CN116911178A - 一种基于气象预报的中小型水库容量预测方法及系统 - Google Patents
一种基于气象预报的中小型水库容量预测方法及系统 Download PDFInfo
- Publication number
- CN116911178A CN116911178A CN202310844506.XA CN202310844506A CN116911178A CN 116911178 A CN116911178 A CN 116911178A CN 202310844506 A CN202310844506 A CN 202310844506A CN 116911178 A CN116911178 A CN 116911178A
- Authority
- CN
- China
- Prior art keywords
- data
- weather forecast
- days
- model
- lstm
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 21
- 238000007781 pre-processing Methods 0.000 claims description 14
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims description 2
- 230000015654 memory Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract 1
- 238000005457 optimization Methods 0.000 abstract 1
- 238000004088 simulation Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000872 buffer Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005923 long-lasting effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于气象预报的中小型水库容量预测方法及系统。本发明直接采用气象预报数据与库容量构建数学模型，避免了在实际预测中无法获取未来真实降雨量等信息的问题，同时针对输入的气象预报信息更新频率高的特性，进行了气象预报输入数据分级优化，以达到提升气象预报输入数据的稳定性和可靠性，而后构建一种CNN与LSTM融合模型，该模型具有较高的可靠性和稳定性。本发明可根据预测时间尺度不同自适应选取训练数据矩阵，构建多时间尺度预测模型，能够预测未来多日水库容量，有效提升预测模型的实用性。
Description
技术领域
本发明涉及中小型水库容量预测方法及系统，尤其是一种基于气象预报的中小型水库容量预测方法及系统。
背景技术
蓄水防洪是水库的重要功能之一，在防洪工作中，通过对防洪风险的评估，科学调度水资源成为研究热点。近年来，随着“数字孪生”水利工程的大力推进，对高精度水库容量预测模型提出了新要求。目前基于机器学习模型的水文模拟方法得到了广泛的应用，如随机森林、支持向量机、BP神经网络以及LSTM网络等，都取得了理想的模拟结果。相比传统的、结构单一的人工神经网络模型，LSTM模型对网络结构进行了改进和优化，具有很强的连续时间序列处理能力，并且能够有效解决时间依赖问题。
中小型水库集雨面积一般较小，汇入河流长度短，入库流量与当地降雨量相关性大，因此水库容量变化与降雨量呈现显著相关性，降雨量与库容量变化时效性强，在研究库容量变化时，中小型水库库容量预测可仅考虑降雨量与出库流量。
《无线电工程》(2022,52(1):5)公开了“一种基于LSTM模型的水库水位预测方法”，其提出了一种新的基于长短期记忆网络的时间序列模型，对石梁河水库水位进行了预测和性能评价，并通过实验获取最优预测步长,与基本的多层感知机模型和卷积神经网络比较,提高了模型的预测准确度,并且稳定性更好，但该模型未考虑CNN、LSTM精度优势，输入数据源主要为实测降雨量和数据，现实中无法精确获取降雨量数据，但可获取未来气象预报信息。
《江淮水利科技》(2022(4):5)公开了“基于1D CNN-LSTM模型的红旗水库水位序列模拟”，其提出一种CNN-LSTM模型与五种常用的机器学习模型，对该水库历史30天水位和降雨量数据实现未来7天的水位进行模拟和对比验证。CNN和LSTM能够表现出比较好的模拟性能，结合两种模型的优势能够更加显著地提升模型的模拟效果；1D CNN-LSTM具有较高的鲁棒性，对于未来3天以内水位模拟都有较好的预测效果和精度，在不发生极端天气的情况下，模型对于水位趋势的模拟依然具有相当的参考价值。但该文献存在输入参数较少，仅使用历史30天库水位及降雨量数据，难以考虑多种因素对于库水位的影响，预测最长为7天，预测时间尺度较短。
发明内容
为了克服现有技术的输入数据源和精度不足的缺陷，本发明提供一种基于气象预报的中小型水库容量预测方法及系统，本发明直接采用气象预报数据与库容量构建数学模型，避免了在实际预测中无法获取未来真实降雨量等信息的问题，同时针对输入的气象预报信息更新频率高的特性，本发明进行了气象预报输入数据分级优化，以达到提升气象预报输入数据的稳定性和可靠性，而后构建一种CNN与LSTM融合模型，该模型具有较高的可靠性和稳定性等特点，可根据不同的预测时间尺度自适应选取训练数据矩阵，构建多时间尺度预测模型，能够预测未来多日水库容量，有效提升预测模型实用性。
本发明采用的技术方案是：
一种基于气象预报的中小型水库容量预测方法，包括以下步骤：
S1，收集数据：
选定预测模型输入数据，包括：气象数据、水库库容量数据、出库容量数据。
进一步地，输入气象数据包括未来1～30日气象预报数据、“历史最高温度”、“历史最高温度”、“历史降雨概率”，气象预报数据包括“预报最高温度”，“预报最低温度”，“自然日天数”，“湿度”等数据。
S2，针对气象预报数据进行预处理：
通过对气象预报数据预处理，增强输入数据稳定性，提升模型精度，数据预处理主要为多日气象预报数据预处理。
进一步地，未来1日输入气象数据采用未来1日气象预报；未来2日～7日输入数据采用当日及前2日内目标日的气象预报加权平均值，每个目标日共3个气象预报；未来8日～15日输入数据采用当日及前4内的目标日的气象预报加权平均值，每个目标日共5个气象预报；未来16～30日输入气象数据采用未来16～30日气象预报。通过输入数据进行深度学习训练，用于预测未来时间点的水库的入库流量，达到水库入库容量预测，进而对水库水位进行预警。通过进行对多时间点的数据进行处理，求取其加权平均值，得到更稳定的气象预报，为后续模型训练提供可靠数据。
S3，构建CNN/LSTM水库容量预测模型中的CNN卷积运算模块：所述CNN/LSTM水库容量预测模型为基于python编程语言进行，调用tensorflow框架中的keras模块构建而成。所述CNN卷积运算模块为2D运算模式,选择数据共有11列数据，分别为：“预报最高温度”，“预报最低温度”，“历史最高温度”，“历史最低温度”，“自然天数”，“预报湿度”，“预报降雨最小值”，“预报降雨最大值”，“降雨概率”，“前一天库容量”，“出库容量”。m为预测未来m天的库容量，m可为1～30，输入数据矩阵序列为30-m个当天气象预报和1～m每天气象预报，目标数值为m天水库容量。
进一步地，CNN卷积运算模块包含2层卷积层，2层池化层。第1层卷积层宽度设置为3，每个卷积宽度对应8组卷积核。第2层卷积层宽度设置为3，每个卷积宽度对应6组卷积核。
进一步地，卷积运算输入数据矩阵边缘部分使用“padding＝same”进行填充，各层激活函数均使用ReLU函数，在每层卷积运算后均进行批量标准化运算。
S4，构建CNN/LSTM水库容量预测模型中的LSTM模块：
长短时记忆神经网络LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。
进一步地，所述LSTM模块构建2层LSTM层，1层全连接层。将CNN卷积运算输出数据输入第1层LSTM模块，设置为16个神经元，第2层为8个神经元，1层全连接层设置为16个神经元，均采用ReLU激活函数和数据L2正则化进行数据处理。
S5，对CNN/LSTM水库容量预测模型进行训练：
所述CNN/LSTM水库容量预测模型根据预测时间尺度长短，相应选择输入不同矩阵数据序列，输入数据矩阵包括和/>m为预测天数，r为训练数据当日日期，根据m值的不同适应选取训练输入数据，进行模型训练。
进一步地，模型优化器采用Adam算法，损失函数使用MSE损失函数，RMSE值越小代表模型越好。将训练集输入至构建的CNN/LSTM深度学习模型进行训练，设置迭代次进行模型训练，后将测试集输入模型，得到稳定度预测的准确率，RMSE评判模型预测的精度。
本发明一种基于气象预报的中小型水库容量预测系统，所述系统包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现根据前文所述的基于气象预报的中小型水库容量预测方法。
本发明的有益效果是:
1、本发明直接采用气象预报等数据作为数据模型输入数据，解决了现实预测时输入数据与训练数据不一致的问题。
2、本发明通过对输入数据采用多级预处理算法，增强了输入数据的科学性与可靠性，提升了模型训练精度。
3、本发明基于气象预报数据构建一种2D CNN/LSTM融合模型，选择11个参数数据作为输入数据矩阵，该模型相比单一CNN和LSTM模型均有提升。
4、本发明采用的融合模型具有更长预报时间，根据预报时间尺度长短，自适应选择训练数据，可预测1～30日水库容量变化，具有较强的实用性。
附图说明
图1为本发明的流程图。
具体实施方式
下面结合实施方式及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。
为了克服现有技术的输入数据源和精度的缺点与不足，本发明提供一种基于气象预报的中小型水库容量预测方法及系统，本发明直接采用气象预报数据与库容量构建数学模型，避免了在实际预测中无法获取未来真实降雨量等信息的问题，同时针对输入的气象预报信息更新频率高的特性，本发明进行了气象预报输入数据分级优化，以达到提升气象预报输入数据稳定性和可靠性，而后构建一种CNN与LSTM融合模型，该模型具有较高的可靠性和稳定性等特点，该模型可根据预测时间尺度不同自适应选取训练数据矩阵，构建多时间尺度预测模型，可预测未来多日水库容量，有效提升预测模型实用性。
本发明一种基于气象预报的中小型水库容量预测方法及系统，包括下述步骤：
S1，收集数据：
模型输入数据源包括：气象数据、水库库容量数据、出库容量数据。
其中气象数据包括未来1～30日气象预报数据、“历史最高温度”，“历史最高温度”、“历史降雨概率”。
进一步地，气象预报内容包括“预报最高温度”，“预报最低温度”，“自然日天数”，“湿度”等数据。
S2，对输入气象预报数据进行预处理：
数据预处理主要针对气象预报数据预处理，通过对输入气象预报数据预处理，提升输入数据科学性与可靠性，提升模型训练精度。
具体内容为：未来1日输入气象数据采用未来1日气象预报；未来2日～7日输入数据采用当日及前2日内目标日的气象预报加权平均值，每个目标日共3个气象预报；未来8日～15日输入数据采用当日及前4内的目标日的气象预报加权平均值，每个目标日共5个气象预报；未来16～30日输入气象数据采用未来16～30日气象预报。通过输入数据进行深度学习训练，用于预测未来时间点的水库的入库流量，达到水库入库容量预测，进而对水库水位进行预警，数据输入数据公式如下：
表示输入气象数据，表示未来i日气象预报权值之和，si表示当i为1、16～30时，未来i日气象预报，sit表示当日及前t日未来i日气象预报，fit表示前t日未来i日气象预报的权，mt表示前t日未来i日气象预报权值之和。
当i为1、16～30时，fit当日气象预报权为1，mt为1；当i为3～7时，fit当日气象预报权为3，前1日权为2，前2日权为1，mt为6；当i为8～15时，fit当日气象预报权为5，前1日权为4，前2日权为3，前3日权为2，前4日权为1，mt为27；经过加权平均后的数据进行为预处理，形成需要预测相应时间入库流量的输入气象数据。通过进行对多时间点的时间数据进行处理，求取其加权平均值，得到更稳定的气象预报，为后续模型训练提供可靠数据。
S3，构建CNN/LSTM水库容量预测模型中的CNN卷积运算模块：
CNN/LSTM水库容量预测模型为基于python编程语言进行，调用tensorflow框架中的keras模块构建而成，经过CNN卷积运算后，输出数据进一步用于LSTM模块运算。
构建2D/CNN卷积运算模块,输入Lm(30*11)根据预测时间选择相应矩阵大小，选择数据共有11列数据，分别为：“预报最高温度”，“预报最低温度”，“历史最高温度”，“历史最低温度”，“自然天数”，“预报湿度”，“预报降雨最小值”，“预报降雨最大值”，“降雨概率”，“前一天库容量”，“出库容量”。m为预测未来m天的库容量，m可为1～30，输入训练矩阵序列为30-m个当天气象预报和1～m每天气象预报，目标数值为m天水库容量。
进一步地，CNN卷积运算模块包含2层卷积层，2层池化层。第1层卷积层宽度设置为3，每个卷积宽度对应8组卷积核，运算数据矩阵为(None,30,11,8),第1层池化层对卷积核采用最大池化，池化步长为行为1，列项步长为2，得到矩阵为(None,30,6,8)。
进一步地，第2层卷积层宽度设置为3，每个卷积宽度对应6组卷积核，运算数据矩阵为(None,30,6,6)，第2层池化层对卷积核3采用最大池化，池化步长为行为2，列项步长为1，得到数据矩阵为(None,15,6,6)。
进一步地，卷积运算输入数据矩阵边缘部分使用“padding＝same”进行填充，各层激活函数均使ReLU函数，公式如下：f(x)＝max(0，x)，“前一天库容量”无数据的，采用距离当日最近有数据日进行填充，在每层卷积运算后均使用BatchNormalization模块进行批量标准化运算，使得在深层神经网络的训练过程中使得每一层神经网络的输入保持相同的分布。
S4，构建CNN/LSTM水库容量预测模型中的LSTM模块：
长短时记忆神经网络LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。LSTM引入自循环的巧妙构思，以产生梯度长时间持续流动的路径是初始LSTM模块的核心贡献。LSTM可解决梯度弥散问题，一个LSTM里面包含三个门：忘记门、输入门和输出门。
忘记门：决定上一时刻的信息应该忘记多少，h(t-1)和x(t)在sigmoid函数的作用下，输出一个0-1之间的数值，而后与C(t-1)相互⊙(哈达玛积)，确定C(t-1)有多少信息可以留下来。输入门:决定哪些信息可以留下，输入信息的影响程度,更新旧的信息，变为新的信息C(t)。输出门：根据输入的h(t-1)和x(t)来确定哪些信息需要输出给下一个神经元：y(t)＝σ(Vh(t)+c)。
进一步地，LSTM模块构建2层LSTM层，1层全连接层。将CNN将卷积运算输出数据输入第1层LSTM模块，设置为16个神经元，得到(None,6,16)数据矩阵，第2层为8个神经元，1层全连接层设置为16个神经元，均采用ReLU激活函数和数据L2正则化进行数据处理。
S5，对CNN/LSTM水库容量预测模型进行训练：
CNN/LSTM水库容量预测模型根据预测时间尺度长短不同，自适应选择输入不同矩阵数据序列，输入数据矩阵包括和/>m为预测天数，r为训练数据当日日期，当m＝1时，输入矩阵/>均为当日天气预报，/>为未来1日气象预报；当m＝2～15时，输入矩阵/>均为当日天气预报，为未来加权平均后的气象预报；当m＝16～29时，输入矩阵/>均为当日天气预报，/>为未来加权平均后的气象预报；当m＝30时，输入矩阵为未来加权平均后的气象预报。其中数据矩阵中“前一日库容量”与当日数值一致，m-14～1天数据为si，数据矩阵中“前一日库容量”数值不变。
进一步地，模型优化器采用Adam算法，学习率设置为0.001。选用80％的历史数据作为训练集，剩余20％作为测试集，损失函数使用MSE损失函数，函数公式如下：RMSE值越小代表模型越好。
将训练集输入至构建的CNN/LSTM深度学习模型进行训练，设置迭代300次进行模型训练，后将测试集输入模型，得到稳定度预测的准确率，RMSE评判模型预测的精度。
该模型相比单一CNN和LSTM模型均有提升，混合模型精度评价指标RMSE比CNN模型相比降低73.57％，比LSTM模型降低7.38％。其次混合模型具有更长预报时间，根据预报时间尺度长短，自适应选择训练数据，可预测1～30日水库容量变化。
本发明还提供一种基于气象预报的中小型水库容量预测系统。例如，所述基于气象预报的中小型水库容量预测系统可以用于水库日常管理中的水库容量预测主机。如本文所述，基于气象预报的中小型水库容量预测系统可以用于水库安全日常管理系统中实现对水库容量的预测功能。基于气象预报的中小型水库容量预测系统可以在单个节点中实现，或者基于气象预报的中小型水库容量预测系统的功能可以在网络中的多个节点中实现。本领域的技术人员应意识到，术语基于气象预报的中小型水库容量预测系统包括广泛意义上的设备，此处提及的基于气象预报的中小型水库容量预测系统仅是其中一个示例并不旨在将本发明的使用限制为特定的基于气象预报的中小型水库容量预测系统实施例或某一类基于气象预报的中小型水库容量预测系统实施例。本发明所述的至少部分特征/方法可以在网络装置或组件，例如，基于气象预报的中小型水库容量预测系统中实现。例如，本发明中的特征/方法可以采用硬件、固件和/或在硬件上安装运行的软件实现。基于气象预报的中小型水库容量预测系统可以是任何通过网络处理，存储和/或转发数据帧的设备，例如，服务器，客户端，数据源等。基于气象预报的中小型水库容量预测系统可以包括收发器(Tx/Rx)，其可以是发射器，接收器，或其组合。Tx/Rx可以耦合到多个端口(例如上行接口和/或下行接口)，用于从其他节点发送和/或接收帧。处理器可耦合至Tx/Rx，以处理帧和/或确定向哪些节点发送帧。处理器可以包括一个或多个多核处理器和/或存储器设备，其可以用作数据存储器，缓冲区等。处理器可以被实现为通用处理器，或者可以是一个或多个专用集成电路(application specific integrated circuit，简称ASIC)和/或数字信号处理器(digital signal processor，简称DSP)的一部分。
Claims (7)
1.一种基于气象预报的中小型水库容量预测方法，其特征在于：包括以下步骤：
S1，收集数据：选定预测模型输入数据，包括气象数据、水库库容量数据、出库容量数据；
S2，针对气象预报数据进行预处理：通过对气象预报数据预处理，增强输入数据稳定性，提升模型精度，数据预处理主要为多日气象预报数据预处理；
S3，构建CNN/LSTM水库容量预测模型中的CNN卷积运算模块：所述CNN/LSTM水库容量预测模型为基于python编程语言进行，调用tensorflow框架中的keras模块构建而成；所述CNN卷积运算模块为2D运算模式，选择数据共有11列数据，分别为：“预报最高温度”，“预报最低温度”，“历史最高温度”，“历史最低温度”，“自然天数”，“预报湿度”，“预报降雨最小值”，“预报降雨最大值”，“降雨概率”，“前一天库容量”，“出库容量”，m为预测未来m天的库容量，m取1～30，输入数据矩阵序列为30-m个当天气象预报和1～m每天气象预报，目标数值为m天水库容量；
S4，构建CNN/LSTM水库容量预测模型中的LSTM模块：LSTM长短时记忆神经网络是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件，将CNN卷积运算输出数据输入到LSTM模块进行运算；
S5，对CNN/LSTM水库容量预测模型进行训练:所述CNN/LSTM水库容量预测模型根据预测时间尺度长短，相应选择输入不同矩阵数据序列，输入数据矩阵包括和m为预测天数，r为训练数据当日日期，根据m值的不同适应选取训练输入数据，进行CNN/LSTM模型训练。
2.根据权利要求1所述的基于气象预报的中小型水库容量预测方法，其特征在于：在步骤S1中，所述气象数据包括未来1～30日气象预报数据、“历史最高温度”、“历史最高温度”、“历史降雨概率”，气象预报数据包括“预报最高温度”，“预报最低温度”，“自然日天数”，“湿度”数据。
3.根据权利要求1所述的基于气象预报的中小型水库容量预测方法，其特征在于：在步骤S2中，所述多日气象预报数据预处理具体为：未来1日输入气象数据采用未来1日气象预报；未来2日～7日输入数据采用当日及前2日内目标日的气象预报加权平均值，每个目标日共3个气象预报；未来8日～15日输入数据采用当日及前4内的目标日的气象预报加权平均值，每个目标日共5个气象预报；未来16～30日输入气象数据采用未来16～30日气象预报；通过输入数据进行深度学习训练，用于预测未来时间点的水库的入库流量，达到水库入库容量预测，进而对水库水位进行预警；通过进行对多时间点的数据进行处理，求取其加权平均值，得到更稳定的气象预报。
4.根据权利要求1所述的基于气象预报的中小型水库容量预测方法，其特征在于：在步骤S3中，所述CNN卷积运算模块包含2层卷积层，2层池化层；第1层卷积层宽度设置为3，每个卷积宽度对应8组卷积核；第2层卷积层宽度设置为3，每个卷积宽度对应6组卷积核；
所述输入数据矩阵边缘部分使用“padding＝same”进行填充，各层激活函数均使用ReLU函数，在每层卷积运算后均进行批量标准化运算。
5.根据权利要求1所述的基于气象预报的中小型水库容量预测方法，其特征在于：在步骤S4中，所述LSTM模块构建2层LSTM层，1层全连接层；将CNN将卷积运算输出数据输入第1层LSTM模块，设置为16个神经元，第2层为8个神经元，1层全连接层设置为16个神经元，均采用ReLU激活函数和数据L2正则化进行数据处理。
6.根据权利要求1所述的基于气象预报的中小型水库容量预测方法，其特征在于：在步骤S5中，所述CNN/LSTM模型的优化器采用Adam算法，损失函数使用MSE损失函数，RMSE值越小代表模型越好；将训练集输入至构建的CNN/LSTM深度学习模型进行训练，设置迭代次进行模型训练，再将测试集输入模型，得到稳定度预测的准确率，使用RMSE评判模型预测的精度。
7.采用权利要求1至6中任一种所述的基于气象预报的中小型水库容量预测方法的系统，其特征在于：包括一个或多个处理器以及用于存储一个或多个程序的存储装置；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现所述的基于气象预报的中小型水库容量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310844506.XA CN116911178A (zh) | 2023-07-10 | 2023-07-10 | 一种基于气象预报的中小型水库容量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310844506.XA CN116911178A (zh) | 2023-07-10 | 2023-07-10 | 一种基于气象预报的中小型水库容量预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116911178A true CN116911178A (zh) | 2023-10-20 |
Family
ID=88354232
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310844506.XA Pending CN116911178A (zh) | 2023-07-10 | 2023-07-10 | 一种基于气象预报的中小型水库容量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116911178A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290810A (zh) * | 2023-11-27 | 2023-12-26 | 南京气象科技创新研究院 | 基于循环卷积神经网络的短时强降水概率预报融合方法 |
-
2023
- 2023-07-10 CN CN202310844506.XA patent/CN116911178A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117290810A (zh) * | 2023-11-27 | 2023-12-26 | 南京气象科技创新研究院 | 基于循环卷积神经网络的短时强降水概率预报融合方法 |
| CN117290810B (zh) * | 2023-11-27 | 2024-02-02 | 南京气象科技创新研究院 | 基于循环卷积神经网络的短时强降水概率预报融合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107563567A (zh) | 基于稀疏自编码的核极限学习机洪水预报方法 | |
| CN112446419A (zh) | 基于注意力机制的时空神经网络雷达回波外推预报方法 | |
| CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
| CN109886496B (zh) | 一种基于气象信息的农产量预测方法 | |
| CN109143408B (zh) | 基于mlp的动态区域联合短时降水预报方法 | |
| CN111967679A (zh) | 基于tcn模型的电离层总电子含量预报方法 | |
| CN110197307B (zh) | 一种结合注意力机制的区域型海表面温度预测方法 | |
| CN113837499A (zh) | 一种超短期风电功率预测方法及系统 | |
| CN111767517A (zh) | 一种应用于洪水预测的BiGRU多步预测方法、系统及存储介质 | |
| CN116911178A (zh) | 一种基于气象预报的中小型水库容量预测方法及系统 | |
| CN112733997A (zh) | 基于woa-lstm-mc的水文时间序列预测优化方法 | |
| CN112766603A (zh) | 一种交通流量预测方法、系统、计算机设备及存储介质 | |
| CN109787821B (zh) | 一种大规模移动客户流量消费智能预测方法 | |
| CN114912673A (zh) | 一种基于鲸鱼优化算法和长短时记忆网络的水位预测方法 | |
| CN114462718A (zh) | 基于时间滑动窗口的cnn-gru风电功率预测方法 | |
| CN112766600A (zh) | 一种城市区域人群流量预测方法及系统 | |
| CN111882157A (zh) | 一种基于深度时空神经网络的需求预测方法、系统及计算机可读存储介质 | |
| CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
| CN113947182A (zh) | 基于双阶段堆叠图卷积网络的交通流预测模型构建方法 | |
| CN112381282A (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
| CN116384583A (zh) | 一种基于多神经网络的光伏功率预测方法 | |
| CN111292121A (zh) | 一种基于园区画像的园区负荷预测方法及系统 | |
| CN111783688B (zh) | 一种基于卷积神经网络的遥感图像场景分类方法 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN112446550B (zh) | 一种短期建筑负荷概率密度预测方法 |
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 |