CN116844307B - 一种多情景山洪预警方法 - Google Patents
一种多情景山洪预警方法 Download PDFInfo
- Publication number
- CN116844307B CN116844307B CN202310906354.1A CN202310906354A CN116844307B CN 116844307 B CN116844307 B CN 116844307B CN 202310906354 A CN202310906354 A CN 202310906354A CN 116844307 B CN116844307 B CN 116844307B
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- value
- output
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000012545 processing Methods 0.000 claims description 30
- 239000003990 capacitor Substances 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 230000014759 maintenance of location Effects 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000002596 correlated effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 3
- 238000006424 Flood reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000013480 data collection Methods 0.000 description 4
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geology (AREA)
- Geometry (AREA)
- Environmental & Geological Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Emergency Management (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种多情景山洪预警方法，包括：收集数据，提取第一特征值，预测所述第一特征值中丢失的数据，根据所述第一特征丢失率选择第二特征值，构建预警模型，训练预警模型，判断预警模型是否存在错误，根据训练预警模型的输出的训练数据，判断是否存在输出错误，如果不存在输出错误，则判断预警模型训练成功；如果存在输出错误，则对预警模型的参数进行调整，优化所述训练模型直至不存在输出错误；如果预警模型训练成功，则接收所述采集模块采集的数据，将所述数据输入到所述预警模型中输出预警值，如果预警值大于设定值，则所述中央控制器输出预警信号给所述预警模块，所述预警模块接收到所述预警信号后，开启预警警告。
Description
技术领域
本发明属于地质灾害技术领域，特别涉及一种多情景山洪预警方法。
背景技术
山洪是山区中小流域由强降雨引起的突发性洪水，具有突发性和极强的破坏性，威胁着人类的生命和财产安全。针对城镇化进程的加快，工业不断深度发展，针对极端天气的增多突发性暴雨频率增加，有些中小流域在遇到汛期时，无法进行快速准确的预知，尤其是面对多种复杂天气带来不确定，会给广大人民群众带来巨大的经济损失。
发明内容
本发明公开了一种多情景山洪预警方法，其应用于多情景山洪预警系统，所述系统包括数据采集模块、数据传输模块、中央控制器和预警模块，所述中央控制器包括数据处理单元，所述方法包括：
收集数据，所述数据包括数据采集模块采集的数据以及历史气候数据；
提取第一特征值，所述第一特征值包括月份、最高温度、平均风速、雨量和持续日照时间；
预测所述第一特征值中丢失的数据，通过平均算法、CNN算法、SVM算法计算预测得到第一特征丢失率；
根据所述第一特征丢失率选择第二特征值，所述第二特征值包括第一特征保留率、最小温度、最大温度、平均温度和雨量，所述第一特征保留率=1-第一特征丢失率；
构建预警模型，在预警模型中增加数据和月份；
训练预警模型，通过CNN算法、LSTM算法对所述预警模型进行训练，通过不同月份确定不同的预警模型；
判断预警模型是否存在错误，根据训练预警模型的输出的训练数据，判断是否存在输出错误，如果不存在输出错误，则判断预警模型训练成功；如果存在输出错误，则对预警模型的参数进行调整，优化所述训练模型直至不存在输出错误；
如果预警模型训练成功，则接收所述采集模块采集的数据，将所述数据输入到所述预警模型中输出预警值，如果预警值大于设定值，则所述中央控制器输出预警信号给所述预警模块，所述预警模块接收到所述预警信号后，开启预警警告。
所述的多情景山洪预警方法，所述训练预警模型具体包括：针对不同月份将天气数据进行关联，形成关联数据集，并将关联数据集分别输入到CNN算法和LSTM算法中，在CNND算法和LSTM算法中分别在具备固定周期宽度的1个隐藏层进行数据训练，对数据训练结果进行测试，获得固定周期宽度的预测数据标签，比较不同月份下不同算法的预测数据标签，获得不同月份下的最优预测数据，将最优预测数据的预警模型选定为最终预警模型，并将最终预警模型与对应的月份进行匹配关联，形成预警模型月份选择表，在后续预警时根据输入的月份选择对应的预警模型。
所述的多情景山洪预警方法，所述将所述数据输入到所述预警模型中输出预警值，如果预警值大于设定值，则所述中央控制器输出预警信号给所述预警模块还包括：采集天气图像数据，根据天气图像数据的云层数据进行分析，结合专家系统，校正所述输出预警值。
所述的多情景山洪预警方法，所述校正所述输出预警值包括：通过预警模型输出第一预警值，判断所述第一预警值是否处于设定值的第二区间内，如果是，则启动天气图像采集单元对天气数据进行图像采集，将采集的图像输入到所述中央控制器，所述中央控制器的天气图像处理单元对接收的图像进行分析处理，判断是否会发生过量降雨，如果是，则输出第二预警值，将所述第二预警值与第一预警值均输入到所述中央控制器的控制单元中，所述控制单元对所述第二预警值和第一预警值进行加权求取平均值，将所述平均值设定为输出的预警值；如果所述第一预警值处于设定值的第三区间内，则直接将所述第一预警值输送到所述控制单元，所述控制单元对所述第一预警值进行校正错误后作为输出的预警值；如果所述第一预警值处于设定值的第一区间内，则不输出所述预警值；
所述第一区间、第二区间、第三区间的大小顺序依次为：第一区间、第二区间、第三区间由小到大排列，通过第一阈值和第二阈值进行划分，第一阈值小于第二阈值，小于第一阈值为第一区间，大于第一阈值且小于第二阈值的为第二区间，大于第二阈值的为第三区间。
所述的多情景山洪预警方法，所述中央控制器包括：数据处理单元、天气图像处理单元、控制单元和预警信号输出单元，所述数据处理单元和天气图像处理单元输出端连接所述控制单元，所述控制单元的输出端连接预警信号输出单元，所述预警信号输出单元连接预警模块，所述数据处理单元的输入端连接输出传输模块，所述天气图像处理单元的输入端连接图像采集单元。
所述的多情景山洪预警方法，所述数据采集模块包括风光供电单元、雨量传感器、水位传感器、温度传感器、风速传感器和日照传感器。
所述的多情景山洪预警方法，所述风光供电单元包括风能供电单元、光伏供电单元，所述风能供电单元用于将风能发出的交流电转换为直流电给传感器供电，所述光伏供电单元用于将太阳能板发出的直流电转换为稳定的直流电给传感器供电。
所述的多情景山洪预警方法，所述光伏供电单元包括开关管Q1-Q2、反馈电路VR1、电容Cr、变换器T、电感Lm、二极管D1-D2、电容Co、反馈驱动电路；所述开关管Q1第一端连接太阳能正输出端，开关管Q1的第二端连接开关管Q2的第一端和反馈电路VR1的副边Nr的同名端，副边Nr的异名端连接电容Cr的第一端，电容Cr的第二端连接电感Lm的第一端和变换器T的原边同名端，变压器T的原边异名端连接电感Lm的第二端和开关管Q2的第二端，变换器T的第一副边同名端连接二极管D1的阳极，变换器T的第一副边的异名端连接第二副边的同名端以及接地，第二副边的异名端连接二极管D2的阳极，二极管D1的阴极和二极管D2的阴极相连后连接电容Co的第一端和传感器第一端，电容Co的第二端接地；传感器的第二输入端连接反馈电路VR1的第一原边同名端，反馈电路VR1的第一原边异名端连接第二原边异名端，第二原边异名端接地；传感器第二端连接误差比较器第一输入端，误差比较器第二输入端连接参考电流，误差比较器输出端连接反馈驱动电路的驱动器的第二输入端，所述反馈驱动电路的输出端连接开关管Q2的控制端；开关管Q2的第二端连接温度检测电阻R1，温度检测电阻R1连接ADC转换单元，ADC转换单元用于连接比较电路U3的负输入端，参考温度连接比较电路U3的正输入端，比较电路U3的输出端连接缓冲器U4的输入端，缓冲器U4的输出端连接门电路U5的第二输入端，门电路的第一输入端连接振荡器的输出端，门电路U5的输出端连接RS电路的R端，振荡器的输出端连接RS电路的S端，RS电路的输出端连接门电路U2的第二输出端，门电路U2的第一输入端连接CLK信号，门电路U2的第三输出端连接SDL信号，门电路U2的输出端连接驱动器第一输入端，驱动器根据第一输入端和第二输入端输入的信号进行分析处理，确定驱动信号，输出给开关管Q2。
本发明提出一种多情景山洪预警方法，通过人工智能预测方式，结合当前采集的数据以及历史数据对预警模型进行训练，获取雨量等信息，并结合图像分析进行综合判断，确定出预警信息进行山洪预警，同时，能够较好的通过数据采集模块进行数据采集和稳定的给传感器供电，避免数据采集模块采集的数据不准确或者延时。作为本发明的改进点之一，是通过深度学习进行预警模型训练，根据训练结果输出第一预警值，并根据图像分析的第二预警值进行反馈校正获得校正后的预警值，并根据预警值进行预警警告，提高了预警分析的准确性；作为本发明另一改进点在于根据不同月份确定出不同的预警算法，并较好的针对不同月份的天气进行快速匹配，能够根据不同月份进行自适应调整选择预警模型；作为本发明的另一改进之处是，设置不同类型的传感器供电类型，驱动的时候考虑两种不同类型的反馈参数，进行分别反馈调整，提高传感器的稳定性，并通过采集的稳定参数提高山洪预警的准确性。
附图说明
图1为本发明多情景山洪预警方法的示意图。
图2为本发明训练预警模型的流程示意图。
图3为本发明校正输出预警值的流程示意图。
图4为本发明多情景山洪预警系统示意图。
图5为本发明风光供电单元示意图。
具体实施方式
下面结合附图对本申请作进一步详细描述，有必要在此指出的是，以下具体实施方式只用于对本申请进行进一步的说明，不能理解为对本申请保护范围的限制，该领域的技术人员可以根据上述申请内容对本申请作出一些非本质的改进和调整。
如图1所示，为本发明多情景山洪预警方法的示意图。本发明公开了一种多情景山洪预警方法，其应用于多情景山洪预警系统，所述系统包括数据采集模块、数据传输模块、中央控制器和预警模块，所述中央控制器包括数据处理单元，所述方法包括：
收集数据，所述数据包括数据采集模块采集的数据以及历史气候数据；
提取第一特征值，所述第一特征值包括月份、最高温度、平均风速、雨量和持续日照时间；
预测所述第一特征值中丢失的数据，通过平均算法、CNN算法、SVM算法计算预测得到第一特征丢失率；
根据所述第一特征丢失率选择第二特征值，所述第二特征值包括第一特征保留率、最小温度、最大温度、平均温度和雨量，所述第一特征保留率=1-第一特征丢失率；
构建预警模型，在预警模型中增加数据和月份；
训练预警模型，通过CNN算法、LSTM算法对所述预警模型进行训练，通过不同月份确定不同的预警模型；
判断预警模型是否存在错误，根据训练预警模型的输出的训练数据，判断是否存在输出错误，如果不存在输出错误，则判断预警模型训练成功；如果存在输出错误，则对预警模型的参数进行调整，优化所述训练模型直至不存在输出错误；
如果预警模型训练成功，则接收所述采集模块采集的数据，将所述数据输入到所述预警模型中输出预警值，如果预警值大于设定值，则所述中央控制器输出预警信号给所述预警模块，所述预警模块接收到所述预警信号后，开启预警警告。
如图2所示，为本发明训练预警模型的流程示意图。所述的多情景山洪预警方法，所述训练预警模型具体包括：针对不同月份将天气数据进行关联，形成关联数据集；并将关联数据集分别输入到CNN算法和LSTM算法中，在CNND算法和LSTM算法中分别在具备固定周期宽度的1个隐藏层进行数据训练；对数据训练结果进行测试，获得固定周期宽度的预测数据标签，比较不同月份下不同算法的预测数据标签，获得不同月份下的最优预测数据，将最优预测数据的预警模型选定为最终预警模型；并将最终预警模型与对应的月份进行匹配关联，形成预警模型月份选择表，在后续预警时根据输入的月份选择对应的预警模型。
所述的多情景山洪预警方法，所述将所述数据输入到所述预警模型中输出预警值，如果预警值大于设定值，则所述中央控制器输出预警信号给所述预警模块还包括：采集天气图像数据，根据天气图像数据的云层数据进行分析，结合专家系统，校正所述输出预警值。
如图3所示，为本发明校正输出预警值的流程示意图。所述的多情景山洪预警方法，所述校正所述输出预警值包括：通过预警模型输出第一预警值，判断所述第一预警值是否处于设定值的第二区间内，如果是，则启动天气图像采集单元对天气数据进行图像采集，将采集的图像输入到所述中央控制器，所述中央控制器的天气图像处理单元对接收的图像进行分析处理，判断是否会发生过量降雨，如果是，则输出第二预警值，将所述第二预警值与第一预警值均输入到所述中央控制器的控制单元中，所述控制单元对所述第二预警值和第一预警值进行加权求取平均值，将所述平均值设定为输出的预警值；如果否，则重新检测并判断第一预警值是否处于设定值的第二区间内；
如果所述第一预警值处于设定值的第三区间内，则直接将所述第一预警值输送到所述控制单元，所述控制单元对所述第一预警值进行校正错误后作为输出的预警值；如果所述第一预警值处于设定值的第一区间内，则不输出所述预警值；
所述第一区间、第二区间、第三区间的大小顺序依次为：第一区间、第二区间、第三区间由小到大排列，通过第一阈值和第二阈值进行划分，第一阈值小于第二阈值，小于第一阈值为第一区间，大于第一阈值且小于第二阈值的为第二区间，大于第二阈值的为第三区间。
如图4所示，为本发明多情景山洪预警系统示意图。
所述的多情景山洪预警方法，所述中央控制器包括：数据处理单元、天气图像处理单元、控制单元和预警信号输出单元，所述数据处理单元和天气图像处理单元输出端连接所述控制单元，所述控制单元的输出端连接预警信号输出单元，所述预警信号输出单元连接预警模块，所述数据处理单元的输入端连接输出传输模块，所述天气图像处理单元的输入端连接图像采集单元。
所述的多情景山洪预警方法，所述数据采集模块包括风光供电单元、雨量传感器、水位传感器、温度传感器、风速传感器和日照传感器。
如图5所示，为本发明风光供电单元示意图。所述的多情景山洪预警方法，所述风光供电单元包括风能供电单元、光伏供电单元，所述风能供电单元用于将风能发出的交流电转换为直流电给传感器供电，所述光伏供电单元用于将太阳能板发出的直流电转换为稳定的直流电给传感器供电。
所述的多情景山洪预警方法，所述光伏供电单元包括开关管Q1-Q2、反馈电路VR1、电容Cr、变换器T、电感Lm、二极管D1-D2、电容Co、反馈驱动电路；所述开关管Q1第一端连接太阳能正输出端，开关管Q1的第二端连接开关管Q2的第一端和反馈电路VR1的副边Nr的同名端，副边Nr的异名端连接电容Cr的第一端，电容Cr的第二端连接电感Lm的第一端和变换器T的原边同名端，变压器T的原边异名端连接电感Lm的第二端和开关管Q2的第二端，变换器T的第一副边同名端连接二极管D1的阳极，变换器T的第一副边的异名端连接第二副边的同名端以及接地，第二副边的异名端连接二极管D2的阳极，二极管D1的阴极和二极管D2的阴极相连后连接电容Co的第一端和传感器第一端，电容Co的第二端接地；传感器的第二输入端连接反馈电路VR1的第一原边同名端，反馈电路VR1的第一原边异名端连接第二原边异名端，第二原边异名端接地；传感器第二端连接误差比较器第一输入端，误差比较器第二输入端连接参考电流，误差比较器输出端连接反馈驱动电路的驱动器的第二输入端，所述反馈驱动电路的输出端连接开关管Q2的控制端；开关管Q2的第二端连接温度检测电阻R1，温度检测电阻R1连接ADC转换单元，ADC转换单元用于连接比较电路U3的负输入端，参考温度连接比较电路U3的正输入端，比较电路U3的输出端连接缓冲器U4的输入端，缓冲器U4的输出端连接门电路U5的第二输入端，门电路的第一输入端连接振荡器的输出端，门电路U5的输出端连接RS电路的R端，振荡器的输出端连接RS电路的S端，RS电路的输出端连接门电路U2的第二输出端，门电路U2的第一输入端连接CLK信号，门电路U2的第三输出端连接SDL信号，门电路U2的输出端连接驱动器第一输入端，驱动器根据第一输入端和第二输入端输入的信号进行分析处理，确定驱动信号，输出给开关管Q2。
本发明提出一种多情景山洪预警方法，通过人工智能预测方式，结合当前采集的数据以及历史数据对预警模型进行训练，获取雨量等信息，并结合图像分析进行综合判断，确定出预警信息进行山洪预警，同时，能够较好的通过数据采集模块进行数据采集和稳定的给传感器供电，避免数据采集模块采集的数据不准确或者延时。作为本发明的改进点之一，是通过深度学习进行预警模型训练，根据训练结果输出第一预警值，并根据图像分析的第二预警值进行反馈校正获得校正后的预警值，并根据预警值进行预警警告，提高了预警分析的准确性；作为本发明另一改进点在于根据不同月份确定出不同的预警算法，并较好的针对不同月份的天气进行快速匹配，能够根据不同月份进行自适应调整选择预警模型；作为本发明的另一改进之处是，设置不同类型的传感器供电类型，驱动的时候考虑两种不同类型的反馈参数，进行分别反馈调整，提高传感器的稳定性，并通过采集的稳定参数提高山洪预警的准确性。
Claims (6)
1.一种多情景山洪预警方法，其特征在于，其应用于多情景山洪预警系统，所述系统包括数据采集模块、数据传输模块、中央控制器和预警模块，所述中央控制器包括数据处理单元，所述方法包括： 收集数据，所述数据包括数据采集模块采集的数据以及历史气候数据；提取第一特征值，所述第一特征值包括月份、最高温度、平均风速、雨量和持续日照时间；预测所述第一特征值中丢失的数据，通过平均算法、CNN算法、SVM算法计算预测得到第一特征丢失率； 根据所述第一特征丢失率选择第二特征值，所述第二特征值包括第一特征保留率、最小温度、最大温度、平均温度和雨量，所述第一特征保留率=1-第一特征丢失率； 构建预警模型，在预警模型中增加数据和月份； 训练预警模型，通过CNN算法、LSTM算法对所述预警模型进行训练，通过不同月份确定不同的预警模型； 判断预警模型是否存在错误，根据训练预警模型输出的训练数据，判断是否存在输出错误，如果不存在输出错误，则判断预警模型训练成功；如果存在输出错误，则对预警模型的参数进行调整，优化训练预警模型直至不存在输出错误； 如果预警模型训练成功，则接收所述采集模块采集的数据，将所述数据输入到所述预警模型中输出预警值，如果预警值大于设定值，则所述中央控制器输出预警信号给所述预警模块，所述预警模块接收到所述预警信号后，开启预警警告；所述将所述数据输入到所述预警模型中输出预警值，如果预警值大于设定值，则所述中央控制器输出预警信号给所述预警模块还包括：采集天气图像数据，根据天气图像数据的云层数据进行分析，结合专家系统，校正所述输出预警值；
所述校正所述输出预警值包括：通过预警模型输出第一预警值，判断所述第一预警值是否处于设定值的第二区间内，如果是，则启动天气图像采集单元对天气数据进行图像采集，将采集的图像输入到所述中央控制器，所述中央控制器的天气图像处理单元对接收的图像进行分析处理，判断是否会发生过量降雨，如果是，则输出第二预警值，将所述第二预警值与第一预警值均输入到所述中央控制器的控制单元中，所述控制单元对所述第二预警值和第一预警值进行加权求取平均值，将所述平均值设定为输出的预警值；如果所述第一预警值处于设定值的第三区间内，则直接将所述第一预警值输送到所述控制单元，所述控制单元对所述第一预警值校正错误，将校准错误后的第一预警值作为输出的预警值；如果所述第一预警值处于设定值的第一区间内，则不输出所述预警值； 所述第一区间、第二区间、第三区间的大小顺序依次为：第一区间、第二区间、第三区间由小到大排列，通过第一阈值和第二阈值进行划分，第一阈值小于第二阈值，小于第一阈值为第一区间，大于第一阈值且小于第二阈值的为第二区间，大于第二阈值的为第三区间。
2.如权利要求1所述的多情景山洪预警方法，其特征在于，所述训练预警模型具体包括：针对不同月份将天气数据进行关联，形成关联数据集，并将关联数据集分别输入到CNN算法和LSTM算法中，在CNN算法和LSTM算法中分别在具备固定周期宽度的1个隐藏层进行数据训练，对数据训练结果进行测试，获得固定周期宽度的预测数据标签，比较不同月份下不同算法的预测数据标签，获得不同月份下的最优预测数据，将最优预测数据的预警模型选定为最终预警模型，并将最终预警模型与对应的月份进行匹配关联，形成预警模型月份选择表，在后续预警时根据输入的月份选择对应的预警模型。
3.如权利要求1所述的多情景山洪预警方法，其特征在于，所述中央控制器包括：数据处理单元、天气图像处理单元、控制单元和预警信号输出单元，所述数据处理单元和天气图像处理单元输出端连接所述控制单元，所述控制单元的输出端连接预警信号输出单元，所述预警信号输出单元连接预警模块，所述数据处理单元的输入端连接输出传输模块，所述天气图像处理单元的输入端连接图像采集单元。
4.如权利要求1所述的多情景山洪预警方法，其特征在于，所述数据采集模块包括风光供电单元、雨量传感器、水位传感器、温度传感器、风速传感器和日照传感器。
5.如权利要求4所述的多情景山洪预警方法，其特征在于，所述风光供电单元包括风能供电单元、光伏供电单元，所述风能供电单元用于将风能发出的交流电转换为直流电给传感器供电，所述光伏供电单元用于将太阳能板发出的直流电转换为稳定的直流电给传感器供电。
6.如权利要求5所述的多情景山洪预警方法，其特征在于，所述光伏供电单元包括第一开关管Q1、第二开关管Q2、反馈电路VR1、第一电容Cr、变换器T、电感Lm、第一二极管D1、第二二极管D2、第二电容Co、反馈驱动电路；所述第一开关管Q1第一端连接太阳能正输出端，第一开关管Q1的第二端连接第二开关管Q2的第一端和反馈电路VR1的副边Nr的同名端，副边Nr的异名端连接第一电容Cr的第一端，第一电容Cr的第二端连接电感Lm的第一端和变换器T的原边同名端，变压器T的原边异名端连接电感Lm的第二端和第二开关管Q2的第二端，变换器T的第一副边同名端连接第一二极管D1的阳极，变换器T的第一副边的异名端连接第二副边的同名端以及接地，第二副边的异名端连接第二二极管D2的阳极，第一二极管D1的阴极和第二二极管D2的阴极相连后连接第二电容Co的第一端和传感器第一端，第二电容Co的第二端接地；传感器的第二输入端连接反馈电路VR1的第一原边同名端，反馈电路VR1的第一原边异名端连接第二原边异名端，第二原边异名端接地；传感器第二端连接误差比较器第一输入端，误差比较器第二输入端连接参考电流，误差比较器输出端连接反馈驱动电路的驱动器的第二输入端，所述反馈驱动电路的输出端连接第二开关管Q2的控制端；第二开关管Q2的第二端连接温度检测电阻R1，温度检测电阻R1连接ADC转换单元，ADC转换单元用于连接比较电路U3的负输入端，参考温度连接比较电路U3的正输入端，比较电路U3的输出端连接缓冲器U4的输入端，缓冲器U4的输出端连接第二门电路U5的第二输入端，第二门电路U5的第一输入端连接振荡器的输出端，第二门电路U5的输出端连接RS电路的R端，振荡器的输出端连接RS电路的S端，RS电路的输出端连接第一门电路U2的第二输出端，第一门电路U2的第一输入端连接CLK信号，第一门电路U2的第三输出端连接SDL信号，第一门电路U2的输出端连接驱动器第一输入端，驱动器根据第一输入端和第二输入端输入的信号进行分析处理，确定驱动信号，输出给第二开关管Q2。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906354.1A CN116844307B (zh) | 2023-07-24 | 2023-07-24 | 一种多情景山洪预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310906354.1A CN116844307B (zh) | 2023-07-24 | 2023-07-24 | 一种多情景山洪预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116844307A CN116844307A (zh) | 2023-10-03 |
| CN116844307B true CN116844307B (zh) | 2023-12-26 |
Family
ID=88165130
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310906354.1A Active CN116844307B (zh) | 2023-07-24 | 2023-07-24 | 一种多情景山洪预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116844307B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105553626A (zh) * | 2015-12-07 | 2016-05-04 | 重庆多邦科技股份有限公司 | 一种山洪灾害预警监测终端监测数据的传输方法 |
| CN107025797A (zh) * | 2017-06-07 | 2017-08-08 | 安徽远航交通科技有限公司 | 一种恶劣天气路况自动预警系统 |
| CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
| CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测系统 |
| CN113361690A (zh) * | 2021-06-16 | 2021-09-07 | 江苏省生态环境监控中心(江苏省环境信息中心) | 水质预测模型训练、水质预测方法、装置、设备及介质 |
| KR20220059193A (ko) * | 2020-11-02 | 2022-05-10 | 한국전력공사 | 오탐지 예방을 위한 조기 경보 시스템 및 방법 |
-
2023
- 2023-07-24 CN CN202310906354.1A patent/CN116844307B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105553626A (zh) * | 2015-12-07 | 2016-05-04 | 重庆多邦科技股份有限公司 | 一种山洪灾害预警监测终端监测数据的传输方法 |
| CN107025797A (zh) * | 2017-06-07 | 2017-08-08 | 安徽远航交通科技有限公司 | 一种恶劣天气路况自动预警系统 |
| CN109902885A (zh) * | 2019-04-09 | 2019-06-18 | 中国人民解放军国防科技大学 | 基于深度学习混合cnn-lstm模型的台风预测方法 |
| KR20220059193A (ko) * | 2020-11-02 | 2022-05-10 | 한국전력공사 | 오탐지 예방을 위한 조기 경보 시스템 및 방법 |
| CN112966856A (zh) * | 2021-02-10 | 2021-06-15 | 四川水利职业技术学院 | 一种山洪风险预测方法及预测系统 |
| CN113361690A (zh) * | 2021-06-16 | 2021-09-07 | 江苏省生态环境监控中心(江苏省环境信息中心) | 水质预测模型训练、水质预测方法、装置、设备及介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于情景模拟的小山洪灾害预警方法研究与系统实现;陈俊明;中国优秀硕士学位论文全文数据库基础科学辑;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116844307A (zh) | 2023-10-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101938142B (zh) | 带有太阳方位跟踪装置的并网光伏发电系统及跟踪方法 | |
| CN108614612B (zh) | 太阳能光伏电池最大功率追踪方法和系统 | |
| CN108388956A (zh) | 考虑辐射衰减的光伏功率预测方法 | |
| CN108549962B (zh) | 基于历史分段序列搜索和时序稀疏化的风电功率预测方法 | |
| CN104965558A (zh) | 一种考虑雾霾因素的光伏发电系统最大功率跟踪方法及装置 | |
| CN103500365A (zh) | 光伏发电功率预测方法和系统 | |
| CN111275367A (zh) | 一种区域综合能源系统能效状态评价方法 | |
| CN101630171A (zh) | 应用于光伏电池最大功率跟踪的分段自适应爬山法及系统 | |
| KR102439722B1 (ko) | 날씨 데이터 기반의 무선 센서 네트워크 노드 태양에너지 수집 파워 예측 알고리즘 | |
| CN106059492A (zh) | 基于功率预测的光伏组件阴影故障类型判定方法 | |
| CN103488238B (zh) | 应对光照强度快速变化的自适应变步长mppt控制方法 | |
| CN106125817B (zh) | 一种基于光伏电池四参数模型的光伏mppt方法 | |
| CN106447086A (zh) | 一种基于风电场数据预处理的风电功率组合预测方法 | |
| CN101719737A (zh) | 一种太阳能光伏板最大功率点的扫描跟踪方法 | |
| CN108227759B (zh) | 一种基于神经网络预测技术的太阳能跟踪控制系统 | |
| CN102902298A (zh) | 基于分段模型的光伏阵列 mppt 控制器及控制方法 | |
| CN116844307B (zh) | 一种多情景山洪预警方法 | |
| CN117318111B (zh) | 一种基于天气预测的光储能源动态调节方法及系统 | |
| CN107064165A (zh) | 一种光伏组件表面积灰度在线检测装置及清洗方法 | |
| CN115309195A (zh) | 一种光伏跟踪轴的控制方法、装置及光伏跟踪系统 | |
| CN115392340A (zh) | 一种多能源电力推进船舶的电力负荷预测系统与预测方法 | |
| CN116800172B (zh) | 一种光电转换方法及储能系统 | |
| CN112148059B (zh) | 一种用于光伏发电站的mppt最大功率跟踪方法 | |
| CN111814399B (zh) | 太阳能光伏电池系统的模型参数优化提取方法和测量数据预测方法 | |
| CN109829572A (zh) | 雷电气候下的光伏发电功率预测方法 |
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 |