CN118013232A - 基于人工智能的大型水利工程水位监测方法及系统 - Google Patents

Abstract

本发明涉及水位监测技术领域，具体涉及基于人工智能的大型水利工程水位监测方法及系统，具体包括：根据河流地图获取河流各节点及无向图，采集各节点处的水位高度、流量及流速的时间序列，分析不同节点处的河流流量、流速序列的变化趋势及突变情况，并分析节点与其相邻节点之间的流量流速的相互影响，判断节点的突发性和其他节点影响所导致的水位积累特征，构建流量、流速积累特征值；根据流量、流速积累特征值及河流水位序列结合ARIMA算法对下一时刻的河水水位进行预测及预警。从而实现大型水利工程水位监测，提高了水位预测的准确性，增强了算法的鲁棒性以及准确性，使得在大型水利工程中对水位的监测更为准确。

Description

基于人工智能的大型水利工程水位监测方法及系统

技术领域

本发明涉及水位监测技术领域，具体涉及基于人工智能的大型水利工程水位监测方法及系统。

背景技术

在信息技术、人工智能及物联网技术迅速发展的背景下，基于人工智能的水利工程水位监测方法正逐渐成为研究和应用的热点。这些技术能够提供更加高效、智能的水位监测解决方案，帮助管理者更好地进行水资源规划、调度和灾害预警，从而提高水利工程的管理水平和灾害防控能力。其对于保障水资源的合理分配、防洪减灾、提供农业灌溉水源等方面发挥着至关重要的作用。随着全球气候变化和人类活动的影响，水资源管理和水灾害防控面临越来越多的挑战。因此，实现对水利工程中水位的实时、准确监测，对于提高水资源利用效率、确保水利工程安全运行具有重要意义。

然而，河流水位的预测是一个复杂的过程，尤其是当考虑到突发性事件（如极端天气、水坝突然放水、地质滑坡等）的影响时。这些突发性事件不仅会直接影响到事件发生地区的水位，而且还可能通过河流系统的连通性影响到下游或其他地区，引发一系列连锁反应。突发事件以及连锁反应会导致对水位的预测判断更加困难，而不准确的水位预测可能会造成洪水泛滥、供水安全、破坏生态环境以及农业损失等问题，所以需要加强对水位的准确预测以减轻突发性事件对河流水位的影响，保护人民生命财产安全和生态环境。

发明内容

为了解决上述技术问题，本发明的目的在于提供基于人工智能的大型水利工程水位监测方法及系统，所采用的技术方案具体如下：

第一方面，本发明实施例提供了基于人工智能的大型水利工程水位监测方法，该方法包括以下步骤：

根据河流地图得到河流各节点及无向图；采集河流各节点处每个时刻的水位高度、河流流量及河流流速数据，将各节点所有时刻的水位高度组成的时间序列记为河流水位序列，获取河流流量序列及河流流速序列；

将各节点归一化后的河流流量序列中数据聚类，获取各聚类簇的数据序列；根据聚类簇中数据拟合直线及数据序列中数据变化得到各节点的突发性流量影响指数；根据无向图获取各节点的相邻节点；根据各节点与相邻节点之间对应时刻数据点的邻近数据构建第一流量影响序列及第二流量影响序列；根据第一、第二流量影响序列中数据变化得到节点对相邻节点以及相邻节点对节点的趋势差异特征值；根据第一、第二流量影响序列的自相关系数、趋势差异特征值及突发性流量影响指数得到各节点的流量积累特征值；通过各节点的流量积累特征值的计算方式得到各节点的流速积累特征值；

根据流量积累特征值、流速积累特征值及河流水位序列结合时间序列分析算法对各节点水位进行预警。

优选的，所述河流各节点及无向图为：

通过图层提取软件提取河流地图中河流图层；通过道格拉斯-普克算法对河流图层细化，将细化的河流图层中每个至少有三条支流的分支处或河流转向夹角小于预设角度的转向处作为各节点；将细化的河流图层中有曲线相连的两个节点之间用直线替换曲线得到的图作为无向图。

优选的，所述将各节点归一化后的河流流量序列中数据聚类，获取各聚类簇的数据序列，具体为：

对于各节点，将节点的河流流量序列输入聚类算法进行聚类，得到各聚类簇，将各聚类簇中所有数据点组成的序列记为各聚类簇的数据序列。

优选的，所述根据聚类簇中数据拟合直线及数据序列中数据变化得到各节点的突发性流量影响指数，具体包括：

计算第i个节点河流流量序列的第S个聚类簇的流量自恢复判断函数的表达式为：

式中，为第i个节点河流流量序列的第S个聚类簇的流量弹性恢复因子，/>为第i个节点河流流量序列的第S个聚类簇中数据所拟合直线的斜率，/>和/>分别为第i个节点河流流量序列的第S-1个聚类簇的数据序列中最后一个数据点数值和第S个聚类簇的数据序列中第一个数据点数值，/>和/>分别为第i个节点河流流量序列的第S个聚类簇的簇内数据点中的最大值和最小值；

计算以自然常数为底数、以所述流量自恢复判断函数的相反数为指数的指数函数的计算结果；计算第i个节点河流流量序列的第S个和第S-1个聚类簇的簇内数据均值之间的差值绝对值；计算所述计算结果与所述差值绝对值的乘积；将第i个节点河流流量序列的所有聚类簇之间的所述乘积的和值作为第i个节点的突发性流量影响指数。

优选的，所述获取各节点的相邻节点，具体为：将无向图中第i个节点对应各条边相连的节点作为第i个节点的相邻节点。

优选的，所述第一流量影响序列及第二流量影响序列，具体为：

将第i个节点的第c个相邻节点河流流量序列中第q-2个、第q-1个数据点和第i个节点的河流流量序列中第q个、第q+1个、第q+2个数据点组成的序列记为第一流量影响序列；将第i个节点的第c个相邻节点河流流量序列中第q+2个、第q+1个数据点和第i个节点的河流流量序列中第q个、第q-1个、第q-2个数据点组成的序列记为第二流量影响序列。

优选的，所述根据第一、第二流量影响序列中数据变化得到节点对相邻节点以及相邻节点对节点的趋势差异特征值，表达式为：

式中，、/>分别为第i个节点的第c个相邻节点对第i个节点的趋势差异特征值以及第i个节点对其第c个相邻节点的趋势差异特征值，/>、/>分别为第c个相邻节点河流流量序列中第q-1个和第q-2个数据点的数值，/>和/>分别为第i个节点的河流流量序列中第/>个和第/>个数据点的数值，/>、/>分别为第c个相邻节点河流流量序列中第q+2个和第q+1个数据点的数值。

优选的，所述根据第一、第二流量影响序列的自相关系数、趋势差异特征值及突发性流量影响指数得到各节点的流量积累特征值，表达式为：

式中，为第i个节点的流量积累特征值，m和n分别为第i个节点的相邻节点个数和第i个节点河流流量序列中的数据点个数，/>为第i个节点的第c个相邻节点的突发性流量影响指数，/>、/>分别为第一流量影响序列、第二流量影响序列的预设滞后数的自相关系数，/>为以e为底的指数函数，/>、/>分别为第i个节点的第c个相邻节点对第i个节点的趋势差异特征值以及第i个节点对其第c个相邻节点的趋势差异特征值。

优选的，所述根据流量积累特征值、流速积累特征值及河流水位序列结合时间序列分析算法对各节点水位进行预警，具体为：

计算各节点的流量积累特征值与流速积累特征值的乘积；将各节点的所述乘积作为ARIMA算法的外生变量，将各节点的河流水位序列作为ARIMA算法的输入，算法输出为各节点当前时刻的下一时刻的河流水位预测值；若所述预测值大于预设水位报警阈值，则进行报警；否则，则不进行报警。

第二方面，本发明实施例还提供了基于人工智能的大型水利工程水位监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意一项所述方法的步骤。

本发明实施例至少具有如下有益效果：

本发明提出一种基于人工智能的大型水利工程水位监测方法及系统，本发明针对由于突发性事件而导致的河流流量、流速和水位突变，根据河流流量的时间序列的线性拟合结果以及密度聚类结果中数据变化构建河流中每个节点的突发性流量影响指数，分析由于突发事件而引起的流量流速突变状态以及突变程度，评估河流的自恢复趋势强度；根据相邻节点的突发性流量影响指数及不同节点之间的受突发事件影响的关联程度构建每个节点的流量积累特征值，分析不同节点之间河流流量的相互影响；对河流流速进行相同分析，获取流速积累特征值；最后将流量、流速积累特征值的乘积作为ARIMA算法的外生变量，对每个节点的水位高度进行预测，并根据预测值进行预警；避免了传统ARIMA算法预测水位时由于受到突发事件影响而导致预测结果较差的问题，提高了水位预测的准确性，增强了算法的鲁棒性以及准确性，使得在大型水利工程中对水位的监测更为准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。

图1为本发明一个实施例提供的基于人工智能的大型水利工程水位监测方法的步骤流程图；

图2为基于人工智能的大型水利工程水位监测方法的具体步骤示意图。

具体实施方式

为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的基于人工智能的大型水利工程水位监测方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一个或多个实施例中的特定特征、结构或特点可由任何合适形式组合。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。

下面结合附图具体的说明本发明所提供的基于人工智能的大型水利工程水位监测方法及系统的具体方案。

请参阅图1，其示出了本发明一个实施例提供的基于人工智能的大型水利工程水位监测方法的步骤流程图，该方法包括以下步骤：

步骤S001，根据河流地图获取河流各节点及无向图，采集各节点处的水位高度、流量及流速的时间序列，并进行预处理。

从地理数据开放平台，例如国家地理信息公共服务平台上获取所需监测的河流地图，之后使用GIS软件（如ArcGIS、QGIS等）导出包含河流地理数据的图层，需要注意的是，所提取图层的正上方代表着方向上的正北方，使用道格拉斯-普克算法（Douglas-Peuckeralgorithm）将提取出的河流图层中的河流细化为一条曲线；

在细化后的河流图层中选择河流的每一个至少有三条支流的分支处或者河流转向夹角小于度的转向处作为一个节点，并在该节点所处位置放置水位检测器、流量计以及流速流向仪获取该节点处的水位高度、河流流量以及河流流速，需要说明的是，/>的值实施者可自行设定，本实施例将/>的值设定为120。

将含有节点的曲线放置到二维方向坐标系中，所述二维方向坐标系横轴正负方向以及纵轴正负方向分别代表东、西、北、南四个方向。之后将有曲线相连的两个节点之间用直线替换原来的曲线，形成无向图，使用广度优先搜索算法遍历无向图，获取无向图的起始节点以及终止节点，以起始节点开始对节点进行编号。

之后以时间t为间隔，对每个节点处的水位高度、河流流量以及河流流速数据进行实时采集，形成对应的时间序列，分别记为河流水位序列、河流流量序列以及河流流速序列。并以节点三个序列中的所有数据为输入，使用Z-Score算法对其进行归一化处理，以消除量纲的影响。在此以当前时刻第i个节点处采集到的河流水位序列、河流流量序列以及河流流速序列为例，将归一化后的第i个节点的河流水位序列记为、河流流量序列记为/>、以及河流流速序列记为/>，设每个序列中的数据点个数为n，n的值即为当前时刻已经采集到的数据点的个数。需要说明的是，t的值实施者可自行设定，本实施例将t的值设定为3秒。

步骤S002，分析不同节点处的河流流量、流速序列的变化趋势及突变情况，并分析节点和与其相邻节点之间的流量流速的相互影响，判断节点的突发性和其他节点影响所导致的水位积累特征，构建流量、流速积累特征值。

在进行河流水位监测时，所发生的突发事件会引起河流的水位积累从而导致洪水风险增加，突发事件在自然界和人类社会中都可能发生，其产生原因多种多样，自然灾害如暴雨、洪水、地震等可能导致河流的水位积累，例如非法的河道填埋、建筑工程中的施工失误、砍伐森林导致的土壤侵蚀等认为原因都可能对河流的正常流动造成干扰进而产生河水积累，此外，地下水位的变化也可能对河流产生影响。当地下水位升高时，地下水可能通过渗透或泉水形式进入河流，增加了河流的水量和流速，产生河水积累。

在无突发事件产生时，河水的流量和流速均为缓慢且稳定的变化，而当突发事件产生时，突发事件会对河水流量和流速产生直接或间接的影响，从而引起河流流量和流速的快速变化，比如大量的降雨或融化的雪水会迅速注入河流，导致水位上升，进而增加河水的流量和流速，洪水还可能带来大量的泥沙和漂浮物，进一步增加水流的动力和流速，或者当河道被堵塞时，水流受阻，导致河水的流量和流速发生突然性降低。

以第i个节点的河流流量序列为输入，使用DBSCAN密度聚类算法对序列中数据点进行聚类，设置最小点minPTs为4，最大半径为3，算法输出为K个聚类簇，此时认为每一个聚类簇都是由于突发事件导致流量突变而产生的，将每个聚类簇内所有数据点按时间顺序组成序列作为每个聚类簇的数据序列，设第S-1个聚类簇的数据序列中最后一个数据点数值为，第S个聚类簇的数据序列中第一个数据点数值为/>，计算第S个聚类簇的簇内数据点均值/>，之后提取第S个聚类簇的簇内数据点中的最大值以及最小值，分别记为/>和，并且对第S个聚类簇的簇内数据通过最小二乘法进行线性拟合，输出拟合得到的直线，记拟合直线斜率为/>。以第i个节点为例，构建每个节点的突发性流量影响指数：

式中，为第i个节点的突发性流量影响指数，反应了突发性事件对第i个节点河流流量的影响程度，K为对第i个节点河流流量序列进行聚类的聚类簇个数，/>为以e为底的指数函数，S为求和函数索引，/>为第i个节点河流流量序列的第S个聚类簇的流量自恢复判断函数，/>和/>分别为第i个节点河流流量序列的第S个和第S-1个聚类簇的簇内数据均值，/>为第i个节点河流流量序列的第S个聚类簇的流量弹性恢复因子，/>为第i个节点河流流量序列的第S个聚类簇中数据所拟合直线的斜率，/>和/>分别为第i个节点河流流量序列的第S-1个聚类簇的数据序列中最后一个数据点数值和第S个聚类簇的数据序列中第一个数据点数值，/>和/>分别为第i个节点河流流量序列的第S个聚类簇的簇内数据点中的最大值和最小值。

在的计算中，/>通过第S个聚类簇的第一个数据点突变大小以及簇内变化的趋势大小对节点i的弹性自恢复情况进行计算，/>越大代表突变发生后的流量恢复情况与突变程度之间的差距越大，/>越大，而当/>大于0时，代表此时节点i的流量变化趋势为自恢复趋势，此时/>，反之则为由于突发情况而引起的持续加剧趋势，；当/>越大时，则代表节点i的流量自恢复趋势越大，/>越大；/>则代表了每次由于突发事件而产生突变的程度，其值越大，代表突发事件对节点i的突发性影响越大，/>越大。

对于每个节点处的水位高度，可以使用自回归移动平均模型（ARIMA算法）进行时间序列分析，用序列自身的历史时间数据对自身的下一时刻进行预测，然而由于与其相邻的其他节点与该节点流速和流量的差异原因，会导致河流在某一节点或者节点中某处出现河水积累，ARIMA算法无法对河流的水位高度进行准确预测。

在此以第i个节点为例，设无向图中第i个节点有m条边，即有m个节点与其相连，称所述m个节点为第i个节点的相邻节点，将所有相邻节点设为，随机选取节点i的河流流量序列中第q个数据点/>，之后随机挑选任意一个相邻节点c的河流流量序列，用/>表示；为了分析由于河流的上下游流域之间是否会因为流量变化或突发事件而导致水位积累，先提取河流流量序列/>中第q个数据点的邻近数据点，包括第q-2个数据点/>、第q-1个数据点/>、第q+1个数据点/>和第q+2个数据点/>，然后，为了寻找相邻节点的河水流量与节点i河水流量的关系，将河流流量序列/>中的数据点/>、/>与节点i河流流量序列中的数据点/>、/>、/>组成长度为5的第一流量影响序列/>，并将其输入滞后数为2的自相关系数（ACF）的计算函数中，计算得到第一流量影响序列的自相关系数/>，使用相同的方法组成长度为5的第二流量影响序列/>，并将其输入滞后数为2的自相关系数（ACF）的计算函数中，计算得到第二流量影响序列的自相关系数/>，需要注意的是，第一流量影响序列分析的是相邻节点对节点i的流量影响，第二流量影响序列分析的是节点i对相邻节点的流量影响。以第i个节点为例，构建每个节点的流量积累特征值：

式中，为第i个节点的流量积累特征值，m和n分别为第i个节点的相邻节点个数和第i个节点河流流量序列中的数据点个数，/>为第i个节点的第c个相邻节点的突发性流量影响指数，/>、/>分别为第一流量影响序列、第二流量影响序列的滞后数为2的自相关系数，/>为以e为底的指数函数，/>、/>分别为第i个节点的第c个相邻节点对第i个节点的趋势差异特征值以及第i个节点对其第c个相邻节点的趋势差异特征值，/>、/>分别为第c个相邻节点河流流量序列中第q-1个和第q-2个数据点的数值，/>和/>分别为第i个节点的河流流量序列中第/>个和第/>个数据点的数值，/>、/>分别为第c个相邻节点河流流量序列中第q+2个和第q+1个数据点的数值，c、q、d均为求和函数索引。

在的计算中，/>通过计算相邻节点c河流流量序列在第q个数据点的前两个数据点之间的一阶差分/>，与节点i河流流量序列在第q个数据点与其后两个数据点之间的一阶差分均值/>，判断相邻节点c对节点i的流量影响，/>代表了节点c在第q个数据点之前的流量变化趋势，/>代表了节点i在第q个数据点之后的流量变化趋势，/>越大，代表节点c在第q个数据点所代表时间之前的流量趋势越不会引起节点i在第q个数据点所代表时间之后的相同趋势，即节点c的流量变化越不容易引起节点i的流量变化；同理，/>越大，代表节点i的流量变化越不容易引起相邻节点c的流量变化，/>越大，代表节点i的流量变化与其相邻节点之间的关系越弱，越不会引起由于流量变化而产生的河水积累，/>越小；引入/>可以确定由于突发性事件与相邻节点c河水流量之间的相关性，/>越大代表相邻节点c的自恢复性越弱，突发事件对流量的影响较大，从而进一步影响第i个节点与相邻节点之间的流量关联。

而则代表了相关节点c处的流量序列与经过一段时间后节点i处的流量序列之间的相关性，/>的绝对值越大，代表两个不同时间段下的流量序列产生了越强的相关性，即相关节点c处的流量变化会引起一段时间后节点i处流量的相关变化，代表相关节点c对节点i的流量有着较强的影响，比如下流河道出现异物导致相关节点c流量降低，出现河水积累，进一步引起上游节点i的流量同步降低，或者上游相关节点c由于排水量增加而导致流量增加，会引起下游节点i流量的同步增加。同理/>代表了节点i对节点c的流量影响，/>越大时，代表节点i流量的变化与周围相邻节点流量变化之间有着越大的关系，越容易由于流量变化产生河水积累，/>越大。

通过每个节点的流量积累特征值的计算方式获取每个节点的流速积累特征值，其中将第i个节点的流速积累特征值用表示。

步骤S003，根据流量、流速积累特征值及河流水位序列结合ARIMA算法对下一时刻的河水水位进行预测及预警。

由于突发事件以及相邻节点之间的流量或流速相互影响，使得ARIMA算法的预测结果较差，无法进行准确预测，因此，本实施例将节点i的河流水位序列使用自回归移动平均模型（ARIMA算法），同时将作为ARIMA算法的外生变量，对下一采集时刻的水位数据进行预测，避免由于突发事件以及相邻节点之间的流速以及流量的相互影响关系而导致的水位预测不准确问题。其中，ARIMA算法为公知技术，具体过程不再赘述。

最后，对所有节点的河流水位序列进行预测，并设定每个节点的水位报警阈值，需要说明的是，水位报警阈值实施者可自行设定，本实施例将水位报警阈值设定为节点所处位置河堤高度的，当节点i所预测水位值小于等于节点i处的水位报警阈值/>时不进行报警；当节点i所预测水位值大于节点i处的水位报警阈值/>时进行报警，说明该节点所处位置存在发生决堤的风险，并且当节点i发生警报时，需要额外关注从节点i流出的河流支流，防止由于节点i的水位积累而导致其余地区水位的牵连影响。上述方法的具体步骤示意图如图2所示。

基于与上述方法相同的发明构思，本发明实施例还提供了基于人工智能的大型水利工程水位监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于人工智能的大型水利工程水位监测方法中任意一项所述方法的步骤。

综上所述，本发明实施例提供了基于人工智能的大型水利工程水位监测方法，针对由于突发性事件而导致的河流流量、流速和水位突变，根据河流流量的时间序列的线性拟合结果以及密度聚类结果中数据变化构建河流中每个节点的突发性流量影响指数，分析由于突发事件而引起的流量流速突变状态以及突变程度，评估河流的自恢复趋势强度；根据相邻节点的突发性流量影响指数及不同节点之间的受突发事件影响的关联程度构建每个节点的流量积累特征值，分析不同节点之间河流流量的相互影响；对河流流速进行相同分析，获取流速积累特征值；最后将流量、流速积累特征值的乘积作为ARIMA算法的外生变量，对每个节点的水位高度进行预测，并根据预测值进行预警；避免了传统ARIMA算法预测水位时由于受到突发事件影响而导致预测结果较差的问题，提高了水位预测的准确性，增强了算法的鲁棒性以及准确性，使得在大型水利工程中对水位的监测更为准确。

需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.基于人工智能的大型水利工程水位监测方法，其特征在于，该方法包括以下步骤：

根据河流地图得到河流各节点及无向图；采集河流各节点处每个时刻的水位高度、河流流量及河流流速数据，将各节点所有时刻的水位高度组成的时间序列记为河流水位序列，获取河流流量序列及河流流速序列；

将各节点归一化后的河流流量序列中数据聚类，获取各聚类簇的数据序列；根据聚类簇中数据拟合直线及数据序列中数据变化得到各节点的突发性流量影响指数；根据无向图获取各节点的相邻节点；根据各节点与相邻节点之间对应时刻数据点的邻近数据构建第一流量影响序列及第二流量影响序列；根据第一、第二流量影响序列中数据变化得到节点对相邻节点以及相邻节点对节点的趋势差异特征值；根据第一、第二流量影响序列的自相关系数、趋势差异特征值及突发性流量影响指数得到各节点的流量积累特征值；通过各节点的流量积累特征值的计算方式得到各节点的流速积累特征值；

根据流量积累特征值、流速积累特征值及河流水位序列结合时间序列分析算法对各节点水位进行预警。

2.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述河流各节点及无向图为：

通过图层提取软件提取河流地图中河流图层；通过道格拉斯-普克算法对河流图层细化，将细化的河流图层中每个至少有三条支流的分支处或河流转向夹角小于预设角度的转向处作为各节点；将细化的河流图层中有曲线相连的两个节点之间用直线替换曲线得到的图作为无向图。

3.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述将各节点归一化后的河流流量序列中数据聚类，获取各聚类簇的数据序列，具体为：

对于各节点，将节点的河流流量序列输入聚类算法进行聚类，得到各聚类簇，将各聚类簇中所有数据点组成的序列记为各聚类簇的数据序列。

4.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述根据聚类簇中数据拟合直线及数据序列中数据变化得到各节点的突发性流量影响指数，具体包括：

计算第i个节点河流流量序列的第S个聚类簇的流量自恢复判断函数的表达式为：

式中，为第i个节点河流流量序列的第S个聚类簇的流量弹性恢复因子，/>为第i个节点河流流量序列的第S个聚类簇中数据所拟合直线的斜率，/>和/>分别为第i个节点河流流量序列的第S-1个聚类簇的数据序列中最后一个数据点数值和第S个聚类簇的数据序列中第一个数据点数值，/>和/>分别为第i个节点河流流量序列的第S个聚类簇的簇内数据点中的最大值和最小值；

计算以自然常数为底数、以所述流量自恢复判断函数的相反数为指数的指数函数的计算结果；计算第i个节点河流流量序列的第S个和第S-1个聚类簇的簇内数据均值之间的差值绝对值；计算所述计算结果与所述差值绝对值的乘积；将第i个节点河流流量序列的所有聚类簇之间的所述乘积的和值作为第i个节点的突发性流量影响指数。

5.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述获取各节点的相邻节点，具体为：将无向图中第i个节点对应各条边相连的节点作为第i个节点的相邻节点。

6.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述第一流量影响序列及第二流量影响序列，具体为：

将第i个节点的第c个相邻节点河流流量序列中第q-2个、第q-1个数据点和第i个节点的河流流量序列中第q个、第q+1个、第q+2个数据点组成的序列记为第一流量影响序列；将第i个节点的第c个相邻节点河流流量序列中第q+2个、第q+1个数据点和第i个节点的河流流量序列中第q个、第q-1个、第q-2个数据点组成的序列记为第二流量影响序列。

7.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述根据第一、第二流量影响序列中数据变化得到节点对相邻节点以及相邻节点对节点的趋势差异特征值，表达式为：

式中，、/>分别为第i个节点的第c个相邻节点对第i个节点的趋势差异特征值以及第i个节点对其第c个相邻节点的趋势差异特征值，/>、/>分别为第c个相邻节点河流流量序列中第q-1个和第q-2个数据点的数值，/>和/>分别为第i个节点的河流流量序列中第/>个和第/>个数据点的数值，/>、/>分别为第c个相邻节点河流流量序列中第q+2个和第q+1个数据点的数值。

8.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述根据第一、第二流量影响序列的自相关系数、趋势差异特征值及突发性流量影响指数得到各节点的流量积累特征值，表达式为：

式中，为第i个节点的流量积累特征值，m和n分别为第i个节点的相邻节点个数和第i个节点河流流量序列中的数据点个数，/>为第i个节点的第c个相邻节点的突发性流量影响指数，/>、/>分别为第一流量影响序列、第二流量影响序列的预设滞后数的自相关系数，/>为以e为底的指数函数，/>、/>分别为第i个节点的第c个相邻节点对第i个节点的趋势差异特征值以及第i个节点对其第c个相邻节点的趋势差异特征值。

9.如权利要求1所述的基于人工智能的大型水利工程水位监测方法，其特征在于，所述根据流量积累特征值、流速积累特征值及河流水位序列结合时间序列分析算法对各节点水位进行预警，具体为：

计算各节点的流量积累特征值与流速积累特征值的乘积；将各节点的所述乘积作为ARIMA算法的外生变量，将各节点的河流水位序列作为ARIMA算法的输入，算法输出为各节点当前时刻的下一时刻的河流水位预测值；若所述预测值大于预设水位报警阈值，则进行报警；否则，则不进行报警。

10.基于人工智能的大型水利工程水位监测系统，包括存储器、处理器以及存储在所述存储器中并在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1-9任意一项方法的步骤。