CN116628411A - 一种基于全感融合的高精度流量在线监测智能算法 - Google Patents
一种基于全感融合的高精度流量在线监测智能算法 Download PDFInfo
- Publication number
- CN116628411A CN116628411A CN202310613584.9A CN202310613584A CN116628411A CN 116628411 A CN116628411 A CN 116628411A CN 202310613584 A CN202310613584 A CN 202310613584A CN 116628411 A CN116628411 A CN 116628411A
- Authority
- CN
- China
- Prior art keywords
- flow
- flow velocity
- water level
- vertical line
- data
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 29
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 230000004927 fusion Effects 0.000 title claims abstract description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 167
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 29
- 230000015556 catabolic process Effects 0.000 claims abstract description 21
- 238000006731 degradation reaction Methods 0.000 claims abstract description 21
- 238000012360 testing method Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000012545 processing Methods 0.000 claims description 20
- 238000011144 upstream manufacturing Methods 0.000 claims description 15
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 4
- 230000005888 antibody-dependent cellular phagocytosis Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 241001577299 Vindex Species 0.000 description 2
- 241001113556 Elodea Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
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
- G01—MEASURING; TESTING
- G01F—MEASURING VOLUME, VOLUME FLOW, MASS FLOW OR LIQUID LEVEL; METERING BY VOLUME
- G01F1/00—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow
- G01F1/002—Measuring the volume flow or mass flow of fluid or fluent solid material wherein the fluid passes through a meter in a continuous flow wherein the flow is in an open channel
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Fluid Mechanics (AREA)
- Measuring Volume Flow (AREA)
Abstract
本发明提供一种基于全感融合的高精度流量在线监测智能算法,选定目标测流断面,收集历史水位、面积和流量测验的原始数据,根据比降级和水位级划分不同数据集,并根据所述不同数据集垂线流速分布特征,建立流速分布模型;利用接触式与非接触式测流数据,创新融合推流方法;根据历史测验数据样本集,提出了分比降级和水位级率定垂线流速分布规律的方法,为垂线平均流速的推算提供较为精确的理论依据;充分利用历史数据资料和实时水情数据,根据流速分布规律,高精度推算实时流量。
Description
技术领域
本发明涉及水文流量监测方法,尤其涉及一种基于全感融合的高精度流量在线监测智能算法。
背景技术
现有的流量在线监测方法通常可分为接触式与非接触式两类,通过测得水体中某部分或某些点的流速(称为代表流速Vindex),通过比测,建立代表流速Vindex与断面平均流速Vm的关系,再通过水位查取断面面积,计算得到流量。接触式的如H-ADCP、非接触式的如雷达测速、视频测速等,均是此原理。
现有的流量在线监测方法往往精度较低,难以达到基本水文资料搜集的精度要求。对于H-ADCP等接触式测流方法,由于其安装位置固定,水位变化时,其所测点流速的垂线相对位置也会变化,从而导致所测代表流速与断面平均流速关系不稳定,难以得出较高精度的相关关系。对于雷达、视频等非接触式测流方法,测水面点的流速,虽然相对位置不会变化,但是其在受洪水涨落、顶托等影响,代表流速与断面平均流速关系通常也不稳定。而多套设备测流的站点也无较好的方法对不同设备数据进行高精度融合计算。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了一种基于全感融合的高精度流量在线监测智能算法,能够提高在线测流的精度。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了一种基于全感融合的高精度流量在线监测智能算法,包括以下步骤:
S1、选定目标测流断面,收集历史水位、面积和流量测验的原始数据,根据比降级和水位级划分不同数据集,并根据所述不同数据集垂线流速分布特征,建立流速分布模型;
S2、通过垂线流速分布模型,分别计算接触式和非接触式的垂线平均流速,以融合为综合垂线流速;
S3、基于不同的测流断面形态,建立流量网格计算模型;
S4、获取实时接触式和非接触式流速测验数据,依据所述流量网格计算模型计算实时流量,并通过滤波平滑处理,实现高精度的断面流量在线实时推求。
进一步,所述S1的具体步骤为:
S101、收集水文站历史流速仪多线多点法或走航式ADCP流量测验的原始数据、及对应的水文站水位、上游站水位数据和下游站水位数据,组成历史流量数据库DQ:
DQ={H1,H2…Ht};
H={Q,Z,Z上,Z下,R};
其中,Ht为t项流量文件;Q为流量信息;Z为水文站水位信息;Z上为上游站水位数据;Z下为下游站水位数据;R为流速信息;
S102、样本集划分:通过所述上游站水位数据和所述下游站水位数据计算出水面比降S;根据所述水面比降S将流量文件H划分为I个集合,统计S>0的集合数m,并记为US+;(I-m)个S≤0的集合记为US-;
S=(Z上-Z下)/L
根据水文站水位信息将在每个所述水面比降内按水位级划分为n个集合W,将在每个所述水面比降内按水位级划分为n′个集合W′,记为:
其中,m为集合数;L为上游站和下游站之间的距离。
进一步,所述S1的具体步骤还包括:
S103、在每个比降级和水位级U集合条件下,提取流量文件中流速信息R,以确定流速点在断面中的空间位置,其中:
R=(Xi,Yi,Vi);
Xi为每个流速点的断面起点距;Yi为每个流速点的高程;Vi为每个测速点的流速;
S104、对流速点的坐标进行归一化和一维化处理;根据起点距Xki确定垂线,计算所述垂线对应的水深hi,并计算出相对水深h′i;对断面上每个点进行计算,经过处理后将空间坐标转化在一个标准垂线上,h′i∈(0,1);
hi=Zt-Z河底i
h′i=Yi-Z河底i/hi
其中,Zt为测流时的水位;Z河底i为河底高程;i为编号;
S105、对所述垂线上每点的流速进行归一化处理:
Vi′=(Vi-Vi,min)/(Vi,max-Vi,min)
其中,Vi,max为每条垂线上的最大流速;Vi,min为每条垂线上的最小流速,由于Vi,min为河底处流速,存在测量盲区,无法直接测到,故Vi,min直接取0;Vi′为归一化流速。
进一步,S106、将断面上所有点流速数据处理成二维双向归一化数据集(h′i,Vi′),并根据h′i的大小进行数据集的重新排序;
利用带噪声的密度聚类算法DBSCAN聚类分析进行数据集的处理,去除噪声,将集群建模为高密度的点簇;所述密度聚类算法DBSCAN确定邻域半径Eps和邻域半径里最小数据点数量MinPts的参数为:
其中,REmax、REmed、REmin分别为低水、中水和高水时最大允许的相对误差;H1为高水位和中水位分界处相对水深;H2为中水位和低水位分界处相对水深;pi为第i个数据点的邻域半径Eps内数据点数量,n为数据集的对象数量;
高、中、低水位级按《河流流量测验规范》推荐方法进行划分,或借用水文站采用值;各水位级最大允许误差采用《水文资料整编规范》推荐值;
查看每个数据点是否在核心点的领域内,若在,且不为核心点,则为边界点;若不在,且不为核心点,则为噪声点;
S107、将S>0的每个样本集,即同一比降级内同一水位级的各次流量数据,根据所述归一化处理后,点绘到二维图上,纵坐标为所述相对水深h′i,横坐标为所述归一化流速Vi′,根据相对最小二乘法的原理拟合垂线流速分布公式:
相对最小二乘法为:
其中,xi′为拟合值;xi为实测值;
其中,a,b,c,d为参数;y为相对水深;
S108、计算S>0的每个样本的垂线流速分布公式X={X1、X2…Xm×n};
S109、在S≤0的集合中,提取同一比降级、同一水位级,即集合中的流量信息Q、水文站水位信息Z和流速信息R。
进一步,S110、依照所述S104对所述流速点坐标归一化处理hi',每个相对水深和起点距确定一个点流速,所述点流速表示为Vi(Xi,hi′);
建立点流速与垂线平均流速的关系:
为垂线平均流速;C为常数,与流速点对应的Xi和hi′有关。
进一步,所述S2的具体步骤为:
S201、在水文站的流量测验断面,根据测站特性安装接触式与非接触式流量在线监测设备,按照相同的频次,同步进行断面上不同起点距的流速数据采集;
S202、根据实时水文站水位、大断面数据、上游站水位和下游站水位,确定当前时刻所处的水位级,计算出所述水面比降S,根据对应的比降级和水位级,确定样本,所述样本的流速分布或垂线流速拟合公式,即为所选用的流速计算方法;
S203、根据断面起点距对所测得的相同起点距的流速进行匹配,并计算每一条垂线所述接触式测流设备所测流速在垂线上的相对水深h′i。
S204、由所述接触式测流设备所测流速Vi和相对水深h′i,查本水位级的流速分布公式及系数,通过面积包围法计算得到垂线平均流速
Vi,max=vmax(h'i)
其中,Vi,max为垂线最大流速,Hi为垂线水深,v(hi')为垂线流速分布模型;
S205、由所述非接触式测流设备所测表面流速,依据本比降级和水位级流速分布模型,计算得到垂线平均流速
进一步,计算综合垂线的平均流速:
若相对误差小于等于5%,将接触式和非接触式所计算的垂线平均流速按照测点水深加权的原则,计算综合垂线平均流速为:
若相对误差大于5%,则根据策略集确定权重:
则根据本垂线流速及前垂线、后垂线的流速/> 确定流速准确度系数:
综合垂线平均流速计算公式为:
其中,为综合垂线平均流速;Hi为垂线水深;hL为接触式设备所测测点至河底的距离;/>为非接触式所测点流速推算的垂线平均流速;/>为接触式所测点流速推算的垂线平均流速;ai,非、ai,接为准确度系数。
进一步,所述S3的具体步骤为:
S301、由于垂线将河道断面划分多个断面流速网络,基于垂线的平均流速数据,结合适应的数值积分算法,对各断面网格分别进行重构拟合;
S302、当断面网格为[xi,xi+1]时,断面流速网格的拟合流量q为:
其中,H(xi)为起点距与水深的分段函数;a,为系数;c0、c1、c2、c3为权重系数;
S303、累加各垂线区间内流量,以算出断面流量Qt;
S304、用变步长LMS自适应滤波对实时流量系列数据进行处理,计算出不同时刻的断面流量,以实现高精度的断面流量在线实时推求:
M(t+1)=M(t)+2μ(t)e(t)Q(t)
其中,Q(t)为第t时刻流量经过自适应滤波器估计后的结果输出;M(t)为自适应滤波器t时刻的抽头权向量;Q(t)为自适应滤波器在t时刻的输入向量;W为自适应滤波阶数;为期望信号和输出信号之差;Q'(t)为t时刻的期望信号;μ(t)为步长因子;
S305、基于河流特性的Sigmoid函数变步长算法:
0<μ(t)<1/λmax
其中,α、β分别控制函数形状和取值范围,通过仿真实验获取;λmax为输入向量的自相关矩阵的最大特性值。
本发明的有益效果为:利用接触式与非接触式测流数据,创新融合推流方法;充分利用历史数据资料和实时水情数据,根据流速分布规律,高精度推算实时流量;
根据历史测验数据样本集,提出了分比降级和水位级率定垂线流速分布规律的方法,为垂线平均流速的推算提供较为精确的理论依据;
根据接触式和非接触式所测的多点流速分别推算垂线平均流速可以有效避免单一方法的测验偏差;
提出了接触式与非接触式融合的综合垂线平均流速计算方法,能有效提高垂线平均流速的计算精度。通过不同垂线的流速数据和断面数据,可计算出精确的断面流量,从而实现流量的高精度实时在线推算。为水文测报、水资源管理提供精确的水文数据支撑。
附图说明
图1为本发明一种基于全感融合的高精度流量在线监测智能算法的流程图;
图2为测验示意图;
图3为垂线流速分布示意图。
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,下面结合附图,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例仅用以解释本发明,并不用于限定本发明。
请参阅图1,一种基于全感融合的高精度流量在线监测智能算法,包括以下步骤:
S1、选定目标测流断面,收集历史水位、面积和流量测验的原始数据,根据比降级和水位级划分不同数据集,并根据所述不同数据集垂线流速分布特征,建立流速分布模型;
S2、通过垂线流速分布模型,分别计算接触式和非接触式的垂线平均流速,以融合为综合垂线流速;
S3、基于不同的测流断面形态,建立流量网格计算模型;
S4、获取实时接触式和非接触式流速测验数据,依据流量网格计算模型计算实时流量,并通过滤波平滑处理,实现高精度的断面流量在线实时推求。
所述S1的具体步骤为:
S101、收集水文站历史流速仪多线多点法或走航式ADCP流量测验的原始数据、及对应的水文站水位、上游站水位数据和下游站水位数据,组成历史流量数据库DQ:
DQ={H1,H2…Ht};
H={Q,Z,Z上,Z下,R};
其中,Ht为t项流量文件;Q为流量信息;Z为本站水位信息;Z上为上游站水位数据;Z下为下游站水位数据;R为流速信息;
S102、样本集划分:通过所述上游站水位数据和所述下游站水位数据计算出水面比降S;根据所述水面比降S将流量文件H划分为I个集合,统计S>0(天然流态)的集合数m,并记为US+;(I-m)个S≤0(受顶托状态)的集合记为US-;
根据水文站水位信息将在每个所述水面比降内按水位级划分为n个集合W,将在每个所述水面比降内按水位级划分为n′个集合W′,记为:
其中,m为集合数;L为上游站和下游站之间的距离。
所述S1的具体步骤还包括:
S103、在每个比降级和水位级U集合条件下,提取流量文件中流速信息R,以确定流速点在断面中的空间位置,其中:
R=(Xi,Yi,Vi);
Xi为每个流速点的断面起点距;Yi为每个流速点的高程;Vi为每个测速点的流速;
S104、对流速点的坐标进行归一化和一维化处理;根据起点距Xki确定垂线,计算所述垂线对应的水深hi,并计算出相对水深h′i;对断面上每个点进行计算,经过处理后将空间坐标转化在一个标准垂线上,h′i∈(0,1);
hi=Zt-Z河底i
h′i=Yi-Z河底i/hi
其中,Zt为测流时的水位;Z河底i为河底高程;i为垂线编号;
S105、对所述垂线上每点的流速进行归一化处理:
Vi′=(Vi-Vi,min)/(Vi,max-Vi,min)
其中,Vi,max为每条垂线上的最大流速;Vi,max为每条垂线上的最小流速,由于Vi,max为河底处流速,存在测量盲区,无法直接测到,故Vi,max直接取0;Vi′为归一化流速。
S106、将断面上所有点流速数据处理成二维双向归一化数据集(h′i,Vi′),并根据h′i的大小进行数据集的重新排序;
利用带噪声的密度聚类算法DBSCAN聚类分析进行数据集的处理,去除噪声,将集群建模为高密度的点簇;所述密度聚类算法DBSCAN确定邻域半径Eps和邻域半径里最小数据点数量MinPts的参数为:
其中,REmax、REmed、REmin分别为低水、中水和高水时最大允许的相对误差;H1为高水位和中水位分界处相对水深;H2为中水位和低水位分界处相对水深;pi为第i个数据点的邻域半径Eps内数据点数量,n为数据集的对象数量;
此外,一类精度站规范取值为8%、5%和4%;二类精度站规范取值范围为12%、8%和6%;三类精度站规范取值范围为15%、10%和8%。由于该方法低水接近河底,因此REmax可适当增大。
核心点:一个数据点的Eps邻域半径内的数据点数≥邻域半径里最小数据点数量MinPts,则该数据点为核心点;
查看每个数据点是否在核心点的领域内,若在,且不为核心点,则为边界点;若不在,且不为核心点,则为噪声点;
S107、将S>0的每个样本集,即同一比降级内同一水位级的各次流量数据,根据所述归一化处理后,点绘到二维图上,纵坐标为所述相对水深h′i,横坐标为所述归一化流速Vi′,根据相对最小二乘法的原理拟合垂线流速分布公式:
相对最小二乘法为:
其中,xi′为拟合值;xi为实测值;
其中,a,b,c,d为参数;y为相对水深;
此外,垂线流速分布类型主要有抛物线模型、幂函数模型、双曲线模型、椭圆模型及对数模型等。
S108、计算S>0的每个样本的垂线流速分布公式X={X1、X2…Xm×n};为利用在线监测设备所测的点流速推算垂线平均流速提供较为精确的理论依据。
S109、在S≤0的集合中,提取同一比降级、同一水位级,即集合中的流量信息Q、水文站水位信息Z和流速信息R。
依照所述S104对所述流速点坐标归一化处理hi',每个相对水深和起点距确定一个点流速,所述点流速表示为Vi(Xi,hi′);
建立点流速与垂线平均流速的关系:
为垂线平均流速;C为常数,与流速点对应的Xi和hi′有关。
所述S2的具体步骤为:
S201、在水文站(流量测验断面),根据测站特性安装接触式与非接触式流量在线监测设备,按照相同的频次,同步进行断面上不同起点距的流速数据采集;
S202、根据实时水文站水位、大断面数据、上游站水位和下游站水位,确定当前时刻所处的水位级,计算出所述水面比降S,根据对应的比降级和水位级,确定样本,所述样本的流速分布或垂线流速拟合公式,即为所选用的流速计算方法;
S203、根据断面起点距对所测得的相同起点距的流速进行匹配,并计算每一条垂线所述接触式测流设备所测流速在垂线上的相对水深h′i。
S204、由所述接触式测流设备所测流速Vi和相对水深h′i,查本水位级的流速分布公式及系数,通过面积包围法计算得到垂线平均流速
Vi,max=vmax(h'i)
其中,Vi,max为垂线最大流速,Hi为垂线水深,v(hi')为垂线流速分布模型;
S205、由所述非接触式测流设备所测表面流速,依据本比降级和水位级流速分布模型,计算得到垂线平均流速
计算综合垂线的平均流速:
若相对误差小于等于5%,将接触式和非接触式设备所计算的垂线平均流速按照测点水深加权的原则,计算综合垂线平均流速为:
若相对误差大于5%,则根据策略集确定权重:
则根据本垂线流速及前垂线、后垂线的流速/> 确定流速准确度系数:
综合垂线平均流速计算公式为:
其中,为综合垂线平均流速;Hi为垂线水深;hL为接触式设备所测测点至河底的距离;/>为非接触式所测点流速推算的垂线平均流速;/>为接触式所测点流速推算的垂线平均流速;ai,非、ai,接为准确度系数。
此外,为两测点所测流速在垂线上的代表深度加权值;
ai,非、ai,接的计算是基于在断面中,流速横向分布一般是均匀变化的,即当测速垂线足够密时,本垂线流速与前、后垂线流速近似均匀变化;因此,可通过垂线点流速与前后垂线对应点流速的差别程度判断流速的可信度,即准确度;
准确度越高ai,非、ai,接的计算越小;准确度越低,系数越大;进而,通过系数的权重构造出综合垂线平均流速计算公式,减小某一流速测量误差较大对综合平均流速计算精度的影响。
所述S3的具体步骤为:
S301、由于垂线将河道断面划分多个断面流速网络,基于垂线的平均流速数据,结合适应的数值积分算法,对各断面网格分别进行重构拟合;
此外,数值积分算法可以为:梯形公式、高斯法等。
流量网格断面的重构拟合需要根据断面形态确定,梯形公式适应于断面网络较为规整的情况;辛普森公式适合于断面网络不规整、流速呈现线性变化的情况;高斯公式则很大程度取决于权重系数和测点情况的选择。
S302、当断面网格为[xi,xi+1]时,断面流速网格的拟合流量q为:
其中,H(xi)为起点距与水深的分段函数;a,为系数;c0、c1、c2、c3为权重系数;
当出现大风、大雨、大雾等能见度不高的情景时,宜采用接触式设备所测流速Vi,接推算流量Qt;
当河道内出现水草增多、泥沙浓度变高的情景时,宜采用非接触式设备所测流速Vi,非推算流量Qt;
其余情景时,采用接触式和非接触式结合所得综合流速推算流量Qt。
S303、累加各垂线区间内流量,以算出断面流量Qt;
S304、用变步长LMS自适应滤波对实时流量系列数据进行处理,计算出不同时刻的断面流量,以实现高精度的断面流量在线实时推求:
M(t+1)=M(t)+2μ(t)e(t)Q(t)
其中,Q(t)为第t时刻流量经过自适应滤波器估计后的结果输出;M(t)为自适应滤波器t时刻的抽头权向量;Q(t)为自适应滤波器在t时刻的输入向量;W为自适应滤波阶数;为期望信号和输出信号之差;Q'(t)为t时刻的期望信号;μ(t)为步长因子;
S305、基于河流特性的Sigmoid函数变步长算法:
0<μ(t)<1/λmax
其中,α、β分别控制函数形状和取值范围,通过仿真实验获取;λmax为输入向量的自相关矩阵的最大特性值。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求。
Claims (7)
1.一种基于全感融合的高精度流量在线监测智能算法,其特征在于,包括以下步骤:
S1、选定目标测流断面,收集历史水位、面积和流量测验的原始数据,根据比降级和水位级划分不同数据集,并根据所述不同数据集垂线流速分布特征,建立流速分布模型;
S2、通过垂线流速分布模型,分别计算接触式和非接触式的垂线平均流速,以融合为综合垂线流速;
S3、基于不同的测流断面形态,建立流量网格计算模型;
S4、获取实时接触式和非接触式流速测验数据,依据所述流量网格计算模型计算实时流量,并通过滤波平滑处理,实现高精度的断面流量在线实时推求。
2.根据权利要求1所述的一种基于全感融合的高精度流量在线监测智能算法,其特征在于,所述S1的具体步骤为:
S101、收集水文站历史流速仪多线多点法或走航式ADCP流量测验的原始数据、及对应的水文站水位、上游站水位数据和下游站水位数据,组成历史流量数据库DQ:
DQ={H1,H2…Ht};
H={Q,Z,Z上,Z下,R};
其中,Ht为t项流量文件;Q为流量信息;Z为水文站水位信息;Z上为上游站水位数据;Z下为下游站水位数据;R为流速信息;
S102、样本集划分:通过所述上游站水位数据和所述下游站水位数据计算出水面比降S;根据所述水面比降S将流量文件H划分为I个集合,统计S>0的集合数m,并记为US+;(I-m)个S≤0的集合记为US-;
S=(Z上-Z下)/L
根据水文站水位信息将在每个所述水面比降内按水位级划分为n个集合W,将/>在每个所述水面比降内按水位级划分为n′个集合W′,记为:
其中,m为集合数;L为上游站和下游站之间的距离。
3.根据权利要求2所述的一种基于全感融合的高精度流量在线监测智能算法,其特征在于,所述S1的具体步骤还包括:
S103、在每个比降级和水位级U集合条件下,提取流量文件中流速信息R,以确定流速点在断面中的空间位置,其中:
R=(Xi,Yi,Vi);
Xi为每个流速点的断面起点距;Yi为每个流速点的高程;Vi为每个测速点的流速;
S104、对流速点的坐标进行归一化和一维化处理;根据起点距Xki确定垂线,计算所述垂线对应的水深hi,并计算出相对水深h′i;对断面上每个点进行计算,经过处理后将空间坐标转化在一个标准垂线上,h′i∈(0,1);
hi=Zt-Z河底i
h′i=Yi-Z河底i/hi
其中,Zt为测流时的水位;Z河底i为河底高程;i为编号;
S105、对所述垂线上每点的流速进行归一化处理:
Vi′=(Vi-Vi,min)/(Vi,max-Vi,min)
其中,Vi,max为每条垂线上的最大流速;Vi,min为每条垂线上的最小流速,由于Vi,min为河底处流速,存在测量盲区,无法直接测到,故Vi,min直接取0;Vi′为归一化流速;。
4.根据权利要求3所述的一种基于全感融合的高精度流量在线监测智能算法,其特征在于:
S106、将断面上所有点流速数据处理成二维双向归一化数据集(h′i,V′i),并根据h′i的大小进行数据集的重新排序;
利用带噪声的密度聚类算法DBSCAN聚类分析进行数据集的处理,去除噪声,将集群建模为高密度的点簇;所述密度聚类算法DBSCAN确定邻域半径Eps和邻域半径里最小数据点数量MinPts的参数为:
其中,REmax、REmed、REmin分别为低水、中水和高水时最大允许的相对误差;H1为高水位和中水位分界处相对水深;H2为中水位和低水位分界处相对水深;pi为第i个数据点的邻域半径Eps内数据点数量,n为数据集的对象数量;
查看每个数据点是否在核心点的领域内,若在,且不为核心点,则为边界点;若不在,且不为核心点,则为噪声点;
S107、将S>0的每个样本集,即同一比降级内同一水位级的各次流量数据,根据所述归一化处理后,点绘到二维图上,纵坐标为所述相对水深h′i,横坐标为所述归一化流速V′i,根据相对最小二乘法的原理拟合垂线流速分布公式:
相对最小二乘法为:
其中,x′i为拟合值;xi为实测值;
其中,a,b,c,d为参数;y为相对水深;
S108、计算S>0的每个样本的垂线流速分布公式X={X1、X2…Xm×n};
S109、在S≤0的集合中,提取同一比降级、同一水位级,即集合中的流量信息Q、水文站水位信息Z和流速信息R。
S110、依照所述S104对所述流速点坐标归一化处理hi',每个相对水深和起点距确定一个点流速,所述点流速表示为Vi(Xi,hi′);
建立点流速与垂线平均流速的关系:
为垂线平均流速;C为常数,与流速点对应的Xi和hi′有关。
5.根据权利要求4所述的一种基于全感融合的高精度流量在线监测智能算法,其特征在于,所述S2的具体步骤为:
S201、在水文站的流量测验断面,根据测站特性安装接触式与非接触式流量在线监测设备,按照相同的频次,同步进行断面上不同起点距的流速数据采集;
S202、根据实时水文站水位、大断面数据、上游站水位和下游站水位,确定当前时刻所处的水位级,计算出所述水面比降S,根据对应的比降级和水位级,确定样本,所述样本的流速分布或垂线流速拟合公式,即为所选用的流速计算方法;
S203、根据断面起点距对所测得的相同起点距的流速进行匹配,并计算每一条垂线所述接触式测流设备所测流速在垂线上的相对水深h′i。
S204、由所述接触式测流设备所测流速Vi和相对水深h′i,查本水位级的流速分布公式及系数,通过面积包围法计算得到垂线平均流速
Vi,max=vmax(h'i)
其中,Vi,max为垂线最大流速,Hi为垂线水深,v(hi')为垂线流速分布模型。
S205、由所述非接触式测流设备所测表面流速,依据本比降级和水位级匹配流速分布模型,计算得到垂线平均流速
6.根据权利要求5所述的一种基于全感融合的高精度流量在线监测智能算法,其特征在于,计算综合垂线的平均流速:
若相对误差小于等于5%,将接触式和非接触式设备所计算的垂线平均流速按照测点水深加权的原则,计算综合垂线平均流速为:
若相对误差大于5%,则根据策略集确定权重:
则根据本垂线流速及前垂线、后垂线的流速/> 确定流速准确度系数:
综合垂线平均流速计算公式为:
其中,为综合垂线平均流速;Hi为垂线水深;hL为接触式设备所测测点至河底的距离;/>为非接触式所测点流速推算的垂线平均流速;/>为接触式所测点流速推算的垂线平均流速;ai,非、ai,接为准确度系数。
7.根据权利要求6所述的一种基于全感融合的高精度流量在线监测智能算法,其特征在于,所述S3的具体步骤为:
S301、由于垂线将河道断面划分多个断面流速网络,基于垂线的平均流速数据,结合适应的数值积分算法,对各断面网格分别进行重构拟合;
S302、当断面网格为[xi,xi+1]时,断面流速网格的拟合流量q为:
其中,H(xi)为起点距与水深的分段函数;a,为系数;c0、c1、c2、c3为权重系数;
S303、累加各垂线区间内流量,以算出断面流量Qt;
S304、用变步长LMS自适应滤波对实时流量系列数据进行处理,计算出不同时刻的断面流量,以实现高精度的断面流量在线实时推求:
M(t+1)=M(t)+2μ(t)e(t)Q(t)
其中,Q(t)为第t时刻流量经过自适应滤波器估计后的结果输出;M(t)为自适应滤波器t时刻的抽头权向量;Q(t)为自适应滤波器在t时刻的输入向量;W为自适应滤波阶数;为期望信号和输出信号之差;Q'(t)为t时刻的期望信号;μ(t)为步长因子;
S305、基于河流特性的Sigmoid函数变步长算法:
0<μ(t)<1/λmax
其中,α、β分别控制函数形状和取值范围,通过仿真实验获取;λmax为输入向量的自相关矩阵的最大特性值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310613584.9A CN116628411B (zh) | 2023-05-29 | 2023-05-29 | 一种基于全感融合的高精度流量在线监测智能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310613584.9A CN116628411B (zh) | 2023-05-29 | 2023-05-29 | 一种基于全感融合的高精度流量在线监测智能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116628411A true CN116628411A (zh) | 2023-08-22 |
CN116628411B CN116628411B (zh) | 2024-05-17 |
Family
ID=87609482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310613584.9A Active CN116628411B (zh) | 2023-05-29 | 2023-05-29 | 一种基于全感融合的高精度流量在线监测智能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628411B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1725019A (zh) * | 2004-07-20 | 2006-01-25 | 富士电机系统株式会社 | 钳式多普勒超声波流速分布仪 |
US20090195437A1 (en) * | 2008-02-05 | 2009-08-06 | Barrick Donald E | Systems and methods for monitoring river flow parameters using a vhf/uhf radar station |
CN110297104A (zh) * | 2019-06-04 | 2019-10-01 | 长江水利委员会水文局 | 一种河流代表垂线流速分布实时在线测量方法 |
CN110702079A (zh) * | 2019-10-12 | 2020-01-17 | 中国水利水电科学研究院 | 一种冰盖下流速分布的推演方法 |
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 |
-
2023
- 2023-05-29 CN CN202310613584.9A patent/CN116628411B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1725019A (zh) * | 2004-07-20 | 2006-01-25 | 富士电机系统株式会社 | 钳式多普勒超声波流速分布仪 |
US20090195437A1 (en) * | 2008-02-05 | 2009-08-06 | Barrick Donald E | Systems and methods for monitoring river flow parameters using a vhf/uhf radar station |
CN110297104A (zh) * | 2019-06-04 | 2019-10-01 | 长江水利委员会水文局 | 一种河流代表垂线流速分布实时在线测量方法 |
CN110702079A (zh) * | 2019-10-12 | 2020-01-17 | 中国水利水电科学研究院 | 一种冰盖下流速分布的推演方法 |
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 |
Non-Patent Citations (2)
Title |
---|
肖林: "组合式流量在线监测系统在变动回水断面的应用", 水文, vol. 38, no. 3, pages 69 - 72 * |
袁德忠 等: "机器学习模型在H-ADCP在线测流系统中的应用", 人民长江, vol. 51, no. 11, pages 70 - 75 * |
Also Published As
Publication number | Publication date |
---|---|
CN116628411B (zh) | 2024-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582755B (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
CN109635435B (zh) | 一种基于贝叶斯理论的天然河道水位流量关系确定方法 | |
CN106407627B (zh) | 一种风速概率分布建模的方法和系统 | |
CN110213003B (zh) | 一种无线信道大尺度衰落建模方法及装置 | |
CN110895354A (zh) | 一种基于泰森多边形动态调整的面雨量计算方法 | |
CN112966856A (zh) | 一种山洪风险预测方法及预测系统 | |
CN116243097B (zh) | 基于大数据的电能质量检测方法 | |
CN112348290B (zh) | 河流水质预测方法、装置、存储介质及设备 | |
CN111412959B (zh) | 流量在线监测计算方法、监测仪以及监测系统 | |
CN117314016A (zh) | 基于bim技术的水利工程在线监控方法 | |
CN113435630A (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
CN115455867A (zh) | 基于回归分析的坝区流态的推求方法 | |
US20240256746A1 (en) | Scheduling method and system for operation of reservoirs to recharge freshwater for repelling saltwater intrusion under changing conditions | |
CN115908051A (zh) | 一种电力系统储能容量确定方法 | |
CN115859840B (zh) | 一种海洋环境动力要素区域极值分析方法 | |
CN116628411B (zh) | 一种基于全感融合的高精度流量在线监测智能方法 | |
CN110847112B (zh) | 一种基于水力学模拟的河道泄洪预警方法 | |
CN102354376B (zh) | 对测风数据进行补缺修正的方法 | |
CN109341650B (zh) | 一种基于最小检测代价的无人机高程误差双门限修正方法 | |
CN106792531B (zh) | 一种传感器网络的节点定位方法及其装置 | |
CN115453664A (zh) | 一种适用于无资料地区的降雨径流预报方法 | |
CN108229012B (zh) | 渠道水位流量关系模型的求解方法 | |
CN108984487B (zh) | 一种水位流量关系实时滑动拟合方法 | |
CN107798339B (zh) | 一种基于泰森多边形图的多波束异常值数据处理算法 | |
CN112862144A (zh) | 基于双层目标优化的无资料城市确定最优损失曲线的方法 |
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 |