CN115272033A - 一种水库出库泥沙不同组分的实时估算方法 - Google Patents

一种水库出库泥沙不同组分的实时估算方法 Download PDF

Info

Publication number
CN115272033A
CN115272033A CN202210906884.1A CN202210906884A CN115272033A CN 115272033 A CN115272033 A CN 115272033A CN 202210906884 A CN202210906884 A CN 202210906884A CN 115272033 A CN115272033 A CN 115272033A
Authority
CN
China
Prior art keywords
data
sand
reservoir
sediment
warehouse
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
Application number
CN202210906884.1A
Other languages
English (en)
Inventor
孙龙飞
江恩慧
王远见
颜小飞
郭秀吉
王婷
马怀宝
曲少军
李昆鹏
李新杰
李洁玉
张翎
王强
唐凤珍
王欣
张世安
李丽珂
石华伟
陈琛
任智慧
闫振峰
王子路
张戈
郑佳芸
刘彦晖
黎思恒
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.)
Yellow River Institute of Hydraulic Research
Original Assignee
Yellow River Institute of Hydraulic 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 Yellow River Institute of Hydraulic Research filed Critical Yellow River Institute of Hydraulic Research
Priority to CN202210906884.1A priority Critical patent/CN115272033A/zh
Publication of CN115272033A publication Critical patent/CN115272033A/zh
Pending legal-status Critical Current

Links

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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Educational Administration (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种水库出库泥沙不同组分的实时估算方法，包括水库泥沙数据采集仪、集成控制器、水库出库泥沙组分实时监控端、数据库及应用服务器四部分。本发明方法结合不同机器学习算法：极限梯度提升XGBoost、支持向量回归SVR、K最邻近算法KNN、随机森林RF、多层感知机MLP、高斯过程回归GPR，建立众多因素与出库泥沙各组分的估算模型，实现出库泥沙不同粒径组分：粗沙、细沙、中沙的准确估算。本发明方法可以为水库的科学管理与优化调度，提供有力的理论依据和技术支撑，具有较强的适用性和推广性。

Description

一种水库出库泥沙不同组分的实时估算方法
技术领域
本发明涉及一种水库出库泥沙不同组分的实时估算方法，属于水库泥沙研究领域。
背景技术
水少沙多、水沙关系不平衡是黄河的典型特征，利用水库开展调水调沙可以更好地处理泥沙问题，对减轻水库淤积、充分发挥水库综合效益等具有重要作用。目前，针对水库调水调沙，现有研究多集中于异重流排沙理论和技术、水沙运动模拟、黄河下游河道河床演变等方面，而对于出库泥沙不同组分的估算研究却少有涉及。实际上，经过调水调沙后，黄河下游的冲淤会受流量与含沙量匹配条件、泥沙组分特性影响，为了有效控制黄河下游的淤积，水库出库水沙搭配应在一定的范围之内。因此，系统的掌握水库出库泥沙组分特性，对于减轻黄河下游淤积、充分发挥调水调沙作用具有重要意义。
机器学习算法实际上是一种利用数据自动分析建模并利用模型进行预测的数据分析方法，是对非线性系统进行分类或回归的有效方法，通过机器学习的方法来进行研究，可以有效地克服多因素复杂关系的建立难题。同时，结合雷达水位计、多普勒流量计、含沙量测量仪及激光粒度分析仪等水库泥沙相关数据采集设备及先进技术，可以有效地实现水库出库泥沙不同组分实时估算。
综上，为了实时准确的掌握水库出库泥沙组分特性，有必要提出一种水库出库泥沙不同组分实时估算装置与方法，以进一步为水库的科学调度，以及调水调沙的运用方式和方案优化等提供有力的技术支撑。
发明内容
针对现有技术的不足，并进一步为水库的科学管理提供理论依据和技术支撑，本发明的目的是提供一种水库出库泥沙不同组分的实时估算方法。
为了实现上述目的，本发明所采用的技术方案是：
一种水库出库泥沙不同组分的实时估算方法，包括水库泥沙数据采集仪、集成控制器、水库出库泥沙组分实时监控端、数据库及应用服务器四部分；
所述水库泥沙数据采集仪负责采集水库泥沙数据，并由集成控制器实时接收采集到的数据；所述集成控制器中嵌入有基于Python语言编写的极限梯度提升XGBoost、支持向量回归SVR、K最邻近算法KNN、随机森林RF、多层感知机MLP、高斯过程回归GPR六种机器学习算法，基于机器学习算法可以实现水库出库泥沙不同组分的准确估算；所述水库出库泥沙组分实时监控端负责接收由集成控制器发送过来的数据，并将数据发送到数据库及应用服务器中；所述数据库及应用服务器负责接收并存储由水库出库泥沙组分实时监控端发送的所有数据，对所有的采集数据及计算结果进行统计整理。
所述水库泥沙数据采集仪包括雷达水位计、多普勒流量计、含沙量测量仪、激光粒度分析仪四部分；各部分设备分别用于采集不同的水库泥沙数据，其中雷达水位计用于实时采集水库的坝前水位ZW；多普勒流量计用于实时采集水库的入库流量Q1及出库流量Q2；含沙量测量仪用于实时采集水库的入库含沙量S1及出库含沙量S2；激光粒度分析仪用于采集入库泥沙粗沙百分比Pc、入库泥沙细沙百分比Ps。
所述粗沙的粒径为0.05mm以上；细沙的粒径为0.025mm以下。
所述集成控制器的主要部件为数据控制器，数据控制器通过RS485接口分别实时获取水库泥沙数据采集仪采集得到的坝前水位ZW、入库流量Q1、出库流量Q2、入库含沙量S1、出库含沙量S2、入库泥沙粗沙百分比Pc、入库泥沙细沙百分比Ps，以及数据的实时采集时间t；
并进一步基于机器学习算法，建立出库泥沙组分估算模型，代入数据ZW、Q1、Q2、S1、S2、Pc、Ps，分别计算得到出库泥沙粗沙百分比估算值Pc′、细沙百分比估算值Ps′，再进一步计算得到中沙百分比估算值Pm′。
所述出库泥沙组分估算模型的建立方法为：
(1)收集整理现有的水库水沙系列数据；
(2)对现有的水沙系列数据进行预处理；
(3)对预处理后的数据进行分割，分别得到训练数据和测试数据；
(4)将训练数据分别代入不同的机器学习算法：XGBoost、SVR、KNN、RF、MLP、GPR当中，以ZW0、Q10、Q20、S10、S20、Pc0、Ps0这7个变量作为输入变量，将现有数据中出库泥沙粗沙百分比Pc0′、现有数据中出库泥沙细沙百分比Ps0′分别作为唯一输出变量，建立综合考虑各影响因素的出库泥沙不同组分估算模型，形式如下：
P’c0＝f(ZW0,Q10,Q20,S10,S20,Pc0,Ps0)
P’s0＝f(ZW0,Q10,Q20,S10,S20,Pc0,Ps0)
式中，f()为回归函数；ZW0为现有数据中坝前水位；Q10为现有数据中入库流量；Q20为现有数据中出库流量；S10为现有数据中入库含沙量；S20为现有数据中出库含沙量；Pc0为现有数据中入库泥沙粗沙百分比；Ps0为现有数据中入库泥沙细沙百分比；Pc0′为现有数据中出库泥沙粗沙百分比；Ps0′为现有数据中出库泥沙细沙百分比；
(5)将测试数据代入模型，得到估算的出库泥沙粗沙百分比Pct′和出库泥沙细沙百分比Pst′；
(6)以测试数据所得出库泥沙不同组分百分比估算值Pt’与现有数据中出库泥沙组分百分比P0，两者间的决定系数R2、平均绝对误差EMAE以及均方根误差ERMSE作为评估指标，对比分析不同模型估算结果的误差，选择精度最高、误差最小的算法模型；
决定系数R2、平均绝对误差EMAE以及均方根误差ERMSE计算式如下：
Figure BDA0003772752840000031
Figure BDA0003772752840000032
Figure BDA0003772752840000033
式中，n为测试数据样本数；Pt’为测试数据估算的出库泥沙组分百分比，代表Pct′或Pst′；P0为现有数据中出库泥沙组分百分比，代表Pc0′或Ps0′；
Figure BDA0003772752840000034
为现有数据中出库泥沙组分百分比的平均值。
采用归一化处理方法对现有的水沙系列数据进行预处理，计算方法如下：
Figure BDA0003772752840000035
式中，ω’为归一化后数据；ω为原始数据；
Figure BDA0003772752840000036
为原始数据平均值；σ为原始数据标准差。所述出库泥沙中沙百分比估算值Pm′的计算公式如下：
P’m＝1-P’c-P’s
式中，Pm′、Pc′和Ps′分别为出库泥沙中沙、粗沙和细沙百分比估算值。
在监控开始前，操作人员通过水库出库泥沙组分实时监控端设定当前水库基本信息、主要管理部门及计划的水库排沙时间周期，并将这些信息通过Internet网络存入数据库及应用服务器当中，供后续应用；在监控过程中，系统界面可实时显示估算的出库泥沙不同组分百分比P′随时间t的变化过程线。
本发明有益效果：
由于水库出库泥沙组分特性的影响因素较多，为综合考虑不同因素的影响效果，并解决高维度、非线性关系建立难题，本发明方法结合不同机器学习算法(极限梯度提升XGBoost、支持向量回归SVR、K最邻近算法KNN、随机森林RF、多层感知机MLP、高斯过程回归GPR)建立众多因素与出库泥沙各组分的估算模型，实现出库泥沙组分的准确估算。
(1)本发明提出了一种水库出库泥沙不同粒径组分(粗沙、细沙、中沙)实时估算方法，可基于实际采集数据，并结合机器学习算法建立综合考虑各影响因素的水库出库泥沙组分估算优异模型，进而实现水库出库泥沙不同组分的准确估算。
(2)本发明方法可以为水库的科学管理与优化调度，提供有力的理论依据和技术支撑，具有较强的适用性和推广性。
附图说明
图1本发明方法的流程示意图。
图2本发明方法的集成原理图。
具体实施方式
以下结合实施例对本发明的具体实施方式作进一步详细说明。
实施例
本发明针对水库出库泥沙粒径组分特性分析，提出了一种水库出库泥沙不同组分实时估算方法，该方法组成结构及集成原理图，分别见图1和图2。
本方法包括水库泥沙数据采集仪、集成控制器、水库出库泥沙组分实时监控端、数据库及应用服务器四部分，以及嵌入集成控制器中的基于Python语言编写的极限梯度提升(Extreme Gradient Boosting，XGBoost)、支持向量回归(Support Vector Regression，SVR)、K最邻近算法(K Nearest Neighbor，KNN)、随机森林(Random Forest，RF)、多层感知机(Multilayer Perceptron，MLP)、高斯过程回归(Gauss Progress Regression，GPR)六种机器学习算法模型，基于机器学习算法可以实现水库出库泥沙不同组分的准确估算。
1、水库泥沙数据采集仪
水库泥沙数据采集仪包括雷达水位计、多普勒流量计、含沙量测量仪、激光粒度分析仪四部分。
在对库区泥沙数据进行分析时，各部分设备分别用于采集不同的水库泥沙数据，其中雷达水位计用于实时采集水库的坝前水位ZW；多普勒流量计用于实时采集水库的入库流量Q1及出库流量Q2；含沙量测量仪用于实时采集水库的入库含沙量S1及出库含沙量S2；激光粒度分析仪用于采集入库泥沙粗沙(粒径在0.05mm以上)百分比Pc、入库泥沙细沙(粒径在0.025mm以下)百分比Ps。
同时，采集装置各部分通过RS485接口向集成控制器提供采集得到的数据和对应的实时采集时间t。
2、集成控制器
集成控制器通过RS485接口分别实时获取水库泥沙数据采集仪采集得到的坝前水位ZW、入库流量Q1、出库流量Q2、入库含沙量S1、出库含沙量S2、入库泥沙粗沙百分比Pc、入库泥沙细沙百分比Ps，以及数据的实时采集时间t。
并进一步基于机器学习算法模型，根据以上数据(ZW、Q1、Q2、S1、S2、Pc、Ps)，分别计算得到出库泥沙粗沙百分比估算值Pc′、细沙百分比估算值Ps′，再进一步计算得到中沙百分比估算值Pm′。
具体实施步骤如下：
(1)事先收集整理现有的水库水沙系列数据；
(2)对现有的水沙系列数据进行预处理，一般为消除不同变量之间量纲差异所带来的影响，采用归一化处理方法。计算方法如下：
Figure BDA0003772752840000051
式中，ω’为归一化后数据；ω为原始数据；
Figure BDA0003772752840000052
为原始数据平均值；σ为原始数据标准差。
(3)按照一定的分配比例(如训练数据：测试数据＝8：2)对数据进行分割，分别得到训练和测试数据。
(4)将其中训练数据分别代入不同的机器学习算法(XGBoost、SVR、KNN、RF、MLP、GPR)当中，以ZW0、Q10、Q20、S10、S20、Pc0、Ps0这7个变量作为输入变量，将出库泥沙粗沙百分比Pc0′、出库泥沙细沙百分比Ps0′分别作为唯一输出变量，建立综合考虑各影响因素的出库泥沙不同组分估算模型，形式如下：
P’c0＝f(ZW0,Q10,Q20,S10,S20,Pc0,Ps0)
P’s0＝f(ZW0,Q10,Q20,S10,S20,Pc0,Ps0)
式中，f()为回归函数；ZW0为现有数据中坝前水位；Q10为现有数据中入库流量；Q20为现有数据中出库流量；S10为现有数据中入库含沙量；S20为现有数据中出库含沙量；Pc0为现有数据中入库泥沙粗沙百分比；Ps0为现有数据中入库泥沙细沙百分比；Pc0′为现有数据中出库泥沙粗沙百分比；Ps0′为现有数据中出库泥沙细沙百分比。
(5)由测试数据代入模型，得到估算的出库泥沙粗沙百分比Pct′和细沙百分比Pst′。
(6)以测试数据所得出库泥沙不同组分百分比估算值Pt’与实际值P0，两者间的决定系数R2、平均绝对误差EMAE以及均方根误差ERMSE作为评估指标，对比分析不同模型估算结果的误差，从中优选精度最高、效果最好的算法模型。决定系数R2、平均绝对误差EMAE以及均方根误差ERMSE计算式如下：
Figure BDA0003772752840000053
Figure BDA0003772752840000054
Figure BDA0003772752840000061
式中，n为测试数据样本数；Pt’为测试数据估算的出库泥沙组分百分比，代表Pct′或Pst′；P0为现有数据中出库泥沙组分百分比，代表Pc0′或Ps0′；
Figure BDA0003772752840000062
为现有数据中出库泥沙组分百分比的平均值。
(7)由水库泥沙数据采集仪中的雷达水位计(如采用F-LD100雷达一体化水位计)、多普勒流量计(如采用HQ-610型超声波多普勒流量计)、含沙量测量仪(如采用TKCS2012型含沙量在线测量仪)以及激光粒度分析仪(如采用马尔文MS2000激光粒度仪)，分别实时获取坝前水位ZW、入库流量Q1、出库流量Q2、入库含沙量S1、出库含沙量S2以及入库泥沙粗沙百分比Pc、入库泥沙细沙百分比Ps，并将所得数据和对应的实时采集时间t由RS485接口传输到集成控制器中。
(8)集成控制器通过RS485接口将实时获取得到的各变量数据(ZW、Q1、Q2、S1、S2、Pc、Ps)代入优选的出库泥沙组分估算模型，即可得到实时计算的出库泥沙粗沙百分比估算值Pc′和细沙百分比估算值Ps′，并进一步由二者根据下式计算出库泥沙中沙百分比估算值Pm′。
然后将上述所有数据及计算结果一并放入FLASH存储器中进行缓存，并且由RS485端口将这些数据(ZW、Q1、Q2、S1、S2、Pc、Ps、Pc′、Ps′、Pm′、t)传输给水库出库泥沙组分实时监控端。
P’m＝1-P’c-P’s
式中，Pm′、Pc′和Ps′分别为出库泥沙中沙、粗沙和细沙百分比估算值。
3、水库出库泥沙组分实时监控端
水库出库泥沙组分实时监控端通过端口获取集成控制器上传的各项数据，包括：坝前水位数据ZW、入库流量数据Q1、出库流量数据Q2、入库含沙量数据S1、出库含沙量数据S2、入库泥沙粗沙百分比数据Pc、入库泥沙细沙百分比数据Ps，以及计算得到的出库泥沙粗沙百分比数据Pc′、细沙百分比数据Ps′、中沙百分比数据Pm′和数据的实时采集时间t。
同时在监控开始前，操作人员可以通过该系统设定当前水库基本信息、主要管理部门及计划的水库排沙时间周期等，并将这些信息通过Internet网络存入数据库及应用服务器当中，供后续应用。在监控过程中，系统界面可实时显示估算的出库泥沙不同组分百分比P′随时间t的变化过程线。
水库现场管理人员则可以根据实时显示估算的出库泥沙不同组分百分比变化情况，采取一定措施进行水库的合理调度。
4、数据库及应用服务器
数据库及应用服务器主要用于接收从实时监控端发送过来的，包括：坝前水位数据ZW、入库流量数据Q1、出库流量数据Q2、入库含沙量数据S1、出库含沙量数据S2、入库泥沙粗沙百分比数据Pc、入库泥沙细沙百分比数据Ps，以及计算得到的出库泥沙粗沙百分比数据Pc′、细沙百分比数据Ps′、中沙百分比数据Pm′和数据的实时采集时间t在内的所有数据，并进行及时存储。
数据库及应用服务器对所有的采集数据及计算结果进行统计整理，最终为水库的合理调度和科学管理提供技术支撑。
本发明实施例中将工控机IPC(Industrial Personal Computer，IPC)作为数据库及应用服务器硬件，并采用如MariaDB数据库来支持数据应用，服务器则通过光纤连接Internet，同时根据设定的服务器IP地址，接收并存储由实时监控端向该指定IP地址发送的所有数据。
在远程数据库服务器中可实现已进行的排沙出库过程中，任意时刻的出库泥沙不同组分百分比的查询，并统计汇总出库泥沙不同组分百分比的估算结果，作为后续水库科学管理的支撑材料。

Claims (8)

1.一种水库出库泥沙不同组分的实时估算方法，其特征在于，包括水库泥沙数据采集仪、集成控制器、水库出库泥沙组分实时监控端、数据库及应用服务器四部分；
所述水库泥沙数据采集仪负责采集水库泥沙数据，并由集成控制器实时接收采集到的数据；所述集成控制器中嵌入有基于Python语言编写的极限梯度提升XGBoost、支持向量回归SVR、K最邻近算法KNN、随机森林RF、多层感知机MLP、高斯过程回归GPR六种机器学习算法，基于机器学习算法可以实现水库出库泥沙不同组分的准确估算；所述水库出库泥沙组分实时监控端负责接收由集成控制器发送过来的数据，并将数据发送到数据库及应用服务器中；所述数据库及应用服务器负责接收并存储由水库出库泥沙组分实时监控端发送的所有数据，对所有的采集数据及计算结果进行统计整理。
2.如权利要求1所述的方法，其特征在于，所述水库泥沙数据采集仪包括雷达水位计、多普勒流量计、含沙量测量仪、激光粒度分析仪四部分；各部分设备分别用于采集不同的水库泥沙数据，其中雷达水位计用于实时采集水库的坝前水位ZW；多普勒流量计用于实时采集水库的入库流量Q1及出库流量Q2；含沙量测量仪用于实时采集水库的入库含沙量S1及出库含沙量S2；激光粒度分析仪用于采集入库泥沙粗沙百分比Pc、入库泥沙细沙百分比Ps。
3.如权利要求2所述的方法，其特征在于，所述粗沙的粒径为0.05mm以上；细沙的粒径为0.025mm以下。
4.如权利要求1所述的方法，其特征在于，所述集成控制器的主要部件为数据控制器，数据控制器通过RS485接口分别实时获取水库泥沙数据采集仪采集得到的坝前水位ZW、入库流量Q1、出库流量Q2、入库含沙量S1、出库含沙量S2、入库泥沙粗沙百分比Pc、入库泥沙细沙百分比Ps，以及数据的实时采集时间t；
并进一步基于机器学习算法，建立出库泥沙组分估算模型，代入数据ZW、Q1、Q2、S1、S2、Pc、Ps，分别计算得到出库泥沙粗沙百分比估算值Pc′、细沙百分比估算值Ps′，再进一步计算得到中沙百分比估算值Pm′。
5.如权利要求4所述的方法，其特征在于，所述出库泥沙组分估算模型的建立方法为：
(1)收集整理现有的水库水沙系列数据；
(2)对现有的水沙系列数据进行预处理；
(3)对预处理后的数据进行分割，分别得到训练数据和测试数据；
(4)将训练数据分别代入不同的机器学习算法：XGBoost、SVR、KNN、RF、MLP、GPR当中，以ZW0、Q10、Q20、S10、S20、Pc0、Ps0这7个变量作为输入变量，将现有数据中出库泥沙粗沙百分比Pc0′、现有数据中出库泥沙细沙百分比Ps0′分别作为唯一输出变量，建立综合考虑各影响因素的出库泥沙不同组分估算模型，形式如下：
P'c0＝f(ZW0,Q10,Q20,S10,S20,Pc0,Ps0)
P's0＝f(ZW0,Q10,Q20,S10,S20,Pc0,Ps0)
式中，f()为回归函数；ZW0为现有数据中坝前水位；Q10为现有数据中入库流量；Q20为现有数据中出库流量；S10为现有数据中入库含沙量；S20为现有数据中出库含沙量；Pc0为现有数据中入库泥沙粗沙百分比；Ps0为现有数据中入库泥沙细沙百分比；Pc0′为现有数据中出库泥沙粗沙百分比；Ps0′为现有数据中出库泥沙细沙百分比；
(5)将测试数据代入模型，得到估算的出库泥沙粗沙百分比Pct′和出库泥沙细沙百分比Pst′；
(6)以测试数据所得出库泥沙不同组分百分比估算值Pt'与现有数据中出库泥沙组分百分比P0，两者间的决定系数R2、平均绝对误差EMAE以及均方根误差ERMSE作为评估指标，对比分析不同模型估算结果的误差，选择精度最高、误差最小的算法模型；
决定系数R2、平均绝对误差EMAE以及均方根误差ERMSE计算式如下：
Figure FDA0003772752830000021
Figure FDA0003772752830000022
Figure FDA0003772752830000023
式中，n为测试数据样本数；Pt'为测试数据估算的出库泥沙组分百分比，代表Pct′或Pst′；P0为现有数据中出库泥沙组分百分比，代表Pc0′或Ps0′；
Figure FDA0003772752830000024
为现有数据中出库泥沙组分百分比的平均值。
6.如权利要求5所述的方法，其特征在于，采用归一化处理方法对现有的水沙系列数据进行预处理，计算方法如下：
Figure FDA0003772752830000025
式中，ω'为归一化后数据；ω为原始数据；
Figure FDA0003772752830000026
为原始数据平均值；σ为原始数据标准差。
7.如权利要求4所述的方法，其特征在于，所述出库泥沙中沙百分比估算值Pm′的计算公式如下：
P′m＝1-P′c-P′s
式中，Pm′、Pc′和Ps′分别为出库泥沙中沙、粗沙和细沙百分比估算值。
8.如权利要求1所述的方法，其特征在于，在监控开始前，操作人员通过水库出库泥沙组分实时监控端设定当前水库基本信息、主要管理部门及计划的水库排沙时间周期，并将这些信息通过Internet网络存入数据库及应用服务器当中，供后续应用；在监控过程中，系统界面可实时显示估算的出库泥沙不同组分百分比P′随时间t的变化过程线。
CN202210906884.1A 2022-07-29 2022-07-29 一种水库出库泥沙不同组分的实时估算方法 Pending CN115272033A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210906884.1A CN115272033A (zh) 2022-07-29 2022-07-29 一种水库出库泥沙不同组分的实时估算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210906884.1A CN115272033A (zh) 2022-07-29 2022-07-29 一种水库出库泥沙不同组分的实时估算方法

Publications (1)

Publication Number Publication Date
CN115272033A true CN115272033A (zh) 2022-11-01

Family

ID=83771541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210906884.1A Pending CN115272033A (zh) 2022-07-29 2022-07-29 一种水库出库泥沙不同组分的实时估算方法

Country Status (1)

Country Link
CN (1) CN115272033A (zh)

Similar Documents

Publication Publication Date Title
CN105117602B (zh) 一种计量装置运行状态预警方法
CN112488395A (zh) 一种配电网线损预测方法及系统
CN110414154B (zh) 一种带有双测点的风机部件温度异常检测和报警方法
CN108388962B (zh) 一种风电功率预测系统及方法
CN114047719A (zh) 一种农村生活污水处理设施远程监测评估系统与运行方法
CN103344530B (zh) 一种球磨机水泥生料粉磨粒度软测量方法
CN111369070A (zh) 一种基于包络线聚类的多模融合光伏功率预测方法
CN104792674A (zh) 一种颗粒浓度测量方法
CN102531121A (zh) 水处理混凝剂最佳投量预测系统及预测方法
CN113556629A (zh) 一种智能电表误差远程估计方法及装置
CN112541634B (zh) 一种顶层油温预测、误报火警判别方法、装置和存储介质
CN116956189A (zh) 一种电流异常检测系统、方法、电子设备及介质
CN110879927A (zh) 一种用于海目标检测的海杂波幅度统计分布现场建模方法
CN101673096B (zh) 一种丹参注射液生产浓缩过程密度的软测量方法
CN109783934A (zh) 一种基于h-adcp的断面平均流速拟合率定方法
CN108805447A (zh) 一种农田土壤重金属污染分析预警系统
CN114202141A (zh) 一种基于边云协同的计量设备检定线运行状态评估方法
CN115272033A (zh) 一种水库出库泥沙不同组分的实时估算方法
Zong et al. Iron-Tapping State Recognition of Blast Furnace Based on Bi-GRU Composite Model and Post-processing Classifier
CN116307914A (zh) 工程安装质量评估方法、系统及存储介质
Wang et al. Failure rate prediction based on AR model and residual correction
CN114841277A (zh) 一种转炉出钢合金收得率预测方法和系统
CN109493065A (zh) 一种基于行为增量更新的欺诈交易检测方法
Xing et al. An Optimization Framework for Stock Price Prediction Based on Statistical Information and Recursive Model Average--Taking ARIMA Model as an Example
CN113297542A (zh) 一种造球机的生球占比预测方法及装置

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