CN115687308A - 一种水位流量关系智能定线方法 - Google Patents
一种水位流量关系智能定线方法 Download PDFInfo
- Publication number
- CN115687308A CN115687308A CN202211568655.XA CN202211568655A CN115687308A CN 115687308 A CN115687308 A CN 115687308A CN 202211568655 A CN202211568655 A CN 202211568655A CN 115687308 A CN115687308 A CN 115687308A
- Authority
- CN
- China
- Prior art keywords
- water level
- signal
- frequency
- sub
- geographic
- 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
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 133
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000011144 upstream manufacturing Methods 0.000 claims abstract description 22
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 15
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000001228 spectrum Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 239000012634 fragment Substances 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 241000969729 Apteryx rowi Species 0.000 claims description 3
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 8
- 238000010276 construction Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000003190 augmentative effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明提供了一种水位流量关系智能定线方法,包括建立水文地理要素标准化样本集、确定水文地理特征要素组合,建立本站、上游断面及下游断面水位低频与中频分量历史数据库D,计算各站历史水位数据库片段与实时水位距离,分别得到上游、本站与下游实时水位波形相似的历史水位波形,并进一步通过构建的水文地理数据库D f 和洪水波传播时间为约束,最终筛选出考虑上游、本站及下游水位波形相似的历史水位过程。根据该相似水位波形,在现有水文历史数据库找到对应的水位流量关系线,作为水位流量关系实时定线的趋势线,根据实测或预测水位在趋势线上查出对应的流量值。
Description
技术领域
本发明涉及水文测验技术领域,尤其涉及一种水位流量关系智能定线方法。
背景技术
水文资料是防汛抗旱、水利工程建设、水资源利用和保护、水生态治理和可持续发展等方面的基础性资料,在经济社会发展中具有重要作用。流量资料的计算或推求是水文资料收集中的核心和难点,近年来各类社会需求对其精度和时效性要求越来越高,也越来越迫切,随着水利事业蓬勃发展,河流上建设了大批水利工程或涉水工程,这些工程的建设为地方经济社会的发展发挥巨大的综合效益,如防洪、发电、航运、灌溉等,同时,这些工程的建设也显著改变了天然河道的水文情势、河段特点和水文测站(断面)特性,严重影响了水位流量关系的变化,给流量推求带来了极大困难和挑战。因此,合理利用新技术、新方法不断提高河道断面流量的精度和时效性,对进一步提升水文资料服务经济社会的水平、更大限度的满足社会各类需求具有重要意义。
目前,常规的河道流量推算或推求方法大多采用传统的水位流量关系线的方法,即采用水位与流量建立某种关系来推求流量,常用的有单一线法、单值化法、连时序法、连实测流量过程线法等,通过定线精度的控制,达到相关标准和规范的要求。这些计算方法属于传统的水文学方法,简单实用,易于理解,但是面临一些问题,主要体现在:①这些方法是由历史资料分析和建立的,分析过程往往带有很强的经验性。在当前实践生产中,这些方法虽然以软件程序化的形式实现了流量的实时推求,但宝贵的经验往往难以程序化,因此大部分测站的流量实时推求仍然需要人工定线或干预,自动化和智能化水平极低;②这些方法是水文前辈专家的经验性分析成果,是总结和概化而非全部实际情况的体现。实践中由于水文过程的复杂性,流量推求往往难以找到周全的方法,如精度较高的单值化法中,也常常有许多特殊水情的流量点未能参加关系线的建立,在以后出现类似水情时,流量推求仍然会有大的偏差。③这些方法绝大部分采用关系线的形式推求相应水位的流量,其具体做法的基本思路是关系线必须通过“点群中心”,线是点的概化,而非精确匹配,方法自身存在误差。④这些方法大多是采用事后定线,即用已经收集到的水文数据定线,难以满足流量实时推求的要求,时效性提升严重受限;⑤传统方法是建立在一定的测站(或断面)特性和河段特点的基础上,也就是说大多数传统方法对应的测站特性和河段特点应相对固定或变化不大,但实际当中,测站特性和河段特点作为河流的自然属性是经常发生变化,正如人们常说的“三十年河东、三十年河西”,加之受水利工程建设等人为活动影响,其变化更加复杂而缺乏规律性,导致采用传统方法进行流量推求时,常常发生较大偏差。⑥传统方法多基于单个水文水位站水位流量关系推求,没有考虑上游来水、下游支流汇入等对本站水位的顶托等影响,无法适应复杂变化条件下水位流量关系定线实际需求。
近年来,随着信息技术、物联网、大数据、云计算、数据挖掘以及人工智能等前言技术的快速发展。利用人工智能技术的强大的数据处理、挖掘、分析与识别能力,可为水文行业各类数据处理带来革命性进步,实现河道流量与水文要素间的更精确匹配,得到精度更高,时效性更快的实时流量推求。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了考虑上下游水位波形相似的水位流量关系定线法,显著提高河道断面流量实时整编或报汛精度。
为实现上述目的,本发明采用了如下技术方案:
一种水位流量关系智能定线方法,包括如下步骤:
为了消除本站及上、下游站水文地理要素之间量纲及数值大小差异,对各水文地
理要素观测系列进行标准化变换,得到新的标准化变量系列,记标准化变换后的水文地理要素样本集为,则为一个n维向量,并
记所述河道本站及邻近上、下游断面所有历史水位流量关系线上的流量点一一对应的
为新的样本集W;
S2、筛选影响本站水位/流量的水文地理特征变量组合:采用嵌入法模型建立
影响本站水位/流量的水文地理特征变量组合,在所述样本集中选取不同的特征子
集,利用历史水文数据,对所述特征子集进行机器学习的数据训练;每次选择多个特征组成
特征子集,选出最好的特征子集,即为所述水文地理特征变量组合;实质为一个t维
向量,;
S3、历史上断面、本站及下断面水位数据分别执行变分模态分解操作:上断面、本站及下断面实时水位数据被分别分解为K个具有不同频率的本征模态分量并将K个具有不同频率的本征模态分量分别划分为低频本征模态分量、中频本征模态分量和高频信号本征模态分量;
S4、对上断面、本站及下断面的中低频本征模态分量进行波段分割:根据中频本征模态分量的波动趋势并结合极值点来确定切分波段的起止时间点,最终中频本征模态分量被切分为m个子信号,这些子信号的索引是连续的;对低频本征模态分量同样执行切分操作以得到m个子信号,其中,低频本征模态分量所切分的子信号和中频本征模态分量所切分的子信号所对应的索引和个数是一致的;
S5、对上断面、本站及下断面的低频本征模态分量和中频本征模态分量切分的子
信号按行执行拼接操作:上断面、本站及下断面拼接的子信号构建的数据仓库分别为、、,其中,分别表示上断面、本站及下断面的低频本征
模态分量和中频本征模态分子信号拼接的子信号,其长度并不一定相同的,表示历史水位
数据的长度;
S7、搜索与查询序列相似的数据仓库子序列:根据当前上断面、本站和下断面水位
数据获取的查询序列分别为、和,所述、和分别经过变分模态分解后分
为低频子信号和中频子信号,计算的低频子信号与数据仓库中第一行
的各个片段的相似度,表示为,同样计算的中频子信号与数据仓
库中第二行的各个片段的相似度,表示为,和对应相加可以得到上断面水位数据获取的查询序列与数据仓库的
相似度,表示为;和的低频子信号和中频子信号
与上述执行相同操作,可以得到、和;、和中的各信号片段之间的相似度分别按从小到大的顺序排列,取前q%的各信号片段之间的相似度重构得到、和,、和中各个元素所对应的子信号片段的索引都被记录在数据库中;
S8、根据水文地理特征要素组合中所筛选的特征提取当前流域所对应的查询
特征向量,结合所对应的索引和S6中的,可以得到所对应的特征片段,若当
前查询序列对应特征的值与的特征的值误差小于某一个阈值,则记录中特征的
值对应的索引;
S9、根据S8中所得到的索引即可确定本站水位数据与本站查询序列相关性最
高的一部分信号片段,根据S7中和各元素的索引也可以确定上断面和下断面水位数
据与对应查询序列相关性较高的信号片段,上断面、本站和下断面筛选出的信号片段可能
存在多个;
S10、上断面、本站和下断面筛选出的信号片段进行匹配,上断面的信号片段对应的时间、本站信号片段对应的时间和下断面的信号片段对应的时间的时间间隔设定一阈值,最终,上断面、本站和下断面的信号片段执行按时间先后顺序的排列组合;
S11、若匹配成功,且得到了多组组合结果,则选择上断面、本站和下断面的信号片段时间间隔最短的组合所对应的本站水文波形片段作为查询序列的最近似波形,根据该近似水位波形,在现有水文历史数据库找到对应的水位流量关系线,作为水位流量关系实时定线的趋势线,根据实测或预测水位在趋势线上查出对应的流量值;
S12、若匹配不成功,将包含有查询序列的上断面、本站和下断面水文序列执行变
分模态分解操作,查询序列所对应的低频子信号和中频子信号的查询片段作为新的组合纳
入到数据仓库中,其对应的水文地理特征要素组合也将纳入到特征数据仓库中。
S21、建立嵌入法模型,采用正则化算法作为所述嵌入法模型中的算法;
S22、选择所述正则化算法中的最小绝对值收敛和选择算子算法即Lasso回归模型
进行机器学习和数据训练;反复构建Lasso回归子模型,自动从样本集W的训练集中逐个剔
除水文地理要素,所述剔除水文地理要素的条件是损失函数最小;如此循环,边引入边剔
除,直至遍历完所有所述水文要素,既无新水文地理要素引入也无旧水文要素删除为止,得
到优选出的所述水文地理特征要素组合;
S23、模型评价与特征子集选择:直接采用Sklearn中线性回归模型lasso模块
的基于最小角回归的交叉验证LassoLarsCV方法,选择误差最小的子集作为优化后的所述
水文地理特征要素组合,同时得到Lasso回归模型中,流量与的线性方程组,具体为:
进一步地,所述S22中 Lasso回归模型筛选水文地理特征要素的具体方法是:对归一化后的水文地理特征变量,按照回归系数不为0的原则,筛选保留最终影响断面水位、流量的水文地理特征要素。
进一步地,所述S22损失函数最小具体是指:样本点到超平面的欧式距离之和加上带惩罚系数的L1-范数最小,即:
式中,、为常系数项,其中,,为保证损失函数最小所计算出的、所对应的估计值;表示L1范数;为Lasso回归的参数,其决定了被选中水文地
理特征要素的数量,是指第i个样本中水位的预测值,是指第i个样本中第j个水文地理
特征要素的实测值,,N表示样本容量个数,M表示筛选后的水文地理要素特
征个数。
进一步地,所述S3中变分模态分解方法具体流程如下:
式中,t表示时刻,k表示第k个模态,j为虚数,表示狄拉克函数,表示第k个
模态分量,将各模态的频谱调制到基频带,并对信号进行解调,计算其梯度的平方L2范数,
进而得到各个分解模态的带宽,分解后的各模态量都为调幅-调频信号,其变分约束模型
为:
式中,,,和表示分别对,,和执行傅里叶变换后的
结果,表示原始信号的中心频率,n表示迭代的次数,表示第n次迭代中第k个模态分量
对应的中心频率,表示第n+1次迭代中第k个模态分量对应的中心频率,表示第n+1
次迭代拉格朗日乘子的傅里叶变换,表示第n次迭代拉格朗日乘子的傅里叶变
换,表示第n+1次迭代第k个模态分量,为常数;
采用均方误差判断其是否达到收敛条件:
进一步地,所述S3中低频子信号和中频子信号的确定具体操作为:
S34、依据步骤S31-S33对原始信号进行分解操作后,对于每一个子信号,以10%和40%作为界限划分低频、中频和高频信号,定义过零率计算公式如下:
S35、根据S34中所计算的过零率结果,对于小于10%的子信号定义为低频信号,对于大于等于10%且小于40%的子信号定义为中频信号,对于大于等于40%的子信号定义为高频信号,低频信号们进行叠加得到低频子信号,中频信号们进行叠加得到中频子信号,高频信号不参与后续操作。
进一步地,所述S4中波段分割实现步骤为:
计算时间序列的极大值点和极小值点,以第一个极大值点为起点,第一个极小值点为终点,切分得到第一个片段,该片段对应的索引为第一个极大值点的位置索引到第一个极小值点位置索引之间的值;后续以第一个极小值点为起点,第二个极大值为终点得到第二个片段,上述操作持续执行直至遍历完所有的极值点,最终切分得到的片段按顺序拼接后能够得到原始时间序列。
式中,m分别代表上断面、本站或下断面相似度中各信号片段的数量即相似度中的各信号片段的数量;RR为中各信号片段相似度
的值按照由小到大的顺序排列的序号,排在第一位的RR值为1,排在第二位的RR值为2,以此
类推,排在最后以为的RR值为m;P值为中各信号片段相似度的值对应的经验
频率,其值为介于0和1之间的m个数,分别比较中各信号片段相似度对应的P
值与q%的值,取P≤q%对应的子信号片段重构得到,
中各个元素所对应的子信号片段的索引都被记录在数据库中。
进一步地,所述S1中的水文地理要素样本集U包括两大类,一类是本断面水文地理要素条件;另一类是本站上游和本站下游河段的水文地理要素;
进一步地,所述S1中水文地理特征要素的选择分为两大类,一类是实测值;另一类是借用值,以对流量推求影响较大且难以实时监测的水文地理要素,借用最近一次的实测值。
与现有技术相比,本发明有以下有益效果:
通过分析和识别影响河道断面流量推求的水文要素(如本站水位、上游水位、下游水位、断面面积、比降、涨落率、水面宽、水深等),确定不同水位级下影响流量推求的水文特征要素组合,获得水文特征要素组合与历史流量的对应关系,建立形成水文特征要素聚类数据仓库;对水位时间序列进行变分模态分解,仅仅考虑低频和中频信号的趋势项和周期项,去除了高频的扰动项,使得波形筛选的过程更稳定,并对信号在某些时间点上进行压缩,实现两个序列之间的距离最小化评估。同时,本发明结合推求的水文特征要素进一步确定本站相似波形的范围。并结合上下断面的所推求的相似波形,结合时间先后顺序,确定上断面、本站和下断面波形片段的关系,进一步精确确定与查询序列相似性最高的波形片段。本发明通过水文特征要素结合分解计算波形相似度的算法可更加有针对性的进行河道断面流量实时整编或相应流量报汛,实现流量测点的精确匹配,减少水位流量关系定线本身和人为干预带来的双重误差,更快速、更准确地实现河道断面流量实时推求,显著提高河道断面流量实时整编或报汛精度和自动化、智能化水平,为水旱灾害防御、水资源管理和水生态治理提供可实时获得的、精确更高的流量信息支持。
附图说明
图1 为本发明水位流量关系智能定线方法的流程图。
具体实施方式
下面将结合附图和实施例,对本发明技术方案做进一步详细描述。
如图1所示,本发明提供的一种水位流量关系智能定线方法,包括如下步骤:
为了消除本站及上、下游站水文地理要素之间量纲及数值大小差异,对各水文地
理要素观测系列进行标准化变换,得到新的标准化变量系列,记标准化变换后的水文地理要素样本集为,则为一个n维向量,并
记所述河道本站及邻近上、下游断面所有历史水位流量关系线上的流量点一一对应的
为新的样本集W;
本实施例中,水文地理要素样本集U包括两大类,一类是本断面水文地理要素条件;另一类是本站上游和本站下游河段的水文地理要素;
对于不同河道断面,应结合河段特点和断面水文特征性以及来水情况进行分析,确定水文地理特征要素组合选择。
进一步的,水文地理特征要素的选择分为两大类,一类是实测值;另一类是借用值,以对流量推求影响较大且难以实时监测的水文地理要素,借用最近一次的实测值,以提高流量推求的精度。本实施例中水文地理特征要素包括本站水位、上端面水位、下断面水位、时段平均水深、时段面降水量、水位涨落率、河床横断面、河道纵比降、河床糙率等。
S2、筛选影响本站水位/流量的水文地理特征变量组合:采用嵌入法模型建立
影响本站水位/流量的水文地理特征变量组合,在所述样本集中选取不同的特征子
集,利用历史水文数据,对所述特征子集进行机器学习的数据训练;
本实施例中,以本站流量推求均方根误差MSE最小作为衡量所述特征子集好坏的
评价标准,每次选择多个特征组成特征子集,经过反复比较选出最好的特征子集,即为所述
水文地理特征变量组合;实质为一个t维向量,;S2中水文特征要素组合应同时
包含本断面、上游断面及下游断面的水位。
S3、历史上断面、本站及下断面水位数据分别执行变分模态分解操作:上断面、本站及下断面实时水位数据被分别分解为K个具有不同频率的本征模态分量并将K个具有不同频率的本征模态分量分别划分为低频本征模态分量、中频本征模态分量和高频信号本征模态分量;其中低频本征模态分量表示原始水位数据的趋势项,中频本征模态分量表示原始水位数据的周期项,高频本征模态分量表示原始水位数据的扰动项;
S4、对上断面、本站及下断面的中频本征模态分量进行波段分割:根据中频本征模态分量的波动趋势并结合极值点来确定切分波段的起止时间点,最终中频本征模态分量被切分为m个子信号,这些子信号的索引是连续的;对低频本征模态分量同样执行切分操作以得到m个子信号,其中,低频本征模态分量所切分的子信号和中频本征模态分量所切分的子信号所对应的索引和个数是一致的;
S5、对上断面、本站及下断面的低频本征模态分量和中频本征模态分量切分的子
信号按行执行拼接操作:上断面、本站及下断面拼接的子信号构建的数据仓库分别为、、,其中,分别表示上断面、本站及下断面的低频本征
模态分量和中频本征模态分子信号拼接的子信号,其长度并不一定相同的,表示历史水位
数据的长度;
S7、搜索与查询序列相似的数据仓库子序列:根据当前上断面、本站和下断面水位
数据获取的查询序列分别为、和,所述、和分别经过变分模态分解后分
为低频子信号和中频子信号,计算的低频子信号与数据仓库中第一行
的各个片段的相似度,表示为,同样计算的中频子信号与数据仓
库中第二行的各个片段的相似度,表示为,和对应相加可以得到上断面水位数据获取的查询序列与数据仓库的
相似度,表示为;和的低频子信号和中频子信号
与上述执行相同操作,可以得到、和;、和中的各信号片段之间的相似度分别按从小到大的顺序排列,取前q%的各信号片段之间的相似度重构得到、和,、和中各个元素所对应的子信号片段的索引都被记录在数据库中;
式中,m分别代表上断面、本站或下断面相似度中各信号片段的数量即相似度中的各信号片段的数量;RR为中各信号片段相似度
的值按照由小到大的顺序排列的序号,排在第一位的RR值为1,排在第二位的RR值为2,以此
类推,排在最后以为的RR值为m;P值为中各信号片段相似度的值对应的经验
频率,其值为介于0和1之间的m个数,分别比较中各信号片段相似度对应的P
值与q%的值,取P≤q%对应的子信号片段重构得到,
中各个元素所对应的子信号片段的索引都被记录在数据库中。
S8、根据水文地理特征要素组合中所筛选的特征提取当前流域所对应的查询
特征向量,结合所对应的索引和S6中的,可以得到所对应的特征片段,若当
前查询序列对应特征的值与的特征的值误差小于某一个阈值,则记录中特征的
值对应的索引;
S9、根据S8中所得到的索引即可确定本站水位数据与本站查询序列相关性最
高的一部分信号片段,根据S7中和各元素的索引也可以确定上断面和下断面水位数
据与对应查询序列相关性较高的信号片段,上断面、本站和下断面筛选出的信号片段可能
存在多个;
S10、上断面、本站和下断面筛选出的信号片段进行匹配,上断面的信号片段对应的时间、本站信号片段对应的时间和下断面的信号片段对应的时间的时间间隔设定一阈值,最终,上断面、本站和下断面的信号片段执行按时间先后顺序的排列组合;
上断面、本站和下断面的信号片段进行匹配,水位/流量是一个动态的过程,从上断面到本站再到下断面是按时间先后顺序的,因此上断面的信号片段对应的时间应领先于本站信号片段对应的时间,本站信号片段对应的时间亦领先于下断面的信号片段对应的时间,它们之间的时间间隔需要人为设定阈值,该阈值需符合实际情况。最终,上断面、本站和下断面的信号片段执行按时间先后顺序的排列组合;
S11、若匹配成功,且得到了多组组合结果,则选择上断面、本站和下断面的信号片段时间间隔最短的组合所对应的本站水文波形片段作为查询序列的最近似波形,根据该近似水位波形,在现有水文历史数据库找到对应的水位流量关系线,作为水位流量关系实时定线的趋势线,根据实测或预测水位在趋势线上查出对应的流量值;
S12、若匹配不成功,将包含有查询序列的上断面、本站和下断面水文序列执行变
分模态分解操作,查询序列所对应的低频子信号和中频子信号的查询片段作为新的组合纳
入到数据仓库中,其对应的水文地理特征要素组合也将纳入到特征数据仓库中。
在上述实施例中,步骤S2包括如下子步骤:
S21、建立嵌入法模型,采用正则化算法作为所述嵌入法模型中的算法;
S22、选择所述正则化算法中的最小绝对值收敛和选择算子算法(Lasso回归)模型进行机器学习和数据训练;反复的构建所述Lasso回归子模型,自动从样本集W的训练集中逐个筛选(剔除)水文地理要素,所述剔除水文地理要素的条件是损失函数最小。
S23、模型评价与特征子集选择:直接采用Sklearn中线性回归模型lasso模块
的基于最小角回归的交叉验证LassoLarsCV方法,选择误差最小的子集作为优化后的所述
水文地理特征要素组合,同时得到Lasso回归模型中,流量与的线性方程组,具体为:
Lasso回归模型筛选水文地理特征要素的具体方法是:对归一化后的水文地理特征变量,按照回归系数不为0的原则,筛选(保留)最终的影响断面水位、流量的水文地理特征要素。
损失函数最小具体是指:样本点到超平面的欧式距离之和加上带惩罚系数的L1-范数最小,即:
式中,、为常系数项,其中,,为保证损失函数最小所计算出的、所对应的估计值;表示L1范数;为Lasso回归的参数,其决定了被选中水文地
理特征要素的数量,是指第i个样本中水位的预测值,是指第i个样本中第j个水文地理
特征要素的实测值,,N表示样本容量个数,M表示筛选后的水文地理要素特
征个数。
进一步的,S3中变分模态分解方法具体流程如下:
式中,t表示时刻,k表示第k个模态,j为虚数,表示狄拉克函数,表示第k个
模态分量,将各模态的频谱调制到基频带,并对信号进行解调,计算其梯度的平方L2范数,
进而得到各个分解模态的带宽,分解后的各模态量都为调幅-调频信号,其变分约束模型
为:
式中,,,和表示分别对,,和执行傅里叶变换后的
结果,表示原始信号的中心频率,n表示迭代的次数,表示第n次迭代中第k个模态分量
对应的中心频率,表示第n+1次迭代中第k个模态分量对应的中心频率,表示第n+1
次迭代拉格朗日乘子的傅里叶变换,表示第n次迭代拉格朗日乘子的傅里叶变
换,表示第n+1次迭代第k个模态分量,为常数;
采用均方误差判断其是否达到收敛条件:
进一步优选的实施例中,步骤S3中低频子信号和中频子信号的确定具体操作为:
S34、依据S31-S33中对原始信号进行分解操作后,对于每一个子信号,以10%和40%作为界限划分低频、中频和高频信号,定义过零率计算公式如下:
S35、根据S33中所计算的过零率结果,对于小于10%的子信号定义为低频信号,对于大于等于10%且小于40%的子信号定义为中频信号,对于大于等于40%的子信号定义为高频信号。低频信号们进行叠加得到低频子信号,中频信号们进行叠加得到中频子信号,高频信号不参与后续操作。
步骤S4中波段分割实现步骤为:
计算时间序列的极大值点和极小值点,以第一个极大值点为起点,第一个极小值点为终点,切分得到第一个片段,该片段对应的索引为第一个极大值点的位置索引到第一个极小值点位置索引之间的值。后续以第一个极小值点为起点,第二个极大值为终点得到第二个片段。上述操作持续执行直至遍历完所有的极值点,最终切分得到的片段按顺序拼接后应该能够得到原始时间序列。
S4中仅仅使用了低频分量和中频分量,其中高频分量表示原始时间序列中的扰动成分,后续操作中不使用高频分量减小了其他不确定性因素对实际观测的影响。
综上所述,本发明通过分析和识别影响河道断面流量推求的水文要素(如本站水位、上游水位、下游水位、断面面积、比降、涨落率、水面宽、水深等),确定不同水位级下影响流量推求的水文特征要素组合,获得水文特征要素组合与历史流量的对应关系,建立形成水文特征要素聚类数据仓库;对水位时间序列进行变分模态分解,仅仅考虑低频和中频信号的趋势项和周期项,去除了高频的扰动项,使得波形筛选的过程更稳定,并结合本发明所提出的方法对信号在某些时间点上进行压缩,实现两个序列之间的距离最小化评估。同时,本发明结合推求的水文特征要素进一步确定本站相似波形的范围。并结合上下断面的所推求的相似波形,结合时间先后顺序,确定上断面、本站和下断面波形片段的关系,进一步精确确定与查询序列相似性最高的波形片段。本发明通过水文特征要素结合分解计算波形相似度的算法可更加有针对性的进行河道断面流量实时整编或相应流量报汛,实现流量测点的精确匹配,减少水位流量关系定线本身和人为干预带来的双重误差,更快速、更准确地实现河道断面流量实时推求,显著提高河道断面流量实时整编或报汛精度和自动化、智能化水平,为水旱灾害防御、水资源管理和水生态治理提供可实时获得的、精确更高的流量信息支持。
上面所述的实施例仅仅是对本发明的优选实施方式进行描述,并非对本发明的构思和范围进行限定。在不脱离本发明设计构思的前提下,本领域普通人员对本发明的技术方案做出的各种变型和改进,均应落入到本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
Claims (10)
1.一种水位流量关系智能定线方法,其特征在于,包括如下步骤:
为了消除本站及上、下游站水文地理要素之间量纲及数值大小差异,对各水文地理要
素观测系列进行标准化变换,得到新的标准化变量系列
,记标准化变换后的水文地理要素样本集为,则为一个n维向量,并记所述河道本站及
邻近上、下游断面所有历史水位流量关系线上的流量点一一对应的为新的样本集W;
S2、筛选影响本站水位/流量的水文地理特征变量组合:采用嵌入法模型建立影响
本站水位/流量的水文地理特征变量组合,在所述样本集中选取不同的特征子集,利
用历史水文数据,对所述特征子集进行机器学习的数据训练;每次选择多个特征组成特征
子集,选出最好的特征子集,即为所述水文地理特征变量组合;实质为一个t维向量,;
S3、历史上断面、本站及下断面水位数据分别执行变分模态分解操作:上断面、本站及下断面实时水位数据被分别分解为K个具有不同频率的本征模态分量并将K个具有不同频率的本征模态分量分别划分为低频本征模态分量、中频本征模态分量和高频信号本征模态分量;
S4、对上断面、本站及下断面的中低频本征模态分量进行波段分割:根据中频本征模态分量的波动趋势并结合极值点来确定切分波段的起止时间点,最终中频本征模态分量被切分为m个子信号,这些子信号的索引是连续的;对低频本征模态分量同样执行切分操作以得到m个子信号,其中,低频本征模态分量所切分的子信号和中频本征模态分量所切分的子信号所对应的索引和个数是一致的;
S5、对上断面、本站及下断面的低频本征模态分量和中频本征模态分量切分的子信号
按行执行拼接操作:上断面、本站及下断面拼接的子信号构建的数据仓库分别为、、,其中,分别表示上断面、本站及下断面的低频本征
模态分量和中频本征模态分子信号拼接的子信号,其长度并不一定相同的,表示历史水位
数据的长度;
S7、搜索与查询序列相似的数据仓库子序列:根据当前上断面、本站和下断面水位数据
获取的查询序列分别为、和,所述、和分别经过变分模态分解后分为低
频子信号和中频子信号,计算的低频子信号与数据仓库中第一行的各
个片段的相似度,表示为,同样计算的中频子信号与数据仓库中第二行的各个片段的相似度,表示为,和
对应相加可以得到上断面水位数据获取的查询序列与数据仓库的相
似度,表示为;和的低频子信号和中频子信号与
上述执行相同操作,可以得到、和;、和中的各信号片段之间的相似度
分别按从小到大的顺序排列,取前q%的各信号片段之间的相似度重构得到、和,、和中各个元素所对应的子信号片段的索引都被记录在数据库中;
S8、根据水文地理特征要素组合中所筛选的特征提取当前流域所对应的查询特征
向量,结合所对应的索引和S6中的,可以得到所对应的特征片段,若当前查
询序列对应特征的值与的特征的值误差小于某一个阈值,则记录中特征的值对
应的索引;
S9、根据S8中所得到的索引即可确定本站水位数据与本站查询序列相关性最高的一
部分信号片段,根据S7中和各元素的索引也可以确定上断面和下断面水位数据与对
应查询序列相关性较高的信号片段,上断面、本站和下断面筛选出的信号片段可能存在多
个;
S10、上断面、本站和下断面筛选出的信号片段进行匹配,上断面的信号片段对应的时间、本站信号片段对应的时间和下断面的信号片段对应的时间的时间间隔设定一阈值,最终,上断面、本站和下断面的信号片段执行按时间先后顺序的排列组合;
S11、若匹配成功,且得到了多组组合结果,则选择上断面、本站和下断面的信号片段时间间隔最短的组合所对应的本站水文波形片段作为查询序列的最近似波形,根据该近似水位波形,在现有水文历史数据库找到对应的水位流量关系线,作为水位流量关系实时定线的趋势线,根据实测或预测水位在趋势线上查出对应的流量值;
S21、建立嵌入法模型,采用正则化算法作为所述嵌入法模型中的算法;
S22、选择所述正则化算法中的最小绝对值收敛和选择算子算法即Lasso回归模型进行
机器学习和数据训练;反复构建Lasso回归子模型,自动从样本集W的训练集中逐个剔除水
文地理要素,所述剔除水文地理要素的条件是损失函数最小;如此循环,边引入边剔除,直
至遍历完所有所述水文要素,既无新水文地理要素引入也无旧水文要素删除为止,得到优
选出的所述水文地理特征要素组合;
S23、模型评价与特征子集选择:直接采用Sklearn中线性回归模型lasso模块的基
于最小角回归的交叉验证LassoLarsCV方法,选择误差最小的子集作为优化后的所述水文
地理特征要素组合,同时得到Lasso回归模型中,流量与的线性方程组,具体为:
3.根据权利要求2所述的一种水位流量关系智能定线方法,其特征在于,所述S22中Lasso回归模型筛选水文地理特征要素的具体方法是:对归一化后的水文地理特征变量,按照回归系数不为0的原则,筛选保留最终影响断面水位、流量的水文地理特征要素。
5.根据权利要求1所述的一种水位流量关系智能定线方法,其特征在于,所述S3中变分模态分解方法具体流程如下:
式中,t表示时刻,k表示第k个模态,j为虚数,表示狄拉克函数,表示第k个模态
分量,将各模态的频谱调制到基频带,并对信号进行解调,计算其梯度的平方L2范数,进而
得到各个分解模态的带宽,分解后的各模态量都为调幅-调频信号,其变分约束模型为:
式中,,,和表示分别对,,和执行傅里叶变换后的结
果,表示原始信号的中心频率,n表示迭代的次数,表示第n次迭代中第k个模态分量对
应的中心频率,表示第n+1次迭代中第k个模态分量对应的中心频率,表示第n+1次
迭代拉格朗日乘子的傅里叶变换,表示第n次迭代拉格朗日乘子的傅里叶变换,表示第n+1次迭代第k个模态分量,为常数;
采用均方误差判断其是否达到收敛条件:
6.根据权利要求5所述的一种水位流量关系智能定线方法,其特征在于,所述S3中低频子信号和中频子信号的确定具体操作为:
S34、依据步骤S31- S33对原始信号进行分解操作后,对于每一个子信号,以10%和40%作为界限划分低频、中频和高频信号,定义过零率计算公式如下:
S35、根据S34中所计算的过零率结果,对于小于10%的子信号定义为低频信号,对于大于等于10%且小于40%的子信号定义为中频信号,对于大于等于40%的子信号定义为高频信号,低频信号们进行叠加得到低频子信号,中频信号们进行叠加得到中频子信号,高频信号不参与后续操作。
7.根据权利要求1所述的一种水位流量关系智能定线方法,其特征在于,所述S4中波段分割实现步骤为:
计算时间序列的极大值点和极小值点,以第一个极大值点为起点,第一个极小值点为终点,切分得到第一个片段,该片段对应的索引为第一个极大值点的位置索引到第一个极小值点位置索引之间的值;后续以第一个极小值点为起点,第二个极大值为终点得到第二个片段,上述操作持续执行直至遍历完所有的极值点,最终切分得到的片段按顺序拼接后能够得到原始时间序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568655.XA CN115687308B (zh) | 2022-12-08 | 2022-12-08 | 一种水位流量关系智能定线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211568655.XA CN115687308B (zh) | 2022-12-08 | 2022-12-08 | 一种水位流量关系智能定线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115687308A true CN115687308A (zh) | 2023-02-03 |
CN115687308B CN115687308B (zh) | 2023-04-21 |
Family
ID=85056839
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211568655.XA Active CN115687308B (zh) | 2022-12-08 | 2022-12-08 | 一种水位流量关系智能定线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115687308B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108647807A (zh) * | 2018-04-10 | 2018-10-12 | 武汉理工大学 | 河流流量的预测方法 |
US20180348013A1 (en) * | 2015-11-25 | 2018-12-06 | Aquatic Informatics Inc. | Environmental monitoring systems, methods and media |
CN112528462A (zh) * | 2020-10-26 | 2021-03-19 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于动态响应曲线对主河道区间入流量修正的方法 |
CN113641733A (zh) * | 2021-10-18 | 2021-11-12 | 长江水利委员会水文局 | 一种河道断面流量实时智能推求方法 |
CN113836477A (zh) * | 2021-09-29 | 2021-12-24 | 黄河勘测规划设计研究院有限公司 | 基于平滩流量的稳封期河道防凌安全过流量计算方法 |
US20220316876A1 (en) * | 2021-04-02 | 2022-10-06 | Bureau Of Hydrology, Changjiang Water Resources Commission | Method for continuous measurement of river flow based on satellite big data |
CN115290148A (zh) * | 2022-08-04 | 2022-11-04 | 武汉大水云科技有限公司 | 一种复杂水流条件下的流量测量方法及系统 |
-
2022
- 2022-12-08 CN CN202211568655.XA patent/CN115687308B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180348013A1 (en) * | 2015-11-25 | 2018-12-06 | Aquatic Informatics Inc. | Environmental monitoring systems, methods and media |
CN108647807A (zh) * | 2018-04-10 | 2018-10-12 | 武汉理工大学 | 河流流量的预测方法 |
CN112528462A (zh) * | 2020-10-26 | 2021-03-19 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于动态响应曲线对主河道区间入流量修正的方法 |
US20220316876A1 (en) * | 2021-04-02 | 2022-10-06 | Bureau Of Hydrology, Changjiang Water Resources Commission | Method for continuous measurement of river flow based on satellite big data |
CN113836477A (zh) * | 2021-09-29 | 2021-12-24 | 黄河勘测规划设计研究院有限公司 | 基于平滩流量的稳封期河道防凌安全过流量计算方法 |
CN113641733A (zh) * | 2021-10-18 | 2021-11-12 | 长江水利委员会水文局 | 一种河道断面流量实时智能推求方法 |
CN115290148A (zh) * | 2022-08-04 | 2022-11-04 | 武汉大水云科技有限公司 | 一种复杂水流条件下的流量测量方法及系统 |
Non-Patent Citations (1)
Title |
---|
张亭 等: ""长江水文资料在线整编系统应用研究"" * |
Also Published As
Publication number | Publication date |
---|---|
CN115687308B (zh) | 2023-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230141886A1 (en) | Method for assessing hazard on flood sensitivity based on ensemble learning | |
CN109165664A (zh) | 一种基于生成对抗网络的属性缺失数据集补全与预测方法 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN106649479A (zh) | 一种基于概率图的变压器状态关联规则挖掘方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN116699096B (zh) | 一种基于深度学习的水质检测方法和系统 | |
CN104038792A (zh) | 用于iptv监管的视频内容分析方法及设备 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
Massaferro et al. | Improving electricity non technical losses detection including neighborhood information | |
CN117540303A (zh) | 基于交叉半监督机器学习算法的滑坡易发性评估方法及系统 | |
CN115687308A (zh) | 一种水位流量关系智能定线方法 | |
CN112307410A (zh) | 基于船载ctd测量数据的海水温盐信息时序预测方法 | |
Vrabie et al. | Digital twin for downhole pressure gauges: model and field case study | |
CN116485029A (zh) | 油田开发动态数据准确性检测方法、装置、设备及介质 | |
Feng et al. | Graph convolution based spatial-temporal attention lstm model for flood forecasting | |
CN116027158A (zh) | 一种高压电缆局放故障预测方法及系统 | |
CN115936242A (zh) | 空气质量与交通状况的溯源关系数据获取方法及装置 | |
Dupree et al. | Time forecasting satellite light curve patterns using Neural Networks | |
Raghavendran et al. | Forecasting Oil Production Using Regression and Ensemble Algorithms | |
Liu et al. | An Anomaly Detection Framework Based on Data Center Operation and Maintenance Data | |
CN117333781B (zh) | 黑土区侵蚀沟卫星遥感智能提取方法、装置、设备及介质 | |
US20220229959A1 (en) | Injection-production relationship optimization method based on heterogeneous flow field characterization | |
Zhao et al. | Burst detection in district metering areas using flow subsequences clustering–reconstruction analysis | |
Wang et al. | Prediction Model of Fault Block Reservoir Measure Index Based on 1DCNN-LightGBM |
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 |