CN114757104A - 一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法 - Google Patents

一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法 Download PDF

Info

Publication number
CN114757104A
CN114757104A CN202210461750.3A CN202210461750A CN114757104A CN 114757104 A CN114757104 A CN 114757104A CN 202210461750 A CN202210461750 A CN 202210461750A CN 114757104 A CN114757104 A CN 114757104A
Authority
CN
China
Prior art keywords
gate
regulation
model
training
control
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
CN202210461750.3A
Other languages
English (en)
Other versions
CN114757104B (zh
Inventor
张召
雷晓辉
景象
陈晓楠
刘爽
靳燕国
刘帅杰
位文涛
王艺霖
杜梦盈
朱杰
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 Institute of Water Resources and Hydropower Research
Original Assignee
China Institute of Water Resources and Hydropower Research
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 Institute of Water Resources and Hydropower Research filed Critical China Institute of Water Resources and Hydropower Research
Priority to CN202210461750.3A priority Critical patent/CN114757104B/zh
Publication of CN114757104A publication Critical patent/CN114757104A/zh
Application granted granted Critical
Publication of CN114757104B publication Critical patent/CN114757104B/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
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/048—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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • 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
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Educational Administration (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Computer Hardware Design (AREA)
  • Primary Health Care (AREA)

Abstract

本发明公开了一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，包括如下步骤，S1、数据收集及预处理；S2、预测节制闸闸门调控状态，构建调控状态预测模型；S3、预测节制闸闸门调控幅度，构建调控幅度预测模型；S4、获取调控状态预测模型和调控幅度预测模型的综合评价结果。本发明以二分类神经网络模型进行节制闸调控状态实时预测，以多分类神经网络模型进行节制闸调控幅度实时预测，进而得到实时调控模型，无需构建求解水动力方程，能适应各类工况，预测结果准确度较高，可满足串联闸群调水工程实时调控需求。

Description

一种基于数据驱动的串联闸群调水工程水力实时调控模型的 构建方法
技术领域
本发明涉及串联闸群调控技术领域，尤其涉及一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法。
背景技术
调水工程用以解决水资源分布不均问题，并通过闸群、泵站等对水系进行控制。节制闸作为河道主要的控制型水工建筑物，其调度规则对河网水情有着直接影响。对节制闸进行准确合理的调控是实现串联闸群调水工程的安全稳定和高效经济运行的关键，也是国内外串联闸群调水工程研究的重点问题。
现阶段的工程调度仍以人工经验决策为主，调控安全稳妥，但决策效率低、劳动强度大、超调频次高。在闸群调度理论中，通过将水动力模型与控制算法、优化算法相结合，可自动生成控制指令，但对工程运行数据测量精度要求高，且模型求解效率低，即该方法难以满足实时决策的工程应用需求。针对以上问题，构建一种利用长序列监测数据搭建神经网络模型进行节制闸实时调控的模型。
目前，尚未出现使用数据驱动的方式进行串联闸群调水工程实时调控的技术方法。
发明内容
本发明的目的在于提供一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，从而解决现有技术中存在的前述问题。
为了实现上述目的，本发明采用的技术方案如下：
一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，包括如下步骤，
S1、数据收集及预处理；
收集所需工程调度的运行数据，并对其进行数据筛选以获取数据集；
S2、预测节制闸闸门调控状态，构建调控状态预测模型；
基于数据集构建第一训练数据集，利用第一训练数据集对二分类神经网络模型进行训练，获取调控状态预测模型；
S3、预测节制闸闸门调控幅度，构建调控幅度预测模型；
基于数据集构建第二训练数据集，利用第二训练数据集对多分类神经网络模型进行训练，获取调控幅度预测模型；
S4、获取调控状态预测模型和调控幅度预测模型的综合评价结果。
优选的，步骤S1具体为，获取所需工程调度的运行数据，并设置一定的调控幅度对运行数据进行数据筛选，剔除超出调控幅度阈值的运行数据，将剩余运行数据汇总为数据集；所述运行数据包括节制闸闸前水位、闸后水位、过闸流量、闸门开度、各个分退水口过闸流量。
优选的，步骤S2具体为，按照合适的比例从数据集中选择节制闸发生调控和未发生调控情况下的运行数据汇总成第一训练数据集；采用交叉验证的方法对所述二分类神经网络模型进行训练，进而选择损失函数评估最优的模型和参数；其中从第一训练数据集中选取一定比例的数据作为第一验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第一训练集和第一测试集；训练过程中二分类神经网络模型以t-m时刻相邻节制闸及预测节制闸的运行数据预测当前时刻预测节制闸的调控状态，以真阳率作为评价指标，获取训练好的二分类神经网络模型，即调控状态预测模型；m＝0,2,4。
具体的，训练过程中，选择第n节制闸为预测节制闸，将上游节制闸n-1的闸前水位
Figure BDA0003620621230000021
闸后水位
Figure BDA0003620621230000022
过闸流量
Figure BDA0003620621230000023
下游节制闸n+1的闸前水位
Figure BDA0003620621230000024
闸后水位
Figure BDA0003620621230000025
过闸流量
Figure BDA0003620621230000026
预测节制闸n的闸前水位
Figure BDA0003620621230000027
闸后水位
Figure BDA0003620621230000028
过闸流量
Figure BDA0003620621230000029
闸门开度
Figure BDA00036206212300000210
相邻两渠池的分水流量
Figure BDA00036206212300000211
作为模型输入，选择预测节制闸当前时刻的调控状态GPt n作为输出结果。
优选的，所述第一训练数据集在输入到二分类神经网络模型进行训练之前，进行Z-Score标准化处理。
优选的，步骤S3具体包括如下内容，
将数据集中调水工程各个节制闸所有发生调控情况的运行数据汇总成第二训练数据集，采用交叉验证的方法对所述多分类神经网络模型进行训练，进而选择损失函数评估最优的模型和参数；其中从第二训练数据集中选取一定比例的数据作为第二验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第二训练集和第二测试集；训练过程中多分类神经网络模型以t-m时刻相邻节制闸及预测节制闸的运行数据预测当前时刻预测节制闸的调控幅度，以平均误差作为评价指标，获取训练好的多分类神经网络模型，即调控幅度预测模型；m＝0,2,4；
具体的，训练过程中，选择第n节制闸为预测节制闸，将上游节制闸n-1的闸前水位
Figure BDA0003620621230000031
闸后水位
Figure BDA0003620621230000032
过闸流量
Figure BDA0003620621230000033
下游节制闸n+1的闸前水位
Figure BDA0003620621230000034
闸后水位
Figure BDA0003620621230000035
过闸流量
Figure BDA0003620621230000036
预测节制闸n的闸前水位
Figure BDA0003620621230000037
闸后水位
Figure BDA0003620621230000038
过闸流量
Figure BDA0003620621230000039
闸门开度
Figure BDA00036206212300000310
相邻两渠池的分水流量
Figure BDA00036206212300000311
作为模型输入，选择预测节制闸当前时刻的调控幅度GPVt n作为输出结果。
优选的，所述第二训练数据集在输入到多分类神经网络模型进行训练之前，进行Normalizer归一化处理。
优选的，所述二分类神经网络模型和多分类神经网络模型均选用多层感知机模型，包括1个输入层和多个全连接层，并在模型中插入BN层和Dropout层。
优选的，所述二分类神经网络模型和所述多分类神经网络模型均采用交叉熵损失函数。
优选的，对所述二分类神经网络模型以及多分类神经网络模型的训练均采用k折交叉验证、批训练的方法和早停方法。
优选的，步骤S4具体为，计算调控状态预测模型和调控幅度预测模型得到的预测值与实际值之间的平均误差及标准差，并将其作为两个模型的综合评价指标。
本发明的有益效果是：1、本方法无需构建求解水动力方程，操作简单方便，且基本上能够满足各个节制闸的调控需求。2、数据维度小，结果计算速度快，可满足实时调控的需求。3、使用二分类神经网络针对闸门是否需要调控进行实时预测，使用多分类神经网络针对具体调控幅度进行实时预测，预测准确度大大提高。4、采用多重交叉验证，提高了模型的泛化性。5、本方法为一套固定的程序，只需进行数据的实时输入，便可自动生成实时调控指令。
附图说明
图1是本发明实施例中模型构建方法的原理流程图；
图2是本发明实施例中二分类神经网络模型的输入量和输出量示意图；
图3是本发明实施例中多分类神经网络模型的输入量和输出量示意图；
图4是本发明实施例中二分类和多分类神经网络模型的结构示意图；
图5是本发明实施例中十二里河渡槽进口节制闸的调控状态预测结果；
图6是本发明实施例中十二里河渡槽进口节制闸幅度预测结果对比图。
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，以下结合附图，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方式仅仅用以解释本发明，并不用于限定本发明。
实施例一
如图1所示，本实施例中，提供了一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，该方法采用两步进行实时预测，即首先基于历史监测数据，利用多层感知机网络构建二分类神经网络模型预测闸门是否发生调控；之后选取历史监测数据中闸门发生调控的数据组成新的数据集并按照不同调控幅值进行分类，构建多分类神经网络模型进行训练，得到节制闸调控幅度预测模型；最后将两个模型进行综合评价，得到实时调控模型。包括如下步骤，
S1、数据收集及预处理；
收集所需工程调度的运行数据，并对其进行数据筛选以获取数据集；
S2、预测节制闸闸门调控状态，构建调控状态预测模型；
基于数据集构建第一训练数据集，利用第一训练数据集对二分类神经网络模型进行训练，获取调控状态预测模型；
S3、预测节制闸闸门调控幅度，构建调控幅度预测模型；
基于数据集构建第二训练数据集，利用第二训练数据集对多分类神经网络模型进行训练，获取调控幅度预测模型；
S4、获取调控状态预测模型和调控幅度预测模型的综合评价结果。
结合上述步骤，可以发现，本发明方法主要包括四部分内容，分别为数据收集与处理、节制闸闸门调控状态预测、节制闸闸门调控幅度预测、获取综合评价结果；下面分别针对这四部分内容进行详细的说明。
一、数据收集与处理
该部分内容对应步骤S1，具体为，获取所需工程调度的运行数据，并设置一定的调控幅度对运行数据进行数据筛选，剔除超出调控幅度阈值的运行数据，将剩余运行数据汇总为数据集；所述运行数据包括节制闸闸前水位、闸后水位、过闸流量、闸门开度、各个分退水口过闸流量。
具体的：在获取调水工程的监测数据后，首先进行数据预处理，应针对各闸门具体调控变化幅度，在长序列历史调度运行数据中选取合适的调控幅度阈值。由于实际调控中可能出现极端工况，比如突降暴雨、发洪水等，从而导致某些时刻调控幅度特别大，而这种随机产生的调控结果是对网络的训练不利的。因此，需统计调水工程节制闸调控幅度变化情况，选择合适的调控幅度阈值，对超出这个阈值的数据进行剔除。
二、节制闸闸门调控状态预测
该部分内容对应步骤S2，具体为，按照合适的比例从数据集中选择节制闸发生调控和未发生调控情况下的运行数据汇总成第一训练数据集；采用交叉验证的方法对所述二分类神经网络模型进行训练，进而选择损失函数评估最优的模型和参数，其中从第一训练数据集中选取一定比例的数据作为第一验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第一训练集和第一测试集；训练过程中二分类神经网络模型以t-m时刻相邻节制闸及预测节制闸的运行数据预测当前时刻预测节制闸的调控状态，以真阳率作为评价指标，获取训练好的二分类神经网络模型，即调控状态预测模型；m＝0,2,4。
具体的，训练过程中，选择第n节制闸为预测节制闸，将上游节制闸n-1的闸前水位
Figure BDA0003620621230000051
闸后水位
Figure BDA0003620621230000052
过闸流量
Figure BDA0003620621230000053
下游节制闸n+1的闸前水位
Figure BDA0003620621230000054
闸后水位
Figure BDA0003620621230000055
过闸流量
Figure BDA0003620621230000056
预测节制闸n的闸前水位
Figure BDA0003620621230000057
闸后水位
Figure BDA0003620621230000058
过闸流量
Figure BDA0003620621230000059
闸门开度
Figure BDA00036206212300000510
相邻两渠池的分水流量
Figure BDA00036206212300000511
作为模型输入，选择预测节制闸当前时刻的调控状态GPt n作为输出结果。
本实施例中，针对节制闸闸门调控状态预测，大致可以包括以下七个具体步骤：
1、首先进行第一训练数据集的制作与划分
对步骤1中已经预处理后的数据(数据集)进行标签分类，节制闸未发生调控动作的情况则归为标签0，节制闸发生调控动作的情况归为标签1。此外，网络训练过程中倘若训练数据集中分类标签所对应数据占比不合理，容易发生过拟合现象，导致预测结果偏向一极。应根据实际情况，按照合适的比例选择有调控和无调控的数据作为第一训练数据集。
为了提升模型的收敛速度及保持数据一致性，拟将所有变量在输入模型时，都进行Z-Score标准化处理；即所述第一训练数据集在输入到二分类神经网络模型进行训练之前，进行Z-Score标准化处理。Z-Score标准化处理的公式为，
Figure BDA0003620621230000061
式中：xij代表第i类输入数据的第j个值，μi为第i类输入数据均值，σi为第i类输入数据的标准差，
Figure BDA0003620621230000062
为标准化之后的输入。
由于实际调度工程长序列调度数据中调控数据较少，若设置训练集、测试集、验证集将导致每个数据集样本个数太少，影响最终模型训练效果。故采用交叉验证方法对所述二分类神经网络模型进行训练，其中从第一训练数据集中选取一定比例的数据作为第一验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第一训练集和第一测试集。
2、输入量和输出量
拟选用输入量及输出量见图2，以t-m(m取值为0、2、4)时刻预测节制闸及相邻节制闸的水情、工情数据，预测当前时刻预测节制闸的调控状态。选择第n节制闸为预测节制闸，将上游节制闸n-1的闸前水位
Figure BDA0003620621230000063
闸后水位
Figure BDA0003620621230000064
过闸流量
Figure BDA0003620621230000065
下游节制闸n+1的闸前水位
Figure BDA0003620621230000066
闸后水位
Figure BDA0003620621230000067
过闸流量
Figure BDA0003620621230000068
预测节制闸n的闸前水位
Figure BDA0003620621230000069
闸后水位
Figure BDA00036206212300000610
过闸流量
Figure BDA00036206212300000611
闸门开度
Figure BDA00036206212300000612
相邻两渠池的分水流量
Figure BDA00036206212300000613
作为模型输入，输出结果为预测节制闸当前时刻的调控状态GPt n。
3、二分类神经网络模型的建立
二分类神经网络采用可控性较强的多层感知机模型，包含输入层和多个全连接层。将Batch Normalization层和全连接层交替输入，且为了避免过拟合的现象发生，在模型中插入dropout层进行神经元的随机失活，最后以sigmoid为激活函数的全连接层作为输出层进行结果的输出。输出值在0～1之间，小于0.5则视为标签0，大于等于0.5则为标签1。
其中模型中插入Batch Normalization层，即将每层的输入重新缩放为均值为0、方差一致的数据，一方面能够加速网络收敛、保证网络稳定收敛，另一方面在一定程度上防止过拟合。
4、选择损失函数
选择合适的损失函数，通过反向传播更新网络参数，来降低预测结果与实际值之间的偏差，使得预测结果更靠近真实值，从而达到学习的目的。分类问题一般采用交叉熵损失函数，公式如下：
Figure BDA0003620621230000071
式中，C为待分类的类别总数，yic为样本i的分类，pic为样本i属于c类的概率。
5、选择优化器
优化器在反向传播过程中，规定了神经网络中的各个参数的更新方向和步长大小，使得在参数更新之后的损失函数的值近似全局最小。优化器的计算结果决定了更新的方向和大小。
6、选择模型的评价指标
对于训练好的模型，需要数学工具直观反应其性能的好坏。选用真阳率(召回率)作为模型的评价指标，发生调控为阳，未发生调控为阴。由于实际的节制闸调控过程中，大部分情况节制闸都不进行调控，需要将注意力集中在模型能否准确预测节制闸的有调控状态，故使用真阳率用以评价模型预测的调控状态是否准确。
7、二分类神经网络模型的训练
采用k折交叉验证方法进行二分类神经网络模型的训练。将已经做好标签的数据集随机分为k份，并挑选k-1份作为第一训练集在该二分类神经网络模型下进行训练，剩余的一份作为第一验证集对训练的结果进行验证，计算保存模型的评价指标，重复进行k次，计算k组评价指标的平均值，作为k折交叉验证下该二分类神经网络模型的评价指标。
为加速模型的训练，选用批(Batch)训练的方法。而Batch Size的大小影响模型的优化程度和速度，同时直接影响到GPU内存的使用情况，应根据实际硬件情况选取合适的数值。
为使得模型能够快速高效稳定地收敛，训练过程采用早停方法使得模型能够自动搜寻较优的训练轮数，并在早停方法中添加迟滞机制，当模型训练未达轮数阈值时不启用早停方法，从而使得早停方法能够在合适的时间点终止训练，使模型达到最优状态。
三、节制闸闸门调控幅度预测
该部分内容对应步骤S3，具体包括如下内容，
将数据集中调水工程各个节制闸所有发生调控情况的运行数据汇总成第二训练数据集，采用交叉验证的方法对所述多分类神经网络模型进行训练，进而选择损失函数评估最优的模型和参数，其中从第二训练数据集中选取一定比例的数据作为第二验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第二训练集和第二测试集；训练过程中多分类神经网络模型以t-m时刻相邻节制闸及预测节制闸的运行数据预测当前时刻预测节制闸的调控幅度，以平均误差作为评价指标，获取训练好的多分类神经网络模型，即调控幅度预测模型；m＝0,2,4；
具体的，训练过程中，选择第n节制闸为预测节制闸，将上游节制闸n-1的闸前水位
Figure BDA0003620621230000081
闸后水位
Figure BDA0003620621230000082
过闸流量
Figure BDA0003620621230000083
下游节制闸n+1的闸前水位
Figure BDA0003620621230000084
闸后水位
Figure BDA0003620621230000085
过闸流量
Figure BDA0003620621230000086
预测节制闸n的闸前水位
Figure BDA0003620621230000087
闸后水位
Figure BDA0003620621230000088
过闸流量
Figure BDA0003620621230000089
闸门开度
Figure BDA00036206212300000810
相邻两渠池的分水流量
Figure BDA00036206212300000811
作为模型输入，选择预测节制闸当前时刻的调控幅度GPVt n作为输出结果。
本实施例中，针对节制闸闸门调控幅度预测，大致可以包括以下内容：
首先，进行第二训练数据集的制作及划分。选取调水工程各个节制闸所有发生调控数据组成第二训练数据集。为了能够准确的预测需要调控的幅度大小，将相同的调控幅值都单独作为一类标签。先对数据进行Normalizer归一化处理，之后将归一化后的数据打上标签。由于发生调控的数据量较少，故采用与步骤2中相同的数据集划分方式。并使用to_categorical函数将原来的类别向量转变为二进制矩阵的独热编码形式，即每一个标签为该矩阵对应的行向量。
多分类神经网络模型的建立步骤如下：所述二分类神经网络模型和多分类神经网络模型均选用多层感知机模型，包括1个输入层和多个全连接层，并在模型中插入BN(BatchNormalization)层和Dropout层；但多分类神经网络模型最后通过以softmax为激活函数的全连接层进行输出。网络输出一个长度与标签数量一致的z-score向量，向量通过softmax激活后转化为对应各标签的概率，而概率最高的即判定为所属标签。
多分类神经网络模型拟选用的输入量及输出量见图3，模型输入量与步骤2相同，但输出结果为预测节制闸当前时刻的调控幅度GPVt n。
本实施例中，多分类神经网络模型的训练过程与二分类神经网络模型的训练过程相同。所述二分类神经网络模型和所述多分类神经网络模型均采用交叉熵损失函数。对所述二分类神经网络模型以及多分类神经网络模型的训练均采用k折交叉验证、批(Batch)训练的方法和早停方法。
四、获取综合评价结果
该部分内容对应步骤S4，具体为，计算调控状态预测模型和调控幅度预测模型得到的预测值与实际值之间的平均误差及标准差，并将其作为两个模型的综合评价指标，进而得到实时调控模型。
实施例二
为了更好地说明本发明方法的执行过程，本实施例以南水北调中线十二里河渡槽进口节制闸为例进行调控模型的构建及预测结果的展示。
在对闸门调控状态进行预测时，由于有调控数据基本上值占据整体数据的5％左右，属严重有偏数据，因此使用惯用的重构数据集方式，按照1:1的比例选择有调控数据和无调控数据构建数据集。二分类和多分类神经网络结构如图4所示，其中全连接层使用Relu激活函数，Dropout层设置为0.5的失活率。损失函数采用categorical_crossentropy损失函数，分类器采用Adam优化器。设置迭代次数为20000次，batch size大小为2000，采取10折交叉验证进行模型训练，在此过程中选取数据集的10％作为验证集，剩余90％的数据在交叉验证过程中以9:1的比例划分为训练集和测试集。
得到十二里河渡槽进口节制闸的调控状态预测结果如图5所示。其中标签1代表预测正确，标签-1代表预测错误。经过计算该节制闸调控状态预测的真阳率达0.93。
十二里河渡槽进口节制闸幅度预测结果对比图如图6所示。经过综合计算本水力实时调控模型针对该节制闸的调控预测得到的平均误差为71.69mm，标准差为64.59mm。
通过采用本发明公开的上述技术方案，得到了如下有益的效果：
本发明提供了一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，本方法无需构建求解水动力方程，操作简单方便，且基本上能够满足各个节制闸的调控需求。本方法数据维度小，结果计算速度快，可满足实时调控的需求。本方法使用二分类神经网络针对闸门是否需要调控进行实时预测，使用多分类神经网络针对具体调控幅度进行实时预测，预测准确度大大提高。本方法采用多重交叉验证，提高了模型的泛化性。本方法为一套固定的程序，只需进行数据的实时输入，便可自动生成实时调控指令。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视本发明的保护范围。

Claims (10)

1.一种基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：包括如下步骤，
S1、数据收集及预处理；
收集所需工程调度的运行数据，并对其进行数据筛选以获取数据集；
S2、预测节制闸闸门调控状态，构建调控状态预测模型；
基于数据集构建第一训练数据集，利用第一训练数据集对二分类神经网络模型进行训练，获取调控状态预测模型；
S3、预测节制闸闸门调控幅度，构建调控幅度预测模型；
基于数据集构建第二训练数据集，利用第二训练数据集对多分类神经网络模型进行训练，获取调控幅度预测模型；
S4、获取调控状态预测模型和调控幅度预测模型的综合评价结果。
2.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：步骤S1具体为，获取所需工程调度的运行数据，并设置一定的调控幅度对运行数据进行数据筛选，剔除超出调控幅度阈值的运行数据，将剩余运行数据汇总为数据集；所述运行数据包括节制闸闸前水位、闸后水位、过闸流量、闸门开度、各个分退水口过闸流量。
3.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：步骤S2具体为，按照合适的比例从数据集中选择节制闸发生调控和未发生调控情况下的运行数据汇总成第一训练数据集；采用交叉验证的方法对所述二分类神经网络模型进行训练，进而选择损失函数评估最优的模型和参数；其中从第一训练数据集中选取一定比例的数据作为第一验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第一训练集和第一测试集；训练过程中二分类神经网络模型以t-m时刻相邻节制闸及预测节制闸的运行数据预测当前时刻预测节制闸的调控状态，以真阳率作为评价指标，获取训练好的二分类神经网络模型，即调控状态预测模型；m＝0,2,4。
具体的，训练过程中，选择第n节制闸为预测节制闸，将上游节制闸n-1的闸前水位
Figure FDA0003620621220000011
闸后水位
Figure FDA0003620621220000012
过闸流量
Figure FDA0003620621220000013
下游节制闸n+1的闸前水位
Figure FDA0003620621220000014
闸后水位
Figure FDA0003620621220000015
过闸流量
Figure FDA0003620621220000016
预测节制闸n的闸前水位
Figure FDA0003620621220000017
闸后水位
Figure FDA0003620621220000018
过闸流量
Figure FDA0003620621220000021
闸门开度
Figure FDA0003620621220000022
相邻两渠池的分水流量
Figure FDA0003620621220000023
作为模型输入，选择预测节制闸当前时刻的调控状态GPt n作为输出结果。
4.根据权利要求3所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：所述第一训练数据集在输入到二分类神经网络模型进行训练之前，进行Z-Score标准化处理。
5.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：步骤S3具体包括如下内容，
将数据集中调水工程各个节制闸所有发生调控情况的运行数据汇总成第二训练数据集，采用交叉验证的方法对所述多分类神经网络模型进行训练，进而选择损失函数评估最优的模型和参数；其中从第二训练数据集中选取一定比例的数据作为第二验证集，剩余部分的数据在使用k折交叉验证过程中被划分为第二训练集和第二测试集；训练过程中多分类神经网络模型以t-m时刻相邻节制闸及预测节制闸的运行数据预测当前时刻预测节制闸的调控幅度，以平均误差作为评价指标，获取训练好的多分类神经网络模型，即调控幅度预测模型；m＝0,2,4；
具体的，训练过程中，选择第n节制闸为预测节制闸，将上游节制闸n-1的闸前水位
Figure FDA0003620621220000024
闸后水位
Figure FDA0003620621220000025
过闸流量
Figure FDA0003620621220000026
下游节制闸n+1的闸前水位
Figure FDA0003620621220000027
闸后水位
Figure FDA0003620621220000028
过闸流量
Figure FDA0003620621220000029
预测节制闸n的闸前水位
Figure FDA00036206212200000210
闸后水位
Figure FDA00036206212200000211
过闸流量
Figure FDA00036206212200000212
闸门开度
Figure FDA00036206212200000213
相邻两渠池的分水流量
Figure FDA00036206212200000214
作为模型输入，选择预测节制闸当前时刻的调控幅度GPVt n作为输出结果。
6.根据权利要求5所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：所述第二训练数据集在输入到多分类神经网络模型进行训练之前，进行Normalizer归一化处理。
7.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：所述二分类神经网络模型和多分类神经网络模型均选用多层感知机模型，包括1个输入层和多个全连接层，并在模型中插入BN层和Dropout层。
8.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：所述二分类神经网络模型和所述多分类神经网络模型均采用交叉熵损失函数。
9.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：对所述二分类神经网络模型以及多分类神经网络模型的训练均采用k折交叉验证、批训练的方法和早停方法。
10.根据权利要求1所述的基于数据驱动的串联闸群调水工程水力实时调控模型的构建方法，其特征在于：步骤S4具体为，计算调控状态预测模型和调控幅度预测模型得到的预测值与实际值之间的平均误差及标准差，并将其作为两个模型的综合评价指标。
CN202210461750.3A 2022-04-28 2022-04-28 一种串联闸群调水工程水力实时调控模型的构建方法 Active CN114757104B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210461750.3A CN114757104B (zh) 2022-04-28 2022-04-28 一种串联闸群调水工程水力实时调控模型的构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210461750.3A CN114757104B (zh) 2022-04-28 2022-04-28 一种串联闸群调水工程水力实时调控模型的构建方法

Publications (2)

Publication Number Publication Date
CN114757104A true CN114757104A (zh) 2022-07-15
CN114757104B CN114757104B (zh) 2022-11-18

Family

ID=82332878

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210461750.3A Active CN114757104B (zh) 2022-04-28 2022-04-28 一种串联闸群调水工程水力实时调控模型的构建方法

Country Status (1)

Country Link
CN (1) CN114757104B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310677A (zh) * 2022-07-18 2022-11-08 四川大学 一种基于二进制编码表示与多分类的航迹预测方法及装置
CN116029462A (zh) * 2023-03-27 2023-04-28 清华大学 渠池闸门流量预测模型的训练方法
CN117473876A (zh) * 2023-12-08 2024-01-30 中国水利水电科学研究院 一种融合shap方法和基因表达式编程的闸群联控方法
CN118690978A (zh) * 2024-08-27 2024-09-24 四川省水利科学研究院 一种水利枢纽闸群调控方法及装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110571792A (zh) * 2019-07-29 2019-12-13 中国电力科学研究院有限公司 一种电网调控系统运行状态的分析评估方法及系统
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
WO2021164228A1 (zh) * 2020-02-17 2021-08-26 平安科技（深圳）有限公司 一种图像数据的增广策略选取方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110571792A (zh) * 2019-07-29 2019-12-13 中国电力科学研究院有限公司 一种电网调控系统运行状态的分析评估方法及系统
WO2021164228A1 (zh) * 2020-02-17 2021-08-26 平安科技（深圳）有限公司 一种图像数据的增广策略选取方法及系统
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
WO2021196997A1 (zh) * 2020-04-02 2021-10-07 中国长江三峡集团有限公司 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)

* Cited by examiner, † Cited by third party
Title
BHIM SINGH等: "Neural-Network-Based Integrated Electronic Load Controller for Isolated Asynchronous Generators in Small Hydro Generation", 《IEEE TRANSACTIONS ON INDUSTRIAL ELECTRONICS》 *
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》 *
马科等: "BP人工神经网络在闸坝调度管理能力评价中的应用", 《计算机系统应用》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115310677A (zh) * 2022-07-18 2022-11-08 四川大学 一种基于二进制编码表示与多分类的航迹预测方法及装置
CN116029462A (zh) * 2023-03-27 2023-04-28 清华大学 渠池闸门流量预测模型的训练方法
CN117473876A (zh) * 2023-12-08 2024-01-30 中国水利水电科学研究院 一种融合shap方法和基因表达式编程的闸群联控方法
CN118690978A (zh) * 2024-08-27 2024-09-24 四川省水利科学研究院 一种水利枢纽闸群调控方法及装置

Also Published As

Publication number Publication date
CN114757104B (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN114757104B (zh) 一种串联闸群调水工程水力实时调控模型的构建方法
CN109685252B (zh) 基于循环神经网络和多任务学习模型的建筑能耗预测方法
Shi et al. Direct interval forecast of uncertain wind power based on recurrent neural networks
US20220318714A1 (en) Method for predicting oxygen load in iron and steel enterprises based on production plan
CN109754113A (zh) 基于动态时间规整与长短时间记忆的负荷预测方法
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
WO2023070293A1 (zh) 一种工业副产煤气系统长期调度方法
CN110070145A (zh) 基于增量聚类的lstm轮毂单品能耗预测
CN112836876B (zh) 一种基于深度学习的配电网线路负荷预测方法
CN109255726A (zh) 一种混合智能技术的超短期风功率预测方法
CN114119273A (zh) 一种园区综合能源系统非侵入式负荷分解方法及系统
CN115271186B (zh) 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法
CN115481788B (zh) 相变储能系统负荷预测方法及系统
Zou et al. Deep non-crossing probabilistic wind speed forecasting with multi-scale features
CN114298377A (zh) 一种基于改进极限学习机的光伏发电预测方法
CN113610328A (zh) 一种发电负荷预测方法
CN111815039A (zh) 基于天气分类的周尺度风电功率概率预测方法及系统
CN113762591B (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
CN116646927A (zh) 一种基于分段滤波与纵横聚类的风电功率预测方法
Jia et al. Water quality prediction method based on LSTM-BP
CN113393119B (zh) 基于场景缩减-深度学习的梯级水电短期调度决策方法
Sun et al. Research on prediction of housing prices based on GA-PSO-BP neural network model: evidence from Chongqing, China
CN109408896A (zh) 一种污水厌氧处理产气量多元智能实时监控方法
Jiang et al. Short-term power load forecasting based on PSO-GRU
Sun et al. Short-Term Exhaust Gas Temperature Trend Prediction of a Marine Diesel Engine Based on an Improved Slime Mold Algorithm-Optimized Bidirectional Long Short-Term Memory—Temporal Pattern Attention Ensemble Model

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