【技术实现步骤摘要】
本专利技术属于水利工程大坝安全监测，具体涉及一种水利工程大坝安全监测装置及监测方法。
技术介绍
1、对水利工程大坝进行调度，来保障水利工程大坝的安全是减少或者消除洪涝灾害的关键；目前，在实际应用时，常常仅对水位进行监测，并以监测得到的水位对水利工程大坝进行调度以及安全防护，但是，前述现有技术往往存在不及时的问题，从而会导致河流溢流，威胁到水利工程大坝的安全，最终可能会产生巨大的财产损失。
技术实现思路
1、本专利技术提供一种水利工程大坝安全监测装置及监测方法，用以解决现有技术中存在的技术问题。
2、一方面，本专利技术提供一种水利工程大坝安全监测装置，包括：历史数据获取模块、深度学习模块、实时数据获取模块、水位预测模块以及安全预警模块；
3、所述历史数据获取模块，用于获取水利工程大坝所在区域的历史水位影响特征以及历史水位影响特征对应的历史水位；
4、所述深度学习模块，用于采用深度学习算法对历史水位影响特征以及历史水位影响特征对应的历史水位进行学习，以获取水位预测模型；
5、所述实时数据获取模块，用于获取水利工程大坝所在区域的实时水位影响特征，并将所述实时水位影响特征传输至水位预测模块；
6、所述水位预测模块，用于调度所述水位预测模型对实时水位影响特征进行识别，确定短期预测水位；
7、所述安全预警模块，用于根据所述短期预测水位，对水利工程大坝进行安全监测，得到水利工程大坝安全监测结果，并根据所述水利工程大坝安全监测
8、进一步地，获取水利工程大坝所在区域的历史水位影响特征以及历史水位影响特征对应的历史水位，包括：
9、获取历史时段中多个时间点上的水位、流量、降雨量以及降雨等级，得到水利工程大坝所在区域的历史水位影响特征；
10、针对任意一个历史水位影响特征，获取短期时间之后的水位，得到任意一个历史水位影响特征对应的历史水位；
11、其中，短期用于表征一个固定的时间周期。
12、进一步地，采用深度学习算法对历史水位影响特征以及历史水位影响特征对应的历史水位进行学习，以获取水位预测模型，包括：
13、采用bigru-capsnet算法构建初始预测模型；
14、根据历史水位影响特征以及历史水位影响特征对应的历史水位，采用改进智能优化算法对初始预测模型进行训练，得到水位预测模型。
15、进一步地，根据历史水位影响特征以及历史水位影响特征对应的历史水位，采用改进智能优化算法对初始预测模型进行训练，得到水位预测模型，包括：
16、针对初始预测模型的待优化参数，采用随机初始化方法对寻优种群进行初始化；
17、根据历史水位影响特征以及历史水位影响特征对应的历史水位获取寻优种群中每个个体的适应度，并按照适应度从大到小的顺序依次确定第一目标个体、第二目标个体、第三目标个体以及第四目标个体；其中，第一目标个体为最优个体；
18、根据所述第一目标个体，令寻优种群中每个个体向最优方向进行局部搜索，确定局部搜索之后的个体；
19、针对局部搜索之后的个体，根据第一目标个体、第二目标个体、第三目标个体以及第四目标个体，对寻优种群中每个个体进行联合搜索，得到联合搜索之后的个体；
20、针对联合搜索之后的个体，令寻优种群中每个个体进行波动性搜索，得到波动性搜索之后的个体；
21、针对波动性搜索之后的个体，令寻优种群中每个个体围绕最优位置进行逃逸搜索，得到逃逸搜索之后的个体；
22、重复上述局部搜索、联合搜索、波动性搜索以及逃逸搜索，直至到达最大训练次数之后，根据逃逸搜索之后的个体确定出初始预测模型的最终超参数，得到水位预测模型。
23、进一步地，根据所述第一目标个体，令寻优种群中每个个体向最优方向进行局部搜索，确定局部搜索之后的个体，包括：
24、确定当前训练次数t，并根据当前训练次数t确定收敛因子为：
25、
26、其中，表示第t次训练过程中的收敛因子，表示收敛因子起始值，表示收敛因子最终值，表示最大训练次数；且=2.5，=0；
27、根据所述收敛因子以及第一目标个体，对寻优种群中每个个体进行局部搜索，得到局部搜索之后的个体为：
28、
29、
30、
31、其中，表示第 t次训练过程中第 m个个体，表示局部搜索之后的个体，m=1,2,…,m，m表示个体总数，表示第一局部搜索因子，表示第二局部搜索因子，表示第一目标个体，| |表示对元素取绝对值，表示[0,1]之间均匀分布的随机数，表示（0,1）之间的随机数，表示（0,1）之间的随机数。
32、进一步地，针对局部搜索之后的个体，根据第一目标个体、第二目标个体、第三目标个体以及第四目标个体，对寻优种群中每个个体进行联合搜索，得到联合搜索之后的个体，包括：
33、针对局部搜索之后的个体，根据第一目标个体确定第一搜索位置为：
34、
35、其中，表示第一搜索位置，表示第t次训练过程中第n个局部搜索之后的个体，n=1,2,…,m；
36、根据第二目标个体确定第二搜索位置为：
37、
38、其中，表示第二搜索位置，表示第二目标个体；
39、根据第三目标个体确定第三搜索位置为：
40、
41、其中，表示第三搜索位置，表示第三目标个体；
42、根据第四目标个体确定第四搜索位置为：
43、
44、其中，表示第四搜索位置，表示第四目标个体；
45、确定个体与第一目标个体、第二目标个体、第三目标个体以及第四目标个体之间的曼哈顿距离，并基于曼哈顿距离确定第一加权权重、第二加权权重、第三加权权重以及第四加权权重为：
46、
47、
48、
49、
50、其中，表示第一加权权重，表示第二加权权重，表示第三加权权重，表示第四加权权重，表示个体与第一目标个体之间的距离，表示个体与第二目标个体之间的距离，表示个体与第三目标个体之间的距离，表示个体与第四目标个体之间的距离；
51、根据所述第一搜索位置、第二搜索位置、第三搜索位置、第四搜索位置、第一目标个体、第二目标个体、第三目标个体以及第四目标个体，获取联合搜索之后的个体为：
52、
53、其中，表示联合搜索之后的个体。
54、进一步地，针对联合搜索之后的个体，令寻优种群中每个个体进行波动性搜索，得到波动性搜索之后的个体，包括：
55、针对联合搜索之后的个体，为每个个体随机匹配一个不同的其他个体，得到每个个体对应的匹配个体；
56、根据每个个体对应的匹配本文档来自技高网...
【技术保护点】
1.一种水利工程大坝安全监测装置，其特征在于，包括：历史数据获取模块、深度学习模块、实时数据获取模块、水位预测模块以及安全预警模块；
2.根据权利要求1所述的水利工程大坝安全监测装置，其特征在于，获取水利工程大坝所在区域的历史水位影响特征以及历史水位影响特征对应的历史水位，包括：
3.根据权利要求1所述的水利工程大坝安全监测装置，其特征在于，采用深度学习算法对历史水位影响特征以及历史水位影响特征对应的历史水位进行学习，以获取水位预测模型，包括：
4.根据权利要求3所述的水利工程大坝安全监测装置，其特征在于，根据历史水位影响特征以及历史水位影响特征对应的历史水位，采用改进智能优化算法对初始预测模型进行训练，得到水位预测模型，包括：
5.根据权利要求4所述的水利工程大坝安全监测装置，其特征在于，根据所述第一目标个体，令寻优种群中每个个体向最优方向进行局部搜索，确定局部搜索之后的个体，包括：
6.根据权利要求5所述的水利工程大坝安全监测装置，其特征在于，针对局部搜索之后的个体，根据第一目标个体、第二目标个体、第三目标个体以及第
7.根据权利要求6所述的水利工程大坝安全监测装置，其特征在于，针对联合搜索之后的个体，令寻优种群中每个个体进行波动性搜索，得到波动性搜索之后的个体，包括：
8.根据权利要求7所述的水利工程大坝安全监测装置，其特征在于，针对波动性搜索之后的个体，令寻优种群中每个个体围绕最优位置进行逃逸搜索，得到逃逸搜索之后的个体为：
9.根据权利要求8所述的水利工程大坝安全监测装置，其特征在于，根据所述短期预测水位，对水利工程大坝进行安全监测，得到水利工程大坝安全监测结果，并根据所述水利工程大坝安全监测结果进行预警，包括：
10.一种水利工程大坝安全监测方法，其特征在于，包括：
...【技术特征摘要】
1.一种水利工程大坝安全监测装置，其特征在于，包括：历史数据获取模块、深度学习模块、实时数据获取模块、水位预测模块以及安全预警模块；
2.根据权利要求1所述的水利工程大坝安全监测装置，其特征在于，获取水利工程大坝所在区域的历史水位影响特征以及历史水位影响特征对应的历史水位，包括：
3.根据权利要求1所述的水利工程大坝安全监测装置，其特征在于，采用深度学习算法对历史水位影响特征以及历史水位影响特征对应的历史水位进行学习，以获取水位预测模型，包括：
4.根据权利要求3所述的水利工程大坝安全监测装置，其特征在于，根据历史水位影响特征以及历史水位影响特征对应的历史水位，采用改进智能优化算法对初始预测模型进行训练，得到水位预测模型，包括：
5.根据权利要求4所述的水利工程大坝安全监测装置，其特征在于，根据所述第一目标个体，令寻优种群中每个个体向最优方向进行局部搜索，确定局部搜索之后的个体，包括：...
【专利技术属性】
技术研发人员：宿玉扬，华超，周凯霞，
申请(专利权)人：四川凉山水洛河电力开发有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。