CN115018165A - 基于大数据的洪水预报分析系统及方法 - Google Patents
基于大数据的洪水预报分析系统及方法 Download PDFInfo
- Publication number
- CN115018165A CN115018165A CN202210655219.XA CN202210655219A CN115018165A CN 115018165 A CN115018165 A CN 115018165A CN 202210655219 A CN202210655219 A CN 202210655219A CN 115018165 A CN115018165 A CN 115018165A
- Authority
- CN
- China
- Prior art keywords
- reservoir
- river
- water level
- neural network
- flood
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims abstract description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 83
- 238000013480 data collection Methods 0.000 claims abstract description 57
- 238000003062 neural network model Methods 0.000 claims abstract description 48
- 238000013500 data storage Methods 0.000 claims abstract description 14
- 238000011144 upstream manufacturing Methods 0.000 claims description 32
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 230000000977 initiatory effect Effects 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000006424 Flood reaction Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000010248 power generation Methods 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
- G06Q10/04—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
- 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
- G06F16/2457—Query processing with adaptation to user needs
- G06F16/24575—Query processing with adaptation to user needs using context
-
- 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
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
Abstract
本发明公开了基于大数据的洪水预报分析系统及方法,涉及洪水预报技术领域,包括智慧地图、基础数据收集模块、数据存储模块、历史数据收集模块、实时数据收集模块、实时水位预测模块以及报警模块;通过设置基础数据收集模块预先收集各河段堤防的高度,通过历史数据收集模块收集历史上发生洪水时各个水库的出库流量以及各河段降雨量,训练出可预估最高水位高度的LSTM神经网络模型;再通过实时数据收集模块实时收集河流数据,将实时河流数据输入训练完成的LSTM神经网络模型,获取各河段的最高水位高度,对高度低于最高水位高度的堤防附近的居民区实现报警;解决了洪水对于时序性的依赖问题。
Description
技术领域
本发明属于洪水预报领域,涉及人工智能技术,具体是基于大数据的洪水预报分析系统及方法。
背景技术
河流的洪水泛滥一直是影响居民财产安全和生命安全的一项重大隐患;为此,人们在河流中建造了水库并配备了各种遥测站,用于降低洪水影响;而水库的洪水预报系统是整个水库防洪和发电调度决策系统的核心组成部分,可靠的洪水预报是做好水库防洪及兴利调度的前提。入库洪水预报通常基于流域降雨、蒸发、下垫面条件等建立的洪水预报模型来进行;但这些模型往往由于模型结构及参数所限,难以完全反映流域水文规律;且难以体现出洪水发生的时序性;
为此,提出基于大数据的洪水预报分析系统及方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此,本发明提出基于大数据的洪水预报分析系统及方法,该基于大数据的洪水预报分析系统及方法通过设置基础数据收集模块预先收集各河段堤防的高度,通过历史数据收集模块收集历史上发生洪水时各个水库的出库流量以及各河段降雨量,训练出可预估最高水位高度的LSTM神经网络模型;再通过实时数据收集模块实时收集河流数据,将实时河流数据输入训练完成的 LSTM神经网络模型,获取各河段的最高水位高度,对高度低于最高水位高度的堤防附近的居民区实现报警;解决了洪水对于时序性的依赖问题。
为实现上述目的,根据本发明的第一方面的实施例提出基于大数据的洪水预报分析系统,包括智慧地图、基础数据收集模块、数据存储模块、历史数据收集模块、实时数据收集模块、实时水位预测模块以及报警模块;其中,各个模块之间以电气方式连接;
所述智慧地图用于展示河流信息;所述河流信息包括河流流经区域、河流周边的居民区位置、河流周边堤防位置、河流周边所有遥测站的位置以及河流上修建的所有水库位置;
所述基础数据收集模块主要用于收集河流周边防洪所需的数据;具体的,防洪所需的数据包括居民区与各个堤防的距离、各个堤防的高度、居民区的范围大小以及居民区居住人口等;
所述基础数据收集模块收集到的防洪所需数据保存在数据存储模块中;
所述历史数据收集模块主要用于收集河流上发生的洪水历史数据以及未发生洪水时的历史数据;
将所有的水库集合标记为M;且将水库集合M中的水库按从上游至下游的顺序进行排序;其中的第i个水库标记为Mi;其中i=1,…,|M|;将水库Mi与水库Mi+1之间的遥测站集合标记为Ni,将水库Mi与水库Mi+1 之间的堤防集合标记为Di;
所述历史数据收集模块收集历史上河流发生洪水时的各个遥测站收集的降雨量;以及各个水库的入库流量和出库流量,以及水库Mi与水库 Mi+1之间河段的最高水位高度;
对于未发生洪水时的历史数据,可以从历史上未发生洪水的时间段内,根据实际经验挑选出部分时间的遥测站收集的降雨量、各个水库的入库流量和出库流量以及各个水库之间河段的最高水位高度;
将遥测站测量的降雨量按算术平均法计算每1小时内的区间面雨量;同理,各个水库的入库流量与出库流量均统计1小时的水流流量;最高水位高度统计的同样为1小时内的最高水位高度;
所述历史数据收集模块将收集的发生洪水时以及未发生洪水时的数据发送至数据存储模块;
其中,所述实时数据收集模块主要用于实时收集河流数据;
河流上的所有水库以及遥测站均与实时数据收集模块以无线网络方式连接;且所有水库每隔1小时将水库的入库流量以及出库流量发送至实时数据收集模块;所有遥测站实时将监测的降雨量发送至实时数据收集模块;
所述实时水位预测模块包括神经网络模型训练单元以及神经网络预测单元;
其中,所述神经网络模型训练单元用于训练出可预测水位高度的LSTM 神经网络模型;
所述神经网络训练单元训练可预测水位高度的LSTM神经网络模型包括以下步骤:
步骤S1:神经网络训练单元从数据存储模块中下载历史发生洪水的数据以及未发生洪水的数据;
步骤S2:对于每个上游水库Mi,及其下游水库Mi+1,提取出历史上发生洪水以及未发生洪水时,水库Mi的出库流量以及水库Mi+1的入库流量、遥测站集合Ni中的遥测站监测的降雨量以及水库Mi与水库Mi+1;
步骤S3:将上游水库Mi的每小时出库流量、遥测站集合Ni中的遥测站监测的每小时降雨量作为LSTM神经网络模型的输入;可以理解的是,出库流量以及每小时降雨量等数据根据时间顺序输入至LSTM神经网络模型;下游水库的入库流量以及上游水库Mi与下游水库Mi+1之间河段的最高水位高度作为预测目标;LSTM神经网络模型的输出为预测的下游水库 Mi+1的入库流量以及预测的上游水库Mi与下游水库Mi+1之间河段的最高水位高度;
训练LSTM神经网络模型,直至预测准确率达到95%,停止训练;并将训练完成的LSTM神经网络模型标记为M;将LSTM神经网络模型M发送至神经网络预测单元;
其中,所述神经网络预测单元主要用于实时预测各个河段的水位高度;
所述神经网络预测单元实时预测各个河段的水位高度包括以下步骤:
步骤P1:神经网络预测单元接收来自实时数据收集模块发送的河流数据;
步骤P2:神经网络预测单元将上游水库Mi的出库流量以及遥测站集合Ni中的遥测站监测的降雨量作为LSTM神经网络模型M的输入,估算出下游水库Mi+1的入库流量以及上游水库Mi与下游水库Mi+1之间的河段最高水位高度;
步骤P3:神经网络预测单元将估算出的上游水库Mi与下游水库Mi+1 以及下游水库Mi+1与下游水库Mi+2之间的河段最高水位高度发送至报警模块;
其中,所述报警模块主要用于根据预测的各河段最高水位高度对居民区居民发起洪水预警;
所述报警模块对居民区居民发起洪水预警包括以下步骤:
步骤Q1:所述报警模块获取到估算的上游水库Mi与下游水库Mi+1 以及下游水库Mi+1与下游水库Mi+2之间的河段最高水位高度;
步骤Q2:对于每段河段的最高水位高度,统计此河段中各个堤防的高度,找出此河段中高度低于最高水位高度的堤防;将上游水库Mi与下游水库Mi+1之间河段中,低于最高水位高度的堤防集合标记为Ti;
步骤Q3:遍历堤防集合Ti,找出所有与堤防集合Ti中的堤防距离小于距离阈值d的居民区;并将居民区集合标记为S;所述距离阈值d根据实际经验设置;
步骤Q4:向居民区集合S发起报警。
根据本发明的第二方面实施例提出基于大数据的洪水预报分析方法,包括以下步骤:
步骤一:基础数据收集模块收集河流周边防洪所需的数据;
步骤二:历史数据收集模块收集河流上发生的洪水历史数据以及未发生洪水时的历史数据;
步骤三:实时数据收集模块实时收集河流数据;
步骤四:神经网络模型训练单元训练出可预测水位高度的LSTM神经网络模型;
步骤五:神经网络预测单元实时预测各个河段的水位高度;
步骤六:报警模块根据预测的各河段最高水位高度对居民区居民发起洪水预警。
与现有技术相比,本发明的有益效果是:
本发明通过设置基础数据收集模块预先收集各河段堤防的高度,通过历史数据收集模块收集历史上发生洪水时各个水库的出库流量以及各河段降雨量,训练出可预估最高水位高度的LSTM神经网络模型;再通过实时数据收集模块实时收集河流数据,将实时河流数据输入训练完成的LSTM 神经网络模型,获取各河段的最高水位高度,对高度低于最高水位高度的堤防附近的居民区实现报警;解决了洪水对于时序性的依赖问题。
附图说明
图1为本发明的原理图;
图2为本发明的流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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它实施例,都属于本发明保护的范围。
如图1所示,基于大数据的洪水预报分析系统,包括智慧地图、基础数据收集模块、数据存储模块、历史数据收集模块、实时数据收集模块、实时水位预测模块以及报警模块;其中,各个模块之间以电气方式连接;
其中,所述智慧地图主要用于展示河流信息;所述河流信息包括河流流经区域、河流周边的居民区位置、河流周边堤防位置、河流周边所有遥测站的位置以及河流上修建的所有水库位置;
在一个优选的实施例中,所述智慧地图连接互联网,并实时从卫星地图中获取河流信息;
其中,所述基础数据收集模块主要用于收集河流周边防洪所需的数据;具体的,防洪所需的数据包括居民区与各个堤防的距离、各个堤防的高度、居民区的范围大小以及居民区居住人口等;
可以理解的是,所述基础数据收集模块所需要的数据均可从当地水利部门以及人口统计相关部门获取;
在一个优选的实施例中,所述基础数据收集模块收集到的防洪所需数据保存在数据存储模块中;且智慧地图可实时调取数据存储模块中的防洪所需数据,并在智慧地图中展示;具体的展示方式包括在地图中的堤防处标注堤防高度、在居民区中心位置标注居民区与各个堤防的距离以及居民区的居住人口;
其中,所述历史数据收集模块主要用于收集河流上发生的洪水历史数据以及未发生洪水时的历史数据;
可以理解的是,水库是沿着河流,从河流上游至下游有序建造的;而遥测站同样是沿着河流从上游至下游有序放置的;因此,每两个水库之间,放置有若干个遥测站用于监测降雨量以及若干堤防用于防洪;将所有的水库集合标记为M;且将水库集合M中的水库按从上游至下游的顺序进行排序;其中的第i个水库标记为Mi;其中i=1,…,|M|;将水库Mi与水库 Mi+1之间的遥测站集合标记为Ni,将水库Mi与水库Mi+1之间的堤防集合标记为Di;
所述历史数据收集模块收集历史上河流发生洪水时的各个遥测站收集的降雨量;以及各个水库的入库流量和出库流量,以及水库Mi与水库 Mi+1之间河段的最高水位高度;可以理解的是,河流发生洪水时的遥测站数据以及水库的数据均会作为重要数据源保存在水利相关部门,因此,上述历史数据均可从水利相关部门获取;
可以理解的是,在大多数时间内,河流是处于正常状态的;正常状态下的河流历史数据较为庞大;因此对于未发生洪水时的历史数据,可以从历史上未发生洪水的时间段内,根据实际经验挑选出部分时间的遥测站收集的降雨量、各个水库的入库流量和出库流量以及各个水库之间河段的最高水位高度;
进一步的,由于遥测站测量的降雨量为一段时间内的降雨总量;而 LSTM神经网络模型需要的数据是具有持续性的降雨量;因此,为了更方便的使用LSTM神经网络模型,将遥测站测量的降雨量按算术平均法计算每1小时内的区间面雨量;同理,各个水库的入库流量与出库流量均统计 1小时的水流流量;最高水位高度统计的同样为1小时内的最高水位高度;
所述历史数据收集模块将收集的发生洪水时以及未发生洪水时的数据发送至数据存储模块;
其中,所述实时数据收集模块主要用于实时收集河流数据;
在一个优选的实施例中,河流上的所有水库以及遥测站均与实时数据收集模块以无线网络方式连接;且所有水库每隔1小时将水库的入库流量以及出库流量发送至实时数据收集模块;所有遥测站实时将监测的降雨量发送至实时数据收集模块;
所述实时水位预测模块包括神经网络模型训练单元以及神经网络预测单元;
其中,所述神经网络模型训练单元主要用于训练出可预测水位高度的 LSTM神经网络模型;
所述神经网络训练单元训练可预测水位高度的LSTM神经网络模型包括以下步骤:
步骤S1:神经网络训练单元从数据存储模块中下载历史发生洪水的数据以及未发生洪水的数据;
步骤S2:对于每个上游水库Mi,及其下游水库Mi+1,提取出历史上发生洪水以及未发生洪水时,水库Mi的出库流量以及水库Mi+1的入库流量、遥测站集合Ni中的遥测站监测的降雨量以及水库Mi与水库Mi+1;
步骤S3:将上游水库Mi的每小时出库流量、遥测站集合Ni中的遥测站监测的每小时降雨量作为LSTM神经网络模型的输入;可以理解的是,出库流量以及每小时降雨量等数据根据时间顺序输入至LSTM神经网络模型;下游水库的入库流量以及上游水库Mi与下游水库Mi+1之间河段的最高水位高度作为预测目标;LSTM神经网络模型的输出为预测的下游水库 Mi+1的入库流量以及预测的上游水库Mi与下游水库Mi+1之间河段的最高水位高度;
训练LSTM神经网络模型,直至预测准确率达到95%,停止训练;并将训练完成的LSTM神经网络模型标记为M;将LSTM神经网络模型M发送至神经网络预测单元;
其中,所述神经网络预测单元主要用于实时预测各个河段的水位高度;
所述神经网络预测单元实时预测各个河段的水位高度包括以下步骤:
步骤P1:神经网络预测单元接收来自实时数据收集模块发送的河流数据;
步骤P2:神经网络预测单元将上游水库Mi的出库流量以及遥测站集合Ni中的遥测站监测的降雨量作为LSTM神经网络模型M的输入,估算出下游水库Mi+1的入库流量以及上游水库Mi与下游水库Mi+1之间的河段最高水位高度;
进一步的,为了增强报警的及时性,将预测的下游水库Mi+1的入库流量与遥测站集合Ni+1的中的遥测站监测的降雨量作为LSTM神经网络模型M的输入,估算出下游水库Mi+1与下游水库Mi+2之间河段的最高水位高度;
步骤P3:神经网络预测单元将估算出的上游水库Mi与下游水库Mi+1 以及下游水库Mi+1与下游水库Mi+2之间的河段最高水位高度发送至报警模块;
其中,所述报警模块主要用于根据预测的各河段最高水位高度对居民区居民发起洪水预警;
所述报警模块对居民区居民发起洪水预警包括以下步骤:
步骤Q1:所述报警模块获取到估算的上游水库Mi与下游水库Mi+1 以及下游水库Mi+1与下游水库Mi+2之间的河段最高水位高度;
步骤Q2:对于每段河段的最高水位高度,统计此河段中各个堤防的高度,找出此河段中高度低于最高水位高度的堤防;将上游水库Mi与下游水库Mi+1之间河段中,低于最高水位高度的堤防集合标记为Ti;
步骤Q3:遍历堤防集合Ti,找出所有与堤防集合Ti中的堤防距离小于距离阈值d的居民区;并将居民区集合标记为S;所述距离阈值d根据实际经验设置;
步骤Q4:向居民区集合S发起报警;报警方式可以为高音喇叭以及手机短信的方式。
如图2所示,基于大数据的洪水预报分析方法,包括以下步骤:
步骤一:基础数据收集模块收集河流周边防洪所需的数据;
步骤二:历史数据收集模块收集河流上发生的洪水历史数据以及未发生洪水时的历史数据;
步骤三:实时数据收集模块实时收集河流数据;
步骤四:神经网络模型训练单元训练出可预测水位高度的LSTM神经网络模型;
步骤五:神经网络预测单元实时预测各个河段的水位高度;
步骤六:报警模块根据预测的各河段最高水位高度对居民区居民发起洪水预警。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (8)
1.基于大数据的洪水预报分析系统,其特征在于,包括智慧地图、基础数据收集模块、数据存储模块、历史数据收集模块、实时数据收集模块、实时水位预测模块以及报警模块;其中,各个模块之间以电气方式连接;
所述智慧地图用于展示河流信息;所述河流信息包括河流流经区域、河流周边的居民区位置、河流周边堤防位置、河流周边所有遥测站的位置以及河流上修建的所有水库位置;
所述基础数据收集模块用于收集河流周边防洪所需的数据;
所述历史数据收集模块用于收集河流上发生的洪水历史数据以及未发生洪水时的历史数据;
所述实时数据收集模块用于实时收集河流数据;河流上的所有水库以及遥测站均与实时数据收集模块以无线网络方式连接;且所有水库每隔1小时将水库的入库流量以及出库流量发送至实时数据收集模块;所有遥测站实时将监测的降雨量发送至实时数据收集模块;
所述实时水位预测模块包括神经网络模型训练单元以及神经网络预测单元;所述神经网络模型训练单元用于训练出可预测水位高度的LSTM神经网络模型;所述神经网络预测单元用于实时预测各个河段的水位高度;
所述报警模块用于根据预测的各河段最高水位高度对居民区居民发起洪水预警。
2.根据权利要求1所述的基于大数据的洪水预报分析系统,其特征在于,所述基础数据收集模块收集的防洪所需的数据包括居民区与各个堤防的距离、各个堤防的高度、居民区的范围大小以及居民区居住人口;所述基础数据收集模块收集到的防洪所需数据保存在数据存储模块中。
3.根据权利要求1所述的基于大数据的洪水预报分析系统,其特征在于,所述历史数据收集模块将所有的水库集合标记为M;且将水库集合M中的水库按从上游至下游的顺序进行排序;其中的第i个水库标记为Mi;其中i=1,…,|M|;将水库Mi与水库Mi+1之间的遥测站集合标记为Ni,将水库Mi与水库Mi+1之间的堤防集合标记为Di;
所述历史数据收集模块收集历史上河流发生洪水时的各个遥测站收集的降雨量;以及各个水库的入库流量和出库流量,以及水库Mi与水库Mi+1之间河段的最高水位高度;
对于未发生洪水时的历史数据,从历史上未发生洪水的时间段内,根据实际经验挑选出部分时间的遥测站收集的降雨量、各个水库的入库流量和出库流量以及各个水库之间河段的最高水位高度。
4.根据权利要求3所述的基于大数据的洪水预报分析系统,其特征在于,所述历史数据收集模块将收集到的遥测站测量的降雨量按算术平均法计算每1小时内的区间面雨量;各个水库的入库流量与出库流量均统计1小时的水流流量;最高水位高度统计1小时内的最高水位高度;
所述历史数据收集模块将收集的发生洪水时以及未发生洪水时的数据发送至数据存储模块。
5.根据权利要求1所述的基于大数据的洪水预报分析系统,其特征在于,所述神经网络训练单元训练可预测水位高度的LSTM神经网络模型包括以下步骤:
步骤S1:神经网络训练单元从数据存储模块中下载历史发生洪水的数据以及未发生洪水的数据;
步骤S2:对于每个上游水库Mi,及其下游水库Mi+1,提取出历史上发生洪水以及未发生洪水时,水库Mi的出库流量以及水库Mi+1的入库流量、遥测站集合Ni中的遥测站监测的降雨量以及水库Mi与水库Mi+1;
步骤S3:将上游水库Mi的每小时出库流量、遥测站集合Ni中的遥测站监测的每小时降雨量作为LSTM神经网络模型的输入;下游水库的入库流量以及上游水库Mi与下游水库Mi+1之间河段的最高水位高度作为预测目标;LSTM神经网络模型的输出为预测的下游水库Mi+1的入库流量以及预测的上游水库Mi与下游水库Mi+1之间河段的最高水位高度;
训练LSTM神经网络模型,直至预测准确率达到95%,停止训练;并将训练完成的LSTM神经网络模型标记为M;将LSTM神经网络模型M发送至神经网络预测单元。
6.根据权利要求1所述的基于大数据的洪水预报分析系统,其特征在于,所述神经网络预测单元实时预测各个河段的水位高度包括以下步骤:
步骤P1:神经网络预测单元接收来自实时数据收集模块发送的河流数据;
步骤P2:神经网络预测单元将上游水库Mi的出库流量以及遥测站集合Ni中的遥测站监测的降雨量作为LSTM神经网络模型M的输入,估算出下游水库Mi+1的入库流量以及上游水库Mi与下游水库Mi+1之间的河段最高水位高度;将预测的下游水库Mi+1的入库流量与遥测站集合Ni+1的中的遥测站监测的降雨量作为LSTM神经网络模型M的输入,估算出下游水库Mi+1与下游水库Mi+2之间河段的最高水位高度;
步骤P3:神经网络预测单元将估算出的上游水库Mi与下游水库Mi+1以及下游水库Mi+1与下游水库Mi+2之间的河段最高水位高度发送至报警模块。
7.根据权利要求1所述的基于大数据的洪水预报分析系统,其特征在于,所述报警模块对居民区居民发起洪水预警包括以下步骤:
步骤Q1:所述报警模块获取到估算的上游水库Mi与下游水库Mi+1以及下游水库Mi+1与下游水库Mi+2之间的河段最高水位高度;
步骤Q2:对于每段河段的最高水位高度,统计此河段中各个堤防的高度,找出此河段中高度低于最高水位高度的堤防;将上游水库Mi与下游水库Mi+1之间河段中,低于最高水位高度的堤防集合标记为Ti;
步骤Q3:遍历堤防集合Ti,找出所有与堤防集合Ti中的堤防距离小于距离阈值d的居民区;并将居民区集合标记为S;所述距离阈值d根据实际经验设置;
步骤Q4:向居民区集合S中的居民区发起报警;报警方式为高音喇叭播报以及手机短信提醒的方式。
8.基于大数据的洪水预报分析方法,其特征在于,包括以下步骤:
步骤一:基础数据收集模块收集河流周边防洪所需的数据;
步骤二:历史数据收集模块收集河流上发生的洪水历史数据以及未发生洪水时的历史数据;
步骤三:实时数据收集模块实时收集河流数据;
步骤四:神经网络模型训练单元训练出可预测水位高度的LSTM神经网络模型;
步骤五:神经网络预测单元实时预测各个河段的水位高度;
步骤六:报警模块根据预测的各河段最高水位高度对居民区居民发起洪水预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210655219.XA CN115018165A (zh) | 2022-06-10 | 2022-06-10 | 基于大数据的洪水预报分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210655219.XA CN115018165A (zh) | 2022-06-10 | 2022-06-10 | 基于大数据的洪水预报分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115018165A true CN115018165A (zh) | 2022-09-06 |
Family
ID=83074872
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210655219.XA Pending CN115018165A (zh) | 2022-06-10 | 2022-06-10 | 基于大数据的洪水预报分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115018165A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403372A (zh) * | 2023-04-26 | 2023-07-07 | 上海勘测设计研究院有限公司 | 一种水库泄洪预警方法 |
CN116882211A (zh) * | 2023-09-06 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
CN117094448A (zh) * | 2023-10-17 | 2023-11-21 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125969A (zh) * | 2019-12-25 | 2020-05-08 | 华中科技大学 | 一种跨水库流域河道径流演算方法和系统 |
CN111144629A (zh) * | 2019-12-17 | 2020-05-12 | 国网辽宁省电力有限公司 | 一种水力发电站来水量预测方法及系统 |
CN113379098A (zh) * | 2021-04-16 | 2021-09-10 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 河流区间动态洪峰分析预警方法、系统、设备及介质 |
CN113792437A (zh) * | 2021-09-22 | 2021-12-14 | 中国电建集团华东勘测设计研究院有限公司 | 多维度防汛形势综合研判方法及系统 |
CN113869605A (zh) * | 2021-10-27 | 2021-12-31 | 天津云圣智能科技有限责任公司 | 水电站下游水位的预测方法、装置及终端设备 |
-
2022
- 2022-06-10 CN CN202210655219.XA patent/CN115018165A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144629A (zh) * | 2019-12-17 | 2020-05-12 | 国网辽宁省电力有限公司 | 一种水力发电站来水量预测方法及系统 |
CN111125969A (zh) * | 2019-12-25 | 2020-05-08 | 华中科技大学 | 一种跨水库流域河道径流演算方法和系统 |
CN113379098A (zh) * | 2021-04-16 | 2021-09-10 | 水利部珠江水利委员会技术咨询(广州)有限公司 | 河流区间动态洪峰分析预警方法、系统、设备及介质 |
CN113792437A (zh) * | 2021-09-22 | 2021-12-14 | 中国电建集团华东勘测设计研究院有限公司 | 多维度防汛形势综合研判方法及系统 |
CN113869605A (zh) * | 2021-10-27 | 2021-12-31 | 天津云圣智能科技有限责任公司 | 水电站下游水位的预测方法、装置及终端设备 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116403372A (zh) * | 2023-04-26 | 2023-07-07 | 上海勘测设计研究院有限公司 | 一种水库泄洪预警方法 |
CN116882211A (zh) * | 2023-09-06 | 2023-10-13 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
CN116882211B (zh) * | 2023-09-06 | 2023-12-19 | 珠江水利委员会珠江水利科学研究院 | 一种基于数字孪生的水库水情预报仿真方法和系统 |
CN117094448A (zh) * | 2023-10-17 | 2023-11-21 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及系统 |
CN117094448B (zh) * | 2023-10-17 | 2024-02-02 | 成都智慧企业发展研究院有限公司 | 一种大数据分析方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115018165A (zh) | 基于大数据的洪水预报分析系统及方法 | |
CN106844531B (zh) | 一种基于网格的防汛指挥研判系统 | |
CN103337133B (zh) | 基于识别预报技术的电网雷暴灾害预警系统及方法 | |
CN104408900B (zh) | 基于动态优化的神经网络洪水预警装置及其方法 | |
CN108024207A (zh) | 基于三层防控圈的人流量监控方法 | |
CN102360468B (zh) | 洪水预报系统 | |
CN108320462A (zh) | 城市防汛预警预报系统 | |
CN101622952A (zh) | 灌区用水管理信息化结构体系 | |
CN107169645A (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
CN106801463A (zh) | 排水管的排水状态检测方法和系统 | |
CN111915847A (zh) | 一种精细化降雨预报系统及其预警方法 | |
CN111579004A (zh) | 基于北斗卫星应用的水利监测系统、监测方法及存储介质 | |
CN207924874U (zh) | 城市防汛预警预报装置 | |
CN114548806B (zh) | 基于大数据和vr技术的水利工程监管系统 | |
CN110570628B (zh) | 一种输电线路杆塔地质灾害监测预警分析系统及使用方法 | |
CN209417901U (zh) | 基于土壤墒情实时校正的山洪灾害动态预警系统 | |
CN212007314U (zh) | 一种水文机器人 | |
TWI598851B (zh) | 動態洪氾預測與警示系統 | |
CN114664041B (zh) | 一种基于深度学习的多传感器融合预警预测方法 | |
CN116011818A (zh) | 一种洪涝风险时空动态传播分析模型 | |
CN112578479B (zh) | 一种基于降水预报的城市内涝告警装置及方法 | |
CN116012189A (zh) | 一种电力设施洪涝受灾空间异质性分析方法和系统 | |
CN111222662A (zh) | 一种电网台风洪涝灾害预警方法和装置 | |
Fattorelli et al. | Flood hazard assessment and mitigation | |
Fan et al. | Operational flood forecasting system to the Uruguay River Basin using the hydrological model MGB-IPH |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220906 |
|
RJ01 | Rejection of invention patent application after publication |