CN116822180B - 一种模拟河渠输水过程的积分时滞模型参数辨识方法 - Google Patents
一种模拟河渠输水过程的积分时滞模型参数辨识方法 Download PDFInfo
- Publication number
- CN116822180B CN116822180B CN202310720444.1A CN202310720444A CN116822180B CN 116822180 B CN116822180 B CN 116822180B CN 202310720444 A CN202310720444 A CN 202310720444A CN 116822180 B CN116822180 B CN 116822180B
- Authority
- CN
- China
- Prior art keywords
- time
- sequence
- water level
- lag
- downstream
- 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.)
- Active
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 123
- 238000000034 method Methods 0.000 title claims abstract description 60
- 230000008569 process Effects 0.000 title claims abstract description 21
- 239000002245 particle Substances 0.000 claims abstract description 50
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000011144 upstream manufacturing Methods 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 9
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Geometry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种模拟河渠输水过程的积分时滞模型参数辨识方法,该方法以原始序列数据的时滞特性分析为切入点,确定具有时滞特性的参数辨识序列集,然后构建积分时滞模型参数多目标优化识别的目标函数,并采用粒子群算法高效求解,最终实现积分时滞参数辨识过程,无需依赖高精度的河渠参数,也不需要构建复杂的水动力学模型或求解繁杂的计算公式,从而使得参数辨识精度高的同时辨识过程更简便、高效,有利于提高实时调度的效率和精度,降低水资源的调度风险。
Description
技术领域
本发明涉及水资源调度技术领域,尤其涉及一种模拟河渠输水过程的积分时滞模型参数辨识方法。
背景技术
为了实现水资源优化配置,往往需要对水资源进行调度,因此,越来越多的输水水利工程应运而生。为了精准感知河渠输水过程的水力要素,常常需要利用仿真模型对输水系统进行模拟,以提供高精度的水力要素预测过程,从而提高实时调度的准确性。近年来,积分时滞模型作为一种简化水动力学模型因为易于实现的特性备受欢迎。积分时滞模型有两个重要的参数,即滞后时间和回水面积。但是现有技术中这两个参数通常采用水动力学模型或简化计算公式进行辨识,过程较为复杂,且比较依赖高精度的河渠参数,然而实际河渠参数经常受到各种扰动而具有不确定性,以至于参数辨识误差较大,最终导致实时调度过程计算效率低且精度不高的问题。
发明内容
本发明所要解决的技术问题是提供一种有利于提高水资源调度精度和提升调度效率的模拟河渠输水过程的积分时滞模型参数辨识方法。
本发明解决上述技术问题所采用的技术方案为:一种模拟河渠输水过程的积分时滞模型参数辨识方法,包括,
S1,获取随时间变化的上游流量数据、下游水位数据、下游流量数据和区间分水口流量数据;当上游流量发生突变时,如果下游水位出现一段时间内不变而后发生突变再持续发生线性变化的情况,表明存在时滞现象,则以自上游流量发生突变的时间点至下游水位不再维持线性变化的时间点间的时间长度为序列长度截取上游流量数据、下游水位数据、下游流量数据和区间分水口流量数据构建参数辨识序列集;
S2,构建如下参数辨识目标函数,
式中,为计算下游水位序列与实测下游水位序列的均方误差,n为序列的
时段数,为t时刻由积分时滞模型计算得到的下游水位,为t时刻实测下游水位;为计算下游水位序列与实测下游水位序列的平均绝对误差;为计算
下游水位序列与实测下游水位序列的单步斜率偏差和,为t+1时刻由积分时滞模型
计算得到的下游水位,为t+1时刻实测下游水位;为相邻时刻的时间间隔;
约束条件:
回水面积面积约束
滞后时间约束
式中表示回水面积,表示渠池的平均水面宽度,表示渠池的长度,表
示滞后时间,表示参数辨识序列的时间跨度;
S3,调用积分时滞模型,将参数辨识序列集中的上游流量序列、下游流量序列和区
间分水口流量序列输入积分时滞模型,推求下游的计算水位,然后采用粒子群算法以所述
S2中构建的参数辨识目标函数为目标获取待求参数滞后时间和回水面积的最优解。
进一步的,所述积分时滞模型如下式:
式中:为时刻渠池下游水深相对于初始时刻下游水深的
增量,为时刻渠池入流流量相对于初始时刻入流流量的增量,表示时刻渠池出流流量相对于初始时刻出流流量的增量,表示时刻渠池分水口流量相对于初始时刻分水口流量的增量,表示滞后时间,反映水波在均匀流区域的传播时间;表示回水面积,
反映回水区的水面面积。
进一步的,所述S3包括如下步骤,
S31,设粒子群的种群规模为N,初始化所有粒子,N为大于等于1的自然数,粒子群
中的粒子为待识别参数即滞后时间、回水面积的解;
S32,根据参数辨识序列集中的上游流量序列、下游流量序列和区间分水口流量序列及粒子的位置代入积分时滞模型计算下游水位序列,将计算下游水位序列和实测下游水位序列代入目标函数,得到均方误差、平均绝对误差、下游水位单步序列斜率偏差和,并按分层思想,对均方误差、平均绝对误差、下游水位单步序列斜率偏差和逐一确定最小值,生成每个粒子的适应度值,将粒子的历史最优pBest设为当前位置,群体中的最优粒子作为当前的gBest;
S33,判断种群代数上限是否达到设定值,若是,则输出当前gBest中的粒子作为待
识别参数滞后时间和回水面积的最优解,若否,则执行S34;
S34,通过粒子群算法的种群更新机制,更新粒子的位置,返回执行S32。
进一步的,所述参数辨识序列集中至少包括两组工况的数据序列。
进一步的,所述种群规模N的取值为100。
进一步的,所述种群代数上限设定值为100。
与现有技术相比,本发明的优点在于:本发明以原始序列数据的时滞特性分析为切入点,确定具有时滞特性的参数辨识序列集,然后构建积分时滞模型参数多目标优化识别的目标函数,并采用粒子群算法高效求解,最终实现积分时滞参数的辨识,该方法无需依赖高精度的河渠参数,避免了构建复杂的水动力学模型与求解繁杂的物理公式,从而使得参数辨识过程更简便、高效,有利于提高实时调度的效率和精度,降低水资源的调度风险。
附图说明
图1为积分时滞模型示意图。
图2为采用粒子群算法求解积分时滞模型参数的流程示意图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
在本申请的描述中,需要说明的是,对于方位词,如有术语“中心”、“横向”、“纵向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”、“顺时针”、“逆时针”等指示方位和位置关系为基于附图所示的方位或位置关系,仅是为了便于叙述本申请和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定方位构造和操作,不能理解为限制本申请的具体保护范围。术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,“多个”的含义是两个或两个以上,除非另有明确具体的限定。
本发明涉及一种模拟河渠输水过程的积分时滞模型参数辨识方法,包括如下步骤:
S1,获取随时间变化的上游流量数据、下游水位数据、下游流量数据和区间分水口流量数据;当上游流量发生突变时,如果下游水位出现一段时间内不变而后发生突变再持续发生线性变化的情况,表明存在时滞现象,则以自上游流量发生突变的时间点至下游水位不再维持线性变化的时间点间的时间长度为序列长度截取上游流量数据、下游水位数据、下游流量数据和区间分水口流量数据构建参数辨识序列集;
S2,构建如下参数辨识目标函数,
式中,为计算下游水位序列与实测下游水位序列的均方误差,n为序列的
时段数,为t时刻由积分时滞模型计算得到的下游水位,为t时刻实测下游水位;为计算下游水位序列与实测下游水位序列的平均绝对误差;为计算
下游水位序列与实测下游水位序列的单步斜率偏差和,为t+1时刻由积分时滞模型
计算得到的下游水位,为t+1时刻实测下游水位;为相邻时刻的时间间隔;
约束条件:
回水面积面积约束
滞后时间约束
式中表示回水面积,表示渠池的平均水面宽度,表示渠池的长度,表
示滞后时间,表示参数辨识序列的时间跨度;
S3,调用积分时滞模型,将参数辨识序列集中的上游流量序列、下游流量序列和区
间分水口流量序列输入积分时滞模型,推求下游的计算水位,然后采用粒子群算法以所述
S2中构建的参数辨识目标函数为目标获取待求参数滞后时间和回水面积的最优解。
具体而言,如图1所示,上述积分时滞模型如下式:
式中:为时刻渠池下游水深相对于初始时刻下游水深的
增量,为时刻渠池入流流量相对于初始时刻入流流量的增量,表示时刻渠池出流流量相对于初始时刻出流流量的增量,表示时刻渠池分水口流量相对于初始时刻分水口流量的增量,表示滞后时间,反映水波在均匀流区域的传播时间;表示回水面积,
反映回水区的水面面积。
在本实施例中,如图2所示,上述步骤3包括如下步骤,
S31,设粒子群的种群规模为N,初始化所有粒子,N为大于等于1的自然数,粒子群
中的粒子为待识别参数即滞后时间、回水面积的解;
S32,根据参数辨识序列集中的上游流量序列、下游流量序列和区间分水口流量序列及粒子的位置代入积分时滞模型计算下游水位序列,将计算下游水位序列和实测下游水位序列代入目标函数,得到均方误差、平均绝对误差、下游水位单步斜率偏差和,并按分层思想,对均方误差、平均绝对误差、下游水位单步斜率偏差和逐一确定最小值,也即先对均方误差的进行排序确定最小值,如果存在相同的均方误差的情况,则将相同均方误差对应的粒子进行平均绝对误差排序确定均方误差相对较小的值,如果存在相同的平均绝对误差相同的情况,则将相同平均绝对误差对应的粒子进行下游水位单步斜率偏差和进行排序确定相对较小的值,然后生成每个粒子的适应度值,将每个粒子最优的适应度值对应的位置作为pBest,群体中具有最优的适应度值的粒子的位置作为当前的gBest;
S33,判断种群代数上限是否达到设定值,若是,则输出当前gBest中的粒子作为待
识别参数滞后时间和回水面积的最优解,若否,则执行S34;
S34,通过粒子群算法的种群更新机制,更新粒子的位置,返回执行S32。
需要说明的是,粒子群算法的种群更新机制如下:
其中,表示粒子位置,表示粒子速度,表示粒子
的历史最优值,表示全局最优值,下标表示粒子的第维,下标表示第个
粒子,表示当前迭代次数,表示惯性权值,和均为加速常量,通常在区间(0,2)
内取值,和为两个相互独立的取值范围在[0,1]的随机数。由于粒子群算法的原理属
于现有技术,不在此详述。
需要说明的是,粒子群算法中,一般来说,种群规模越大,迭代次数越大,结果的精度越高,但计算速度也越慢,因此,在本实施例中,可以根据经验将种群规模设置为100、种群代数上限设置为100,可以较好的满足精度和效率的要求,实际应用过程中,可以根据需要进行调整。
作为一种优选,为了提高识别的参数的稳定性,参数辨识序列集中至少包括两组工况的数据序列,当然,可以尽可能选择多的工况数据序列进行计算,比如上游流量变化量为10、8、6、4、2m³/s的多种工况下的数据构建参数辨识序列集。
下面以南水北调东线江苏段徐洪河泗洪站-睢宁站渠池为例,进一步对本发明方法进行说明。同时,为体现本发明方法的优越性,构建泗洪站-睢宁站渠池的一维水动力学仿真模型,在多组工况下对渠池分别进行输水模拟,并采用水动力学分析方法对积分时滞参数进行识别;然后对用水动力模型识别积分时滞模型参数的方法和本发明方法进行对比,以对本发明方法的效果进行分析。
构建泗洪站-睢宁站渠池的水动力学仿真模型初始条件为泗洪站流量120m³/s,睢
宁站流量110m³/s,取水口分水流量10m³/s,泗洪站站上水位15.4664m,睢宁站站下水位
15.3m;对泗洪站流量施加2m³/s步长的突变,控制睢宁站流量不变,得到4组工况下的泗洪
站-睢宁站渠池输水过程序列,并作为多工况参数多目标辨识原始数据集;积分时滞参数多
目标优化辨识模型设置回水面积上限为1140万㎡,滞后时间上限为10000min;粒子群算法
种群规模设置为100,惯量权重为的取值为0.8,加速系数和均为2,迭代次数100
代。本发明技术方案参数辨识后的结果与水动力模型方法参数辨识结果见表1、表2、表3。
表 1 回水面积参数辨识结果对比表
工况编号 | 上游流量变化量(m³/s) | 水动力方法回水面积(㎡) | 本发明方法回水面积(㎡) | 偏差率 |
1 | 4 | 8727272.7 | 8629295.4 | -1.1% |
2 | 2 | 8516129.0 | 8576234.6 | 0.7% |
3 | -2 | 8655737.7 | 8565510.3 | -1.0% |
4 | -4 | 8516129.0 | 8542816.2 | 0.3% |
表 2 滞后时间参数辨识结果对比表
工况编号 | 上游流量变化量(m³/s) | 水动力方法滞后时间(min) | 本发明方法滞后时间(min) | 偏差率 |
1 | 4 | 39.3 | 35.3 | -10.1% |
2 | 2 | 42.9 | 39.9 | -6.9% |
3 | -2 | 35.7 | 39.2 | 9.8% |
4 | -4 | 35.7 | 39.6 | 10.9% |
表 3参数辨识计算耗时结果表
工况编号 | 上游流量变化量(m³/s) | 水动力学方法计算耗时(s) | 本发明方法计算耗时(s ) |
1 | 4 | 76 | 14 |
2 | 2 | 74 | 14 |
3 | -2 | 75 | 13 |
4 | -4 | 76 | 13 |
由表1可以看出,本发明方法回水面积参数辨识结果整体上与水动力学方法相近,4组工况的偏差率均在1.1%以内,平均偏差率为0.8%;由表2可以看出,本发明方法时滞参数辨识结果整体上亦与水动力学方法相近,4组工况的平均偏差率为9.4%。但是本发明方法参数辨识所耗费平均时间为13.5s,而水动力模型方法所耗费的平均时间为75.3s,本发明方法计算耗时远小于水动力模型方法。因此,本发明方法不依赖高精度的河渠参数,避免了构建复杂的水动力学模型与求解繁杂的物理公式,又能够拥有不差于水动力学模型的水位预测精度,并大大节省了计算时间,使得本发明方法在积分时滞模型参数辨识上具有良好的综合性能,提高了实时调度的精度和效率,优势明显,为积分时滞模型参数辨识提供了一种新的思路。
尽管已经示出和描述了本发明的实施例,本领域技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变形,本发明的范围由权利要求及其等同物限定。
Claims (4)
1.一种模拟河渠输水过程的积分时滞模型参数辨识方法,其特征在于:包括,
S1,获取随时间变化的上游流量数据、下游水位数据、下游流量数据和区间分水口流量数据;当上游流量发生突变时,下游水位出现一段时间内不变而后发生突变再持续发生线性变化的情况,表明存在时滞现象,则以自上游流量发生突变的时间点至下游水位不再维持线性变化的时间点间的时间长度为序列长度截取上游流量数据、下游水位数据、下游流量数据和区间分水口流量数据构建参数辨识序列集;
S2,构建如下参数辨识目标函数,
式中,MSE为计算下游水位序列与实测下游水位序列的均方误差,n为序列的时段数,H't为t时刻由积分时滞模型计算得到的下游水位,Ht为t时刻实测下游水位;MAE为计算下游水位序列与实测下游水位序列的平均绝对误差;SUMV为计算下游水位序列与实测下游水位序列的单步斜率偏差和,H't+1为t+1时刻由积分时滞模型计算得到的下游水位,Ht+1为t+1时刻实测下游水位;Δt为相邻时刻的时间间隔;
约束条件:
回水面积约束
As≤B*L
滞后时间约束
τ≤Δt'
式中As表示回水面积,B表示渠池的平均水面宽度,L表示渠池的长度,τ表示滞后时间,Δt'表示参数辨识序列的时间跨度;
S3,调用积分时滞模型,将参数辨识序列集中的上游流量序列、下游流量序列和区间分水口流量序列输入积分时滞模型,推求下游的计算水位,然后采用粒子群算法以所述S2中构建的参数辨识目标函数为目标获取待求参数滞后时间τ和回水面积As的最优解;
其中,所述积分时滞模型如下式:
式中:e(t)为t时刻渠池下游水深Hd(t)相对于初始时刻下游水深Hd(0)的增量,qin(t-τ)为t-τ时刻渠池入流流量Qin(t-τ)相对于初始时刻入流流量Qin(0)的增量,qout(t)表示t时刻渠池出流流量Qout(t)相对于初始时刻出流流量Qout(0)的增量,d(t)表示t时刻渠池分水口流量D(t)相对于初始时刻分水口流量D(0)的增量,τ表示滞后时间,反映水波在均匀流区域的传播时间;As表示回水面积,反映回水区的水面面积;
其中,所述S3包括如下步骤,
S31,设粒子群的种群规模为N,初始化所有粒子,N为大于等于1的自然数,粒子群中的粒子为待识别参数即滞后时间τ、回水面积As的解;
S32,根据参数辨识序列集中的上游流量序列、下游流量序列和区间分水口流量序列及粒子的位置代入积分时滞模型计算下游水位序列,将计算下游水位序列和实测下游水位序列代入目标函数,得到均方误差、平均绝对误差、下游水位单步序列斜率偏差和,并按分层思想,对均方误差、平均绝对误差、下游水位单步序列斜率偏差和逐一确定最小值,生成每个粒子的适应度值,将粒子的历史最优pBest设为当前位置,群体中的最优粒子作为当前的gBest;
S33,判断种群代数上限是否达到设定值,若是,则输出当前gBest中的粒子作为待识别参数滞后时间τ和回水面积As的最优解,若否,则执行S34;
S34,通过粒子群算法的种群更新机制,更新粒子的位置,返回执行S32。
2.根据权利要求1所述的模拟河渠输水过程的积分时滞模型参数辨识方法,其特征在于:
所述参数辨识序列集中至少包括两组工况的数据序列。
3.根据权利要求1所述的模拟河渠输水过程的积分时滞模型参数辨识方法,其特征在于:
所述种群规模N的取值为100。
4.根据权利要求3所述的模拟河渠输水过程的积分时滞模型参数辨识方法,其特征在于:
所述种群代数上限设定值为100。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720444.1A CN116822180B (zh) | 2023-06-19 | 2023-06-19 | 一种模拟河渠输水过程的积分时滞模型参数辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310720444.1A CN116822180B (zh) | 2023-06-19 | 2023-06-19 | 一种模拟河渠输水过程的积分时滞模型参数辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116822180A CN116822180A (zh) | 2023-09-29 |
CN116822180B true CN116822180B (zh) | 2024-01-19 |
Family
ID=88112036
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310720444.1A Active CN116822180B (zh) | 2023-06-19 | 2023-06-19 | 一种模拟河渠输水过程的积分时滞模型参数辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116822180B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118013232A (zh) * | 2024-04-07 | 2024-05-10 | 山东齐鸿工程建设有限公司 | 基于人工智能的大型水利工程水位监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343595A (zh) * | 2021-05-21 | 2021-09-03 | 武汉大学 | 一种明渠输水系统事故的反演模型及事故流量、位置确定方法 |
CN113361214A (zh) * | 2021-06-17 | 2021-09-07 | 武汉大学 | 一种基于水位流量数据的明渠控制模型参数辨识方法 |
CN114417631A (zh) * | 2022-01-26 | 2022-04-29 | 清华大学 | 一种基于观测数据的灌区输配水系统建模方法 |
CN115509132A (zh) * | 2022-09-29 | 2022-12-23 | 武汉大学 | 一种基于明渠串联多渠池的耦合控制模型、构建方法及其效果验证方法 |
-
2023
- 2023-06-19 CN CN202310720444.1A patent/CN116822180B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343595A (zh) * | 2021-05-21 | 2021-09-03 | 武汉大学 | 一种明渠输水系统事故的反演模型及事故流量、位置确定方法 |
CN113361214A (zh) * | 2021-06-17 | 2021-09-07 | 武汉大学 | 一种基于水位流量数据的明渠控制模型参数辨识方法 |
CN114417631A (zh) * | 2022-01-26 | 2022-04-29 | 清华大学 | 一种基于观测数据的灌区输配水系统建模方法 |
CN115509132A (zh) * | 2022-09-29 | 2022-12-23 | 武汉大学 | 一种基于明渠串联多渠池的耦合控制模型、构建方法及其效果验证方法 |
Non-Patent Citations (2)
Title |
---|
Development of a novel outlier index for real-time detection of water level outliers for open-channel water transfer projects;Luyan Zhou et.al;《Journal of Hydroinformatics》;第25卷(第03期);第1072-1083页 * |
基于实测水位和流量数据的渠道控制模型参数辨识与验证;管光华等;《农业工程学报》;第36卷(第23期);第92-98页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116822180A (zh) | 2023-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111125969B (zh) | 一种跨水库流域河道径流演算方法和系统 | |
CN116822180B (zh) | 一种模拟河渠输水过程的积分时滞模型参数辨识方法 | |
CN106407627A (zh) | 一种风速概率分布建模的方法和系统 | |
CN112464584B (zh) | 自由表面流的水位和流量推求方法 | |
CN112257352A (zh) | 一维水动力模型和二维水动力模型的耦合方法及系统 | |
CN106815473B (zh) | 水文模拟不确定性分析方法及装置 | |
CN104112062B (zh) | 基于插值方法的风资源分布的获取方法 | |
CN106650125A (zh) | 一种离心压气机叶轮的优化方法和系统 | |
CN109255476B (zh) | 一种变参数非线性的河道流量预测方法 | |
CN106844889B (zh) | 基于非等分区块化原则的四边形结构网格划分方法 | |
CN110059443B (zh) | 一种分层水库取水下泄水温的快速预测方法 | |
CN114485865B (zh) | 一种基于香农熵的超声波水表流量校准方法 | |
CN115712800B (zh) | 一种水库水位波动处理方法 | |
CN111985129A (zh) | 一种城市暴雨内涝精细化模拟方法 | |
CN114818320B (zh) | 一种巨型河网水动力数学模型率定方法、系统及存储介质 | |
CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 | |
CN109919362A (zh) | 一种考虑水利工程调度影响的中长期径流预报方法 | |
CN114896909A (zh) | 一种基于水位高度的明渠流量计算方法 | |
CN114757049A (zh) | 流域污水处理厂提标改造的必要性分析验证方法 | |
CN113850440A (zh) | 一种利用基于平均风速订正的mcp的风速预测方法 | |
CN110426755B (zh) | 一种基于改进反距离加权的地面气温资料质量控制方法 | |
CN117852850B (zh) | 基于虚拟河道替代闸孔泄流计算的蓄滞洪区洪水调度方法及系统 | |
CN116701970B (zh) | 基于双层相似度聚类的排水管网监测点优化布置方法 | |
CN114169047B (zh) | 一种计算水库回水范围的方法 | |
CN109636030B (zh) | 一种基于分形理论的水文模型多目标参数优化方法 |
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 |