【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及泄洪監(jiān)測(cè)，尤其涉及一種泄洪霧化雨強(qiáng)度分析模型建立方法和裝置。
技術(shù)介紹
1、泄洪霧化雨是在大壩泄洪期間，水舌相撞所產(chǎn)生的具有范圍性，特異性，隨機(jī)性的降雨。在霧化降雨過(guò)程中，泄洪條件（如大壩等泄洪裝置的物理?xiàng)l件）是霧化雨強(qiáng)度分析的依據(jù)。目前對(duì)于泄洪霧化雨的分析預(yù)測(cè)主要依據(jù)研究學(xué)者提出的經(jīng)驗(yàn)公式，根據(jù)泄洪裝置的上下游水位差、泄洪量與霧化雨強(qiáng)度之間的經(jīng)驗(yàn)關(guān)系進(jìn)行預(yù)測(cè)。該方法對(duì)于拱壩泄洪有較好的可靠度，但面對(duì)更多的泄洪條件與泄洪霧化雨強(qiáng)度之間的復(fù)雜關(guān)系，難以通過(guò)經(jīng)驗(yàn)公式總結(jié)，例如對(duì)于我國(guó)西南片區(qū)大力發(fā)展的挑流泄洪水電站，依據(jù)以往的經(jīng)驗(yàn)預(yù)測(cè)性能下降明顯。
2、也有學(xué)者提出利用bp神經(jīng)網(wǎng)絡(luò)來(lái)量化霧化雨強(qiáng)度，bp神經(jīng)網(wǎng)絡(luò)本質(zhì)上是線性權(quán)函數(shù)的逼近，指的是利用函數(shù)中的一些線性參數(shù)的變動(dòng)來(lái)對(duì)要識(shí)別的模式或者函數(shù)進(jìn)行某種逼近，這種方法在識(shí)別前后沒(méi)有關(guān)聯(lián)的數(shù)據(jù)時(shí)方可奏效，但是在識(shí)別前后有關(guān)聯(lián)的數(shù)據(jù)時(shí)，該算法無(wú)法挖掘時(shí)間序列數(shù)據(jù)產(chǎn)生的模式。并且bp神經(jīng)網(wǎng)絡(luò)通常需要大量的訓(xùn)練數(shù)據(jù)，尤其是在復(fù)雜的問(wèn)題上，如果沒(méi)有足夠的霧化雨強(qiáng)度數(shù)據(jù)進(jìn)行訓(xùn)練，模型可能難以泛化到新的情況，導(dǎo)致性能下降，無(wú)法得到模型的最優(yōu)解、實(shí)現(xiàn)對(duì)霧化雨強(qiáng)度的準(zhǔn)確預(yù)測(cè)。
3、因此在泄洪霧化雨分析領(lǐng)域，亟需一種更高效、適應(yīng)性強(qiáng)以及預(yù)測(cè)準(zhǔn)確性高的分析方法。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)提供一種泄洪霧化雨強(qiáng)度分析模型建立方法和裝置，以解決現(xiàn)有的分析手段難以根據(jù)泄洪條件與泄洪霧化雨強(qiáng)度之間的復(fù)雜關(guān)系準(zhǔn)確預(yù)測(cè)霧化雨強(qiáng)度的
2、本專利技術(shù)通過(guò)下述技術(shù)方案實(shí)現(xiàn)：
3、本專利技術(shù)的第一方面，提供了一種泄洪霧化雨強(qiáng)度分析模型建立方法，包括：
4、s1，構(gòu)建初始分析模型：基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建初始分析模型，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取泄洪數(shù)據(jù)的空間特征，所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)用于對(duì)所述空間特征進(jìn)行預(yù)測(cè)，得到霧化雨強(qiáng)度，所述霧化雨強(qiáng)度包括霧化雨的橫向長(zhǎng)度、縱向長(zhǎng)度和高度；
5、s2，訓(xùn)練所述初始分析模型：獲取樣本泄洪數(shù)據(jù)，所述樣本泄洪數(shù)據(jù)包括上下游水位差、泄洪量、孔型、挑流挑角和霧化雨強(qiáng)度；將所述樣本泄洪數(shù)據(jù)輸入所述初始分析模型中進(jìn)行迭代訓(xùn)練，得到泄洪霧化雨強(qiáng)度分析模型。
6、本專利技術(shù)針對(duì)經(jīng)驗(yàn)公式難以總結(jié)不同泄洪條件與霧化雨之間復(fù)雜關(guān)系的問(wèn)題，通過(guò)基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)融合的分析模型學(xué)習(xí)不同泄洪條件與霧化雨之間的復(fù)雜關(guān)系，利用卷積神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的對(duì)空間特征的提取能力，以及長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列建模能力，在霧化雨強(qiáng)度數(shù)據(jù)有限的條件下訓(xùn)練預(yù)測(cè)模型，使得預(yù)測(cè)模型能夠適應(yīng)不同泄洪條件與泄洪霧化雨強(qiáng)度之間的復(fù)雜性，融合泄洪條件的空間特征和時(shí)間特征，從而對(duì)泄洪霧化雨強(qiáng)度進(jìn)行準(zhǔn)確的預(yù)測(cè)。
7、在一種實(shí)施方式中，所述卷積神經(jīng)網(wǎng)絡(luò)包括2個(gè)卷積層和2個(gè)池化層，所述卷積層的卷積核大小為20×20，通道數(shù)量為1。
8、在一種實(shí)施方式中，所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)包括第一lstm層和第二lstm層，所述第一lstm層、第二lstm層用于對(duì)所述空間特征進(jìn)行學(xué)習(xí)，得到結(jié)合空間特征和時(shí)序特征的輸出特征，所述第二lstm層的輸出依次連接dropout層、平滑層和全連接層。
9、在一種實(shí)施方式中，將所述樣本泄洪數(shù)據(jù)輸入所述初始分析模型中進(jìn)行迭代訓(xùn)練，包括：
10、s211，將所述樣本泄洪數(shù)據(jù)處理成維度為4、長(zhǎng)度為n的特征數(shù)據(jù)輸入所述初始分析模型，得到模型輸出；所述特征數(shù)據(jù)的4個(gè)維度對(duì)應(yīng)泄洪數(shù)據(jù)中的水位差、泄洪量、孔型數(shù)據(jù)和挑流挑角，數(shù)據(jù)長(zhǎng)度對(duì)應(yīng)樣本數(shù)量；
11、s212，將各樣本對(duì)應(yīng)的霧化雨強(qiáng)度數(shù)據(jù)作為樣本標(biāo)簽，根據(jù)所述樣本標(biāo)簽和模型輸出調(diào)整模型參數(shù)，完成一次迭代訓(xùn)練；
12、s213，重復(fù)執(zhí)行s211-s212，直到訓(xùn)練次數(shù)達(dá)到預(yù)設(shè)值或模型準(zhǔn)確性滿足預(yù)設(shè)條件。
13、在一種實(shí)施方式中，所述方法還包括：設(shè)置訓(xùn)練周期，獲取當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)，若當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)的數(shù)量大于預(yù)設(shè)值，則將當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)和歷史泄洪數(shù)據(jù)輸入所述泄洪霧化雨強(qiáng)度分析模型中進(jìn)行優(yōu)化訓(xùn)練，所述歷史泄洪數(shù)據(jù)是在當(dāng)前訓(xùn)練周期之前獲取的泄洪數(shù)據(jù)。
14、在一種實(shí)施方式中，所述方法還包括：獲取特定泄洪條件下的泄洪數(shù)據(jù)，所述特定泄洪條件包括極端氣象條件；將所述特定泄洪條件下的泄洪數(shù)據(jù)輸入所述泄洪霧化雨強(qiáng)度分析中進(jìn)行微調(diào)訓(xùn)練，得到適用于特定泄洪條件的霧化雨強(qiáng)度分析模型。
15、本專利技術(shù)的第二方面，提供一種泄洪霧化雨強(qiáng)度分析方法，所述方法包括：獲取實(shí)時(shí)泄洪數(shù)據(jù)，通過(guò)霧化雨強(qiáng)度分析模型對(duì)所述實(shí)時(shí)泄洪數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到霧化雨強(qiáng)度；所述霧化雨強(qiáng)度分析模型是根據(jù)上述任一實(shí)施例所述的泄洪霧化雨強(qiáng)度分析模型建立方法得到的。
16、本專利技術(shù)的第三方面，提供一種泄洪霧化雨強(qiáng)度分析模型建立裝置，所述裝置包括：
17、初始模型構(gòu)建模塊，用于構(gòu)建初始分析模型：基于卷積神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)構(gòu)建初始分析模型，所述卷積神經(jīng)網(wǎng)絡(luò)用于提取泄洪數(shù)據(jù)的空間特征，所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)用于對(duì)所述空間特征進(jìn)行預(yù)測(cè)，得到霧化雨強(qiáng)度，所述霧化雨強(qiáng)度包括霧化雨的橫向長(zhǎng)度、縱向長(zhǎng)度和高度；
18、訓(xùn)練模塊，用于訓(xùn)練所述初始分析模型：獲取樣本泄洪數(shù)據(jù)，所述樣本泄洪數(shù)據(jù)包括上下游水位差、泄洪量、孔型、挑流挑角和霧化雨強(qiáng)度；將所述樣本泄洪數(shù)據(jù)輸入所述初始分析模型中進(jìn)行迭代訓(xùn)練，得到泄洪霧化雨強(qiáng)度分析模型。
19、本專利技術(shù)的第四方面，提供一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)上述任一實(shí)施例所述的泄洪霧化雨強(qiáng)度分析模型建立方法或泄洪霧化雨強(qiáng)度分析方法。
20、本專利技術(shù)的第五方面，提供一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述任一實(shí)施例所述的泄洪霧化雨強(qiáng)度分析模型建立方法或泄洪霧化雨強(qiáng)度分析方法。
21、本專利技術(shù)與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點(diǎn)和有益效果：
22、1、利用卷積神經(jīng)網(wǎng)絡(luò)具有優(yōu)秀的對(duì)空間特征的提取能力，以及長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)對(duì)時(shí)間序列建模能力，通過(guò)有限的訓(xùn)練數(shù)據(jù)使得預(yù)測(cè)模型適應(yīng)不同泄洪條件與泄洪霧化雨強(qiáng)度之間的復(fù)雜性，融合泄洪條件的空間特征和時(shí)間特征，從而對(duì)泄洪霧化雨強(qiáng)度進(jìn)行準(zhǔn)確的預(yù)測(cè)；
23、2、卷積核大小為20×20，定義了模型從輸入數(shù)據(jù)中提取特征的窗口大小，較大的卷積核能夠捕捉更大范圍的特征，適用于涉及到長(zhǎng)程依賴或大尺度結(jié)構(gòu)的問(wèn)題，能夠在輸入數(shù)據(jù)中捕獲泄洪數(shù)據(jù)中的一些大尺度的特征，有利于更好地捕捉特征之間的聯(lián)系，卷積和通道數(shù)為1，考慮了問(wèn)題的復(fù)雜性和計(jì)算資源的平衡；
24、3、將樣本泄洪數(shù)據(jù)處理成維度為4、長(zhǎng)度為樣本數(shù)量的特征數(shù)據(jù)作為模型輸入，采用批量輸入進(jìn)行迭代訓(xùn)練的方式，考慮了泄洪數(shù)據(jù)的數(shù)據(jù)特征和數(shù)據(jù)量特點(diǎn)，在有限的訓(xùn)練資源下提高對(duì)模型訓(xùn)練的效率；...
【技術(shù)保護(hù)點(diǎn)】
1.一種泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括2個(gè)卷積層和2個(gè)池化層，所述卷積層的卷積核大小為20×20，通道數(shù)量為1。
3.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)包括第一LSTM層和第二LSTM層，所述第一LSTM層、第二LSTM層用于對(duì)所述空間特征進(jìn)行學(xué)習(xí)，得到結(jié)合空間特征和時(shí)序特征的輸出特征，所述第二LSTM層的輸出依次連接dropout層、平滑層和全連接層。
4.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，將所述樣本泄洪數(shù)據(jù)輸入所述初始分析模型中進(jìn)行迭代訓(xùn)練，包括：
5.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述方法還包括：設(shè)置訓(xùn)練周期，獲取當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)，若當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)的數(shù)量大于預(yù)設(shè)值，則將當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)和歷史泄洪數(shù)據(jù)輸入所述泄洪霧化雨強(qiáng)度分析模型中進(jìn)行優(yōu)化訓(xùn)練，所述歷史泄洪數(shù)據(jù)是在當(dāng)前訓(xùn)練
6.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述方法還包括：獲取特定泄洪條件下的泄洪數(shù)據(jù)，所述特定泄洪條件包括極端氣象條件；將所述特定泄洪條件下的泄洪數(shù)據(jù)輸入所述泄洪霧化雨強(qiáng)度分析中進(jìn)行微調(diào)訓(xùn)練，得到適用于特定泄洪條件的霧化雨強(qiáng)度分析模型。
7.一種泄洪霧化雨強(qiáng)度分析方法，其特征在于，所述方法包括：獲取實(shí)時(shí)泄洪數(shù)據(jù)，通過(guò)霧化雨強(qiáng)度分析模型對(duì)所述實(shí)時(shí)泄洪數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到霧化雨強(qiáng)度；所述霧化雨強(qiáng)度分析模型是根據(jù)權(quán)利要求1-6任一項(xiàng)所述的泄洪霧化雨強(qiáng)度分析模型建立方法得到的。
8.一種泄洪霧化雨強(qiáng)度分析模型建立裝置，其特征在于，所述裝置包括：
9.一種電子設(shè)備，包括存儲(chǔ)器、處理器及存儲(chǔ)在所述存儲(chǔ)器上并可在所述處理器上運(yùn)行的計(jì)算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計(jì)算機(jī)程序時(shí)實(shí)現(xiàn)權(quán)利要求1至6任一項(xiàng)所述的泄洪霧化雨強(qiáng)度分析模型建立方法或權(quán)利要求7所述的泄洪霧化雨強(qiáng)度分析方法。
10.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其上存儲(chǔ)有計(jì)算機(jī)程序，其特征在于，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)權(quán)利要求1至6任一項(xiàng)所述的泄洪霧化雨強(qiáng)度分析模型建立方法或權(quán)利要求7所述的泄洪霧化雨強(qiáng)度分析方法。
...【技術(shù)特征摘要】
1.一種泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述方法包括：
2.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述卷積神經(jīng)網(wǎng)絡(luò)包括2個(gè)卷積層和2個(gè)池化層，所述卷積層的卷積核大小為20×20，通道數(shù)量為1。
3.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)包括第一lstm層和第二lstm層，所述第一lstm層、第二lstm層用于對(duì)所述空間特征進(jìn)行學(xué)習(xí)，得到結(jié)合空間特征和時(shí)序特征的輸出特征，所述第二lstm層的輸出依次連接dropout層、平滑層和全連接層。
4.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，將所述樣本泄洪數(shù)據(jù)輸入所述初始分析模型中進(jìn)行迭代訓(xùn)練，包括：
5.根據(jù)權(quán)利要求1所述的泄洪霧化雨強(qiáng)度分析模型建立方法，其特征在于，所述方法還包括：設(shè)置訓(xùn)練周期，獲取當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)，若當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)的數(shù)量大于預(yù)設(shè)值，則將當(dāng)前訓(xùn)練周期內(nèi)的泄洪數(shù)據(jù)和歷史泄洪數(shù)據(jù)輸入所述泄洪霧化雨強(qiáng)度分析模型中進(jìn)行優(yōu)化訓(xùn)練，所述歷史泄洪數(shù)據(jù)是在當(dāng)前訓(xùn)練周期之前獲取的泄洪數(shù)據(jù)。
6.根據(jù)權(quán)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：李明，鄧輝，張君，
申請(qǐng)(專利權(quán))人：成都理工大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。