CN114091359B - 一种水库水沙预测模型训练、水库水沙预测方法及装置 - Google Patents

一种水库水沙预测模型训练、水库水沙预测方法及装置 Download PDF

Info

Publication number
CN114091359B
CN114091359B CN202210069016.2A CN202210069016A CN114091359B CN 114091359 B CN114091359 B CN 114091359B CN 202210069016 A CN202210069016 A CN 202210069016A CN 114091359 B CN114091359 B CN 114091359B
Authority
CN
China
Prior art keywords
water
data
sand
target area
model
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
Application number
CN202210069016.2A
Other languages
English (en)
Other versions
CN114091359A (zh
Inventor
张成潇
戴会超
王玲玲
刘志武
蒋定国
赵汗青
米博宇
刘肖廷
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.)
China Three Gorges Corp
Original Assignee
China Three Gorges Corp
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 China Three Gorges Corp filed Critical China Three Gorges Corp
Priority to CN202210069016.2A priority Critical patent/CN114091359B/zh
Publication of CN114091359A publication Critical patent/CN114091359A/zh
Application granted granted Critical
Publication of CN114091359B publication Critical patent/CN114091359B/zh
Priority to EP22206851.2A priority patent/EP4216117B1/en
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
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Marketing (AREA)
  • Biomedical Technology (AREA)
  • Development Economics (AREA)
  • Algebra (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Fluid Mechanics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Public Health (AREA)

Abstract

本发明提供了一种水库水沙预测模型训练、水库水沙预测方法及装置，其中，水库水沙预测模型训练方法包括：获取入库水流数据；将入库水流数据输入预先建立的数学模型，得到目标区域的水沙数据，数学模型采用历史实测数据建立，历史实测数据包括水流流入数据和沿程水沙数据，水流流入数据通过上游水流流入观测站点获取，沿程水沙数据通过下游观测站点获取；将入库水流数据和目标区域的水沙数据作为训练数据，通过训练数据对初始神经网络模型进行训练，得到目标区域的水沙预测模型。通过实施本发明可快速、及时地预测到任意目标区域的水沙数据，对水库的实时、精细调度提供重要参考。

Description

一种水库水沙预测模型训练、水库水沙预测方法及装置
技术领域
本发明涉及水库泥沙调度技术领域，具体涉及一种水库水沙预测模型训练、水库水沙预测方法及装置。
背景技术
水库是实现水资源科学配置和可持续利用的关键型水利工程，水库的调度方式和使用寿命将深刻影响着人民生命财产安全和经济社会的发展。但众所周知，水库调度这一人工因素的强烈影响下，天然河道的水流、泥沙等物质的运动特性发生了剧烈且复杂的变化。且随着库区沿岸工农业的迅速发展和人口规模的迅速增长，水库的实时、精细调度愈来愈关键，如何在上游或库区观测到洪峰、沙峰的前提下，快速、准确的模拟和认识库区沿程各处即将发生的水流、泥沙的运动规律，是尤为重要的。
为了实现对沿程各处的水流、泥沙数据的预测，传统的方法中通常采用神经网络模型进行预测，在采用神经网络模型进行预测前，需要利用实测数据作为训练数据对神经网络模型进行训练，但是对于不设置有观测站点的沿程区域，无法获取其实测数据，从而无法得到训练数据，难以实现对神经网络模型的训练，由此可见，通过传统的神经网络模型训练方法训练得到的神经网络模型无法对不设置有观测站点的沿程区域的水流、泥沙数据进行预测。
发明内容
因此，本发明要解决的技术问题在于克服现有技术中无法对不设置有观测站点的沿程区域的水流、泥沙数据进行预测的缺陷，从而提供一种水库水沙预测模型训练、水库水沙预测方法及装置。
本发明第一方面提供了一种水库水沙预测模型训练方法，包括：获取入库水流数据；将入库水流数据输入预先建立的数学模型，得到目标区域的水沙数据，数学模型采用历史实测数据建立，历史实测数据包括水流流入数据和沿程水沙数据，水流流入数据通过上游水流流入观测站点获取，沿程水沙数据通过下游观测站点获取；将入库水流数据和目标区域的水沙数据作为训练数据，通过训练数据对初始神经网络模型进行训练，得到目标区域的水沙预测模型。
可选地，在本发明提供的水库水沙预测模型训练方法中，获取入库水流数据的步骤，包括：获取上游水流流入观测站点在参考时期采集的采样水流流入数据，参考时期包括丰水年、平水年、枯水年；将采样水流流入数据进行缩放，得到入库水流数据。
可选地，在本发明提供的水库水沙预测模型训练方法中，数学模型包括水动力模型，水沙数据包括目标区域的断面水位和断面流量，水动力模型为：
Figure 197715DEST_PATH_IMAGE002
，
Figure DEST_PATH_IMAGE004
，其中，
Figure DEST_PATH_IMAGE006
表示目标区域在河道中的纵向坐标，
Figure DEST_PATH_IMAGE008
表示相邻两次检测时间间隔，
Figure DEST_PATH_IMAGE010
表示目标区域的断面流量，
Figure DEST_PATH_IMAGE012
表示目标区域的断面水位，
Figure DEST_PATH_IMAGE014
表示目标区域的当量河宽，
Figure DEST_PATH_IMAGE016
表示单位河长的旁侧入流量，
Figure DEST_PATH_IMAGE018
表示动力校正系数，
Figure DEST_PATH_IMAGE020
表示目标区域的断面面积，
Figure DEST_PATH_IMAGE022
表示重力加速度，
Figure DEST_PATH_IMAGE024
表示谢才系数，
Figure DEST_PATH_IMAGE026
表示目标区域的水力半径。
可选地，在本发明提供的水库水沙预测模型训练方法中，数学模型还包括悬移质泥沙数值模型，水沙数据还包括目标区域的不同粒径组泥沙的断面含沙量，悬移质泥沙数值模型包括：悬移质输运控制方程：
Figure DEST_PATH_IMAGE028
，悬移质引起的河床冲淤变形方程：
Figure DEST_PATH_IMAGE030
，其中，
Figure 882512DEST_PATH_IMAGE010
表示目标区域的断面流量，
Figure DEST_PATH_IMAGE032
表示目标区域的第k粒径组泥沙的断面含沙量，
Figure DEST_PATH_IMAGE034
表示目标区域在河道中的纵向坐标，
Figure 808880DEST_PATH_IMAGE020
表示所述目标区域的断面面积，A s 表示目标区域的冲淤面积，
Figure DEST_PATH_IMAGE036
表示目标区域的第k粒径组泥沙的断面挟沙力，
Figure DEST_PATH_IMAGE038
和
Figure DEST_PATH_IMAGE040
分别表示第k粒径组泥沙的沉速和恢复饱和系数，
Figure DEST_PATH_IMAGE042
表示泥沙干容重，B T 表示所述目标区域的当量河宽。
可选地，在本发明提供的水库水沙预测模型训练方法中，数学模型还包括推移质泥沙数值模型，水沙数据还包括目标区域的输沙率：推移质泥沙数值模型包括：推移质输运控制方程：
Figure DEST_PATH_IMAGE044
，推移质引起的河床冲淤变形方程：
Figure DEST_PATH_IMAGE046
，其中，
Figure DEST_PATH_IMAGE048
表示推移质输沙率，
Figure DEST_PATH_IMAGE050
表示目标区域的断面平均流速，
Figure DEST_PATH_IMAGE052
表示目标区域的断面水位，
Figure DEST_PATH_IMAGE054
表示泥沙粒径，
Figure 13465DEST_PATH_IMAGE034
表示目标区域在河道中的纵向坐标，
Figure DEST_PATH_IMAGE056
表示相邻两次检测时间间隔，
Figure 101507DEST_PATH_IMAGE042
表示泥沙干容重，
Figure DEST_PATH_IMAGE058
表示目标区域的冲淤面积。
可选地，在本发明提供的水库水沙预测模型训练方法中，初始神经网络模型包括输入层和输出层；输入层的维度根据上游水流流入观测站确定；输出层的维度根据目标区域的数量确定。
本发明第二方面提供了一种水库水沙预测方法，包括：获取上游水流流入观测站点采集的实时数据；将实时数据输入预先训练的水沙预测模型，得到目标区域的预测水沙数据，水沙预测模型通过如本发明第一方面提供的水库水沙预测模型训练方法训练得到。
本发明第三方面提供了一种水库水沙预测模型训练装置，包括：数据采集模块，用于获取入库水流数据；训练数据获取模块，用于将入库水流数据输入预先建立的数学模型，得到目标区域的水沙数据，数学模型采用历史实测数据建立，历史实测数据包括水流流入数据和沿程水沙数据，水流流入数据通过上游水流流入观测站点获取，沿程水沙数据通过下游观测站点获取；训练模块，用于将入库水流数据和目标区域的水沙数据作为训练数据，通过训练数据对初始神经网络模型进行训练，得到目标区域的水沙预测模型。
本发明第四方面提供了一种水库水沙预测装置，包括：实时数据采集模块，用于获取上游水流流入观测站点采集的实时数据；预测模块，用于将实时数据输入预先训练的水沙预测模型，得到目标区域的预测水沙数据，水沙预测模型通过如本发明第一方面提供的水库水沙预测模型训练方法训练得到。
本发明第五方面提供了一种计算机设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，从而执行如本发明第一方面提供的水库水沙预测模型训练方法，或，执行如本发明第二方面提供的水库水沙预测方法。
本发明第六方面提供了一种计算机可读存储介质，其特征在于，计算机可读存储介质存储有计算机指令，计算机指令用于使计算机执行如本发明第一方面提供的水库水沙预测模型训练方法，或，执行如本发明第二方面提供的水库水沙预测方法。
本发明技术方案，具有如下优点：
1.本发明提供的水库水沙预测模型训练方法及装置，先将入库水流数据输入到预先建立的数学模型中，得到目标区域的水沙数据，然后将入库水流数据和目标区域的水沙数据作为训练数据对初始神经网络模型进行训练得到目标区域的水沙预测模型，其中，数学模型是根据上游水流流入观测站点和下游观测站点采集的历史实测数据建立的，数学模型基于严格的物理定律，通过数学模型能够模拟得到任意区域的水沙数据，从而，将入库水流数据和通过数学模型得到的水沙数据作为训练数据训练得到的水沙预测模型能够用于预测任意区域的水沙数据，脱离了对库区沿程站点实测的依赖，又由于神经网络模型具有对非线性、多组份数据变化过程强健的拟合表达能力，经过训练数据训练后可以快速、合理的给出输出结果。本发明提供的水库水沙预测模型训练方法及装置，通过数学模型和神经网络模型的结合，可快速、及时地预测到任意目标区域的水沙数据，对水库的实时、精细调度提供重要参考。
2.本发明提供的水库水沙预测方法及装置，在获取上游水流流入观测站点采集的实时数据后，将实时数据输入到预先训练的水沙预测模型中，得到目标区域的预测水沙数据，水沙预测模型是通过本发明第一方面提供的水库水沙预测模型训练方法训练得到的，在训练水库水沙预测模型时，先将入库水流数据输入到预先建立的数学模型中，得到目标区域的水沙数据，然后将入库水流数据和目标区域的水沙数据作为训练数据对初始神经网络模型进行训练得到目标区域的水沙预测模型，其中，数学模型是根据上游水流流入观测站点和下游观测站点采集的历史实测数据建立的，数学模型基于严格的物理定律，通过数学模型能够模拟得到任意区域的水沙数据，从而，将入库水流数据和通过数学模型得到的水沙数据作为训练数据训练得到的水沙预测模型能够用于预测任意区域的水沙数据，脱离了对库区沿程站点实测的依赖，又由于神经网络模型具有对非线性、多组份数据变化过程强健的拟合表达能力，经过训练数据训练后可以快速、合理的给出输出结果，通过本发明第一方面提供的水库水沙预测模型训练方法训练得到的水沙预测模型，可快速、及时地预测到任意目标区域的水沙数据，对水库的实时、精细调度提供重要参考。因此，通过本发明提供的水库水沙预测方法及装置，能够快速、及时地预测到任意目标区域的水沙数据。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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，还可以根据这些附图获得其他的附图。
图1为本发明实施例中水库水沙预测模型训练方法的一个具体示例的流程图；
图2为本发明实施例中基于LSTM的深度学习模型框架示意图；
图3为本发明实施例中某河道型水库典型年的实测水沙入库过程示意图；
图4为本发明实施例中通过水沙预测模型预测得到的水位、流量与真值的比较结果；
图5为本发明实施例中通过水沙预测模型预测得到的含沙量与真值的比较结果；
图6为本发明实施例中水库水沙预测方法的一个具体示例的流程图；
图7为本发明实施例中水库水沙预测模型训练装置的一个具体示例的原理框图；
图8为本发明实施例中水库水沙预测装置的一个具体示例的原理框图；
图9为本发明实施例中计算机设备的一个具体示例的原理框图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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。
在本发明的描述中，需要说明的是，下面所描述的本发明不同实施方式中所涉及的技术特征只要彼此之间未构成冲突就可以相互结合。
为了实现对沿程各处的水流、泥沙数据的预测，传统的方法中通常采用神经网络模型进行预测，在采用神经网络模型进行预测前，需要利用实测数据作为训练数据对神经网络模型进行训练，但是对于不设置有观测站点的沿程区域，无法获取其实测数据，从而无法得到训练数据，难以实现对神经网络模型的训练，由此可见，通过传统的神经网络模型训练方法训练得到的神经网络模型无法对不设置有观测站点的沿程区域的水流、泥沙数据进行预测。
虽然通过建立数学模型可以实现对不同沿程区域的水流、泥沙数据进行模拟，但是在进行实时、突发的水动力或物质输运模拟时，数学模型通常需要调整既定的模型参数才可得到合理的模拟结果；且数学模型不可避免地存在计算成本高和计算耗时大的问题，不具有时效性。因此单一的应用数学模型进行库区水沙水质预测难以满足水库调度部门第一时间的调度需要。
本发明实施例提供了一种水库水沙预测模型训练方法，如图1所示，包括：
步骤S11：获取入库水流数据。
在一可选实施例中，入库水流数据通过历史实测数据中的水流流入数据确定，水流流入数据包括在入库控制站采集的水流数据，以及在库区沿程主要支流入汇口采集的水流数据。
步骤S12：将入库水流数据输入预先建立的数学模型，得到目标区域的水沙数据，数学模型采用历史实测数据建立，历史实测数据包括水流流入数据和沿程水沙数据，水流流入数据通过上游水流流入观测站点获取，沿程水沙数据通过下游观测站点获取。
在本发明实施例中，通过上游水流流入观测站点采集的水流流入数据和下游观测站点采集的沿程水沙数据建立数学模型，并对数学模型进行率定和验证后，该数学模型可以模拟上游水流流入观测站点与下游观测站点之间的水沙运输过程，从而，可以通过该数学模型模拟上游水流流入观测站点和下游观测站点之间任意沿程区域处的水沙数据，通过本发明实施例，即使目标区域不设置有观测点，也可以获取该目标区域的水沙数据。
在一可选实施例中，针对研究区域建立数学模型时，库尾及支流的入流边界和下游边界应设置在具有实测流量资料的位置，其中，下游边界设置在坝前具有实测流量资料的位置，给定坝前的实测水位过程。
在一可选实施例中，水沙数据包括水动力指标和泥沙指标。
步骤S13：将入库水流数据和目标区域的水沙数据作为训练数据，通过训练数据对初始神经网络模型进行训练，得到目标区域的水沙预测模型。
本发明实施例提供的水库水沙预测模型训练方法，先将入库水流数据输入到预先建立的数学模型中，得到目标区域的水沙数据，然后将入库水流数据和目标区域的水沙数据作为训练数据对初始神经网络模型进行训练得到目标区域的水沙预测模型，其中，数学模型是根据上游水流流入观测站点和下游观测站点采集的历史实测数据建立的，数学模型基于严格的物理定律，通过数学模型能够模拟得到任意区域的水沙数据，从而，将入库水流数据和通过数学模型得到的水沙数据作为训练数据训练得到的水沙预测模型能够用于预测任意区域的水沙数据，脱离了对库区沿程站点实测的依赖，又由于神经网络模型具有对非线性、多组份数据变化过程强健的拟合表达能力，经过训练数据训练后可以快速、合理的给出输出结果。本发明实施例提供的水库水沙预测模型训练方法，通过数学模型和神经网络模型的结合，可快速、及时地预测到任意目标区域的水沙数据，对水库的实时、精细调度提供重要参考。
在一可选实施例中，上述步骤S11具体包括：
首先，获取上游水流流入观测站点在参考时期采集的采样水流流入数据，参考时期包括丰水年、平水年、枯水年。
然后，将采样水流流入数据进行缩放，得到入库水流数据。
在一可选实施例中，可以对采样水流流入数据进行不同量级缩放得到入库水流数据，示例性地，可以对对采样水流流入数据进行0.5～1.5倍的缩放得到入库水流数据。
在一可选实施例中，丰水年、平水年、枯水年的水流流入数据存在较大差异，通过对丰水年、平水年、枯水年的采样水流流入数据进行缩放，能够得到更全面的水流流入数据，从而，将缩放后的采样水流流入数据输入至数学模型中，以获得水库库区沿程可能出现的各种情形下的水沙运动规律，将数学模型输出的水沙数据与缩放后的采样水流流入数据作为训练数据训练得到的水沙预测模型，能够对各种情形下的水动力、泥沙指标进行预测。
在一可选实施实施例中，数学模型包括水动力模型，水沙数据包括目标区域的断面水位和断面流量，当水沙数据包括目标区域的断面水位和断面流量时，训练得到的水沙预测模型也可以用于预测目标区域的断面水位和断面流量。
水动力模型为：
Figure DEST_PATH_IMAGE060
Figure DEST_PATH_IMAGE062
，
其中，
Figure DEST_PATH_IMAGE064
表示目标区域在河道中的纵向坐标，
Figure DEST_PATH_IMAGE066
表示相邻两次检测时间间隔，
Figure DEST_PATH_IMAGE068
表示目标区域的断面流量，
Figure DEST_PATH_IMAGE070
表示目标区域的断面水位，
Figure DEST_PATH_IMAGE072
表示目标区域的当量河宽，当量河宽等于河宽与附加滩地宽度，
Figure DEST_PATH_IMAGE074
表示单位河长的旁侧入流量，
Figure DEST_PATH_IMAGE076
表示动力校正系数，
Figure DEST_PATH_IMAGE078
表示目标区域的断面面积，
Figure DEST_PATH_IMAGE080
表示重力加速度，
Figure DEST_PATH_IMAGE082
表示谢才系数，
Figure DEST_PATH_IMAGE084
表示目标区域的水力半径。
在一可选实施例中，可以选取有限差分或有限体积法对上述水动力模型进行离散，选取Preissman隐格式求解方法对目标区域的断面水位、断面流量进行求解。
在一可选实施例中，在实际应用场景中，可以通过上游的观测站点实时监测水流流入数据，并周期性地根据检测得到的水流流入数据预测下游的沿程的目标区域的水沙数据，水动力模型中的“t”表示两次检测时间间隔，示例性地t的取值可以为10s，其中，当量河宽和水力半径可以通过上一周期预测得到的数据进行推算得到。
在一可选实施例中，若目标区域的悬移质占全沙比重较大，则目标区域的数学模型还包括悬移质泥沙数值模型，水沙数据还包括目标区域的不同粒径组泥沙的断面含沙量，当水沙数据包括目标区域的不同粒径组泥沙的断面含沙量时，训练得到的水沙预测模型也可以用于预测目标区域的不同粒径组泥沙的断面含沙量。
悬移质泥沙数值模型包括：
悬移质输运控制方程：
Figure DEST_PATH_IMAGE086
，
悬移质引起的河床冲淤变形方程：
Figure DEST_PATH_IMAGE088
，
其中，
Figure DEST_PATH_IMAGE090
表示目标区域的断面流量，
Figure DEST_PATH_IMAGE092
表示目标区域的第k粒径组泥沙的断面含沙量，
Figure DEST_PATH_IMAGE094
表示目标区域在河道中的纵向坐标，
Figure DEST_PATH_IMAGE096
表示所述目标区域的断面面积，A s 表示目标区域的冲淤面积，
Figure DEST_PATH_IMAGE098
表示目标区域的第k粒径组泥沙的断面挟沙力，
Figure DEST_PATH_IMAGE100
和
Figure DEST_PATH_IMAGE102
分别表示第k粒径组泥沙的沉速和恢复饱和系数，
Figure DEST_PATH_IMAGE104
表示泥沙干容重，BT表示所述目标区域的当量河宽。
在一可选实施例中，若目标区域的推移质占全沙比重较大，则目标区域的数学模型还包括推移质泥沙数值模型，水沙数据还包括目标区域的输沙率，当水沙数据包括目标区域的输沙率时，训练得到的水沙预测模型也可以用于预测目标区域的输沙率。
推移质泥沙数值模型包括：
推移质输运控制方程：
Figure DEST_PATH_IMAGE106
，
推移质引起的河床冲淤变形方程：
Figure DEST_PATH_IMAGE108
，
其中，
Figure DEST_PATH_IMAGE110
表示推移质输沙率（kg/s），
Figure DEST_PATH_IMAGE112
表示目标区域的断面平均流速，
Figure DEST_PATH_IMAGE114
表示目标区域的断面水位，
Figure DEST_PATH_IMAGE116
表示泥沙粒径，
Figure DEST_PATH_IMAGE118
表示目标区域在河道中的纵向坐标，
Figure DEST_PATH_IMAGE120
表示相邻两次检测时间间隔，
Figure DEST_PATH_IMAGE122
表示泥沙干容重，
Figure DEST_PATH_IMAGE124
表示目标区域的冲淤面积。
在一可选实施例中，
Figure DEST_PATH_IMAGE126
需要将通过水动力模型求得的水位、流量输入到经验公式或者经验曲线中获得。
悬移质泥沙输运方程和推移质泥沙输运方程采用传统显式求解方法对泥沙控制方程进行求解，解得各断面、各粒径组泥沙的含沙量或输沙率。
在一可选实施例中，悬移质引起的河床冲淤变形方程和推移质引起的河床冲淤变形方程采用显式格式进行离散求解。
在一可选实施例中，初始神经网络模型为基于长短期记忆的深度学习模型，通过如下步骤搭建如图2所示的基于LSTM的深度学习模型框架：
（1）定义深度学习模型的输入层，进行变量参数随机初始化；
（2）基于长短时记忆（LSTM）的深度学习模块，给定16/32/64/128个隐藏层神经元，分别设置1/2/3个神经层，搭建深度学习模型框架；
（3）定义深度学习模型的输出层，选取均方差函数作为拟合标准，Adam算法作为深度学习梯度修正算法，设置指数衰减的学习率变化；
（4）选取经典、规范数据集测试深度学习模型的泛化能力，初定深度学习模型的隐藏层和神经元数量。
在一可选实施例中，初始神经网络模型包括输入层和输出层，输入层的维度根据上游水流流入观测站确定，输出层的维度根据目标区域的数量确定。
在一可选实施例中，输入层的维度与上游水流流入观测站的数量相同，输出层的维度与目标区域的数量相同。
在一可选实施例中，对初始神经网络模型进行训练时，将步骤S12中获得的训练数据进行分组、分批，并设置训练数据集在深度学习模型中的循环迭代周期，输入到初始神经网络模型中进行模型训练。
在一可选实施例中，将具有实测资料的上游库尾典型来水来沙过程输入到训练完成的模型中，输入库区沿程至坝前的水沙过程变化，与实测资料对比以验证模型的泛化预测能力。
为了验证通过本发明实施例提供的水库水沙预测模型训练方法训练得到的水沙预测模型能够实现对目标区域的水动力指标、泥沙指标进行快速、准确预测，本发明实施例中对通过上述实施例训练得到的水沙预测模型进行了验证：
如图3所示为某河道型水库典型年的实测水沙入库过程，下表1为沿程各站点距离入库控制站的距离：
表1
Figure DEST_PATH_IMAGE128
为了验证通过上述实施例训练得到的水沙预测模型能够实现对沿程流量、水位、含沙量的准确预测，在本发明实施例中采用通过上述实施例训练得到的水沙预测模型对各站点处的流量、水位、含沙量进行预测，并将预测结果与各站点处监测得到的真值进行比较。
如图4所示为通过水沙预测模型预测得到的水位、流量与真值的比较结果，如图5所示为通过水沙预测模型预测得到的含沙量与真值的比较结果，由图4和图5可以看出，通过上述实施例训练得到的水沙预测模型预测得到的流量、水位、含沙量，与实际值的差距较小，因此，通过上述实施例训练得到的水沙预测模型能够实现对流量、水位、含沙量的准确预测。
除此之外，本发明实施例还将通过上述实施例训练得到的水沙预测模型对各站点的水沙数据进行预测时的耗时，与通过传统数学模型对各站点的水沙数据进行预测时的耗时进行了比较，比较结果如下表2所示：
表2
Figure DEST_PATH_IMAGE130
由上表2可知，通过上述实施例提供的方法训练得到的水沙预测模型能够实现对流量、水位、含沙量的快速预测。
本发明实施例提供了一种水库水沙预测方法，如图6所示，包括：
步骤S21：获取上游水流流入观测站点采集的实时数据，有关实施数据的详细内容参见上述实施例中对水流流入数据的描述，在此不再赘述。
步骤S22：将实时数据输入预先训练的水沙预测模型，得到目标区域的预测水沙数据，水沙预测模型的训练过程参见上述实施例中的描述，在此不再赘述。
本发明实施例提供的水库水沙预测方法，在获取上游水流流入观测站点采集的实时数据后，将实时数据输入到预先训练的水沙预测模型中，得到目标区域的预测水沙数据，水沙预测模型是通过上述实施例提供的水库水沙预测模型训练方法训练得到的，在训练水库水沙预测模型时，先将入库水流数据输入到预先建立的数学模型中，得到目标区域的水沙数据，然后将入库水流数据和目标区域的水沙数据作为训练数据对初始神经网络模型进行训练得到目标区域的水沙预测模型，其中，数学模型是根据上游水流流入观测站点和下游观测站点采集的历史实测数据建立的，数学模型基于严格的物理定律，通过数学模型能够模拟得到任意区域的水沙数据，从而，将入库水流数据和通过数学模型得到的水沙数据作为训练数据训练得到的水沙预测模型能够用于预测任意区域的水沙数据，脱离了对库区沿程站点实测的依赖，又由于神经网络模型具有对非线性、多组份数据变化过程强健的拟合表达能力，经过训练数据训练后可以快速、合理的给出输出结果，通过上述实施例提供的水库水沙预测模型训练方法训练得到的水沙预测模型，可快速、及时地预测到任意目标区域的水沙数据，对水库的实时、精细调度提供重要参考。因此，通过本发明实施例提供的水库水沙预测方法，能够快速、及时地预测到任意目标区域的水沙数据。
本发明实施例提供了一种水库水沙预测模型训练装置，如图7所示，包括：
数据采集模块31，用于获取入库水流数据，详细内容参见上述实施例中对步骤S11的描述，在此不再赘述。
训练数据获取模块32，用于将入库水流数据输入预先建立的数学模型，得到目标区域的水沙数据，数学模型采用历史实测数据建立，历史实测数据包括水流流入数据和沿程水沙数据，水流流入数据通过上游水流流入观测站点获取，沿程水沙数据通过下游观测站点获取，详细内容参见上述实施例中对步骤S12的描述，在此不再赘述。
训练模块33，用于将入库水流数据和目标区域的水沙数据作为训练数据，通过训练数据对初始神经网络模型进行训练，得到目标区域的水沙预测模型，详细内容参见上述实施例中对步骤S13的描述，在此不再赘述。
本发明实施例提供了一种水库水沙预测装置，如图8所示，包括：
实时数据采集模块41，用于获取上游水流流入观测站点采集的实时数据，详细内容参见上述实施例中对步骤S21的描述，在此不再赘述。
预测模块42，用于将实时数据输入预先训练的水沙预测模型，得到目标区域的预测水沙数据，详细内容参见上述实施例中对步骤S22的描述，在此不再赘述。
本发明实施例提供了一种计算机设备，如图9所示，该计算机设备主要包括一个或多个处理器51以及存储器52，图9中以一个处理器51为例。
该计算机设备还可以包括：输入装置53和输出装置54。
处理器51、存储器52、输入装置53和输出装置54可以通过总线或者其他方式连接，图9中以通过总线连接为例。
处理器51可以为中央处理器（Central Processing Unit，CPU）。处理器51还可以为其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片，或者上述各类芯片的组合。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。存储器52可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据水库水沙预测模型训练装置，或，水库水沙预测装置的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器52可选包括相对于处理器51远程设置的存储器，这些远程存储器可以通过网络连接至水库水沙预测模型训练装置，或，水库水沙预测装置。输入装置53可接收用户输入的计算请求（或其他数字或字符信息），以及产生与水库水沙预测模型训练装置，或，水库水沙预测装置有关的键信号输入。输出装置54可包括显示屏等显示设备，用以输出计算结果。
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质存储计算机指令，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的水库水沙预测模型训练方法，或，水库水沙预测方法。其中，存储介质可为磁碟、光盘、只读存储记忆体（Read-Only Memory，ROM）、随机存储记忆体（Random AccessMemory，RAM）、快闪存储器（Flash Memory）、硬盘（Hard Disk Drive，缩写：HDD）或固态硬盘（Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (8)

1.一种水库水沙预测模型训练方法，其特征在于，包括：
获取入库水流数据；
将所述入库水流数据输入预先建立的数学模型，得到目标区域的水沙数据，所述数学模型采用历史实测数据建立，所述历史实测数据包括水流流入数据和沿程水沙数据，所述水流流入数据通过上游水流流入观测站点获取，所述沿程水沙数据通过下游观测站点获取，所述目标区域处不设置有观测站点；
将所述入库水流数据和所述目标区域的水沙数据作为训练数据，通过所述训练数据对初始神经网络模型进行训练，得到所述目标区域的水沙预测模型；
所述数学模型包括水动力模型，所述水沙数据包括目标区域的断面水位和断面流量，
所述水动力模型为：
Figure 297415DEST_PATH_IMAGE001
，
其中，
Figure 581766DEST_PATH_IMAGE002
表示所述目标区域在河道中的纵向坐标，
Figure 994293DEST_PATH_IMAGE003
表示相邻两次检测时间间隔，
Figure 553450DEST_PATH_IMAGE004
表示所述目标区域的断面流量，
Figure 735032DEST_PATH_IMAGE005
表示所述目标区域的断面水位，
Figure 924705DEST_PATH_IMAGE006
表示所述目标区域 的当量河宽，
Figure 355687DEST_PATH_IMAGE007
表示单位河长的旁侧入流量，
Figure 921797DEST_PATH_IMAGE008
表示动力校正系数，
Figure 223466DEST_PATH_IMAGE009
表示所述目标区域的 断面面积，
Figure 115198DEST_PATH_IMAGE010
表示重力加速度，
Figure 502317DEST_PATH_IMAGE011
表示谢才系数，
Figure 872119DEST_PATH_IMAGE012
表示所述目标区域的水力半径；
所述数学模型还包括悬移质泥沙数值模型，所述水沙数据还包括目标区域的不同粒径组泥沙的断面含沙量，
所述悬移质泥沙数值模型包括：
悬移质输运控制方程：
Figure 293873DEST_PATH_IMAGE013
，
悬移质引起的河床冲淤变形方程：
Figure 90927DEST_PATH_IMAGE014
，
其中，
Figure 699763DEST_PATH_IMAGE015
表示所述目标区域的断面流量，
Figure 404414DEST_PATH_IMAGE016
表示所述目标区域的第k粒径组泥沙的断 面含沙量，
Figure 415096DEST_PATH_IMAGE017
表示所述目标区域在河道中的纵向坐标，
Figure 383052DEST_PATH_IMAGE018
表示所述目标区域的断面面积， As表示所述目标区域的冲淤面积，
Figure 10342DEST_PATH_IMAGE019
表示所述目标区域的第k粒径组泥沙的断面挟沙力，
Figure 721946DEST_PATH_IMAGE020
和
Figure 587134DEST_PATH_IMAGE021
分别表示第k粒径组泥沙的沉速和恢复饱和系数，
Figure 257150DEST_PATH_IMAGE022
表示泥沙干容重，BT表示所述 目标区域的当量河宽；
或，
所述数学模型还包括推移质泥沙数值模型，所述水沙数据还包括目标区域的输沙率：
所述推移质泥沙数值模型包括：
推移质输运控制方程：
Figure 840578DEST_PATH_IMAGE023
，
推移质引起的河床冲淤变形方程：
Figure 90293DEST_PATH_IMAGE024
，
其中，
Figure 606725DEST_PATH_IMAGE025
表示推移质输沙率，
Figure 916484DEST_PATH_IMAGE026
表示所述目标区域的断面平均流速，
Figure 987208DEST_PATH_IMAGE027
表示所述目标 区域的断面水位，
Figure 571773DEST_PATH_IMAGE028
表示泥沙粒径，
Figure 411553DEST_PATH_IMAGE029
表示所述目标区域在河道中的纵向坐标，
Figure 892213DEST_PATH_IMAGE030
表示相 邻两次检测时间间隔，
Figure 715813DEST_PATH_IMAGE031
表示泥沙干容重，
Figure 572910DEST_PATH_IMAGE032
表示所述目标区域的冲淤面积。
2.根据权利要求1所述的水库水沙预测模型训练方法，其特征在于，获取入库水流数据的步骤，包括：
获取所述上游水流流入观测站点在参考时期采集的采样水流流入数据，所述参考时期包括丰水年、平水年、枯水年；
将所述采样水流流入数据进行缩放，得到所述入库水流数据。
3.根据权利要求1所述的水库水沙预测模型训练方法，其特征在于，
所述初始神经网络模型包括输入层和输出层；
所述输入层的维度根据所述上游水流流入观测站确定；
所述输出层的维度根据所述目标区域的数量确定。
4.一种水库水沙预测方法，其特征在于，包括：
获取上游水流流入观测站点采集的实时数据；
将所述实时数据输入预先训练的水沙预测模型，得到目标区域的预测水沙数据，所述水沙预测模型通过如权利要求1-3中任一项所述的水库水沙预测模型训练方法训练得到，所述目标区域处不设置有观测站点。
5.一种水库水沙预测模型训练装置，其特征在于，包括：
数据采集模块，用于获取入库水流数据；
训练数据获取模块，用于将所述入库水流数据输入预先建立的数学模型，得到目标区域的水沙数据，所述数学模型采用历史实测数据建立，所述历史实测数据包括水流流入数据和沿程水沙数据，所述水流流入数据通过上游水流流入观测站点获取，所述沿程水沙数据通过下游观测站点获取，所述目标区域处不设置有观测站点；
训练模块，用于将所述入库水流数据和所述目标区域的水沙数据作为训练数据，通过所述训练数据对初始神经网络模型进行训练，得到所述目标区域的水沙预测模型；
所述数学模型包括水动力模型，所述水沙数据包括目标区域的断面水位和断面流量，
所述水动力模型为：
Figure 267197DEST_PATH_IMAGE033
，
其中，
Figure 449916DEST_PATH_IMAGE034
表示所述目标区域在河道中的纵向坐标，
Figure 495233DEST_PATH_IMAGE035
表示相邻两次检测时间间隔，
Figure 890442DEST_PATH_IMAGE036
表示所述目标区域的断面流量，
Figure 970394DEST_PATH_IMAGE037
表示所述目标区域的断面水位，
Figure 58435DEST_PATH_IMAGE038
表示所述目标区域的 当量河宽，
Figure 325469DEST_PATH_IMAGE039
表示单位河长的旁侧入流量，
Figure 55527DEST_PATH_IMAGE040
表示动力校正系数，
Figure 458827DEST_PATH_IMAGE041
表示所述目标区域的 断面面积，
Figure 717770DEST_PATH_IMAGE042
表示重力加速度，
Figure 3258DEST_PATH_IMAGE043
表示谢才系数，
Figure 740269DEST_PATH_IMAGE044
表示所述目标区域的水力半径；
所述数学模型还包括悬移质泥沙数值模型，所述水沙数据还包括目标区域的不同粒径组泥沙的断面含沙量，
所述悬移质泥沙数值模型包括：
悬移质输运控制方程：
Figure 263655DEST_PATH_IMAGE045
，
悬移质引起的河床冲淤变形方程：
Figure 224657DEST_PATH_IMAGE046
，
其中，
Figure 200704DEST_PATH_IMAGE036
表示所述目标区域的断面流量，
Figure DEST_PATH_IMAGE047
表示所述目标区域的第k粒径组泥沙的断 面含沙量，
Figure 741406DEST_PATH_IMAGE048
表示所述目标区域在河道中的纵向坐标，
Figure 916036DEST_PATH_IMAGE049
表示所述目标区域的断面面积， As表示所述目标区域的冲淤面积，
Figure 251202DEST_PATH_IMAGE050
表示所述目标区域的第k粒径组泥沙的断面挟沙力，
Figure 980124DEST_PATH_IMAGE051
分别表示第k粒径组泥沙的沉速和恢复饱和系数，
Figure 590097DEST_PATH_IMAGE052
表示泥沙干容重，BT表示所 述目标区域的当量河宽；
或，
所述数学模型还包括推移质泥沙数值模型，所述水沙数据还包括目标区域的输沙率：
所述推移质泥沙数值模型包括：
推移质输运控制方程：
Figure 88074DEST_PATH_IMAGE053
，
推移质引起的河床冲淤变形方程：
Figure 594142DEST_PATH_IMAGE054
，
其中，
Figure 341518DEST_PATH_IMAGE055
表示推移质输沙率，
Figure 224023DEST_PATH_IMAGE056
表示所述目标区域的断面平均流速，
Figure 576507DEST_PATH_IMAGE057
表示所述目标 区域的断面水位，
Figure 50214DEST_PATH_IMAGE058
表示泥沙粒径，
Figure 488149DEST_PATH_IMAGE059
表示所述目标区域在河道中的纵向坐标，
Figure 908766DEST_PATH_IMAGE060
表示相邻 两次检测时间间隔，
Figure 912494DEST_PATH_IMAGE061
表示泥沙干容重，
Figure 760364DEST_PATH_IMAGE062
表示所述目标区域的冲淤面积。
6.一种水库水沙预测装置，其特征在于，包括：
实时数据采集模块，用于获取上游水流流入观测站点采集的实时数据；
预测模块，用于将所述实时数据输入预先训练的水沙预测模型，得到目标区域的预测水沙数据，所述水沙预测模型通过如权利要求1-3中任一项所述的水库水沙预测模型训练方法训练得到，所述目标区域处不设置有观测站点。
7.一种计算机设备，其特征在于，包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，从而执行如权利要求1-3中任一项所述的水库水沙预测模型训练方法，或，执行如权利要求4所述的水库水沙预测方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行如权利要求1-3中任一项所述的水库水沙预测模型训练方法，或，执行如权利要求4所述的水库水沙预测方法。
CN202210069016.2A 2022-01-21 2022-01-21 一种水库水沙预测模型训练、水库水沙预测方法及装置 Active CN114091359B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210069016.2A CN114091359B (zh) 2022-01-21 2022-01-21 一种水库水沙预测模型训练、水库水沙预测方法及装置
EP22206851.2A EP4216117B1 (en) 2022-01-21 2022-11-11 Method and apparatus for training water-and-sediment prediction model for reservoir and method and apparatus for predicting water-and-sediment in reservoir

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210069016.2A CN114091359B (zh) 2022-01-21 2022-01-21 一种水库水沙预测模型训练、水库水沙预测方法及装置

Publications (2)

Publication Number Publication Date
CN114091359A CN114091359A (zh) 2022-02-25
CN114091359B true CN114091359B (zh) 2022-05-17

Family

ID=80309262

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210069016.2A Active CN114091359B (zh) 2022-01-21 2022-01-21 一种水库水沙预测模型训练、水库水沙预测方法及装置

Country Status (2)

Country Link
EP (1) EP4216117B1 (zh)
CN (1) CN114091359B (zh)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114091359B (zh) * 2022-01-21 2022-05-17 中国长江三峡集团有限公司 一种水库水沙预测模型训练、水库水沙预测方法及装置
CN115062818A (zh) * 2022-05-10 2022-09-16 中国长江三峡集团有限公司 一种基于贝叶斯模式平均与机器学习的水库入库泥沙概率预报方法
CN115563907B (zh) * 2022-11-10 2024-06-14 中国长江三峡集团有限公司 水动力模型参数优化、水位流量变化过程模拟方法及装置
CN115688246B (zh) * 2022-11-10 2024-06-07 中国长江三峡集团有限公司 一种局部坐标系下的水库库容模拟方法及装置
CN115563908B (zh) * 2022-11-10 2024-04-23 中国长江三峡集团有限公司 一种水库洪峰预测方法及装置
CN116821564B (zh) * 2023-08-28 2024-01-09 中建八局第三建设有限公司 面向积水区沙化处理的添加剂质量计算系统、方法及存储介质
CN116910457B (zh) * 2023-09-13 2023-12-08 北京师范大学 一种基于区域的污染物反演方法和装置
CN117332908B (zh) * 2023-12-01 2024-02-13 长江水利委员会水文局 一种耦合集合预报的梯级水库多目标优化调度方法及系统
CN117556184B (zh) * 2024-01-12 2024-03-26 长江水利委员会水文局 多沙区域水库下游河道输沙量的还原方法、系统及介质
CN117726043B (zh) * 2024-02-05 2024-05-03 中水君信工程勘察设计有限公司 一种水库水情自动测报及预报方法
CN117788961B (zh) * 2024-02-27 2024-05-10 武汉大学 基于视频图像的河道渠系悬移质含沙量监测方法及系统
CN117808215B (zh) * 2024-03-01 2024-05-10 长江水利委员会水文局 水库群下游河道河床极限冲刷状态的判别方法及系统
CN117933572B (zh) * 2024-03-20 2024-06-11 四川飞洁科技发展有限公司 一种水质预测方法及相关装置
CN118013895B (zh) * 2024-04-10 2024-06-11 水利部交通运输部国家能源局南京水利科学研究院 一种水库深孔前淤积厚度的计算方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108334660B (zh) * 2017-12-28 2021-07-20 中国水利水电科学研究院 一种基于数据同化的强冲积河流的水沙预测方法和系统
US20210089905A1 (en) * 2019-09-19 2021-03-25 Conocophillips Company Machine-learning based system for virtual flow metering
CN111008459B (zh) * 2019-11-14 2021-09-28 天津大学 一种融合人工神经网络与水沙传输机制的河道水沙冲淤演变模拟方法
CN111539153B (zh) * 2020-04-07 2023-12-08 长江水利委员会长江科学院 一种基于预构泥沙信息库的水沙联合优化调度方法
CN114091359B (zh) * 2022-01-21 2022-05-17 中国长江三峡集团有限公司 一种水库水沙预测模型训练、水库水沙预测方法及装置

Also Published As

Publication number Publication date
EP4216117A1 (en) 2023-07-26
CN114091359A (zh) 2022-02-25
EP4216117B1 (en) 2024-01-31

Similar Documents

Publication Publication Date Title
CN114091359B (zh) 一种水库水沙预测模型训练、水库水沙预测方法及装置
Xu et al. Research on particle swarm optimization in LSTM neural networks for rainfall-runoff simulation
Zhang et al. Application of an enhanced BP neural network model with water cycle algorithm on landslide prediction
CN105389980B (zh) 基于长短时记忆递归神经网络的短时交通流预测方法
Najafzadeh et al. Prediction of riprap stone size under overtopping flow using data-driven models
Uncuoglu et al. Comparison of neural network, Gaussian regression, support vector machine, long short-term memory, multi-gene genetic programming, and M5 Trees methods for solving civil engineering problems
CN108830430A (zh) 用于交通流量预测的卷积神经网络多点回归预测模型
Abdollahi et al. Daily mean streamflow prediction in perennial and non-perennial rivers using four data driven techniques
CN108256177A (zh) 一种河流水沙模型的参数优化方法和系统
Ulke et al. Predicting suspended sediment loads and missing data for Gediz River, Turkey
Yang et al. Potential hazard analysis from the viewpoint of flow measurement in large open-channel junctions
Wang et al. Forecast of water level and ice jam thickness using the back propagation neural network and support vector machine methods
Yan et al. Modeling spatial distribution of flow depth in fluvial systems using a hybrid two-dimensional hydraulic-multigene genetic programming approach
Song et al. Study on turbidity prediction method of reservoirs based on long short term memory neural network
Mohammed-Ali et al. Influence of hydropower outflow characteristics on riverbank stability: case of the lower Osage River (Missouri, USA)
Darbandi et al. River flow simulation using a multilayer perceptron-firefly algorithm model
Randrianasolo et al. Impact of streamflow data assimilation and length of the verification period on the quality of short-term ensemble hydrologic forecasts
CN115471679A (zh) 一种天然河道水位流量同步同化方法及智能系统
Zaji et al. Efficient methods for prediction of velocity fields in open channel junctions based on the artifical neural network
Salmasi et al. Prediction of discharge coefficients for broad-crested weirs using expert systems
Yan et al. Two-dimensional convolutional neural network outperforms other machine learning architectures for water depth surrogate modeling
Agarwal et al. Flood forecasting and flood flow modeling in a river system using ANN
Bui et al. Contraction scour estimation using data-driven methods
Yadav et al. Evaluation of bed load equations using field measured bed load and bed material load
Zhang et al. The investigation of shape factors in determining scour depth at culvert outlets

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