TW201810133A - 基於類神經網路之水庫水位預測系統及方法 - Google Patents
基於類神經網路之水庫水位預測系統及方法 Download PDFInfo
- Publication number
- TW201810133A TW201810133A TW105120472A TW105120472A TW201810133A TW 201810133 A TW201810133 A TW 201810133A TW 105120472 A TW105120472 A TW 105120472A TW 105120472 A TW105120472 A TW 105120472A TW 201810133 A TW201810133 A TW 201810133A
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- neural network
- water level
- reservoir
- prediction
- Prior art date
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一種基於類神經網路之水庫水位預測系統,包含:一預測模組,包含:一輸入資料儲存模組,從複數個伺服器擷取並儲存至少一輸入資料,且該輸入資料至少包含水庫水位之即時資料與歷史資料;一類神經網路學習模組,根據儲存於該輸入資料儲存模組的該歷史資料,以塑模出至少一權重及至少一偏權值;及一預測資料運算模組,根據該類神經網路學習模組所塑模出之該權重及該偏權值,對該即時資料進行運算,以得出至少一預測資料,且該預測資料至少包含水庫水位之預測資料;一資料庫,接收及儲存該預測資料及/或該輸入資料;及一使用者操作介面,接收至少一使用者操作條件,並根據該使用者操作條件,以顯示該預測資料及/或該輸入資料及/或該預測資料所預測之圖形。
Description
本發明係關於一種基於類神經網路之水庫水位預測系統及方法,特別是關於一種利用多類即時水文資料進行基於類神經網路之水庫水位預測系統及方法。
水力電廠在考量如何有效率地發電時,須兼顧防洪及供水。因此,水力電廠的發電操作與水庫水位息息相關。在進行發電操作時,須將目前水庫水位及未來水庫水位一併列入考量,否則將無法同時達到高發電效率、防洪及供水的目的。
此外,由於水力電廠的發電量亦受天候及季節水量影響。而隨著全球氣候變遷日益加劇,位處於亞熱帶的台灣近年來極端暴雨現象愈趨頻繁。在進行水力電廠發電操作及水庫水位預測時,應同時將集水區雨量觀測值、集水區雨量預測值、排洪量等各種因素同時納入考量,才能有效預測水庫水位,藉此進行發電操作,以達到高發電效率、防洪及供水的目的。
然而,要將如此多樣且複雜的資訊同時列入考量範圍以預測
水庫水位,並非人力所能達成。目前水力電廠的發電操作,僅係由水力電廠運轉人員根據目前水庫水位高度值及部分相關資訊,憑藉個人經驗判斷來進行,而無法準確的預測水庫水位。因此,需要一種可將多類與水庫水位相關的因素同時列入考量的水庫水位預測系統及方法。
為了解決上述問題,本發明之目的在提供一種基於類神經網路之水庫水位預測系統及方法。
本發明之另一目的在提供一種可將多類因素同時列入預測考量的基於類神經網路之水庫水位預測系統及方法。
本發明之再一目的在提供一種可根據歷史資料學習水庫水位與輸入資料之關係,並藉此預測水庫水位高度的基於類神經網路之水庫水位預測系統及方法。
為達上述目的,本發明提供一種基於類神經網路之水庫水位預測系統,包含:一預測模組、一資料庫及一使用者操作介面。該預測模組更包含:一輸入資料儲存模組、一類神經網路學習模組及一預測資料運算模組。其中,該輸入資料儲存模組從複數個伺服器擷取並儲存至少一輸入資料,且該輸入資料至少包含水庫水位之即時資料與歷史資料。該類神經網路學習模組根據儲存於該輸入資料儲存模組的該歷史資料,塑模出至少一權重及至少一偏權值。該預測資料運算模組根據該類神經網路學習模組所塑模出之該權重及該偏權值,對該即時資料進行運算,以得出至少一預測資料,且該預測資料至少包含水庫水位之預測資料。而該資料庫接收
並儲存該預測資料及/或該輸入資料。該使用者操作介面,接收至少一使用者操作條件,並根據該使用者操作條件,以顯示該預測資料及/或該輸入資料及/或該預測資料所預測之圖形。
於本發明較佳之實施例中,該類神經網路學習模組具有第一層、第二層、第三層類神經網路。
於本發明較佳之實施例中,該類神經網路學習模組根據至少該水庫水位之歷史資料塑模出該第一層類神經網路之該權重及該偏權值,該預測資料運算模組基於第一層塑模出之該權重及該偏權值對至少該水庫水位之即時資料進行運算出水庫入流量資料,且該水庫入流量資料為第二層類神經網路的輸入資料之一。
於本發明較佳之實施例中,該類神經網路學習模組根據至少該水庫入流量資料塑模出該第二層類神經網路之該權重及該偏權值,該預測資料運算模組基於第二層塑模出之該權重及該偏權值對至少該第一層類神經網路之即時輸出資料進行運算出水庫入流量之預測資料,且該水庫入流量之預測資料為第三層類神經網路的輸入資料之一。
於本發明較佳之實施例中,該類神經網路學習模組根據至少該水庫入流量之預測資料塑模出該第三層類神經網路之該權重及該偏權值,該預測資料運算模組基於第三層塑模出之該權重及該偏權值對至少該第二層類神經網路之即時輸出資料進行運算出該水庫水位之預測資料。
於本發明較佳之實施例中,該類神經網路學習模組根據發電量與排洪量之歷史資料塑模出該第一層類神經網路之該權重及該偏權值,
該預測資料運算模組基於第一層塑模出之該權重及該偏權值對至少該水庫水位、發電量與排洪量之即時資料進行運算出該水庫入流量資料。
於本發明較佳之實施例中,該類神經網路學習模組根據集水區雨量站觀測與集水區氣象預報之歷史資料塑模出該第二層類神經網路之該權重及該偏權值,該預測資料運算模組基於第二層塑模出之該權重及該偏權值對至少該第一層類神經網路之即時輸出資料、集水區雨量站觀測與集水區氣象預報之即時資料進行運算出水庫入流量之預測資料。
於本發明較佳之實施例中,該類神經網路學習模組根據發電量與排洪量之歷史資料塑模出該第三層類神經網路之該權重及該偏權值,該預測資料運算模組基於第三層塑模出之該權重及該偏權值對至少該第二層類神經網路之即時輸出資料、發電量與排洪量之即時資料進行運算出該水庫水位之預測資料。
於本發明較佳之實施例中,該預測資料包含水庫入流量預測資料。
該輸入資料包含發電量資料、排洪量資料、集水區雨量站觀測資料、集水區氣象預報資料其中之一或部分之即時資料與歷史資料。
根據本發明之目的,再提供一種基於類神經網路之水庫水位預測方法,包含:建構一類神經網路模型;決定訓練用的歷史資料;根據該訓練用歷史資料塑模出類神經網路的權重及偏權值;蒐集至少一即時輸入資料,該即時輸入資料至少包含水庫水位之即時資料;及根據該類神經網路所塑模出之該權重及該偏權值,對該即時輸入資料進行運算,以得出
至少一預測資料,且該預測資料至少包含水庫水位預測資料。
於本發明較佳之實施例中,該類神經網路模型具有複數層類神經網路。
於本發明較佳之實施例中,至少一層類神經網路運算出之輸出資料為水庫入流量預測資料,且該水庫入流量預測資料為該層類神經網路之下一層類神經網路的輸入資料之一。
於本發明較佳之實施例中,該預測資料包含水庫入流量預測資料。
於本發明較佳之實施例中,該即時輸入資料包含發電量資料、排洪量資料、集水區雨量站觀測資料、集水區氣象預報資料其中之一或部分之即時資料。
本發明前述各方面及其它方面依據下述的非限制性具體實施例詳細說明以及參照附隨的圖式將更趨於明瞭。
100‧‧‧類神經網路系統
200‧‧‧訓練資料
220‧‧‧資料伺服器
240‧‧‧水庫水位預測系統
250‧‧‧預測模組
252‧‧‧類神經網路學習模組
254‧‧‧預測資料運算模組
256‧‧‧輸入資料儲存模組
260‧‧‧使用者操作介面
262‧‧‧操作模組
264‧‧‧預測資料顯示模組
270‧‧‧資料庫
280‧‧‧使用者
300‧‧‧預測機制流程圖
310-350‧‧‧操作
400‧‧‧類神經網路模型
402‧‧‧發電量資料
404‧‧‧水庫水位資料
406‧‧‧排洪量資料
408a‧‧‧第一層類神經網路
408b‧‧‧第二層類神經網路
408c‧‧‧第三層類神經網路
412‧‧‧水庫入流量資料
424‧‧‧集水區雨量站觀測資料
426‧‧‧集水區氣象預報資料
432‧‧‧水庫入流量預測資料
442‧‧‧水庫水位預測資料
500‧‧‧使用者操作顯示流程圖
510-550‧‧‧操作
610‧‧‧圖形顯示區域
612‧‧‧縱軸
614‧‧‧水庫入流量預測折線圖
616‧‧‧水庫水位預測折線圖
618‧‧‧縱軸
619‧‧‧橫軸
620‧‧‧圖形顯示區域
622‧‧‧縱軸
624‧‧‧橫軸
626‧‧‧集水區雨量預測直條圖
第一圖為一般類神經網路系統的示意圖。
第二圖為本發明基於類神經網路之水庫水位預測系統的架構圖。
第三圖為本發明基於類神經網路之水庫水位預測方法之流程圖。
第四圖為本發明基於類神經網路之水庫水位預測系統一具體實施例的類神經網路模型圖。
第五圖為本發明基於類神經網路之水庫水位預測方法的使用者操作顯示流程圖。
第六圖為本發明基於類神經網路之水庫水位預測系統的預測結果顯示之一具體實施例示意圖。
本發明基於類神經網路之水庫水位預測的系統及其方法,係利用類神經網路具有在不需要提供轉換的數學函示條件下,即可學習輸入資料與輸出資料之關係的特性,先以大量訓練資料對類神經網路進行訓練,以塑模出各個輸入節點與各個隱藏層神經元的權重、各個隱藏層神經元與輸出節點之權重,及各個節點的偏權值,而後配合即時擷取的水文資料作為各個輸入節點的輸入資料,以進行水庫水位預測。以下將配合圖示進一步說明。
第一圖為一般類神經網路系統的示意圖。本發明基於類神經網路之水庫水位預測的系統,係利用如圖示之類神經網路系統100進行訓練,以塑模出各個權重及各個偏權值,於圖示中,該類神經網路系統100在第一層具有輸入節點S1、輸入節點S2,在第二層具有隱藏層神經元S3、隱藏層神經元S4、隱藏層神經元S5,在第三層具有輸出節點S6。
應了解類神經網路系統100在此僅為例示,本發明並不限於使用單層的隱藏層神經元,而係可視需求使用一至多層的隱藏層神經元。類神經網路系統100之輸入節點個數、隱藏層神經元個數、輸出節點個數,亦非可限制本發明,本發明之輸入節點個數、隱藏層神經元個數、輸出節
點個數可視情況調整為任意個數。
請繼續參考第一圖,類神經網路系統100的各個輸入節點與各個隱藏層神經元均有相對應的權重,例如輸入節點S1與隱藏層神經元S5具有一權重W15,輸入節點S2與隱藏層神經元S5具有一權重W25。同時,類神經網路系統100的各個隱藏層神經元與輸出節點亦有相對應的權重,例如隱藏層神經元S3與輸出節點S6具有一權重W36,隱藏層神經元S5與輸出節點S6具有一權重W56。而各個輸入節點、隱藏層神經元及輸出節點均具有各自的偏權值,例如輸入節點S2具有偏權值θ2,隱藏層神經元S5具有偏權值θ5,輸出節點S6具有偏權值θ6。而一節點傳輸至下個節點的傳輸數值之計算方式如下,假設共有n個節點將各自的傳輸數值傳輸至該節點Y,則節點Y傳輸至下一節點的傳輸數值y之公式為:
其中,Wi為將傳輸數值傳輸至節點Y的n個節點中之第i個節點與節點Y所對應的權重,Xi為該第i個節點傳輸至節點Y的傳輸數值,θ為節點Y的偏權值。
以節點S5為例,輸入節點S1與隱藏層神經元S5所對應的權重為W15,輸入節點S2與隱藏層神經元S5所對應的權重為W25,而隱藏層神經元S5的偏權值為θ5。設輸入節點S1傳輸至隱藏層神經元S5的傳輸數值為X1,而輸入節點S2傳輸至隱藏層神經元S5的傳輸數值為X2,則隱藏層神經元S5傳輸至輸出節點S6的傳輸數值為:(W15.X1+W25.X2)-θ5
在訓練類神經網路系統100的過程中,首先以大量已知的輸入資料及輸出資料作為訓練用的輸入資料與輸出資料,對類神經網路系統100進行訓練,藉此塑模出各個權重及各個偏權值。傳統上可採用傳統梯度下降演算法以修正各個權重。在塑模出各個權重及各個偏權值後,即可利用類神經網路系統100,以即時的輸入資料,進行輸出資料的預測。
第二圖為本發明基於類神經網路之水庫水位預測系統的架構圖,如圖所示,水庫水位預測系統240包含一預測模組250;一使用者操作介面260;及一資料庫270,該預測模組250包含一輸入資料儲存模組256,用以由複數個伺服器擷取及儲存至少一輸入資料,且該輸入資料至少包含水庫水位之即時資料與歷史資料;一類神經網路學習模組252,根據儲存於該輸入資料儲存模組256的該歷史資料,以塑模出至少一權重及至少一偏權值;及一預測資料運算模組254,根據該類神經網路學習模組252所塑模出之該權重及該偏權值,對該即時資料進行運算,以得出至少一預測資料,且該預測資料至少包含水庫水位之預測資料;該使用者操作介面260則包含一操作模組262,用以接收使用者操作條件,該使用者操作條件至少包含使用者所選定瀏覽之預測資料及/或歷史資料;及一預測資料顯示模組264,用以根據該使用者操作條件,至該資料庫270擷取該選定瀏覽之預測資料及/或歷史資料,並顯示該選定瀏覽之預測資料及/或歷史資料,以供使用者瀏覽。
其中,預測模組250係藉由大量的訓練資料200對類神經網路學習模組252進行訓練,藉此塑模出各個權重及各個偏權值。接著,由輸入
資料儲存模組256定期至一或多個資料伺服器220擷取各類所需的即時資料並儲存,再由預測資料運算模組254將儲存在輸入資料儲存模組256的資料作為輸入資料,並依據類神經網路學習模組252塑模出的各個權重及各個偏權值,以進一步運算出預測資料,並透過資料庫270儲存該些預測資料。其中,預測資料運算模組254在執行預測運算時所使用的輸入資料,除了儲存於輸入資料儲存模組的資料外,可進一步包含由使用者透過操作模組262所輸入的資料。使用者並可透過操作模組262決定欲顯示的預測資料及/或歷史資料範圍,而後,使用者操作介面260將根據使用者選取的預測資料範圍,至資料庫270擷取該些預測資料及/或歷史資料,並透過預測資料顯示模組264將該些預測資料及/或歷史資料呈現給使用者。
請參考第三圖並配合參考第四圖,其中第三圖為本發明基於類神經網路之水庫水位預測方法之流程圖;而第四圖係為本發明基於類神經網路之水庫水位預測系統一具體實施例的類神經網路模型圖。本發明基於類神經網路之水庫水位預測方法,包含以下步驟:首先,進行步驟310,由使用者先建構類神經網路模型,其包含決定各個輸入節點的輸入資料為何,其中該類神經網路模型可為單層類神經網路模型或多層類神經網路模型。
於本實施例中,在步驟310處,所建構之類神經網路模型為第四圖所示之類神經網路模型400,並以此類神經網路模型400對例如一甲水庫進行1至48小時的水庫水位預測。如圖所示,類神經網路模型400為三層之類神經網路模型,其中第一層類神經網路408a的隱藏層神經元個數可
為5至20個,第二層類神經網路408b的隱藏層神經元個數可為5至20個,第三層類神經網路408c的隱藏層神經元個數可為5至20個。
應了解,各層類神經網路的隱藏層神經元個數在此僅為例示,本發明並不限於使用5-20個隱藏層神經元,而係可視需求設置任意個數的隱藏層神經元。
另外,於本實施例中,在步驟310處,係以發電量資料402、水庫水位資料404及排洪量資料406作為第一層類神經網路408a的輸入資料,以水庫入流量資料412作為第一層類神經網路408a的輸出資料。而第二層類神經網路408b的輸入資料為水庫入流量資料412、集水區雨量站觀測資料424及集水區氣象預報資料426,第二層類神經網路408b的輸出資料為水庫入流量預測資料432。第三層類神經網路408c的輸入資料則為水庫入流量預測資料432、發電量資料402及排洪量資料406,第三層類神經網路408c的輸出資料為水庫水位預測資料442。
在完成步驟310後,則進行步驟320,在步驟320處,使用者進一步決定以何項歷史資料作為訓練各層類神經網路的訓練資料,並藉此塑模出各層類神經網路模型的各個權重及偏權值。
於實施例中,該歷史資料,係以2012年至2013年甲水庫的發電量資料402、水庫水位資料404及排洪量資料406作為第一層類神經網路408a的訓練用輸入資料,且以2012年至2013年甲水庫的水庫入流量資料412作為第一層類神經網路408a的訓練用輸出資料。並以2012年至2013年甲水庫的水庫入流量資料412、集水區雨量站觀測資料424及集水區氣象預報資
料426作為第二層類神經網路408b的訓練用輸入資料,且以2012年至2013年甲水庫的水庫入流量預測資料432作為第二層類神經網路408b的訓練用輸出資料。再以2012年至2013年甲水庫的水庫入流量預測資料432、發電量資料402及排洪量資料406作為第三層類神經網路408c的訓練用輸入資料,並再以2012年至2013年甲水庫的水庫水位預測資料442作為第三層類神經網路408c的訓練用輸出資料。其中,第二層類神經網路408b的訓練用之水庫入流量預測資料432之資料時間點,較第二層類神經網路408b的訓練用之集水區雨量站觀測資料424,及訓練用之集水區氣象預報資料426的資料時間點延後1至48小時,以此模擬第二層類神經網路408b的輸入資料與輸出資料之關係,係為輸入資料與預測資料之關係。而第三層類神經網路408c的訓練用之水庫水位預測資料442之資料時間點,較第三層類神經網路408c的訓練用之發電量資料,及訓練用之排洪量資料的資料時間點延後1至48小時,以此模擬第三層類神經網路408c的輸入資料與輸出資料之關係,係為輸入資料與預測資料之關係。
在決定以何歷史資料作為訓練各層類神經網路的訓練資料200後,進行步驟330,在步驟330處,以所決定的歷史資料對類神經網路學習模組252的各層類神經網路進行訓練,以塑模出各層類神經網路的各個權重及各個偏權值。
於本實施例中,在步驟330處,係以上述2012年至2013年各訓練用輸入資料及各訓練用輸出資料對類神經網路模型400進行訓練,以塑模出第一層類神經網路408a、第二層類神經網路408b及第三層類神經網路
408c的各個權重及偏權值。
接著,進行步驟340,在步驟340處,由輸入資料儲存模組256定期至資料伺服器220擷取所需的即時資料並儲存,所擷取的該些資料亦可於日後作為訓練用之歷史資料及/或作為提供使用者瀏覽之歷史資料。其中,該些所擷取的即時資料可同時儲存於資料庫270,供使用者操作介面260使用。
於本實施例中,在步驟340處,係以一小時為間隔,由輸入資料儲存模組256每小時至A伺服器擷取甲水庫水位資料、發電量資料,及水庫集水區雨量站資料並儲存,至B伺服器擷取集水區氣象預報資料並儲存。並於預測資料儲存模組254執行預測運算時,提供該些資料對甲水庫進行1至48小時的水庫水位預測。
應了解,上述實施例僅為示例,本發明並非限於每小時執行一次資料擷取,而係可視需求,以數分鐘至數天作為資料擷取之執行間隔。同時,本發明並非僅可用於預測1至48小時後的水庫水位,而係可視需求進行至少數小時至數天、週、月、年的水庫預測。
接著,進行步驟350,在步驟350處,由預測資料運算模組254藉由類神經網路學習模組252塑模出的各個權重及各個偏權值進行預測運算,其係將儲存在輸入資料儲存模組256的資料作為輸入資料,並針對該些輸入資料運算出預測資料,而後,將該些運算出的預測資料儲存於資料庫270。
於本實施例中,係藉由上述塑模出的第一層類神經網路
408a、第二層類神經網路408b及第三層類神經網路408c的各個權重及偏權值,以類神經網路模型400進行甲水庫水位預測,並將該些預測資料儲存至資料庫270。其中,用以預測的各輸入資料係來自輸入資料儲存模組256於A伺服器及B伺服器所擷取並儲存之資料,即完成本發明基於類神經網路之水庫水位預測方法。
第五圖為本發明基於類神經網路之水庫水位預測系統的使用者操作顯示流程圖,使用者操作顯示流程圖500開始於步驟510,由操作模組262確認一使用者是否為合法使用者。在一具體實施例中,係由使用者輸入帳號密碼,以供操作模組262進行確認。
在確認使用者合法登入後,於步驟520處,由操作模組262提供該使用者進行操作介面的使用,並於步驟530處,由操作模組262接收使用者輸入的操作條件。該些操作條件可包含使用者所選定瀏覽之資料範圍及/或部分用以進行預測的輸入資料(例如排洪量模擬資料及/或發電量模擬資料)等,但並不以此為限。其中,使用者所選定瀏覽之資料可為預測資料及/或歷史資料。
接著,於步驟540處,根據使用者輸入的操作條件,由預測資料顯示模組264至資料庫270及/或輸入資料儲存模組256擷取使用者所選定瀏覽之預測資料及/或使用者選定瀏覽之歷史資料。並於步驟550處,由預測資料顯示模組264顯示該些擷取自資料庫270及/或輸入資料儲存模組256之資料,以供使用者瀏覽。所述顯示該些擷取自資料庫270及/或輸入資料儲存模組256之資料,可為直接顯示資料的數值及/或將該些資料以圖形方式顯
示。所述以圖形方式顯示,可為以折線圖及/或直條圖的方式顯示,但不以此為限。
第六圖為本發明基於類神經網路之水庫水位預測系統的預測結果顯示之一具體實施例示意圖,如圖所示,在使用者選定欲瀏覽之預測資料範圍後,預測資料顯示模組264即根據使用者選定之預測資料範圍,至資料庫270擷取對應的預測資料。並於圖形顯示區域610處,以折線圖的形式顯示使用者選定之水庫入流量預測折線圖614及水庫水位預測折線圖616,其中,水庫入流量預測折線圖614的對應縱軸612標示水庫預測入流量數值(CMS),橫軸619標示預測時間點。而水庫水位預測折線圖616的對應縱軸618標示水庫預測水位高度(m),橫軸619標示預測時間點。圖形顯示區域620則以直條圖的形式顯示集水區雨量預測直條圖626,其對應縱軸622標示預測雨量數值(mm),橫軸624標示預測時間點。
應了解,第六圖僅為一示意圖,本發明最終顯示之圖形並不以此為限,例如,圖形顯示區域610亦可同時顯示水庫入流量預測資料、水庫入流量歷史資料、水庫水位預測資料及水庫水位歷史資料。又例如,圖形顯示區域620亦可視狀況具有兩組縱軸,並可以折線圖的形式顯示使用者所選定瀏覽之預測資料及/或歷史資料。
Claims (15)
- 一種基於類神經網路之水庫水位預測系統,包含:一預測模組,包含:一輸入資料儲存模組,從複數個伺服器擷取並儲存至少一輸入資料,且該輸入資料至少包含水庫水位之即時資料與歷史資料;一類神經網路學習模組,根據儲存於該輸入資料儲存模組的該歷史資料,以塑模出至少一權重及至少一偏權值;及一預測資料運算模組,根據該類神經網路學習模組所塑模出之該權重及該偏權值,對該即時資料進行運算,以得出至少一預測資料,且該預測資料至少包含水庫水位之預測資料;一資料庫,接收及儲存該預測資料及/或該輸入資料;及一使用者操作介面,接收至少一使用者操作條件,並根據該使用者操作條件,以顯示該預測資料及/或該輸入資料及/或該預測資料所預測之圖形。
- 如申請專利範圍第1項所述之基於類神經網路之水庫水位預測系統,其中該類神經網路學習模組具有第一層、第二層、第三層類神經網路。
- 如申請專利範圍第2項所述之基於類神經網路之水庫水位預測系統,其中該類神經網路學習模組根據至少該水庫水位之歷史資料塑模出該第一層類神經網路之該權重及該偏權值,該預測資料運算模組基於第一層塑模出之該權重及該偏權值對至少該水庫水位之即時資料進行運算出水庫入流量資料,且該水庫入流量資料為第二層類神經網路的輸入資料之一。
- 如申請專利範圍第3項所述之基於類神經網路之水庫水位預測系統,其 中該類神經網路學習模組根據至少該水庫入流量資料塑模出該第二層類神經網路之該權重及該偏權值,該預測資料運算模組基於第二層塑模出之該權重及該偏權值對至少該第一層類神經網路之即時輸出資料進行運算出水庫入流量之預測資料,且該水庫入流量之預測資料為第三層類神經網路的輸入資料之一。
- 如申請專利範圍第4項所述之基於類神經網路之水庫水位預測系統,其中該類神經網路學習模組根據至少該水庫入流量之預測資料塑模出該第三層類神經網路之該權重及該偏權值,該預測資料運算模組基於第三層塑模出之該權重及該偏權值對至少該第二層類神經網路之即時輸出資料進行運算出該水庫水位之預測資料。
- 如申請專利範圍第3項所述之基於類神經網路之水庫水位預測系統,其中該類神經網路學習模組根據發電量與排洪量之歷史資料塑模出該第一層類神經網路之該權重及該偏權值,該預測資料運算模組基於第一層塑模出之該權重及該偏權值對至少該水庫水位、發電量與排洪量之即時資料進行運算出該水庫入流量資料。
- 如申請專利範圍第4項所述之基於類神經網路之水庫水位預測系統,其中該類神經網路學習模組根據集水區雨量站觀測與集水區氣象預報之歷史資料塑模出該第二層類神經網路之該權重及該偏權值,該預測資料運算模組基於第二層塑模出之該權重及該偏權值對至少該第一層類神經網路之即時輸出資料、集水區雨量站觀測與集水區氣象預報之即時資料進行運算出水庫入流量之預測資料。
- 如申請專利範圍第5項所述之基於類神經網路之水庫水位預測系統,其中該類神經網路學習模組根據發電量與排洪量之歷史資料塑模出該第三層類神經網路之該權重及該偏權值,該預測資料運算模組基於第三層塑模出之該權重及該偏權值對至少該第二層類神經網路之即時輸出資料、發電量與排洪量之即時資料進行運算出該水庫水位之預測資料。
- 如申請專利範圍第1項所述之基於類神經網路之水庫水位預測系統,其中該預測資料包含水庫入流量預測資料。
- 如申請專利範圍第1項所述之基於類神經網路之水庫水位預測系統,其中該輸入資料包含發電量資料、排洪量資料、集水區雨量站觀測資料、集水區氣象預報資料其中之一或部分之即時資料與歷史資料。
- 一種基於類神經網路之水庫水位預測方法,包含:建構一類神經網路模型;決定訓練用的歷史資料;根據該訓練用歷史資料塑模出類神經網路的權重及偏權值;蒐集至少一即時輸入資料,該即時輸入資料至少包含水庫水位之即時資料;及根據該類神經網路所塑模出之該權重及該偏權值,對該即時輸入資料進行運算,以得出至少一預測資料,且該預測資料至少包含水庫水位預測資料。
- 如申請專利範圍第11項所述之基於類神經網路之水庫水位預測方法,其中該類神經網路模型具有複數層類神經網路。
- 如申請專利範圍第12項所述之基於類神經網路之水庫水位預測方法,其中至少一層類神經網路運算出之輸出資料為水庫入流量預測資料,且該水庫入流量預測資料為該層類神經網路之下一層類神經網路的輸入資料之一。
- 如申請專利範圍第11項所述之基於類神經網路之水庫水位預測方法,其中該預測資料包含水庫入流量預測資料。
- 如申請專利範圍第11項所述之基於類神經網路之水庫水位預測方法,其中該即時輸入資料包含發電量資料、排洪量資料、集水區雨量站觀測資料、集水區氣象預報資料其中之一或部分之即時資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105120472A TWI587222B (zh) | 2016-06-29 | 2016-06-29 | 基於類神經網路之水庫水位預測系統及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105120472A TWI587222B (zh) | 2016-06-29 | 2016-06-29 | 基於類神經網路之水庫水位預測系統及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI587222B TWI587222B (zh) | 2017-06-11 |
TW201810133A true TW201810133A (zh) | 2018-03-16 |
Family
ID=59688003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105120472A TWI587222B (zh) | 2016-06-29 | 2016-06-29 | 基於類神經網路之水庫水位預測系統及方法 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI587222B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724004A (zh) * | 2020-07-13 | 2020-09-29 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI623890B (zh) * | 2017-07-04 | 2018-05-11 | 台灣電力股份有限公司 | 由多個類神經網路組成的發電量預測系統與其方法 |
TWI690859B (zh) * | 2018-09-10 | 2020-04-11 | 陳柏蒼 | 利用圖形辨識量測水位之方法及其系統 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI446129B (zh) * | 2012-02-15 | 2014-07-21 | Nat Applied Res Laboratories | 水位預報即時校正的方法 |
CN102855524A (zh) * | 2012-08-14 | 2013-01-02 | 贵州乌江水电开发有限责任公司 | 多年调节水库年末消落水位预测方法及系统 |
CN102867275A (zh) * | 2012-08-14 | 2013-01-09 | 贵州乌江水电开发有限责任公司 | 梯级水库群中长期联合发电优化调度方法及系统 |
CN203337216U (zh) * | 2013-04-24 | 2013-12-11 | 北京鼎盈视通安全科技有限公司 | 水位监控预警系统 |
CN103679285B (zh) * | 2013-11-29 | 2015-04-15 | 河海大学 | 改善江湖关系的水库群联合运行调度系统及方法 |
CN104408900B (zh) * | 2014-11-10 | 2017-04-05 | 柳州师范高等专科学校 | 基于动态优化的神经网络洪水预警装置及其方法 |
-
2016
- 2016-06-29 TW TW105120472A patent/TWI587222B/zh active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724004A (zh) * | 2020-07-13 | 2020-09-29 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
CN111724004B (zh) * | 2020-07-13 | 2021-03-23 | 浙江大学 | 一种基于改进量子灰狼算法的水库可供水量预报方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI587222B (zh) | 2017-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shiri et al. | Comparison of genetic programming with neuro-fuzzy systems for predicting short-term water table depth fluctuations | |
CN116451879B (zh) | 一种干旱风险预测方法、系统及电子设备 | |
CN107480341A (zh) | 一种基于深度学习的大坝安全综合评判方法 | |
CN111210082A (zh) | 一种基于优化的bp神经网络算法的降水量预测方法 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
Jalalkamali et al. | Groundwater modeling using hybrid of artificial neural network with genetic algorithm | |
TWI587222B (zh) | 基於類神經網路之水庫水位預測系統及方法 | |
US10770898B2 (en) | Methods and systems for energy use normalization and forecasting | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN105809264B (zh) | 电力负载预测方法和装置 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
Das et al. | FORWARD: a model for forecasting reservoir water dynamics using spatial Bayesian network (SpaBN) | |
CN109472396A (zh) | 基于深度网络学习的山火预测方法 | |
Park et al. | Machine learning vs. hybrid machine learning model for optimal operation of a chiller | |
CN109214565A (zh) | 一种适用于大电网分区调度的子区域系统负荷预测方法 | |
Majumder et al. | Real time reliability monitoring of hydro‐power plant by combined cognitive decision‐making technique | |
CN116090839A (zh) | 水资源耦合系统多重风险分析与评估方法及系统 | |
WO2021063461A1 (en) | Method for planning a layout of a renewable energy site | |
CN116307287A (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN118095752A (zh) | 一种基于数字孪生的水库调度管理系统 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN109902344A (zh) | 中小跨径桥梁群结构性能预测装置及系统 | |
TWI618016B (zh) | 水庫水位之預測顯示系統及方法 | |
CN117057490A (zh) | 湿胁迫热浪-洪水复合灾害的预测方法、系统及电子设备 | |
Nutkiewicz et al. | Exploring the integration of simulation and deep learning models for urban building energy modeling and retrofit analysis |