【技術實現步驟摘要】
本專利技術涉及泵站運行調度及水利信息化研究，具體為優化輸入與滾動修正的梯級泵站站前水位實時預測方法。
技術介紹
1、隨著人口增長、經濟發展與環境污染，建設跨流域調水工程成為解決缺水問題、優化水資源配置的核心要義，梯級泵站系統是石油泵站、攔污柵和渠段等設施組成的復雜系統，對其進行精確的水位預測關乎調水工程的安全運行，并為調度人員進行泵站調控、水量調度提供科學決策依據。
2、傳統的梯級泵站站前水位預測方法通常以一二維水動力學模型為基礎，其優點在于模型參數具有一定實際物理意義，但模型精確度的保證需要大量合理分布的數據和適當的分析方法，否則存在于數據之上的模型可能和事實并不吻合。以神經網絡為代表的機器學習模型通過采集海量數據形成決策模型，有助于精確預測梯級泵站站前水位，提高泵站運行效率，實現智能調度，對水網建設具有重要意義。現如今，通常基于構建神經網絡模型進行水位預測，如使用bp、rnn等傳統神經網絡模型，或使用ga-bp、gra-narx等復合神經網絡模型，通過機理與數據混合驅動的水位預測方法，從不同角度進行探討，但如何實現實時水位預測仍是亟需攻克的難題。實時預測梯級泵站站前水位有利于保障供水安全，優化決策調度，提高水資源利用效率，因此有必要采用具有實時預測優勢的lstm模型進行梯級泵站站前水位預測。
3、由于水位預測面臨著時間序列的隨機性和滯后性，傳統的預測方法通常使用簡單的線性函數，但往往容易忽略外部條件的影響，為了解決這個問題，引入實時神經網絡預測模型。lstm作為一種特殊的循環神經網絡結構，既有神經網絡
技術實現思路
1、(一)解決的技術問題
2、針對現有技術的不足，本專利技術提供了優化輸入與滾動修正的梯級泵站站前水位實時預測方法，解決了實時水情監測數據干擾、分時段預測困難、水位預測輸入因子煩冗、預測誤差滾動積累的問題。
3、(二)技術方案
4、為實現以上目的，本專利技術通過以下技術方案予以實現：優化輸入與滾動修正的梯級泵站站前水位實時預測方法，包括泵站水位數據、泵站流量數據和兩級流量差數據，包括以下步驟：
5、s1.首先對采集到的梯級泵站水位、流量及兩級流量差數據進行數據清洗；
6、s2.對清洗完成的數據進行歸一化預處理，再使用皮爾遜相關系數計算輸入因子的相關性，相關系數大于0.6的輸入因子只取其一；
7、s3.使用相關性初步篩選輸入因子后，通過ota法對其進行敏感分析，掌握不同輸入變量對模型精度的影響程度；
8、s4.考慮到水流傳播過程存在渠段反應滯后時間，采用動力波理論和運動波理論進行計算，并據此選擇時間間隔相同的不同預見期進行分時段預測；
9、s5.為防止預測模型隨預見期延長而導致的誤差累積問題，引入誤差校正技術；
10、s6.將站前水位、泵站流量訓練集數據輸入至lstm-ec神經網絡模型，通過不斷調節優化權重矩陣和偏差項，使水位模擬值盡可能地接近實測值，完成對lstm-ec神經網絡模型的訓練優化；
11、s7.利用優化好的模型，輸入預測集數據，最終實現對梯級泵站站前水位的實時滾動修正預測。
12、優選的，所述s1步驟中，調水工程水位、流量數據以時間序列關系進行排列可表示泵站不同時期的工作狀態，以空間序列關系進行排列可表示泵站不同時期的工作狀態，以空間序列關系排列可反映當前渠段水量關系，為保證流量數據的邏輯性和一致性，需要在時間和空間兩個尺度上對流量數據進行清洗，根據水量動態平衡原理推求任意兩時段輸水損失率：
13、
14、用輸水損失流量除以入渠流量，得到無量綱化輸水損失率：
15、
16、根據查找得到的最長序列，利用水量動態平衡原理對區間內流量數據進行清洗：
17、
18、優選的，所述s2步驟中，為防止網絡梯度消失不收斂，輸入序列需要進行標準化，使用以下公式將輸入序列標準化到0-1之間：
19、
20、進行歸一化后，使用皮爾遜相關系數對輸入因子進行初步篩檢：
21、
22、優選的，所述s3步驟中，采用one-at-a-time法進行參數敏感性分析，即改變一個輸入變量，保持其他變量的基線值，然后將變量返回到其標準值，以相應的方式對每個輸入變量進行重復，從而實現準則權重敏感性的評估。
23、優選的，所述s4步驟中，考慮到水流傳播過程存在滯后時間，在確定預見期前，采用動力波理論和運動波理論對渠段反應滯后時間進行計算，基于動力波理論計算的渠段反應滯后時間可表示為：
24、
25、基于運動波理論計算的渠段反應時間公式為：
26、
27、計算δτdw與δτkw，且實際傳播時間δτ應在兩者之間，即δτdw<δτ<δτkw，根據實際傳播時間選擇時間間隔相同的不同預見期進行分時段預測，由此大大提高水位預測精度。
28、優選的，所述s5步驟中，為防止預測模型隨預見期延長從而導致的誤差累積問題，引入誤差校正技術，使預測模型能夠隨著時間推移實現實時滾動修正，不斷利用實時數據作為模型輸入來更新預測水位的未來趨勢，有效防止長期預測造成的誤差累積，在滿足時效性的同時提升預測精度，誤差自回歸修正法基于模型預測誤差前后相依規律，利用歷史誤差系列的自相關性對未來誤差進行預報，并以此修正模型原始預測結果。
29、優選的，所述s6步驟中，lstm-ec神經網絡結構采用如下結構：
30、遺忘門：ft＝σ(xtwxf+ht-1whf+bf)，其中，wxf代表遺忘門權重系數，ht-1表示上一時刻隱藏層的輸入，bf表示遺忘偏差，σ表示sigmoid激活函數
31、輸入門：it＝σ(xtwxi+ht-1whi+bi)，其中，wxi代表輸入門權重系數，bi表示輸入到隱藏層的偏差；
32、輸入記憶信息：ct＝it*tanh(xtwxc+ht-1whc+bc)+ft*ct-1，其中wxc表示記憶單元權重，bc表示輸入層到記憶單元的偏差；
33、輸出門：ot＝σ(xtwxo+ht-1who+bo)，其中，wxo代表輸出門權重系數，bo表示隱藏層到輸出門的偏差，t時刻隱藏層輸出為ht＝ot*tanh(ct)。
34、(三)有益效果
35、本專利技術提供了優化輸入與滾動修正的梯級泵站站前水位實時預測方法。
36、具本文檔來自技高網...
【技術保護點】
1.優化輸入與滾動修正的梯級泵站站前水位實時預測方法，包括泵站水位數據、泵站流量數據和兩級流量差數據，其特征在于：包括以下步驟：
2.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述S1步驟中，調水工程水位、流量數據以時間序列關系進行排列可表示泵站不同時期的工作狀態，以空間序列關系進行排列可表示泵站不同時期的工作狀態，以空間序列關系排列可反映當前渠段水量關系，為保證流量數據的邏輯性和一致性，需要在時間和空間兩個尺度上對流量數據進行清洗，根據水量動態平衡原理推求任意兩時段輸水損失率：
3.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述S2步驟中，為防止網絡梯度消失不收斂，輸入序列需要進行標準化，使用以下公式將輸入序列標準化到0-1之間：
4.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述S3步驟中，采用One-at-a-time法進行參數敏感性分析，即改變一個輸入變量，保持其他變量的基線值，然后將變量返回到其標準值，以想用的方式對
5.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述S4步驟中，考慮到水流傳播過程存在滯后時間，在確定預見期前，采用動力波理論和運動波理論對渠段反應滯后時間進行計算，基于動力波理論計算的渠段反應滯后時間可表示為：
6.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述S5步驟中，為防止預測模型隨預見期延長從而導致的誤差累計問題，引入誤差校正技術，使預測模型能夠隨著時間推移實現實時滾動修正，不斷利用實時數據作為模型輸入來更新預測水位的未來趨勢，有效防止長期預測造成的誤差累積，在滿足時效性的同時提升預測精度，誤差自回歸修正法基于模型預測誤差前后相依規律，利用歷史誤差系列的自相關性對未來誤差進行預報，并以此修正模型原始預測結果。
7.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述S6步驟中，LSTM-EC神經網絡結構采用如下結構：
...【技術特征摘要】
1.優化輸入與滾動修正的梯級泵站站前水位實時預測方法，包括泵站水位數據、泵站流量數據和兩級流量差數據，其特征在于：包括以下步驟：
2.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述s1步驟中，調水工程水位、流量數據以時間序列關系進行排列可表示泵站不同時期的工作狀態，以空間序列關系進行排列可表示泵站不同時期的工作狀態，以空間序列關系排列可反映當前渠段水量關系，為保證流量數據的邏輯性和一致性，需要在時間和空間兩個尺度上對流量數據進行清洗，根據水量動態平衡原理推求任意兩時段輸水損失率：
3.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述s2步驟中，為防止網絡梯度消失不收斂，輸入序列需要進行標準化，使用以下公式將輸入序列標準化到0-1之間：
4.根據權利要求1所述的優化輸入與滾動修正的梯級泵站站前水位實時預測方法，其特征在于：所述s3步驟中，采用one-at-a-time法進行參數敏感性分析，即改變一個輸入變量，保持其他變量的基線值，然后將變量返...
【專利技術屬性】
技術研發人員：高怡然，桑國慶，盧龍彬，劉魯霞，劉陽，邵廣文，
申請(專利權)人：濟南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。