构建神经网络模型，并对这些神经网络模型进行训练；再根据水库集水区域构建水位数学模型后，根据实时采集的数据进行预测，将预测数据输入到数学模型中求解，求得未来每个细粒化时刻每个区域的水面变化和水位高度，当水位大于所设定阈值时进行报警。本方能够更加准确地描绘水面变化以及水位高度，捕捉细小时间段中的水位差别，从而做到精细化监测与报警。

Description

基于神经网络的水库各区域水位精细化监测方法
技术领域
本发明涉及水利水库监测领域，尤其涉及基于神经网络的水库各区域水位精细化监测方法。
背景技术
水库水位监测是水力调度的决策性因素，能够反映出水力工程的洪峰调节能力，其精确度和及时程度直接影响着防洪调度的准确性。
大多数现有技术的监测方法采用的是人工监测或物理设备监测，例如光纤温度传感器以及压阻式水位计。这些方法能够在一定程度上确定水库水位的实时高度，但不具备前瞻性。现有技术《CN108917876A》通过采集图像的方法利用神经网络进行预测，该方法的不足之处在于需要采集并且处理大量的吃水线图像，使得处理效率偏低。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提出了基于改进无梯度算法的多水库水电站功率优化方法，具体采用如下的技术方案：
基于神经网络的水库各区域水位精细化监测方法包括以下步骤：
步骤1，对水库集水部分进行区域划分得到不同的水库集水区域；
步骤2，采集水库集水区域的历史数据；
步骤3，分别对水库每个区域各类型出水量构建神经网络模型，并对这些神经网络模型进行训练；
步骤4，根据水库集水区域构建水位数学模型；
步骤5，实时采集当前一个时刻的水库储水量、进水量、每个区域各类型出水量，输入至步骤3的神经模型中得到步骤4的数学模型中需要的预测数据；
步骤6，使用步骤5的预测数据对步骤4的数学模型进行求解，如果所得到的区域水位大于所设定的报警阈值，则进行报警并减小进水量直到所有区域水位都低于报警阈值且水库每个区域的储水量最大。
在步骤1中，将水库集水部分分为防洪区、储水区、缓冲区以及禁用区。
在步骤2中，水库集水区域的历史数据包括水库历史储水量、水库历史进水量、水库历史储水量、水库每个区域供给发电所需的历史出水量、供给储能所需的历史出水量以及水库每个区域历史溅出水量；
采集至少一个月以上的历史数据，每个历史数据的采集时间间隔最多为1小时。
在步骤3中，出水量类型包括供给发电所需出水量、储能所需出水量以及溅出水量；
所构建的神经网络模型由至少两个神经单元构成，每个神经单元包括输入机制、输出机制、过滤机制以及存储机制。
输入机制满足以下关系式：
Figure BDA0003349631310000021
其中，it表示本时刻输入机制的输出结果，σ为Sigmoid函数，xt为神经网络的输入，ht-1为上一时刻的神经网络输出，在第一时刻时，ht-1为0，wxi表示输入机制神经网络输入的权重，whi表示输入机制上一时刻神经网络输出的权重，bi为输入机制的惩罚系数；
Figure BDA0003349631310000022
表示位加。
输出机制满足以下关系式：
Figure BDA0003349631310000023
其中，ot表示本时刻输出机制的输出结果，wxo表示输出机制神经网络输入的权重，who表示输出机制上一时刻神经网络输出的权重，bo为输出机制的惩罚系数。
过滤机制满足以下关系式：
Figure BDA0003349631310000024
其中，ft表示本时刻过滤机制的输出结果，wxf表示过滤机制中神经网络输入的权重，whf表示过滤机制中上一时刻神经网络输出的权重，bf为过滤机制的惩罚系数。
存储机制满足以下关系式：
Figure BDA0003349631310000025
其中，Ct为本时刻存储机制的输出结果，Ct-1为上一时刻存储机制的输出结果，wxc表示存储机制中神经网络输入的权重，whc表示存储机制中上一时刻神经网络输出的权重，bc为存储机制的惩罚系数；
Figure BDA0003349631310000031
表示位乘。
本时刻神经网络的输出满足以下关系式：
Figure BDA0003349631310000032
在训练神经网络模型时，将与待预测数据不同类型的其他历史数据作为模型的输入。
在步骤4中，储水区的水位数学模型为：
Figure BDA0003349631310000033
f(xst)+hf≤hmax
其中，f(xst)表示储水区在t时刻的水位；hf表示防洪区的水位高度，M表示该模型的维度，维度越多储水区水面水位的细分程度越高，在本发明中，M取30；f(xbt)表示缓冲区在t时刻的水位；xst表示在t时刻储水区的模拟水量。
储水区在t时刻的水量模拟满足以下关系式：
Figure BDA0003349631310000034
其中，xst表示在t时刻储水区的模拟水量；STt表示t时刻水库的储水量；IFt表示t时刻水库的进水量，通过实时采集得到；
Figure BDA0003349631310000035
表示t时刻储水区的模拟出水量；
Figure BDA0003349631310000036
其中，
Figure BDA0003349631310000037
表示储水区t时刻供给发电所需的预测出水量；
Figure BDA0003349631310000038
表示储水区t时刻供给储能所需的预测出水量；；
Figure BDA0003349631310000039
表示储水区t时刻预测溅出水量；PGE表示实际发电效率，一般取0.85。
缓冲区的水位数学模型为：
Figure BDA00033496313100000310
其中，hia为水库禁用区的水位高度，一般为固定值；xbt表示在t时刻缓冲区的水量。
t时刻缓冲区的水量模拟满足以下关系式：
Figure BDA00033496313100000311
其中，
Figure BDA00033496313100000312
表示t时刻缓冲区的模拟出水量；
Figure BDA0003349631310000041
其中，
Figure BDA0003349631310000042
表示缓冲区t时刻供给发电所需的预测出水量；
Figure BDA0003349631310000043
表示缓冲区t时刻供给储能所需的预测出水量。
本发明的有益效果在于，与现有技术相比，本发明：
1、构建的神经网络模型可以更好的对更小细粒时段水库每个区域不同类型的出水量，无需使用吃水线图像，效率更高；
2、提出的水库不同区域的水位数学模型能够更加准确地描绘水面变化以及水位高度，捕捉细小时间段中的水位差别，从而做到精细化监测与报警。
附图说明
图1为本发明公开的基于神经网络的水库各区域水位精细化监测方法的具体流程图；
图2为本发明公开的基于神经网络的水库各区域水位精细化监测方法的水库区域划分图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明基于神经网络的水库各区域水位精细化监测方法，包括以下步骤：
步骤1，对水库集水部分进行区域划分得到不同的水库集水区域；
将水库集水部分分为如图2所示的4个区域，从上至下分别为防洪区、储水区、缓冲区以及禁用区；本领域的技术人员也可以根据水库的具体功能和进出水情况对水库集水部进行划分；
步骤2，采集水库集水区域的历史数据；
水库集水区域的历史数据包括水库历史储水量、水库历史进水量、水库历史储水量、水库每个区域供给发电所需的历史出水量、供给储能所需的历史出水量以及水库每个区域历史溅出水量；
采集至少一个月以上的历史数据，每个历史数据的采集时间间隔最多为1小时；
步骤3，分别对水库每个区域各类型出水量构建神经网络模型，并对这些神经网络模型进行训练；
出水量类型包括供给发电所需出水量、储能所需出水量以及溅出水量；
所构建的神经网络模型由至少两个神经单元构成，神经单元的结构包括输入机制、输出机制、过滤机制以及存储机制；
输入机制满足以下关系式：
Figure BDA0003349631310000051
其中，it表示本时刻输入机制的输出结果，σ为Sigmoid函数，xt为神经网络的输入，ht-1为上一时刻的神经网络输出，在第一时刻时，ht-1为0，wxi表示输入机制神经网络输入的权重，whi表示输入机制上一时刻神经网络输出的权重，bi为输入机制的惩罚系数；
Figure BDA0003349631310000052
表示位加；
输出机制满足以下关系式：
Figure BDA0003349631310000053
其中，ot表示本时刻输出机制的输出结果，wxo表示输出机制神经网络输入的权重，who表示输出机制上一时刻神经网络输出的权重，bo为输出机制的惩罚系数；
过滤机制满足以下关系式：
Figure BDA0003349631310000054
其中，ft表示本时刻过滤机制的输出结果，wxf表示过滤机制中神经网络输入的权重，whf表示过滤机制中上一时刻神经网络输出的权重，bf为过滤机制的惩罚系数；
存储机制满足以下关系式：
Figure BDA0003349631310000055
其中，Ct为本时刻存储机制的输出结果，Ct-1为上一时刻存储机制的输出结果，wxc表示存储机制中神经网络输入的权重，whc表示存储机制中上一时刻神经网络输出的权重，bc为存储机制的惩罚系数；
Figure BDA0003349631310000056
表示位乘；
本时刻神经网络的输出满足以下关系式：
Figure BDA0003349631310000057
在训练神经网络模型时，将与待预测数据不同类型的其他历史数据作为模型的输入；例如，在对水库每个区域供给发电所需出水量进行模型训练时，将除了水库每个区域供给发电所需历史出水量以外的历史数据作为输入。
步骤4，根据水库集水区域构建水位数学模型；
通常情况下，防洪区和禁用区的水量维持固定值，因此防洪区和禁用区的水位高度也为固定值；
储水区在t时刻的水量模拟满足以下关系式：
Figure BDA0003349631310000061
其中，xst表示在t时刻储水区的模拟水量；STt表示t时刻水库的储水量；IFt表示t时刻水库的进水量，通过实时采集得到；
Figure BDA0003349631310000062
表示t时刻储水区的模拟出水量；
Figure BDA0003349631310000063
其中，
Figure BDA0003349631310000064
表示储水区t时刻供给于发电所需的预测出水量；
Figure BDA0003349631310000065
表示储水区t时刻供给储能所需的预测出水量；
Figure BDA0003349631310000066
表示储水区t时刻预测溅出水量；PGE表示实际发电效率，一般取0.85；
储水区的水位数学模型为：
Figure BDA0003349631310000067
f(xst)+hf≤hmax
其中，f(xst)表示储水区在t时刻的水位；hf表示防洪区的水位高度，M表示该模型的维度，维度越多储水区水面水位的细分程度越高，在本发明中，M取30；f(xbt)表示缓冲区在t时刻的水位；
缓冲区的水位数学模型为：
Figure BDA0003349631310000068
其中，hia为水库禁用区的水位高度，因为通常不使用水库禁用区的水，所以禁用区的水位一般为固定值，根据具体划分情况决定，在本发明中禁用区水位为水库最高水位的20％；xbt表示在t时刻缓冲区的水量；
t时刻缓冲区的水量模拟满足以下关系式：
Figure BDA0003349631310000069
其中，
Figure BDA0003349631310000071
表示t时刻缓冲区的模拟出水量；
Figure BDA0003349631310000072
其中，
Figure BDA0003349631310000073
表示缓冲区t时刻供给于发电所需的预测出水量；
Figure BDA0003349631310000074
表示缓冲区t时刻供给于储能所需的预测出水量；
在本发明中，每个t时刻的间隔最小可为10秒；
步骤5，实时采集当前一个时刻的水库储水量、进水量、每个区域各类型出水量，输入至步骤3的神经模型中得到步骤4的数学模型中需要的预测数据；
在本实施例中，步骤4数学模型中所需要的预测数据为储水区t时刻供给于发电所需的预测出水量、储水区t时刻供给于储能所需的预测出水量、储水区t时刻预测溅出水量、缓冲区t时刻供给于发电所需的预测出水量以及缓冲区t时刻供给于储能所需的预测出水量；
步骤6，使用步骤5的预测数据对步骤4的数学模型进行求解，如果所得到的区域水位大于所设定的报警阈值，则减小进水量直到所有区域水位都低于报警阈值且水库每个区域的储水量最大。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (13)

1.基于神经网络的水库各区域水位精细化监测方法，其特征在于，所述水库各区域水位监测方法包括以下步骤：
步骤1，对水库集水部分进行区域划分得到不同的水库集水区域；
步骤2，采集水库集水区域的历史数据；
步骤3，分别对水库每个区域各类型出水量构建神经网络模型，并对这些神经网络模型进行训练；
步骤4，根据水库集水区域构建水位数学模型；
步骤5，实时采集当前一个时刻的水库储水量、进水量、每个区域各类型出水量，输入至步骤3的神经模型中得到步骤4的数学模型中需要的预测数据；
步骤6，使用步骤5的预测数据对步骤4的数学模型进行求解，如果所得到的区域水位大于所设定的报警阈值，则进行报警并减小进水量直到所有区域水位都低于报警阈值且水库每个区域的储水量最大。
2.根据权利要求1所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
在所述步骤1中，将水库集水部分分为防洪区、储水区、缓冲区以及禁用区。
3.根据权利要求1或2所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
在所述步骤2中，水库集水区域的历史数据包括水库历史储水量、水库历史进水量、水库历史储水量、水库每个区域供给发电所需的历史出水量、供给储能所需的历史出水量以及水库每个区域历史溅出水量；
采集至少一个月以上的历史数据，每个历史数据的采集时间间隔最多为1小时。
4.根据权利要求3所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
在所述步骤3中，出水量类型包括供给发电所需出水量、储能所需出水量以及溅出水量；
所构建的神经网络模型由至少两个神经单元构成，每个神经单元包括输入机制、输出机制、过滤机制以及存储机制。
5.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
所述输入机制满足以下关系式：
Figure FDA0003349631300000021
其中，it表示本时刻输入机制的输出结果，σ为Sigmoid函数，xt为神经网络的输入，ht-1为上一时刻的神经网络输出，在第一时刻时，ht-1为0，wxi表示输入机制神经网络输入的权重，whi表示输入机制上一时刻神经网络输出的权重，bi为输入机制的惩罚系数；
Figure FDA0003349631300000022
表示位加。
6.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
所述输出机制满足以下关系式：
Figure FDA0003349631300000023
其中，ot表示本时刻输出机制的输出结果，wxo表示输出机制神经网络输入的权重，who表示输出机制上一时刻神经网络输出的权重，bo为输出机制的惩罚系数。
7.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
所述过滤机制满足以下关系式：
Figure FDA0003349631300000024
其中，ft表示本时刻过滤机制的输出结果，wxf表示过滤机制中神经网络输入的权重，whf表示过滤机制中上一时刻神经网络输出的权重，bf为过滤机制的惩罚系数。
8.根据权利要求4所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
所述存储机制满足以下关系式：
Figure FDA0003349631300000025
其中，Ct为本时刻存储机制的输出结果，Ct-1为上一时刻存储机制的输出结果，wxc表示存储机制中神经网络输入的权重，whc表示存储机制中上一时刻神经网络输出的权重，bc为存储机制的惩罚系数；
Figure FDA0003349631300000026
表示位乘。
9.根据权利要求5-8任意一项所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
本时刻神经网络的输出满足以下关系式：
Figure FDA0003349631300000031
在训练神经网络模型时，将与待预测数据不同类型的其他历史数据作为模型的输入。
10.根据权利要求2所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
在所述步骤4中，储水区的水位数学模型为：
Figure FDA0003349631300000032
f(xst)+hf≤hmax
其中，f(xst)表示储水区在t时刻的水位；hf表示防洪区的水位高度，M表示该模型的维度，维度越多储水区水面水位的细分程度越高，在本发明中，M取30；f(xbt)表示缓冲区在t时刻的水位；xst表示在t时刻储水区的模拟水量。
11.根据权利要求5所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
储水区在t时刻的水量模拟满足以下关系式：
Figure FDA0003349631300000033
其中，xst表示在t时刻储水区的模拟水量；STt表示t时刻水库的储水量；IFt表示t时刻水库的进水量，通过实时采集得到；
Figure FDA0003349631300000034
表示t时刻储水区的模拟出水量；
Figure FDA0003349631300000035
其中，
Figure FDA0003349631300000036
表示储水区t时刻供给发电所需的预测出水量；
Figure FDA0003349631300000037
表示储水区t时刻供给储能所需的预测出水量；；
Figure FDA0003349631300000038
表示储水区t时刻预测溅出水量；PGE表示实际发电效率，一般取0.85。
12.根据权利要求2所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
缓冲区的水位数学模型为：
Figure FDA0003349631300000039
其中，hia为水库禁用区的水位高度，一般为固定值；xbt表示在t时刻缓冲区的水量。
13.根据权利要求7所述的基于神经网络的水库各区域水位精细化监测方法，其特征在于：
t时刻缓冲区的水量模拟满足以下关系式：
Figure FDA0003349631300000041
其中，
Figure FDA0003349631300000042
表示t时刻缓冲区的模拟出水量；
Figure FDA0003349631300000043
其中，
Figure FDA0003349631300000044
表示缓冲区t时刻供给发电所需的预测出水量；
Figure FDA0003349631300000045
表示缓冲区t时刻供给储能所需的预测出水量。
CN202111333390.0A 2021-11-11 2021-11-11 基于神经网络的水库各区域水位精细化监测方法 Pending CN114048679A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111333390.0A CN114048679A (zh) 2021-11-11 2021-11-11 基于神经网络的水库各区域水位精细化监测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111333390.0A CN114048679A (zh) 2021-11-11 2021-11-11 基于神经网络的水库各区域水位精细化监测方法

Publications (1)

Publication Number Publication Date
CN114048679A true CN114048679A (zh) 2022-02-15

Family

ID=80208384

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111333390.0A Pending CN114048679A (zh) 2021-11-11 2021-11-11 基于神经网络的水库各区域水位精细化监测方法

Country Status (1)

Country Link
CN (1) CN114048679A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611778A (zh) * 2022-03-04 2022-06-10 山东锋士信息技术有限公司 一种基于入库流量的水库水位预警方法及系统
CN115330088A (zh) * 2022-10-11 2022-11-11 广东广宇科技发展有限公司 一种小型水库的防洪精细化预测方法
CN116306223A (zh) * 2023-01-09 2023-06-23 浪潮智慧科技有限公司 一种水利工程监测方法、设备及介质
CN117434153A (zh) * 2023-12-20 2024-01-23 吉林蛟河抽水蓄能有限公司 基于超声波技术的道路无损检测方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114611778A (zh) * 2022-03-04 2022-06-10 山东锋士信息技术有限公司 一种基于入库流量的水库水位预警方法及系统
CN114611778B (zh) * 2022-03-04 2022-09-06 山东锋士信息技术有限公司 一种基于入库流量的水库水位预警方法及系统
CN115330088A (zh) * 2022-10-11 2022-11-11 广东广宇科技发展有限公司 一种小型水库的防洪精细化预测方法
CN116306223A (zh) * 2023-01-09 2023-06-23 浪潮智慧科技有限公司 一种水利工程监测方法、设备及介质
CN116306223B (zh) * 2023-01-09 2023-09-22 浪潮智慧科技有限公司 一种水利工程监测方法、设备及介质
CN117434153A (zh) * 2023-12-20 2024-01-23 吉林蛟河抽水蓄能有限公司 基于超声波技术的道路无损检测方法及系统
CN117434153B (zh) * 2023-12-20 2024-03-05 吉林蛟河抽水蓄能有限公司 基于超声波技术的道路无损检测方法及系统

Similar Documents

Publication Publication Date Title
CN114048679A (zh) 基于神经网络的水库各区域水位精细化监测方法
Liu et al. Derivation of aggregation-based joint operating rule curves for cascade hydropower reservoirs
Liu et al. Deriving optimal refill rules for multi-purpose reservoir operation
Liu et al. Deriving reservoir refill operating rules by using the proposed DPNS model
CN106505631B (zh) 智能风电风功率预测系统
CN102109619A (zh) 一种基于人工智能的台风增水预测系统和方法
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
CN106934496B (zh) 耦合径流预报信息的水电站二维调度图绘制及使用方法
CN112464584B (zh) 自由表面流的水位和流量推求方法
JP7382522B1 (ja) 動的貯水容量の影響を考慮した貯水池の超短期水位予測方法、システムおよび記憶媒体
CN108109076A (zh) 一种考虑径流预报的梯级水电站群发电调度弃水风险分析方法
CN108009672B (zh) 基于双层优化模型的水光互补电站日发电计划编制方法
Peng et al. Multi-reservoir joint operating rule in inter-basin water transfer-supply project
CN105243502A (zh) 一种基于径流区间预测的水电站调度风险评估方法及系统
CN117968648B (zh) 一种自适应水文条件的航道原位监测系统
CN109255485A (zh) 基于rbfn机器学习的降雨型地质灾害预警预报模型及学习方法
CN118095752A (zh) 一种基于数字孪生的水库调度管理系统
CN115186857A (zh) 一种基于集成学习的神经网络水库水位预测方法
CN117993495B (zh) 一种机器学习结合传统机理模型构建行洪安全知识图谱的方法及系统
CN115270632A (zh) 饮用水水源地水华风险预测系统和方法
CN111199298A (zh) 基于神经网络的洪水预报方法与系统
CN108846529A (zh) 一种发电量预测系统
CN112231913B (zh) 一种城市内涝黑点的内涝模拟方法及装置
CN115564238B (zh) 一种基于水动力机制的小水库洪水预报调洪分析方法
CN107563637B (zh) 一种水电站发电调度近边界运行全景模糊风险分析方法

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