CN117709197A - 流域水质污染物扩散模型参数智能率定方法、设备及介质 - Google Patents
流域水质污染物扩散模型参数智能率定方法、设备及介质 Download PDFInfo
- Publication number
- CN117709197A CN117709197A CN202311745889.1A CN202311745889A CN117709197A CN 117709197 A CN117709197 A CN 117709197A CN 202311745889 A CN202311745889 A CN 202311745889A CN 117709197 A CN117709197 A CN 117709197A
- Authority
- CN
- China
- Prior art keywords
- category
- water quality
- parameters
- basin
- solutions
- 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
- 238000000034 method Methods 0.000 title claims abstract description 77
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 62
- 238000009792 diffusion process Methods 0.000 title claims abstract description 46
- 239000003344 environmental pollutant Substances 0.000 title claims abstract description 39
- 231100000719 pollutant Toxicity 0.000 title claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims abstract description 34
- 230000008859 change Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 21
- 238000004088 simulation Methods 0.000 claims abstract description 16
- 238000007619 statistical method Methods 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 20
- 238000010606 normalization Methods 0.000 claims description 13
- 239000000356 contaminant Substances 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 9
- 238000005070 sampling Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013076 uncertainty analysis Methods 0.000 description 2
- OAICVXFJPJFONN-UHFFFAOYSA-N Phosphorus Chemical compound [P] OAICVXFJPJFONN-UHFFFAOYSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000003292 glue Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 239000011574 phosphorus Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 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
-
- 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
- Y02A20/00—Water conservation; Efficient water supply; Efficient water use
- Y02A20/152—Water filtration
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
本发明提供了一种流域水质污染物扩散模型参数智能率定方法、设备及介质，其中所述方法包括：基于污染物一维扩散模型、所述待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度，获取初始水质变化模型；采用混合优化算法及不同的初始参数对所述污染物一维扩散模型进行参数率定，获取参数最优解集合；获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中；对各个类别的解集合进行统计分析，计算每个类别对应的水质变化模型参数的上下限边界。本方法采用混合优化算法和不同的初始参数对水质变化模型进行参数率定，可以获得参数最优解集合，从中选择出最佳参数组合，进一步提高了模型的准确性。
Description
技术领域
本发明涉及水质监测技术领域，具体提供一种流域水质污染物扩散模型参数智能率定方法、设备及介质。
背景技术
流域水质污染物扩散模型是使用数学模型对污染物随空间和时间的扩散过程进行描述。参数率定是水质污染物扩散模型的重要组成部分，对于应用水质模型，获取污染物的扩散情况具有重要意义。此外，实现流域机理模型智能率定也为后续进行流域深度分析和污染精准治理提供依据。
现有技术主要包括人工试错法、优化法、不确定分析法，这几类主流方法均存在各自的不足之处：
人工试错法，人工试错方法是通过人为调整参数的方式，不断缩小模型的模拟值和待监测流域的断面监测值之间的差距，从而使参数达到最优。此种方法操作简单，易于实施。然而，随着参数的增加，试错的过程将会花费大量时间和成本，对人工经验的依赖亦会影响参数的率定的效果；
优化法，优化法使用优化算法自动率定最优参数，主要通过数学优化算法和进化算法实现。数学优化算法的求解常依赖于一定前提条件，如初始水质模型是否可微，是否为凸优化等，且现有应用于水质模型的优化算法多给出唯一最优解，若算法本身对初始值敏感，亦会影响结果的精度；
不确定性分析法，参数不确定性的分析方法主要基于贝叶斯理论，使用GLUE法、RSA法、MCMC法等方法。此类方法可用于解决复杂的非线性问题，尤其是异参同效问题。然而当模型参数过多时，算法的复杂度也会随之增加，其对计算资源也提出了更高的要求，因此如何降低复杂度并提高可靠性依然是当前研究的重点。
因此，现阶段在流域综合治理领域对污染物扩散模型进行参数率定的方式存在时间成本、计算成本过高的问题，并且对于结果的精度、可靠性仍需进一步提高。
发明内容
为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决分析时间长、分析速度较慢的问题。
在第一方面，本发明提供一种流域水质污染物扩散模型参数智能率定方法，包括：
获取待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度；
基于污染物一维扩散模型、所述待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度，获取初始水质变化模型；
采用混合优化算法及不同的初始参数对所述初始水质变化模型进行参数率定，获取参数最优解集合；
获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中；
对各个类别的解集合进行统计分析，计算每个类别对应的水质变化模型参数的上下限边界。
在上述流域水质污染物扩散模型参数智能率定方法的一个技术方案中，获取待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度包括：使用均方误差衡量待监测流域的断面模拟值和待监测流域的断面监测值之间差异程度。
在上述流域水质污染物扩散模型参数智能率定方法的一个技术方案中，采用混合优化算法及不同的初始参数对所述初始水质变化模型进行参数率定，获取参数最优解集合包括：
所述混合优化算法至少包括遗传算法或贝叶斯优化算法；
针对不同的算法设置不同的初始参数；
使用设置好的初始参数参数对污染物一维扩散模型采用多次迭代的方式进行参数优化，并记录下最优解，所有最优解形成最优解集合。
在上述流域水质污染物扩散模型参数智能率定方法的一个技术方案中，获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中至少包括：
对所述最优解集合中的数据进行标准化处理；
获取标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离，基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中；
若类别中解个数小于预设的每一类别最小样本数，则取消该初始聚类中心，重新划分到最近类别中，得到修正后的若干个聚类中心。
在上述流域水质污染物扩散模型参数智能率定方法的一个技术方案中，获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中还包括：
设置迭代运算的最大次数、期望聚类数；
对于当前迭代次数，
基于修正后的聚类中心数、期望聚类数K、当前迭代次数，判断执行分裂操作程序或执行合并操作程序；
若当前迭代次数达到最大迭代次数，则算法结束，否则，当前迭代次数Ip加1，继续执行基于标准化处理后的所述最优解集合中的每个解与聚类中心之间的距离划分到最近的类别的后续步骤。
在上述流域水质污染物扩散模型参数智能率定方法的一个技术方案中，执行所述分裂操作程序至少包括:
获取每一类别中分量距离的标准差、各分量距离最大标准差、类内平均距离、总体平均距离；
基于所述每一类别中分量距离的标准差，获取最大分量距离的标准差；
基于每一类别中分量距离的标准差、各分量距离最大标准差、所述类内平均距离、总体平均距离、每一类别最小样本数获取预设条件；
若满足预设条件，则将该类别分裂为两个类别。
在上述流域水质污染物扩散模型参数智能率定方法的一个技术方案中，执行所述分裂操作程序还包括：
若不满足预设条件，则执行基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中。
在上述流域水质污染物扩散模型参数智能率定方法的一个技术方案中，执行合并操作程序包括：
获取全部聚类中心的距离并设置类别中心间最小距离阈值；
基于所述全部聚类中心的距离、类别中心间最小距离阈值构建新的聚类中心。
在第二方面，本发明提供一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述流域水质污染物扩散模型参数智能率定方法的技术方案中任一项技术方案所述的流域水质污染物扩散模型参数智能率定方法。
在第三方面，本发明提供一种计算机可读存储介质，其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述流域水质污染物扩散模型参数智能率定方法的技术方案中任一项技术方案所述的流域水质污染物扩散模型参数智能率定方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
在实施本发明的技术方案中，本发明提供了一种流域水质污染物扩散模型参数智能率定方法，包括：获取待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度；基于污染物一维扩散模型、所述待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度，获取初始水质变化模型；采用混合优化算法及不同的初始参数对所述污染物一维扩散模型进行参数率定，获取参数最优解集合；获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中；对各个类别的解集合进行统计分析，计算每个类别对应的水质变化模型参数的上下限边界。与现有技术相比，本发明所提供的流域水质污染物扩散模型参数智能率定方法的有益效果为：本方法采用混合优化算法和不同的初始参数对水质变化模型进行参数率定，可以获得参数最优解集合，从中选择出最佳参数组合，进一步提高了准确性。
进一步的，通过混合运用多种优化算法和ISODATA聚类进行参数率定的方式可有效解决非线性多峰值的问题；针对不同的流域管理优化问题，避免陷入局部最优解，减少唯一最优解对水质模型应用造成的结果偏差，提高结果的可靠性。
附图说明
参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。此外，图中类似的数字用以表示类似的部件，其中：
图1是根据本发明的一个实施例的流域水质污染物扩散模型参数智能率定方法的主要步骤流程示意图；
图2是根据本发明的一个实施例的采用混合优化算法及不同的初始参数对所述初始水质变化模型进行参数率定，获取参数最优解集合的流程示意图。
具体实施方式
下面参照附图来描述本发明的一些实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。
实施例一
参阅附图1，图1是根据本发明的一个实施例的流域水质污染物扩散模型参数智能率定方法的主要步骤流程示意图。如图1所示，本发明实施例中的流域水质污染物扩散模型参数智能率定方法主要包括下列步骤S1-步骤S5。
本发明提供一种流域水质污染物扩散模型参数智能率定方法，包括以下步骤：
步骤S1、获取待监测流域的断面模拟值Cti、待监测流域的断面监测值C1i之间的差异程度；
步骤S2、基于污染物一维扩散模型、所述待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度，获取初始水质变化模型f(u，K，D)；
本实施例中，污染物一维扩散模型如式(1)所示，水质变化模型f(u，K，D)及相应的约束条件如公式(2)所示：
其中，待求参数D为扩散系数，参数K为污染物降解速度，参数u为流速。x表示断面间距离，COi表示上游断面污染物监测浓度值，C1i表示下游目标断面污染物监测浓度值，Cti表示上游断面到下游目标断面污染物模拟浓度值，m为样本数，al、bl、cl为待求参数的上界，au、bu、cu为待求参数的下界。假设某流域依据专家经验,u,K,D取值范围分别为u[10,30]，K[0.004,0.04],D[0.01,9]。污染物可为氨氮、总氮或者总磷或者高锰酸盐。
步骤S3、采用混合优化算法及不同的初始参数对所述初始水质变化模型进行参数率定，获取参数最优解集合；
本实施例中，在进行参数率定时，可以使用不同的初始参数来运行混合优化算法，以获得多组参数的最优解。通过对不同初始参数下的优化结果进行比较，可以获取参数的最优解集合。这样做的好处是可以克服算法对初始参数的敏感性，提高参数率定的鲁棒性。
步骤S4、获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中；
本实施例中，获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中，是一种对优化结果进行进一步分析和分类的方法。当使用优化算法找到一个问题的最优解时，不同的解可能具有不同的特征和性能。通过对这些解进行分析，可以识别出具有相似特征或行为的解，并将它们划分到同一类别中。
步骤S5、对各个类别的解集合进行统计分析，并计算每个类别对应的水质变化模型参数的上下限边界。
本实施例中，计算每个类别对应的水质变化模型参数的上下限边界可以得到每个类别的参数范围，并对不同类别的解进行进一步的比较和分析。统计的信息：不限于中位数、高频率区间。
在一个实施例中，步骤S1、获取待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度包括：使用均方误差衡量待监测流域的断面模拟值和待监测流域的断面监测值之间差异程度。
具体地，将待监测流域的断面监测值作为观测值，将断面模拟值作为预测值。
MSE的计算公式如下：
MSE＝Σ(预测值-观测值)2/样本数
MSE越小，表示预测值和观测值之间的差异程度越小，模拟值越接近真实情况。
或者，在一种可替代的方式中，还可以采用平均绝对误差、相对误差、决定系数等方法获取待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度。
在一个实施例中，如图2所示，步骤S3、采用混合优化算法及不同的初始参数对所述初始水质变化模型进行参数率定，获取参数最优解集合包括：
步骤S31、所述混合优化算法至少包括遗传算法或贝叶斯优化算法；
步骤S32、针对不同的算法设置不同的初始参数；例如，对遗传算法和贝叶斯优化采用不同的初始化参数进行多次迭代，，形成最优解集合X*，如式(3)所示：
其中，为扩散系数，/>为污染物降解速度，/>为流速。
步骤S33、使用设置好的初始参数参数对所述水质变化模型采用多次迭代的方式进行参数优化，并记录下最优解，所有最优解形成最优解集合。
可选地，采用遗传算法对水质变化模型进行参数率定的过程如下，设定群体大小取[50,100]，交叉概率取[0.5,0.95]，变异概率mp取[0.01,0.05]，最大迭代次数取500：
步骤A1、初始化参数u，K，D并对其进行编码，从而随机生成可行解；
步骤A2、对种群IP进行交叉操作和变异操作，形成群体ICMP；
步骤A3、计算群体ICMP中所有个体适应度，按照公式(4)对公式(2)进行变换，使用线性标定对适应度评估，线性标定公式如(5)所示，其中m为样本数，COi表示上游断面污染物监测浓度值：
g(u,K,D)＝S(u,K,D)-Smin+ξ (5)
其中，Smin为最小群体初始水质模型值，ξ为选择压力调节值；
步骤A4、当此次最优解优于历史最优解则更新最优解，采用轮盘赌法从群体ICMP中选择个体作为下一代次种群NP；
步骤A5、循环迭代步骤A2-A4，直到满足终止条件：达到最大迭代次数或最优解的适应度趋于平稳。解码并得到最优解x*，如公式(6)所示。
可选地，采用贝叶斯优化算法对水质变化模型进行参数率定的过程如下，设定最大迭代次数取500：
步骤B1、随机选出符合约束条件的参数X和对应的函数f(u，K，D)值Y，即初始采样点{X，Y}，其中，参数X和初始水质模型值Y如下：
Y＝(y1，y2，…，yi) (8)
其中，i为参数组合；
步骤B2、基于采样点{X，Y}，使用基于高斯混合模型的TPE过程为概率代理模型以对初始水质模型f*进行估计，使用期望增量EI采集函数计算最大化EI对应的采样点为新采样点{Xi+1，Yi+1}，更新现有采样点{X+Xi+1，Y+Yi+1}；
步骤B3、使用期望增量EI采集函数计算最大化EI对应的采样点为新采样点{Xi+1，Yi+1}，更新现有采样点{X+Xi+1，Y+Yi+1}；
步骤B4、循环迭代步骤B2和步骤B3，直到满足最大采样点k个或者达到最大迭代次数，从而得到使初始水质模型值最小的参数x*，如式(12)所示：
其中，D* i为扩散系数，K* i为污染物降解速度，u* i为流速。
在一个实施例中，步骤S4、获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中至少包括：
步骤S41、对所述最优解集合中的数据进行标准化处理；
本实施例中，标准化处理是为了将不同尺度的参数值转化为相同的比例尺，以便更好地比较最优解集合中的数据之间的差异和相似性。
步骤S42、获取标准化处理后的所述最优解集合中的每个解xsi与随机选取的初始聚类中心之间的距离，基于所述标准化处理后的所述最优解集合中的每个解xsi与随机选取的初始聚类中心之间的距离划分到相应的类别{c1，c2，…cnc}中。若类别中解个数Nj小于预设的每一类别最小样本数Qn，则取消此初始聚类中心，重新划分到最近类别中。若类别中解个数Nj小于预设的每一类别最小样本数Qn，则取消此初始聚类中心，重新划分到最近类别中，即得到修正后的聚类中心{z1,z2,z3,…zNc}。
其中，zj表示聚类中心，Nc表示修正后的聚类中心的个数。
本实施例中，如欧氏距离、曼哈顿距离等计算标准化处理后的每个最优解与类别集合中各个类别之间的距离；使用ISODATA聚类方法对最优解集合X*进行处理：具体地，可以根据最小距离原则将经标准化处理后的解集{xs1，…，xsm}划分到类别{c1，c2，…cnc}中，每个xsi维数为n。
或者，在一种可替代的方式中，基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中还可以使用K均值聚类、谱聚类将解集进行聚类，然后将每个解划分到最接近的聚类中心所代表的类别中。
或者，在一种可替代的方式中，基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中还可以使用分类器来训练一个模型，将解集中的样本划分到相应的类别中。
当然，基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中还可以通过设置一个距离阈值，将解集和类别之间的距离划分为相似和不相似两个类别。当解与某个类别的距离小于阈值时，将其划分到该类别中；否则将其划分到其他类别中。无论是何种情形，只要将标准化处理后的所述最优解集合中的每个解与类别之间的距离划分到相应的类别中即可。
在一个实施例中，步骤S4、获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中还包括：
步骤S43、调用Nc个初始聚类中心zj＝{z1，z2，z3，…zNc}，并设置迭代运算的最大次数I、期望聚类数K；
步骤S44、对于当前迭代次数Ip，若聚类中心数Nc≤K/2，执行分裂操作程序；
步骤S45、若为偶数迭代次数Ip或聚类中心数Nc≥2K，执行合并操作程序；
步骤S46、否则执行分裂操作程序；
步骤S47、若当前迭代次数Ip达到迭代次数I，则算法结束；否则，当前迭代次数Ip加1，转至权利要求4继续执行基于标准化处理后的所述最优解集合中的每个解与聚类中心之间的距离划分到最近的类别{c1,c2,…cnc}的后续步骤。
在一个实施例中，执行所述分裂操作程序至少包括::
获取每一类别中分量距离的标准差δj、各分量距离最大标准差阈值Qs、类内平均距离总体平均距离/>
本实施例中，类内平均距离总体平均距离/>的公式如下：
基于所述每一类别中分量距离的标准差δj，获取最大分量距离的标准差δjmax；
δjmax＝max(δ1j,δ2j,…,δnj)j＝1,2,3…Nc
其中，每个δij:
，i＝1,2,…n为解的维数，j＝1,2,3…Nc为类别数,xsik为解元素值；
基于各分量距离最大标准差δjmax、各分量距离最大标准差阈值Qs、类内平均距离总体平均距离/>每一类别最小样本数Qn、类别cj中的解个数Nj，期望聚类数K，类别数Nc获取预设条件；
若满足预设条件，则将该类别分裂为两个类别。
本实施例中，若δjmax>Qs，且满足以下条件之一，则将该类别分裂为两个类别。
在一个实施例中，执行所述分裂操作程序还包括：
若不满足预设条件，则执行基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中。
在一个实施例中，执行合并操作程序包括：
获取全部聚类中心的距离dij并设置类别中心间最小距离阈值Qc、每次迭代最多可合并的对数L；
基于所述全部聚类中心的距离dij、类别中心间最小距离阈值Qc、每次迭代最多可合并的对数L构建新的聚类中心。
具体地，dij的公式如下，其中，zi,zj为两个不同类别聚类中心：
dij＝||zi-zj||i＝1,2,3…Nc-1；j＝1,2,3…Nc
对于dij<设置的类别中心间最小距离Qc的dij按从小到大的顺序排序并取前L个。对于一个dij，将两类别进行合并，此时，类别数Nc＝Nc-2，并得到新的聚类中心zk *：
其中，ni表示zi中解的个数，nj表示zj中解的个数。
若Ip达到I，则结束，否则Ip＝Ip+1，若调整参数则转至步骤步骤S41，否则转至步骤步骤S42。
实施例二
本发明还提供了一种电子设备。在根据本发明的一个设备施例中，设备包括处理器和存储装置，存储装置可以被配置成存储执行上述方法实施例的流域水质污染物扩散模型参数智能率定方法的程序，处理器可以被配置成用于执行存储装置中的程序，该程序包括但不限于执行上述方法实施例的流域水质污染物扩散模型参数智能率定方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该控制装置可以是包括各种电子设备形成的控制装置设备。
实施例三
本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的流域水质污染物扩散模型参数智能率定方法的程序，该程序可以由处理器加载并运行以实现上述流域水质污染物扩散模型参数智能率定方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
至此，已经集合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对原始技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种流域水质污染物扩散模型参数智能率定方法，其特征在于，包括：
获取待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度；
基于污染物一维扩散模型、所述待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度，获取初始水质变化模型；
采用混合优化算法及不同的初始参数对所述初始水质变化模型进行参数率定，获取参数最优解集合；
获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中；
对各个类别的解集合进行统计分析，并计算每个类别对应的水质变化模型参数的上下限边界。
2.根据权利要求1所述的方法，其特征在于，获取待监测流域的断面模拟值、待监测流域的断面监测值之间的差异程度包括：使用均方误差衡量待监测流域的断面模拟值和待监测流域的断面监测值之间差异程度。
3.根据权利要求2所述的方法，其特征在于，采用混合优化算法及不同的初始参数对所述初始水质变化模型进行参数率定，获取参数最优解集合包括：
所述混合优化算法至少包括遗传算法或贝叶斯优化算法；
针对不同的算法设置不同的初始参数；
使用设置好的初始参数参数对所述水质变化模型采用多次迭代的方式进行参数优化，并记录下最优解，所有最优解形成最优解集合。
4.根据权利要求2所述的方法，其特征在于，获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中至少包括：
对所述最优解集合中的数据进行标准化处理；
获取标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离，基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中；
若类别中解个数小于预设的每一类别最小样本数，则取消该初始聚类中心，重新划分到最近类别中，得到修正后的若干个聚类中心。
5.根据权利要求4所述的方法，其特征在于，获取所述参数最优集合中具有相似特征的解，并将具有相似特征的解划分到同一类中还包括：
设置迭代运算的最大次数、期望聚类数；
对于当前迭代次数，
基于修正后的聚类中心数、期望聚类数K、当前迭代次数，判断执行分裂操作程序或执行合并操作程序；
若当前迭代次数达到最大迭代次数，则算法结束，否则，当前迭代次数Ip加1，继续执行基于标准化处理后的所述最优解集合中的每个解与聚类中心之间的距离划分到最近的类别的后续步骤。
6.根据权利要求5所述的方法，其特征在于，执行所述分裂操作程序至少包括:
获取每一类别中分量距离的标准差、各分量距离最大标准差、类内平均距离、总体平均距离；
基于所述每一类别中分量距离的标准差，获取最大分量距离的标准差；
基于每一类别中分量距离的标准差、各分量距离最大标准差、所述类内平均距离、总体平均距离、每一类别最小样本数获取预设条件；
若满足预设条件，则将该类别分裂为两个类别。
7.根据权利要求5所述的方法，其特征在于，执行所述分裂操作程序还包括：
若不满足预设条件，则执行基于所述标准化处理后的所述最优解集合中的每个解与随机选取的初始聚类中心之间的距离划分到相应的类别中。
8.根据权利要求6所述的方法，其特征在于，执行合并操作程序包括：
获取全部聚类中心的距离并设置类别中心间最小距离阈值；
基于所述全部聚类中心的距离、类别中心间最小距离阈值构建新的聚类中心。
9.一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的流域水质污染物扩散模型参数智能率定方法。
10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的流域水质污染物扩散模型参数智能率定方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311745889.1A CN117709197B (zh) | 2023-12-18 | 2023-12-18 | 流域水质污染物扩散模型参数智能率定方法、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311745889.1A CN117709197B (zh) | 2023-12-18 | 2023-12-18 | 流域水质污染物扩散模型参数智能率定方法、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117709197A true CN117709197A (zh) | 2024-03-15 |
| CN117709197B CN117709197B (zh) | 2024-08-20 |
Family
ID=90145808
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311745889.1A Active CN117709197B (zh) | 2023-12-18 | 2023-12-18 | 流域水质污染物扩散模型参数智能率定方法、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117709197B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1900956A (zh) * | 2006-07-11 | 2007-01-24 | 南京大学 | 一种改进的混合遗传算法优化水质模型参数的设计方法 |
| CN109993372A (zh) * | 2019-04-12 | 2019-07-09 | 淮河水利委员会水文局(信息中心) | 一种基于多源不确定性的洪水概率预报方法 |
| CN111241758A (zh) * | 2020-01-10 | 2020-06-05 | 燕山大学里仁学院 | 基于可溶性污染物在水环境中输移扩散模型的评估方法 |
| CN111914430A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 基于聚类及粒子群优化的有资料地区水文参数率定方法 |
| CN115689051A (zh) * | 2022-11-17 | 2023-02-03 | 郑州大学 | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 |
| KR20230095566A (ko) * | 2021-12-22 | 2023-06-29 | 고려대학교 산학협력단 | 토양 중금속 고정 예측 모델 생성 방법 및 장치 |
| CN116882121A (zh) * | 2023-03-10 | 2023-10-13 | 中国计量大学 | 一种基于等效污染源思想的水质模型参数率定方法 |
| CN116976529A (zh) * | 2023-09-22 | 2023-10-31 | 南京大学 | 基于供需预测动态校正的跨流域调水方法和系统 |
-
2023
- 2023-12-18 CN CN202311745889.1A patent/CN117709197B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1900956A (zh) * | 2006-07-11 | 2007-01-24 | 南京大学 | 一种改进的混合遗传算法优化水质模型参数的设计方法 |
| CN109993372A (zh) * | 2019-04-12 | 2019-07-09 | 淮河水利委员会水文局(信息中心) | 一种基于多源不确定性的洪水概率预报方法 |
| CN111241758A (zh) * | 2020-01-10 | 2020-06-05 | 燕山大学里仁学院 | 基于可溶性污染物在水环境中输移扩散模型的评估方法 |
| CN111914430A (zh) * | 2020-08-14 | 2020-11-10 | 贵州东方世纪科技股份有限公司 | 基于聚类及粒子群优化的有资料地区水文参数率定方法 |
| KR20230095566A (ko) * | 2021-12-22 | 2023-06-29 | 고려대학교 산학협력단 | 토양 중금속 고정 예측 모델 생성 방법 및 장치 |
| CN115689051A (zh) * | 2022-11-17 | 2023-02-03 | 郑州大学 | 一种基于GA算法耦合Morris和GLUE的SWMM模型参数自动率定方法 |
| CN116882121A (zh) * | 2023-03-10 | 2023-10-13 | 中国计量大学 | 一种基于等效污染源思想的水质模型参数率定方法 |
| CN116976529A (zh) * | 2023-09-22 | 2023-10-31 | 南京大学 | 基于供需预测动态校正的跨流域调水方法和系统 |
Non-Patent Citations (3)
| Title |
|---|
| 彭甜: "流域水文气象特性分析及径流非线性综合预报研究", 博士电子期刊, 15 May 2019 (2019-05-15) * |
| 李致家 等: "单目标与多目标的全局优化算法在新安江模型参数率定中的耦合应用研究", 水力发电学报, vol. 32, no. 5, 25 October 2013 (2013-10-25) * |
| 石朋 等: "不同优化算法在新安江模型参数率定中的效果评估", 水资源保护, vol. 39, no. 4, 20 July 2023 (2023-07-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117709197B (zh) | 2024-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
| CN108762228B (zh) | 一种基于分布式pca的多工况故障监测方法 | |
| US20180046902A1 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
| CN105676833B (zh) | 发电过程控制系统故障检测方法 | |
| CN111754042A (zh) | 基于高斯回归的大气污染物浓度的预测方法及装置 | |
| CN112904810B (zh) | 基于有效特征选择的流程工业非线性过程监测方法 | |
| CN113159163A (zh) | 一种基于多元时序数据分析的轻量级无监督异常检测方法 | |
| CN110579967B (zh) | 基于同时降维和字典学习的过程监控方法 | |
| CN113052271B (zh) | 基于深度神经网络的生物发酵数据预测方法 | |
| CN114492826A (zh) | 一种基于多元时序流数据的无监督异常检测分析解决方法 | |
| CN108549908A (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
| CN111340110A (zh) | 一种基于工业过程运行状态趋势分析的故障预警方法 | |
| Huang et al. | Double‐step block division plant‐wide fault detection and diagnosis based on variable distributions and relevant features | |
| Xiong et al. | Soft sensor modeling with a selective updating strategy for Gaussian process regression based on probabilistic principle component analysis | |
| CN111291481B (zh) | 一种基于贝叶斯模型的结构预警分析方法 | |
| CN112766537A (zh) | 一种短期电负荷预测方法 | |
| CN117633688A (zh) | 一种基于岭回归-k均值聚类-LOF-LSTM融合算法的大规模电力数据异常检测方法 | |
| CN110084301B (zh) | 一种基于隐马尔可夫模型的多工况过程工况辨识方法 | |
| Kaneko | Beware of r2 even for test datasets: Using the latest measured y‐values (r2LM) in time series data analysis | |
| CN114217025A (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
| CN117709197B (zh) | 流域水质污染物扩散模型参数智能率定方法、设备及介质 | |
| CN112949680A (zh) | 一种基于对应分析和多元线性回归的污染源识别方法 | |
| CN115883198A (zh) | 一种多因素网络异常行为检测方法 | |
| CN116933119A (zh) | 一种基于卷积神经网络的信号数据去除趋势方法 | |
| CN116777292B (zh) | 基于多批次小样本航天产品的缺陷率指标修正方法 |
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 |