【CN109840587A】基于深度学习的水库入库流量预测方法【专利】
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
ANN中输出层没有激活函数,为线性输出。 3 .根据权利要求2所述基于深度学习的水库入库流量预测方法,其特征在于:DBN模型 学习过程分为两步 :首先 ,在预 训练过程中 ,通过无监督地 训练RBM确保特征向量在映 射到 不同特征空间时 ,尽可能多地保留特征信息 ;然后将RBM输出的特征向量输入ANN ,以 初始化 ANN的权值参数,再通过反向传播微调整个DBN,DBN利用平均平方误差作为损失函数来计算 地真值与估计结果的差值,并通过随机梯度下降法进行优化,假设给定N个训练样本,y ′和y
一种基于深度学习的水库入库流量预测方法,包 括如下步骤:取得历史数据,利用DBN模型进行学 习,取得各控制站及水库的历史流量数据与水库 的入库流量之间的对应关系,进而取得无雨情况 下预测的水库入库流量、有雨情况下预测的水库 入库流量和有雨情况下的 差值delta ,通过LSTM 训练 学 习 ,取 得 有 雨 情 况 下 预 测的 入 库流 量 差 值 ,进而取得最终预 测的 水库入库流量。本发明 基于深度学习的水库入库流量预测方法,将深度 置信网络与长短期记忆网络算法相融合应用于 入 库流 量的 预 测 ,提高 了 对 入 库流 量的 预 报 精 度,并且提升了模型的可靠性和可扩展性。
4 .根据权利要求1所述基于深度学习的水库入库流量预测方法,其特征在于:所述步骤 D) 中 ,根据雨量站的位置关系 ,从空间位置 角度对雨量站进行粗粒度化聚类 ,分成若干个界 限 明显的区域 ,然后在每个时间点上对每个区域雨量站的 历史雨量数据进行求 和 ,再将这 若干个求和的值作为LSTM的输入,并以所述步骤C)中取得的有雨情况下的流量差值delta 作为LSTM网络 训练的标签 ,LSTM由1个cell组成 ,并且进行时间步展开 ,时 序持续长度为四 倍历史天数,每做一次预测,先输入四倍历史天数个数时间点的历史雨量数据,形成一维矩 阵 ,训练LSTM时 ,将无雨情况时的历史雨量数据和标签都置为0 ,并且将值小于0的delta值 也置为0,以去除不合理数据,LSTM优化的损失函数为如下公式:
(10)申请公布号 CN 109840587 A (43)申请公布日 2019.06.04 G06Q 50/06(2012 .01)
权利要求书2页 说明书5页 附图2页
CN 109840587 A
CN 109840587 A
权 利 要 求 书
1/2 页
1 .一种基于深度学习的水库入库流量预测方法,其特征在于:包括如下步骤: A) 将水 库 周围 流域范围 划分为设置有若干控 制站的 第一监 测区 和设置有若干雨量站 的 第二监测区 ,按照时间点取得水库的 历史流量数据、控制站的 历史流量数据以 及雨量站 的 历史雨量数据 ,流量数据是每个时间点 测量一次的瞬时流量 ,雨量数据是 相邻两个时间 点之间的 累计雨量 ,每个时间点上所有雨量站的 雨量数据之 和大于10mm为有雨情况 ,小于 等于10mm为无雨情况; B) 利 用深度置信网络 (DBN) 模型对无雨情况下各控 制站的 历史流量数据进行学 习 ,选 取各控制站以及水库在无雨情况下的历史流量数据,输入DBN模型,取得各控制站及水库的 历史流量数据与水库的入库流量之间的对应关系,进而取得无雨情况下预测的水库入库流 量F1; C)选取各控制站以及水库在有雨情况下的历史流量数据,输入DBN模型,通过所述步骤 B)取得的无雨情况下各控制站及水库的历史流量数据与水库的入库流量之间的对应关系, 取得有雨情况下预测的水库入库流量F2,然后让有雨情况下预测的水库入库流量F2与有雨 情况下的真实水库入库流量作差,取得有雨情况下的差值delta; D)通过长短期记忆网络(LSTM)以流域范围内雨量站的历史雨量数据作为LSTM的输入, 并以所述步骤C)中取得的有雨情况下的流量差值delta作为标签,经过训练学习取得有雨 情况下预测的入库流量差值F3; E)将所述步骤B)中取得的无雨情况下预测的水库入库流量F1、所述步骤C)中取得的有 雨情况下预测的水库入库流量F2和所述步骤D)中取得的有雨情况下预测的入库流量差值 F3融合取得最终预测的水库入库流量F=F1+F2+F3。 2 .根据权利要求1所述基于深度学习的水库入库流量预测方法,其特征在于:所述步骤 B)中,选取各控制站以及水库在无雨情况下的历史流量数据,转化为一个一维矩阵输入DBN 模 型 ,D B N 模 型 是 一 种概 率 生 成 模 型 ,其 组 成 元 件 是 受限 玻 尔兹 曼 机 (R e s t r i c t e d Boltzmann Machine,RBM) ,该DBN模型由1个RBM和1个人工神经网络(ANN)组成,其中RBM由 一个显层和一个隐 藏层构成 ,ANN由 一个隐 藏层和一个输出层构成 ,DBN模型中各全连接层 的输出定义为如下公式: yl=f(wlxl-1+bl) 式中 ,yl为第l层的 输出 ,wl为第l层的 全连接的 权值 ,xl-1为第l-1层的 输出 ,bl为第l层 的偏置,f为激活函数,其中RBM和ANN中隐藏层的激活函数是sigmoid激活函数,定义为如下 公式:
2
CN 109840587 A
权 利 要 求 书
分别代表预测的速度向量和真值,则损失函数定义为如下公式:
2/2 页
通过DBN不断 对各控 制站以 及水库历史流量数据的 学 习和特征提取 ,找到各控 制站以 及水库历史流量数据与入库流量之间的对应关系,最后取得各时间点无雨情况下预测的入 库流量值F1,其中,模型的输出是1×1的矩阵。
(74)专利代理机构 武汉开元知识产权代理有限 公司 42104
代理人 陈家安
(51)Int .Cl . G06N 3/04(2006 .01) G06N 3/08(2006 .01) G06K 9/62(2006 .01)
( 54 )发明 名称 基于深度学习的水库入库流量预测方法
( 57 )摘要 本发明涉及流域水情预测技术领域,公开了
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利来自百度文库请
(21)申请号 201910007771 .6
(22)申请日 2019 .01 .04
(71)申请人 长江勘测规划设计研究有限责任公 司
地址 430010 湖北省武汉市解放大道1863 号
(72)发明人 胡向阳 王汉东 罗斌 唐海华 周超