CN114693088B - 一种水库温度场影响因素分析方法、装置及存储介质 - Google Patents
一种水库温度场影响因素分析方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114693088B CN114693088B CN202210256577.3A CN202210256577A CN114693088B CN 114693088 B CN114693088 B CN 114693088B CN 202210256577 A CN202210256577 A CN 202210256577A CN 114693088 B CN114693088 B CN 114693088B
- Authority
- CN
- China
- Prior art keywords
- reservoir
- temperature field
- numerical
- space
- reservoir temperature
- 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
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000000556 factor analysis Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 28
- 230000009467 reduction Effects 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims abstract description 24
- 230000015654 memory Effects 0.000 claims description 26
- 238000004088 simulation Methods 0.000 claims description 20
- 239000000203 mixture Substances 0.000 claims description 18
- 238000000513 principal component analysis Methods 0.000 claims description 16
- 238000012625 in-situ measurement Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 abstract description 22
- 230000008569 process Effects 0.000 abstract description 8
- 238000010801 machine learning Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000013517 stratification Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002595 cold damage Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000013107 unsupervised machine learning method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06F16/22—Indexing; Data structures therefor; Storage structures
- G06F16/2228—Indexing structures
- G06F16/2264—Multidimensional index structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Probability & Statistics with Applications (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种水库温度场影响因素分析方法、装置及存储介质,该水库温度场影响因素分析方法包括:获取水库中各个空间点的数值结果;对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况。本发明实施例提供的水库温度场影响因素分析方法、装置及存储介质,通过获取水库中各个空间点的数值结果,然后采用聚类和降维处理的方式能够将多个空间点以及相应的数值结果进行分类以及冗余信息处理,由此能够得到每个类中的主要影响因素。该水库温度场影响因素分析方法,可以精确的识别出整个库区内对温度场的主要影响因素分布,为大型水库的水环境治理提供了科学依据。
Description
技术领域
本发明涉及大型水库温度场分析技术领域,具体涉及一种水库温度场影响因素分析方法、装置及存储介质。
背景技术
大型水库的水温分层以及低温水下泄对当地河流生态系统产生了负面影响,越来越受到关注。
大型水库蓄水后,改变了库区的水力学特性,水体流动减缓,表层水体由于太阳辐射温度较高,底层常年保持低温,垂向水温出现分层现象,继而对库区及下游造成严重的环境影响:水温分层引起水质参数分层,导致水质恶化;低温水下泄致使农作物遭受“冷害”减产,推迟鱼类产卵期等,对水生态产生不利影响。目前水库温度场的分析,仅从结果、现象进行规律性概括分析,并没有对温度场的影响因素进行更进一步的分析,缺乏相关分析方法。
而水库温度场的影响因素比较复杂,各影响因素共同作用、相互耦合,不同水库的温度场影响因素不同,同一个水库的不同区域温度场影响因素也不同,想要更有效地改善库区生态环境,需要更加精细地对库区温度场进行分析。因此研究水库温度场影响因素愈发重要,为应对水温分层及低温水下泄带来的负面生态影响提供科学依据。
发明内容
有鉴于此,本发明实施例提供了涉及一种水库温度场影响因素分析方法、装置及存储介质,以解决现有技术中缺乏对温度场影响因素分析方法的技术问题。
本发明提出的技术方案如下:
本发明实施例第一方面提供一种水库温度场影响因素分析方法,包括:获取水库中各个空间点的数值结果;对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况。
可选地,所述数值结果采用数值模拟结合实地测量的方式获取。
可选地,获取水库中各个空间点的数值结果,包括:将水库空间进行离散,得到多个离散的空间点;使用数值模拟技术计算每个离散空间点的数值结果,所述数值模拟技术至少包括N-S方程以及热传导方程为核心的求数值解的技术。
可选地,在对所述数值结果进行聚类和降维处理之前,还包括:对所述数值结果进行归一化和标准化处理;将处理后的数值结果转换为txt数据格式、csv数据格式或xls数据格式。
可选地,对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况,包括:基于高斯混合模型,对所述数值结果形成的高维数据进行聚类,将所有离散的空间点分为若干个类;根据稀疏主成分分析对每个类进行降维处理,得到每个类里面与温度相关性最高的主特征;根据每个类固有的空间位置以及上一步得到的该类与温度相关性最高的主特征,得到水库温度场的影响因素在水库空间上的分布情况。
可选地,所述高斯混合模型选择变分贝叶斯高斯混合模型;或者,根据水库温度场影响因素的数量以及贝叶斯信息准则确定分类数。
可选地,根据稀疏主成分分析对每个类进行降维处理,得到每个类里面与温度相关性最高的主特征,包括:根据预设残差增长率确定选用的正则化值;基于选定的正则化值,采用稀疏主成分分析算法跟踪每个类中非零方差的方向,得到每个类里面与温度相关性最高的主特征。
本发明实施例第二方面提供一种水库温度场影响因素分析装置,包括:数值获取模块,用于获取水库中各个空间点的数值结果;分析模块,用于对所述数值结果进行聚类和降维处理,确定水库温度场的影响因素空间分布情况。
本发明实施例第三方面提供一种计算机可读存储介质,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本发明实施例第一方面及第一方面任一项所述的水库温度场影响因素分析方法。
本发明实施例第四方面提供一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如本发明实施例第一方面及第一方面任一项所述的水库温度场影响因素分析方法。
本发明提供的技术方案,具有如下效果:
本发明实施例提供的水库温度场影响因素分析方法、装置及存储介质,通过获取水库中各个空间点的数值结果,然后采用聚类和降维处理的方式能够将多个空间点以及相应的数值结果进行分类以及冗余信息处理,由此能够得到每个类中的主要影响因素。该水库温度场影响因素分析方法,可以精确的识别出整个库区内对温度场的主要影响因素分布,为大型水库的水环境治理提供了科学依据。
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是根据本发明实施例的水库温度场影响因素分析方法的流程图;
图2是根据本发明另一实施例的水库温度场影响因素分析方法的流程图;
图3是根据本发明另一实施例的水库温度场影响因素分析方法的流程图;
图4是根据本发明实施例的水库温度场影响因素分析装置的结构框图;
图5是根据本发明实施例提供的计算机可读存储介质的结构示意图;
图6是根据本发明实施例提供的电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,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,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
根据本发明实施例,提供了一种水库温度场影响因素分析方法,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
在本实施例中提供了一种水库温度场影响因素分析方法,可用于电子设备,如电脑、手机、平板电脑等,图1是根据本发明实施例水库温度场影响因素分析方法的流程图,如图1所示,该方法包括如下步骤:
步骤S101:获取水库中各个空间点的数值结果。具体地,数值结果采用数值模拟以及实地测量的方式获取。例如先采用实地测量的方式获取相应的温度等部分数据,然后采用数值模拟的方式再对相应的数据进行模拟,若和实地测量的结果在误差允许范围内,则可以采用数值模拟的方式计算所有水库温度场影响因素的数值结果。由于部分影响因素可能无法通过实地测量的方式直接获取,因此,采用实地测量和数值模拟结合的方式可以获取所有的数值结果。其中,数值模拟中采用的初始条件也可以采用实地测量的方式获取。
在该实施方式中,数值模拟可以采用现有的fluent、mike等CFD仿真计算软件,也可以利用OPENFOAM等开源软件进行计算,本发明实施例对此不做限定。
步骤S102:对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况。具体地,上述获取的数值结果为多个空间点的数值结果,对该数值结果进行聚类处理,可以将具有相似特征的空间点进行聚集,即将水库空间分为了多个区域。然后对聚集得到的每个类进行降维处理,能够去除每个类中的冗余信息,得到相应类中空间点对应的多个水库温度场影响因素中的主要影响因素,由每个类的空间位置以及每个类对应的主要影响因素即可得到水库温度场的影响因素空间分布情况。
本发明实施例提供的水库温度场影响因素分析方法,通过获取水库中各个空间点的数值结果,然后采用聚类和降维处理的方式能够将多个空间点以及相应的数值结果进行分类以及冗余信息处理,由此能够得到每个类中的主要影响因素。该水库温度场影响因素分析方法,可以精确的识别出整个库区内对温度场的主要影响因素分布,为大型水库的水环境治理提供了科学依据。
在一实施方式中,如图2所示,获取水库中各个空间点的数值结果,包括如下步骤:
步骤S201:将水库空间进行离散,得到多个离散的空间点。具体地,可以采用数值模拟的前处理技术将水库中的连续空间进行离散,能够将该连续空间离散得到多个空间点。
步骤S202:使用数值模拟技术计算每个离散空间点的数值结果,所述数值模拟技术至少包括N-S方程(纳维-斯托克斯方程,Navier-Stokes equations)以及热传导方程为核心的求数值解的技术。其中,对于每一个空间点运用数值模拟技术进行相应数值结果的求解。具体选用的方程可以根据所选用的数值模拟的方法进行确定,即先选用相应的数值模拟方法,然后确定该数值模拟方法对应的控制方程即可。
在采用数值模拟技术进行求解时,可以根据实地测量的数据资料确定边界条件,通过对控制方程中的单独项进行求解,即可确定控制方程每个单独项的数值结果。具体地,对于N-S方程或热传导方程等控制方程而言,其中的单独项基本包含了所有可能会对水库温度场产生影响的影响因素,因此,通过对控制方程的求解,即可计算得到相应影响因素的数值结果。
其中,水库温度场影响因素具体包括空间点上水体的流速、压强、时变加速度、位变加速度、以及边界条件等多种,其中,边界条件包括来流流量、来流水温、气温、风速、云量等。通过上述控制方程对每个离散点进行求解,可以计算得到每个离散空间点对应的包含上述多种影响因素的数值结果。即对于每个离散空间点,对应包含水温和水库温度场影响因素相应计算结果的多组数据。由此,对于每个离散空间点采用控制方程计算得到的每个项均采用一个坐标轴表示,从而形成对应每个离散空间点的多维方程空间,方便后续对每个项进行单独评估。
在一实施方式中,在对所述数值结果进行聚类和降维处理之前,还包括:对所述数值结果进行归一化和标准化处理;将处理后的数值结果转换为txt数据格式、csv数据格式或xls数据格式。其中,归一化和标准化处理能够提高分析速度,具体可以采用当前已知的归一化和标准化处理过程,在此不再赘述。转换的格式可以根据后续聚类所需的格式确定,通过格式转换可以使得数值结果更易于读取。除了上述处理,还可以对数值结果进行清洗,去除其中的无效数据。
在一实施方式中,如图3所示,对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况,包括如下步骤:
步骤S301:基于高斯混合模型,对所述数值结果形成的高维数据进行聚类,将所有离散的空间点分为若干个类。具体地,在进行聚类时采用无监督机器学习中的高斯混合模型(GMM,Gaussian Mixed Model)。由于水库中的各类数据与季节变换等因素有关,属于周期性的数据,因此采用高斯混合模型对数据结果进行聚类更容易确定其中相似性的规律,得到的聚类结果也更加准确。
其中,在采用高斯混合模型进行聚类之前,需要先指定最终聚类得到的类(cluster)的数量。具体地,在指定时,可以根据水库温度场影响因素的数量以及贝叶斯信息准则确定。此外,也可以采用变分贝叶斯高斯混合模型避免提前指定类的数量。通过高斯混合模型进行聚类,能够将多个离散空间点分离成具有不同均值和协方差矩阵的类。
具体地,在采用高斯混合模型进行聚类时,可以在python语言环境中于本实例from sklearn.mixture import GaussianMixture,使用mixture.GaussianMixture()即可;对于参数选择,n_components(混合高斯模型个数,即聚类得到的类的个数)可参考所选用数值模拟控制方程项的数量以及BIC准则进行选择,或者使用变分贝叶斯高斯混合模型避免提前指定n_components,将各个点分离成不同均值和协方差矩阵的cluster。对于covariance_type(协方差类型)一般选择‘full’,其他参数可以保持默认,即可开始使用fit和predict命令进行学习分类。
步骤S302:根据稀疏主成分分析对每个类进行降维处理,得到每个类里面与温度相关性最高的主特征。其中,在上述聚类计算后,能够得到多个类。但是,在每个类别中会有冗余的信息,无法确定各个类别中起作用的关键项或者说主导的影响因素。因此,需要对每个类进行降维处理,剔除其中的冗余信息。而稀疏主成分分析(Sparse PCA,SparsePrincipal Component Analysis)相比于传统的PCA分析具有更强的冗余信息剔除能力,故采用稀疏主成分分析Sparse PCA自动识别各个类别中的关键项。
具体地,在降维处理时,将稀疏主成分分析应用于聚类得到的每个类别中的每个离散空间点,每个类别中的关键项都给出了最大方差方向,稀疏近似中的非零分量对应于该类别中的关键项。为了避免残差增长过快,可以先根据预设残差增长率确定选用的正则化值;基于选定的正则化值,采用稀疏主成分分析算法跟踪每个类中非零方差的方向,得到每个类里面与温度相关性最高的主特征。
在实施例中,可以在python语言环境中通过输入from sklearn.decompositionimport SparsePCA,可以使用SparsePCA()命令指定模型参数,使用SparsePCA.fit对模型训练,为了避免残差增长过快,需要先选定最优的正则化值,然后使用选定的值重新运行Sparse PCA,使用numpy.Nonzero()跟踪每个类别中非零方差的方向。
步骤S303:根据每个类固有的空间位置以及上一步得到的该类与温度相关性最高的主特征,得到水库温度场的影响因素在水库空间上的分布情况。通过上述聚类和降维处理,能够得到每个类别中与温度相关性最高的主特征,所有的主特征构成了水库温度场的影响因素。由此,通过聚类和降维分析,不仅能得到该水库温度场的影响因素,还能确定影响水库空间各个区域的主要影响因素即影响因素的空间分布情况。其中,为了方便直观的了解和交流,本实施例中采用matplotlib.pyplot对结果进行整理和表达,绘出热图、云图以及等值线图等,进一步加深对计算结果的了解和学习。
在确定水库温度场的影响因素后,还可以对该影响因素进行经验性合理性分析,若影响因素中存在明显的问题,则返回对高斯混合模型以及稀疏主成分分析的参数进行调整,直至消除异常结果为止。
本发明实施例提供的水库温度场影响因素分析方法,首先对库区进行数值模拟或者实地测量,并对数值结果进行处理,按控制方程中的各个项进行方程空间的表示;将处理好的数据格式整理成所选用的机器学习模型规定的格式,并导入选用的无监督机器学习模型框架,方便下一步对数据进行训练和处理;采用无监督机器学习中的高斯混合模型GMM对数据进行聚类;再用稀疏主成分分析Sparse PCA识别各个类别中的主要成分;最后根据识别出的主要成分,确定库区温度场的影响因素的分布情况。本发明通过无监督机器学习方法,可对库区温度场的影响因素进行精确分析,提供了一种可行的技术路线,为改善大型水库温度场的分布情况,进而改善库区生态环境提供技术支撑。
本发明实施例提供的水库温度场影响因素分析方法可以应用于大型水库温度场的分析,在以往大型水库温度场的分析中,数值模拟和实地测量都有较多的应用,但大多都局限于对温度场的模拟或者资料获取,而对于大型水库温度场的形成原因以及演化机制、各个库区段(库首、库中、库尾)内对温度场(尤其是垂向的水温结构)的主要影响因素缺乏精确的分析方法,仅局限于理论上的推导或者经验性的描述,难以对某一具体的水库进行精确的分析,指出各个库区段的主要影响因素。在使用本发明提供的水库温度场影响因素分析方法时,基于无监督机器学习中的GMM和Sparse PCA模型对库区温度场的主要影响因素进行自动识别,可以精确的识别出整个库区内对温度场的主要影响因素分布,为大型水库的水环境治理提供了科学依据。
本发明实施例还提供一种水库温度场影响因素分析装置,如图4所示,该装置包括:
数值获取模块,用于获取水库中各个空间点的数值结果;具体内容参见上述方法实施例对应部分,在此不再赘述。
分析模块,用于对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况。具体内容参见上述方法实施例对应部分,在此不再赘述。
本发明实施例提供的水库温度场影响因素分析装置,通过获取水库中各个空间点的数值结果,然后采用聚类和降维处理的方式能够将多个空间点以及相应的数值结果进行分类以及冗余信息处理,由此能够得到每个类中的主要影响因素。该水库温度场影响因素分析装置,可以精确的识别出整个库区内对温度场的主要影响因素分布,为大型水库的水环境治理提供了科学依据。
本发明实施例提供的水库温度场影响因素分析装置的功能描述详细参见上述实施例中水库温度场影响因素分析方法描述。
本发明实施例还提供一种存储介质,如图5所示,其上存储有计算机程序601,该指令被处理器执行时实现上述实施例中水库温度场影响因素分析方法的步骤。该存储介质上还存储有水文、气象数据、数值模拟结果数据、交互请求信令、加密数据以及预设数据大小等。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 Access Memory,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;所述存储介质还可以包括上述种类的存储器的组合。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、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;所述存储介质还可以包括上述种类的存储器的组合。
本发明实施例还提供了一种电子设备,如图6所示,该电子设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线或者其他方式连接,图6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。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的对应的程序指令/模块。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的水库温度场影响因素分析方法。
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装置、至少一个功能所需要的应用程序;存储数据区可存储处理器51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处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-3所示实施例中的水库温度场影响因素分析方法。
上述电子设备具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (9)
1.一种水库温度场影响因素分析方法,其特征在于,包括:
获取水库中各个空间点的数值结果;
对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况;
对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况,包括:
基于高斯混合模型,对所述数值结果形成的高维数据进行聚类,将所有离散的空间点分为若干个类;
根据稀疏主成分分析对每个类进行降维处理,得到每个类里面与温度相关性最高的主特征;
根据每个类固有的空间位置以及上一步得到的该类与温度相关性最高的主特征,得到水库温度场的影响因素在水库空间上的分布情况。
2.根据权利要求1所述的水库温度场影响因素分析方法,其特征在于,所述数值结果采用数值模拟结合实地测量的方式获取。
3.根据权利要求2所述的水库温度场影响因素分析方法,其特征在于,获取水库中各个空间点的数值结果,包括:
将水库空间进行离散,得到多个离散的空间点;
使用数值模拟技术计算每个离散空间点的数值结果,所述数值模拟技术至少包括N-S方程以及热传导方程为核心的求数值解的技术。
4.根据权利要求1所述的水库温度场影响因素分析方法,其特征在于,在对所述数值结果进行聚类和降维处理之前,还包括:
对所述数值结果进行归一化和标准化处理;
将处理后的数值结果转换为txt数据格式、csv数据格式或xls数据格式。
5.根据权利要求1所述的水库温度场影响因素分析方法,其特征在于:
所述高斯混合模型选择变分贝叶斯高斯混合模型;
或者,根据水库温度场影响因素的数量以及贝叶斯信息准则确定分类数。
6.根据权利要求1所述的水库温度场影响因素分析方法,其特征在于,根据稀疏主成分分析对每个类进行降维处理,得到每个类里面与温度相关性最高的主特征,包括:
根据预设残差增长率确定选用的正则化值;
基于选定的正则化值,采用稀疏主成分分析算法跟踪每个类中非零方差的方向,得到每个类里面与温度相关性最高的主特征。
7.一种水库温度场影响因素分析装置,其特征在于,包括:
数值计算模块,用于获取水库中各个空间点的数值结果;
分析模块,用于对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况;
对所述数值结果进行聚类和降维处理,得到水库温度场的影响因素空间分布情况,包括:
基于高斯混合模型,对所述数值结果形成的高维数据进行聚类,将所有离散的空间点分为若干个类;
根据稀疏主成分分析对每个类进行降维处理,得到每个类里面与温度相关性最高的主特征;
根据每个类固有的空间位置以及上一步得到的该类与温度相关性最高的主特征,得到水库温度场的影响因素在水库空间上的分布情况。
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以及数据资料,所述计算机指令用于使所述计算机执行如权利要求1-6任一项所述的水库温度场影响因素分析方法。
9.一种电子设备,其特征在于,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行如权利要求1-6任一项所述的水库温度场影响因素分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256577.3A CN114693088B (zh) | 2022-03-11 | 2022-03-11 | 一种水库温度场影响因素分析方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210256577.3A CN114693088B (zh) | 2022-03-11 | 2022-03-11 | 一种水库温度场影响因素分析方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693088A CN114693088A (zh) | 2022-07-01 |
CN114693088B true CN114693088B (zh) | 2023-06-20 |
Family
ID=82139944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210256577.3A Active CN114693088B (zh) | 2022-03-11 | 2022-03-11 | 一种水库温度场影响因素分析方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114693088B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114861558B (zh) * | 2022-07-07 | 2022-09-20 | 中国长江三峡集团有限公司 | 水库温度场的分区方法、装置、计算机设备及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869442A (zh) * | 2021-10-09 | 2021-12-31 | 哈电发电设备国家工程研究中心有限公司 | 一种基于马尔可夫随机场模型的工业场景工况聚类方法、系统、设备及存储介质 |
CN113883698A (zh) * | 2021-09-23 | 2022-01-04 | 深圳达实智能股份有限公司 | 空调系统制冷站开机策略优化方法、系统及电子设备 |
CN114021501A (zh) * | 2021-11-09 | 2022-02-08 | 华东理工大学 | 一种火灾温度场重构方法、系统、计算机设备、介质及终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5724814B2 (ja) * | 2011-03-30 | 2015-05-27 | 富士通株式会社 | 熱流体シミュレーションプログラム,熱流体シミュレーション装置および熱流体シミュレーション方法 |
-
2022
- 2022-03-11 CN CN202210256577.3A patent/CN114693088B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113883698A (zh) * | 2021-09-23 | 2022-01-04 | 深圳达实智能股份有限公司 | 空调系统制冷站开机策略优化方法、系统及电子设备 |
CN113869442A (zh) * | 2021-10-09 | 2021-12-31 | 哈电发电设备国家工程研究中心有限公司 | 一种基于马尔可夫随机场模型的工业场景工况聚类方法、系统、设备及存储介质 |
CN114021501A (zh) * | 2021-11-09 | 2022-02-08 | 华东理工大学 | 一种火灾温度场重构方法、系统、计算机设备、介质及终端 |
Also Published As
Publication number | Publication date |
---|---|
CN114693088A (zh) | 2022-07-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11238310B2 (en) | Training data acquisition method and device, server and storage medium | |
CN108090456A (zh) | 一种车道线识别方法及装置 | |
Kunjumon et al. | Survey on weather forecasting using data mining | |
CN110135562B (zh) | 基于特征空间变化的蒸馏学习方法、系统、装置 | |
CN110008259A (zh) | 可视化数据分析的方法及终端设备 | |
CN112329680A (zh) | 基于类激活图的半监督遥感影像目标检测和分割方法 | |
CN110096979B (zh) | 模型的构建方法、人群密度估计方法、装置、设备和介质 | |
CN104809479A (zh) | 基于支持向量机的鱼类栖息地适宜性指数建模方法 | |
WO2019019653A1 (zh) | 对地形边界进行提取的设备和方法 | |
CN105046714A (zh) | 一种非监督的基于超像素和目标发现机制的图像分割方法 | |
CN114693088B (zh) | 一种水库温度场影响因素分析方法、装置及存储介质 | |
Li et al. | Lightweight network research based on deep learning: A review | |
CN112180471A (zh) | 天气预报方法、装置、设备及存储介质 | |
US20220383036A1 (en) | Clustering data using neural networks based on normalized cuts | |
CN107392311A (zh) | 序列切分的方法和装置 | |
CN114241230A (zh) | 目标检测模型剪枝方法和目标检测方法 | |
CN113887704A (zh) | 交通信息预测方法、装置、设备及存储介质 | |
CN112364093B (zh) | 一种学习型大数据可视化方法及系统 | |
Chen et al. | A Hyperparameters automatic optimization method of time graph convolution network model for traffic prediction | |
Yang et al. | A big-data processing framework for uncertainties in transportation data | |
Noor et al. | Prediction map of rainfall classification using random forest and inverse distance weighted (IDW) | |
CN114244549B (zh) | 一种面向工业互联网的GSSK-means异常流量检测方法、存储器和处理器 | |
CN114330542A (zh) | 一种基于目标检测的样本挖掘方法、装置及存储介质 | |
CN111554089A (zh) | 一种基于深度学习的交通状态预测方法及装置 | |
Wu et al. | Explainable network pruning for model acceleration based on filter similarity and importance |
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 |