CN114896566A - 一种计算闸门过闸流量的智能高效方法 - Google Patents

一种计算闸门过闸流量的智能高效方法 Download PDF

Info

Publication number
CN114896566A
CN114896566A CN202210587101.8A CN202210587101A CN114896566A CN 114896566 A CN114896566 A CN 114896566A CN 202210587101 A CN202210587101 A CN 202210587101A CN 114896566 A CN114896566 A CN 114896566A
Authority
CN
China
Prior art keywords
gate
flow
passing
calculating
neural network
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
CN202210587101.8A
Other languages
English (en)
Other versions
CN114896566B (zh
Inventor
冯志勇
何子杰
黄会勇
王磊
吴永妍
胡钢
李波
万蕙
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.)
Changjiang Institute of Survey Planning Design and Research Co Ltd
Original Assignee
Changjiang Institute of Survey Planning Design and Research 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 Changjiang Institute of Survey Planning Design and Research Co Ltd filed Critical Changjiang Institute of Survey Planning Design and Research Co Ltd
Priority to CN202210587101.8A priority Critical patent/CN114896566B/zh
Publication of CN114896566A publication Critical patent/CN114896566A/zh
Application granted granted Critical
Publication of CN114896566B publication Critical patent/CN114896566B/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
    • 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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/2462—Approximate or statistical 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
    • G06N3/045—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
    • G06N3/08—Learning methods
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E10/00—Energy generation through renewable energy sources
    • Y02E10/20—Hydro energy

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Fuzzy Systems (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Flow Control (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种计算闸门过闸流量的智能高效方法，包括如下步骤：S1：收集工程沿线的闸门布置参数和闸门运行监测数据；S2：对闸门运行监测数据进行筛选清洗；S3：建立闸门全流态过流能力通用计算公式；S4：点绘闸门过闸流量与相对开度的关系；S5：计算闸门综合流量系数，随机分为训练集和验证集；S6：搭建多层前馈神经网络过闸流量智能计算模型，并利用训练集对模型进行训练；S7：采用验证集对训练得到的多层前馈神经网络是否能准确计算不同水力条件下的过闸流量进行验证；S8：对网络参数和网络性能分别进行敏感性分析和稳健性判断。本发明提出了采用多层前馈神经网络智能学习闸门综合流量系数变化，进而计算过闸流量的方法，计算精度高。

Description

一种计算闸门过闸流量的智能高效方法
技术领域
本发明涉及水利工程的技术领域，具体涉及一种计算闸门过闸流 量的智能高效方法。
背景技术
长距离引调水工程输水线路长、供水范围广、引水流量大，闸门 是进行输水渠道运行控制，实现平稳输水的关键水力控制建筑物，准 确计算闸门过流能力是确保工程高效配水、安全输水，实现水量精准 高效调度的前提。采用经验公式计算是目前确定闸门过闸流量的主要 途径。然而在输水工程实际运行中，由于运行工况的不同，闸门前后 水力条件存在明显变化，导致闸门过流能力变幅明显。基于已知函数 形式建立得到的传统过闸流量经验计算模型非线性泛化能力不足，所 计算得到的过闸流量与实测值差异较大，相对误差可达30％以上。此 外，闸门过流存在孔流和堰流两种流态，其过流能力随着运行工况调 整下流态的快速转换而发生明显变化。一般认为孔、堰流转换条件与 相对开度有关，经验做法是将其取为定值，如平底堰相对开度小于 0.65为孔流，大于0.65为堰流；实用堰相对开度小于0.75为孔流， 大于0.75为堰流。然而，流态转换条件除与相对开度有关外，还与 闸门型式和上游来流等有关，其分界准则迄今无充分研究，流态转换 条件的错误判断不可避免地将误差引入过闸流量计算中。
发明内容
本发明的目的在于克服上述背景技术的不足，提供一种计算闸门 过闸流量的智能高效方法，该方法能够自动辨识不同闸门孔、堰流流 态转换临界点。
为实现上述目的，本发明所设计的一种计算闸门过闸流量的智能 高效方法，包括如下步骤：
S1：收集工程沿线的闸门布置参数和闸门运行监测数据；
S2：对闸门运行监测数据进行筛选清洗，排除因设备断电导致的 检测值跳变；
S3：建立闸门全流态过流能力通用计算公式；
S4：点绘闸门过闸流量与相对开度的关系，确定闸门孔流向过渡 流态转换和过渡流态向堰流转换的孔堰流流态转换临界点；
S5：基于闸门全流态过流能力通用计算公式和孔堰流流态转换临 界点，计算得到闸门综合流量系数，并将闸门综合流量系数与闸门开 度、过闸流量、闸前水深、闸后水深数据组成的样本序列随机分为训 练集和验证集；
S6：基于多层前馈神经网络机器学习算法，搭建多层前馈神经网 络过闸流量智能计算模型，并利用训练集对模型进行训练；
S7：采用验证集对训练得到的多层前馈神经网络是否能准确计算 不同水力条件下的过闸流量进行验证，同时分别采用多元回归算法和 规范推荐公式计算验证集过闸流量，并将计算结果与多层前馈神经网 络计算结果进行对比；
S8：对多层前馈神经网络的网络参数和网络性能分别进行敏感性 分析和稳健性判断，调整多层前馈神经网络的学习率和隐含层元个数， 直至计算误差最小时对应的学习率与隐含层元个数；调整多层前馈神 经网络的迭代次数，直至计算误差稳定不变。
上述技术方案中，所述步骤S1中，工程布置参数包括铰高、半 径、底高程、孔宽，孔数、隔墩厚、前段渠段边坡系数；闸门运行监 测数据包括闸门开度、过闸流量、闸前水深、闸后水深。
上述技术方案中，所述步骤S2中，对闸门运行监测数据进行筛 选清洗的原则如下：
S2.1：排除流量、开度、水深监测值缺失时的数据；
S2.2：排除闸前水深小于闸后水深的数据；
S2.3：排除闸门不同闸孔开度差异大时对应的数据；
S2.4：排除相对开度小于0.05时对应的数据。
上述技术方案中，所述步骤S3中，建立闸门全流态过流能力通 用计算公式如下：
Figure BDA0003663817060000031
式中，Q为过闸流量(m3/s)；m为综合流量系数；b为闸门单宽 (m)；e为闸门开度(m)；g为重力加速度(m/s2)；H0为闸前水头 (m)；a为流态转换参数，a为0-1；
当流态转换参数a＝1时，闸门过流状态为孔流，转化为如下公 式：
Figure BDA0003663817060000032
式中，m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)； g为重力加速度(m/s2)；H0为闸前水头(m)；
当流态转换参数a＝0时，闸门过流状态为堰流，转化为如下公 式：
Figure BDA0003663817060000033
式中，m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)； g为重力加速度(m/s2)；H0为闸前水头(m)。
上述技术方案中，所述步骤S4中，利用筛选后得到的闸门运行 监测数据，逐一点绘不同闸门过闸流量和相对开度的关系，并采用幂 指数函数从相对开度最小点开始，逐渐拟合过闸流量和相对开度的关 系曲线，幂指数拟合函数中指数项最接近1时刻对应的相对开度为该 闸门孔流向过渡流态转换的临界点θ1；指数项最接近0时刻对应的相 对开度为该闸门过渡流态向堰流转换的临界点θ2，实现任意闸门不同 流态转换点的自动辨识。
上述技术方案中，所述步骤S5中，基于辨识得到的孔堰流流态 转换临界点，利用闸门全流态过流能力通用计算公式，反算得到闸门 综合流量系数m：
Figure BDA0003663817060000041
Figure BDA0003663817060000042
式中，Q为过闸流量(m3/s)；m为综合流量系数；b为闸门单宽 (m)；e为闸门开度(m)；g为重力加速度(m/s2)；H为闸前水头 (m)；a为流态转换参数，为无量纲参数；θ1为闸门孔流向过渡流态 转换的临界点，为无量纲参数；θ2为过渡流态向堰流转换的临界点， 为无量纲参数；
将反算得到的闸门综合流量系数与闸门开度、过闸流量、闸前水 深和闸后水深数据组成的样本序列的随机80％作为训练集，将剩下的 20％作为验证集。
上述技术方案中，所述步骤S6中，基于多层前馈神经网络机器 学习算法，搭建多层前馈神经网络过闸流量智能计算模型，并利用训 练集对模型进行训练，具体方法如下：
S6.1：神经网络拓扑结构及参数初始化，包括输入层个数、隐含 层元个数、输出层个数，以及迭代次数、学习率、输入层到隐含层连 接权和阈值、隐含层到输出层连接权和阈值；
S6.2：训练集样本归一化，采用闸门开度、闸前水深、闸后水深 和闸门综合流量系数的均值和标准差分别对其进行归一化；
S6.3：根据训练样本和输入层到隐含层的初始化连接权与阈值， 计算隐含层输出：
Figure BDA0003663817060000051
式中，Hj是隐含层输出值；xi是输入值，分别为闸前水深(m)、 闸后水深(m)和闸门开度(m)；ωij是输入层到隐含层的连接权；tj是输入层到隐含层的阈值；n是输入层个数，取值3；l是隐含层元个 数；f是隐含层激活函数，采用Sigmoid函数作为激活函数将输入映 射至0至1区间；
S6.4：根据隐含层输出结果以及隐含层到输出层的初始化连接权 与阈值，计算输出层：
Figure BDA0003663817060000052
式中，Ok是多层前馈神经网络输出值，可用闸门综合流量系数 表示；ωjk是隐含层到输出层的连接权；tk是隐含层到输出层的阈值； m是输出层个数，等于1；
S6.5：根据网络输出值Ok与实测值Yk计算误差Ek：
Ek＝Yk-Ok
S6.6：根据梯度下降理论，根据预测误差，调整网格中的连接权 和阈值：
Figure BDA0003663817060000053
Figure BDA0003663817060000054
式中，η为学习率，Δω代表根据梯度下降理论，通过计算误差 逆向反馈得到的下一次训练中需要连接权的调整量；Δt代表根据梯度 下降理论，通过计算误差逆向反馈得到的下一次训练中需要阈值的调 整量；
S6.7：重复步骤S6.3～S6.6，直到训练次数达到迭代次数。
上述技术方案中，步骤S7中，采用验证集对训练得到的多层前 馈神经网络进行适用性评价，具体为：采用验证集对训练得到的多层 前馈神经网络是否能准确计算不同水力条件下的过闸流量进行验证， 同时分别采用多元回归算法和规范推荐公式计算验证集过闸流量，并 计算采用多元回归算法和规范推荐公式得到的过闸流量与实测值的 误差，进行不同过闸流量计算方法的误差对比，具体方法如下：
S 7.1：输入验证集闸门开度、闸前水深和闸后水深，利用训练得 到的多层前馈神经网络，计算闸门综合流量系数，并利用闸门全流态 过流能力通用计算公式，计算得到闸门过闸流量；
S 7.2：分别采用多元回归算法和规范推荐公式计算验证集过闸流 量，其中多元回归算法是指建立闸门综合流量与相对开度和相对水深 的多元回归公式：
Figure BDA0003663817060000061
式中：H*为相对水深，等于闸后水深除以闸前水深；e*是相对开 度，等于闸门开度除以闸前水深；a、b、c是率定参数，根据训练集 拟合得到；
S 7.3：分别计算采用多元回归算法和规范推荐公式得到的过闸流 量与实测值的误差值和采用神经网络得到的过闸流量与实测值的误 差值，根据误差值进行对比。
上述技术方案中，步骤S7.3中，若采用多层前馈神经网络得到 的过闸流量与实测值的误差值小于采用多元回归算法或规范推荐公 式计算得到的过闸流量与实测值的误差值时，则建立得到的多层前馈 神经网络通过验证；否则，返回步骤S2，复核闸门运行监测数据筛 选清洗结果，排除监测数据误差较大的流量、水位序列，再进行下一 步操作。
与现有技术相比，本发明具有如下优点：
其一，本发明提出了闸门全流态过流能力通用计算公式，计算公 式统一了孔流、堰流和过渡流态下闸门过闸流量计算公式，弥补了传 统方法中需针对不同流态，采用不同公式计算的不足，具有通用性好， 物理意义强，且在流态转换点附近均保持连续的特点。
其二，本发明根据闸门全流态过流能力通用计算公式形式，进而 提出了不同闸门孔、堰流流态转换临界点的自动辨识方法，克服了传 统方法未考虑闸门布置型式影响，人为假定闸门流态转换临界点的缺 陷。
其三，本发明基于全流态过流能力通用公式和孔、堰流流态转换 临界点，本发明提出了采用多层前馈神经网络智能学习闸门综合流量 系数变化，进而计算过闸流量的方法，该方法的过闸流量计算精度较 传统公式提升明显，可较好地计算不同水力条件和开度条件下的闸门 过流能力，对长距离引调水工程精准调度具有指导意义。
附图说明
图1为本发明孔堰流流态转换临界点识别示意图；
图2为多层前馈神经网络拓扑关系图；
图3为采用多层前馈神经网络计算得到的流量与实测值的对比 结果图；
图4为不同方法计算得到的过闸流量与实测值的对比图；
图5为多层前馈神经网络参数敏感性分析图；
图6为多层前馈神经网络稳健性分析图。
具体实施方式
下面结合实施案例详细说明本发明的实施情况，但它们并不构成 对本发明的限定，仅作举例而已。同时通过说明本发明的优点将变得 更加清楚和容易理解。
本发明提供了一种工程闸门过闸流量的智能计算方法，包括如下 步骤：
S1：收集长距离引调水工程沿线所有闸门的工程布置参数，包括 铰高、半径、底高程、孔宽，孔数、隔墩厚、前段渠段边坡系数等， 以及所有闸门2018-2021年每两小时的运行监测数据，包括闸门开度、 过闸流量、闸前水深、闸后水深。
S2：对运行监测数据进行筛选清洗，排除因设备断电等导致的 检测值跳变，筛选原则如下：
(1)排除流量、开度、水深等监测值缺失时的数据；
(2)排除闸前水深小于闸后水深的数据；
(3)排除闸门不同闸孔开度差异过大时对应的数据；
(4)排除相对开度小于0.05时对应的数据，认为该时刻为闸门 不稳定调整状态。
S3：基于传统闸门过闸流量计算公式，推导得到闸门全流态过流 能力通用计算公式，具体步骤包括：
3.1分析孔流和堰流条件下过闸流量经验公式的形式：
孔流：
Figure BDA0003663817060000081
堰流
Figure BDA0003663817060000082
式中，m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)； g为重力加速度(m/s2)；H0为闸前水头(m)。
分析公式(1)、(2)的结构可以发现，孔流和堰流计算公式的差 异体现在相对开度e/H0上
3.2引入反映流态变化的指数项a，建立闸门全流态过流能力通 用计算公式：
Figure BDA0003663817060000083
式中，Q为过闸流量(m3/s)；m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)；g为重力加速度(m/s2)；H0为闸前水头 (m)；a为流态转换参数，a为0-1；a是反映闸门流态变化对过流能 力影响的参数，命名为流态转换参数。当流态转换参数等于1时，公 式(3)转换为闸孔出流计算公式(1)；当流态转换参数等于0时， 公式(3)转换为堰流计算公式(2)；当流态转换参数介于0～1之间 时，闸门处于过渡流态，此时公式(3)计算得到的是闸门过渡流态 下的过闸流量。
S4：根据推导得到的闸门全流态过流能力通用计算公式可知，当 闸门过流状态为孔流时，过闸流量应与相对开度的1次方间存在显著 统计学意义；当闸门过流状态为堰流时，过闸流量应于相对开度的0 次方存在显著统计学意义。基于此规律，利用筛选后得到的运行观测 数据，逐一点绘不同闸门过闸流量和相对开度的关系，并采用幂指数 函数从相对开度最小点开始，逐渐拟合过闸流量和相对开度的关系曲 线，认为幂指数拟合函数中指数项最接近1时刻对应的相对开度为该 闸门孔流向过渡流态转换的临界点θ1；指数项最接近0时刻对应的相 对开度为该闸门过渡流态向堰流转换的临界点θ2，由此实现了任意闸门孔堰流流态转换临界点的自动辨识，如图1所示。
S5：基于辨识得到的孔堰流流态转换临界点，利用闸门全流态过 流能力通用计算公式(3)，反算得到闸门综合流量系数：
Figure BDA0003663817060000091
Figure BDA0003663817060000092
式中，Q为过闸流量(m3/s)；m为综合流量系数；b为闸门单宽 (m)；e为闸门开度(m)；g为重力加速度(m/s2)；H为闸前水头 (m)；a为流态转换参数，为无量纲参数；θ1为闸门孔流向过渡流态 转换的临界点，为无量纲参数；θ2为过渡流态向堰流转换的临界点， 为无量纲参数。
并将反算得到的闸门综合流量系数与闸门开度、闸前水深、闸后 水深和过闸流量数据组成的样本序列的随机80％作为训练样本，将剩 下的20％作为验证样本。
S6：基于多层前馈神经网络机器学习算法，构建闸门过闸流量 智能计算模型，具体步骤如下：
S6.1：神经网络拓扑结构及参数初始化，包括输入层个数、隐含 层元个数、输出层个数，以及迭代次数、学习率、输入层到隐含层连 接权和阈值、隐含层到输出层连接权和阈值，如图2所示。迭代次数 初始化为5000，学习率为0.01，隐含层元个数为8。
S6.2：训练样本归一化，为消除训练样本间不同输入变量数量级 差异对训练结果的影响，采用闸门开度、闸前水深、闸后水深和综合 流量系数的均值和标准差分别对其进行归一化。
S6.3：根据训练样本和输入层到隐含层的初始化连接权与阈值， 计算隐含层输出：
Figure BDA0003663817060000101
式中，Hj是隐含层输出值；xi是输入值；ωij是输入层到隐含层的 连接权；tj是输入层到隐含层的阈值；n是输入层个数，等于3，分别 为闸门开度、闸前水深和闸后水深；l是隐含层元个数；f是隐含层激 活函数，采用Sigmoid函数作为激活函数将输入映射至0至1区间。
S6.4：根据隐含层输出结果以及隐含层到输出层的初始化连接权 与阈值，计算输出层：
Figure BDA0003663817060000102
式中，Ok是多层前馈神经网络输出值，可用闸门综合流量系数 表示；ωjk是隐含层到输出层的连接权；tk是隐含层到输出层的阈值； m是输出层个数，等于1。
S6.5：根据网络输出值Ok与实测值Yk计算误差Ek：
Ek＝Yk-Ok (6)
S6.6：根据梯度下降理论，根据预测误差，调整网格中的连接权 和阈值：
Figure BDA0003663817060000111
式中，η为学习率，Δω代表根据梯度下降理论，通过计算误差 逆向反馈得到的下一次训练中需要连接权的调整量；Δt代表根据梯度 下降理论，通过计算误差逆向反馈得到的下一次训练中需要阈值的调 整量；
S 6.7：重复步骤S 6.3～S 6.6，直到训练次数达到迭代次数。
S7：根据验证集，对训练得到的多层前馈神经网络是否能准确计 算不同水力条件下的过闸流量进行验证，同时分别采用多元回归算法 和规范推荐公式计算验证集过闸流量，并将计算结果与多层前馈神经 网络计算结果进行对比，具体步骤如下：
S7.1：输入验证集闸门开度、闸前水深和闸后水深，利用训练得 到的多层前馈神经网络，计算闸门综合流量系数，并利用闸门全流态 过流能力通用计算公式，计算得到闸门过闸流量，与验证集中实测过 闸流量的对比结果显示，两者吻合较好(图3)。
S7.2：分别采用多元回归算法和规范推荐公式计算验证集过闸流 量，其中多元回归算法是指建立闸门综合流量与相对开度和相对水深 的多元回归公式：
Figure BDA0003663817060000112
式中：H*为相对水深，等于闸后水深除以闸前水深；e*是相对开 度，等于闸门开度除以闸前水深；a、b、c是率定参数，根据训练集 拟合得到。根据闸门综合流量系数多元回归公式，可以计算验证集中 不同水力条件下的过闸流量。
规范公式中闸门综合流量系数由流量系数，侧收缩系数和淹没系 数共同组成，按流态的不同，采用不同公式计算闸门综合流量系数， 具体公式可参考相关设计规范(水闸设计规划SL 265-2016)。根据 计算得到的闸门综合流量系数，可以计算验证集中不同水力条件下的 过闸流量。
S7.3：对比不同计算方法计算得到的过闸流量与实测过闸流量的 关系，如图4所示，基于多元回归算法或规范公式计算得到的过闸流 量与实测值差异较大，计算过闸流量与实测过闸流量散点偏离1:1线 明显，而基于多层前馈神经网络机器学习算法计算得到的过闸流量与 实测值吻合程度较好，计算过闸流量与实测过闸流量散点基本分布在 1:1线附近。
S8：对多层前馈神经网络进行敏感性分析和稳健性判断，以确定 关键参数的选取是否合适，具体步骤如下：
S8.1：调整学习率和隐含层元个数，重新计算步骤S6、S7，研 究神经网络关键参数变化对过闸流量计算精度的影响，结果如图5所 示。计算结果显示网络计算精度随学习率的增加先增加后减小，学习 率太小，网络收敛慢；学习率太大，网络过修正。低学习率下计算精 度与隐含层元个数成正比，大学习率下计算精度与隐含层元个数成反 比，大学习率下隐含神经元过多会导致过拟合。
S8.2：调整迭代次数，重新计算步骤S6、S7，研究多层前馈神 经网络迭代次数变化对过闸流量计算精度的影响，结果如图6所示。 计算结果表明当迭代次数较少时，所有闸门的计算过闸流量的相对误 差随着网络训练次数的增加而减小，但当迭代次数超过1000次后， 所有闸门的计算过闸流量精度提升幅度不明显。
以上，仅为本发明的具体实施方式，应当指出，任何熟悉本领域 的技术人员在本发明所揭示的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内，其余未详细说明的均属于现有技 术。

Claims (9)

1.一种计算闸门过闸流量的智能高效方法，其特征在于：包括如下步骤：
S1：收集工程沿线的闸门布置参数和闸门运行监测数据；
S2：对闸门运行监测数据进行筛选清洗，排除因设备断电导致的检测值跳变；
S3：建立闸门全流态过流能力通用计算公式；
S4：点绘闸门过闸流量与相对开度的关系，确定闸门孔流向过渡流态转换和过渡流态向堰流转换的孔堰流流态转换临界点；
S5：基于闸门全流态过流能力通用计算公式和孔堰流流态转换临界点，计算得到闸门综合流量系数，并将闸门综合流量系数与闸门开度、过闸流量、闸前水深、闸后水深数据组成的样本序列随机分为训练集和验证集；
S6：基于多层前馈神经网络机器学习算法，搭建多层前馈神经网络过闸流量智能计算模型，并利用训练集对模型进行训练；
S7：采用验证集对训练得到的多层前馈神经网络是否能准确计算不同水力条件下的过闸流量进行验证，同时分别采用多元回归算法和规范推荐公式计算验证集过闸流量，并将计算结果与多层前馈神经网络计算结果进行对比；
S8：对多层前馈神经网络的网络参数和网络性能进行敏感性分析和稳健性判断，调整多层前馈神经网络的学习率和隐含层元个数，直至计算误差最小时对应的学习率与隐含层元个数；调整多层前馈神经网络的迭代次数，直至计算误差稳定不变。
2.根据权利要求1所述的计算闸门过闸流量的智能高效方法，其特征在于：所述步骤S1中，工程布置参数包括铰高、半径、底高程、孔宽，孔数、隔墩厚、前段渠段边坡系数；闸门运行监测数据包括闸门开度、过闸流量、闸前水深、闸后水深。
3.根据权利要求2所述的计算闸门过闸流量的智能高效方法，其特征在于：所述步骤S2中，对闸门运行监测数据进行筛选清洗的原则如下：
S2.1：排除流量、开度、水深监测值缺失时的数据；
S2.2：排除闸前水深小于闸后水深的数据；
S2.3：排除闸门不同闸孔开度差异大时对应的数据；
S2.4：排除相对开度小于0.05时对应的数据。
4.根据权利要求3所述的计算闸门过闸流量的智能高效方法，其特征在于：所述步骤S3中，建立闸门全流态过流能力通用计算公式如下：
Figure FDA0003663817050000021
式中，Q为过闸流量(m3/s)；m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)；g为重力加速度(m/s2)；H0为闸前水头(m)；a为流态转换参数，a为0-1；
当流态转换参数a＝1时，闸门过流状态为孔流，转化为如下公式：
Figure FDA0003663817050000022
式中，m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)；g为重力加速度(m/s2)；H0为闸前水头(m)；
当流态转换参数a＝0时，闸门过流状态为堰流，转化为如下公式：
Figure FDA0003663817050000023
式中，m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)；g为重力加速度(m/s2)；H0为闸前水头(m)。
5.根据权利要求4所述的计算闸门过闸流量的智能高效方法，其特征在于：所述步骤S4中，利用筛选后得到的闸门运行监测数据，逐一点绘不同闸门过闸流量和相对开度的关系，并采用幂指数函数从相对开度最小点开始，逐渐拟合过闸流量和相对开度的关系曲线，幂指数拟合函数中指数项最接近1时刻对应的相对开度为该闸门孔流向过渡流态转换的临界点θ1；指数项最接近0时刻对应的相对开度为该闸门过渡流态向堰流转换的临界点θ2，实现任意闸门不同流态转换点的自动辨识。
6.根据权利要求1所述的计算闸门过闸流量的智能高效方法，其特征在于：所述步骤S5中，基于辨识得到的孔堰流流态转换临界点，利用闸门全流态过流能力通用计算公式，反算得到闸门综合流量系数：
Figure FDA0003663817050000031
Figure FDA0003663817050000032
式中，Q为过闸流量(m3/s)；m为综合流量系数；b为闸门单宽(m)；e为闸门开度(m)；g为重力加速度(m/s2)；H为闸前水头(m)；a为流态转换参数，为无量纲参数；θ1为闸门孔流向过渡流态转换的临界点，为无量纲参数，θ2为过渡流态向堰流转换的临界点，为无量纲参数；
将反算得到的闸门综合流量系数与闸门开度、过闸流量、闸前水深和闸后水深数据组成的样本序列的随机80％作为训练集，将剩下的20％作为验证集。
7.根据权利要求1所述的计算闸门过闸流量的智能高效方法，其特征在于：所述步骤S6中，基于多层前馈神经网络机器学习算法，搭建多层前馈神经网络过闸流量智能计算模型，并利用训练集对模型进行训练，具体方法如下：
S6.1：神经网络拓扑结构及参数初始化，包括输入层个数、隐含层元个数、输出层个数，以及迭代次数、学习率、输入层到隐含层连接权和阈值、隐含层到输出层连接权和阈值；
S6.2：训练集样本归一化，采用闸门开度、闸前水深、闸后水深和闸门综合流量系数的均值和标准差分别对其进行归一化；
S6.3：根据训练样本和输入层到隐含层的初始化连接权与阈值，计算隐含层输出：
Figure FDA0003663817050000041
式中，Hj是隐含层输出值；xi是输入值，分别为闸前水深(m)、闸后水深(m)和闸门开度(m)；ωij是输入层到隐含层的连接权；tj是输入层到隐含层的阈值；n是输入层个数，取值3；l是隐含层元个数；f是隐含层激活函数，采用Sigmoid函数作为激活函数将输入映射至0至1区间；
S6.4：根据隐含层输出结果以及隐含层到输出层的初始化连接权与阈值，计算输出层：
Figure FDA0003663817050000042
式中，Ok是多层前馈神经网络输出值；ωjk是隐含层到输出层的连接权；tk是隐含层到输出层的阈值；m是输出层个数，等于1；
S6.5：根据网络输出值Ok与实测值Yk计算误差Ek：
Ek＝Yk-Ok
S6.6：根据梯度下降理论，根据预测误差，调整网格中的连接权和阈值：
Figure FDA0003663817050000043
式中，η为学习率，Δω代表根据梯度下降理论，通过计算误差逆向反馈得到的下一次训练中需要连接权的调整量；Δt代表根据梯度下降理论，通过计算误差逆向反馈得到的下一次训练中需要阈值的调整量；
S6.7：重复步骤S6.3～S6.6，直到训练次数达到迭代次数。
8.根据权利要求1所述的计算闸门过闸流量的智能高效方法，其特征在于：步骤S7中，采用验证集对训练得到的多层前馈神经网络进行适用性评价，具体为：采用验证集对训练得到的多层前馈神经网络是否能准确计算不同水力条件下的过闸流量进行验证，同时分别采用多元回归算法和规范推荐公式计算验证集过闸流量，并计算采用多元回归算法和规范推荐公式得到的过闸流量与实测值的误差，进行不同过闸流量计算方法的误差对比，具体方法如下：
S7.1：输入验证集闸门开度、闸前水深和闸后水深，利用训练得到的多层前馈神经网络，计算闸门综合流量系数，并利用闸门全流态过流能力通用计算公式，计算得到闸门过闸流量；
S7.2：分别采用多元回归算法和规范推荐公式计算验证集过闸流量，其中多元回归算法是指建立闸门综合流量与相对开度和相对水深的多元回归公式：
Figure FDA0003663817050000051
式中：H*为相对水深，等于闸后水深除以闸前水深；e*是相对开度，等于闸门开度除以闸前水深；a、b、c是率定参数，根据训练集拟合得到；
S7.3：分别计算采用多元回归算法和规范推荐公式得到的过闸流量与实测值的误差值和采用神经网络得到的过闸流量与实测值的误差值，根据误差值进行对比。
9.根据权利要求8所述的计算闸门过闸流量的智能高效方法，其特征在于：步骤S7.3中，若采用多层前馈神经网络得到的过闸流量与实测值的误差值小于采用多元回归算法或规范推荐公式计算得到的过闸流量与实测值的误差值时，则建立得到的多层前馈神经网络通过验证；否则，返回步骤S2，复核闸门运行监测数据筛选清洗结果。
CN202210587101.8A 2022-05-26 2022-05-26 一种计算闸门过闸流量的智能高效方法 Active CN114896566B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210587101.8A CN114896566B (zh) 2022-05-26 2022-05-26 一种计算闸门过闸流量的智能高效方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210587101.8A CN114896566B (zh) 2022-05-26 2022-05-26 一种计算闸门过闸流量的智能高效方法

Publications (2)

Publication Number Publication Date
CN114896566A true CN114896566A (zh) 2022-08-12
CN114896566B CN114896566B (zh) 2024-08-27

Family

ID=82725802

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210587101.8A Active CN114896566B (zh) 2022-05-26 2022-05-26 一种计算闸门过闸流量的智能高效方法

Country Status (1)

Country Link
CN (1) CN114896566B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269972A (zh) * 2011-03-29 2011-12-07 东北大学 基于遗传神经网络的管道压力缺失数据补偿方法及装置
CN111680460A (zh) * 2020-06-12 2020-09-18 中国电建集团昆明勘测设计研究院有限公司 水力自动翻板闸门流量系数的确定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102269972A (zh) * 2011-03-29 2011-12-07 东北大学 基于遗传神经网络的管道压力缺失数据补偿方法及装置
CN111680460A (zh) * 2020-06-12 2020-09-18 中国电建集团昆明勘测设计研究院有限公司 水力自动翻板闸门流量系数的确定方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
曹玉升;畅建霞;陈晓楠;黄会勇;: "基于遗传程序的南水北调中线节制闸过闸流量计算模型研究", 水利学报, no. 06, 15 June 2016 (2016-06-15) *
田晓青;刘松良;: "基于人工神经网络的过闸流量软测量研究", 电子产品世界, no. 10, 15 October 2013 (2013-10-15) *
阮燕云;张翔;夏军;张永勇;张洪斌;: "闸门对河道污染物影响的模拟研究", 武汉大学学报(工学版), no. 05, 28 October 2009 (2009-10-28) *
顾正华;李荣;: "感潮水闸流量神经网络计算模型研究", 海洋工程, no. 03, 15 August 2007 (2007-08-15) *

Also Published As

Publication number Publication date
CN114896566B (zh) 2024-08-27

Similar Documents

Publication Publication Date Title
CN109033450B (zh) 基于深度学习的电梯设备故障预测方法
CN106872657A (zh) 一种多变量水质参数时序数据异常事件检测方法
CN109524139A (zh) 一种基于设备工况变化的实时设备性能监测方法
CN108647805B (zh) 一种山洪灾害临界雨量综合检验方法
CN110555230B (zh) 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN108335487B (zh) 一种基于交通状态时序性的道路交通状态预测系统
CN112504357B (zh) 一种河道过流能力动态分析方法和系统
CN111625988A (zh) 基于深度学习的桥梁健康管理分析与预测系统及方法
CN108595803B (zh) 基于递归神经网络的页岩气井生产压力预测方法
CN111612029B (zh) 机载电子产品故障预测方法
CN113094923A (zh) 考虑多源不确定性的多参数相关退化产品可靠性评估方法
CN112836758B (zh) 基于双层循环神经网络的独立计量区域管网漏损检测方法
CN114896903A (zh) 一种基于强制学习的油田生产系统决策优化方法
CN105005822A (zh) 基于最优步长与模型动态选择的特高拱坝响应预测方法
CN103714382A (zh) 一种城轨列车安全检测传感网可靠性多指标综合评估方法
CN110147827A (zh) 一种基于iaalo-svm与相似性度量的故障预测方法
CN114858207A (zh) 一种基于软测量的河道排污口网格化溯源排查方法
CN114757365A (zh) 一种基于深度学习的高速铁路路基沉降预测及预警方法
CN111783212A (zh) 一种斜拉桥典型损伤识别方法
CN115948964A (zh) 一种基于ga-bp神经网络的路面平整度预测方法
CN108648449A (zh) 基于卡尔曼滤波和nar神经网络组合的车位预测方法
CN110807511A (zh) 粗糙集理论-循环神经网络模型结构
Mao et al. Comparative study on prediction of fuel cell performance using machine learning approaches
CN117995314B (zh) 基于机器学习的含聚污水重力式沉降清淤界限预测方法
CN112819087B (zh) 一种基于模块化神经网络的出水bod传感器异常检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant