【技术实现步骤摘要】
本专利技术涉及泵站运行调度及水利信息化研究，具体为优化输入与滚动修正的梯级泵站站前水位实时预测方法。
技术介绍
1、随着人口增长、经济发展与环境污染，建设跨流域调水工程成为解决缺水问题、优化水资源配置的核心要义，梯级泵站系统是石油泵站、拦污栅和渠段等设施组成的复杂系统，对其进行精确的水位预测关乎调水工程的安全运行，并为调度人员进行泵站调控、水量调度提供科学决策依据。
2、传统的梯级泵站站前水位预测方法通常以一二维水动力学模型为基础，其优点在于模型参数具有一定实际物理意义，但模型精确度的保证需要大量合理分布的数据和适当的分析方法，否则存在于数据之上的模型可能和事实并不吻合。以神经网络为代表的机器学习模型通过采集海量数据形成决策模型，有助于精确预测梯级泵站站前水位，提高泵站运行效率，实现智能调度，对水网建设具有重要意义。现如今，通常基于构建神经网络模型进行水位预测，如使用bp、rnn等传统神经网络模型，或使用ga-bp、gra-narx等复合神经网络模型，通过机理与数据混合驱动的水位预测方法，从不同角度进行探讨，但如何实现实时水位预测仍是亟需攻克的难题。实时预测梯级泵站站前水位有利于保障供水安全，优化决策调度，提高水资源利用效率，因此有必要采用具有实时预测优势的lstm模型进行梯级泵站站前水位预测。
3、由于水位预测面临着时间序列的随机性和滞后性，传统的预测方法通常使用简单的线性函数，但往往容易忽略外部条件的影响，为了解决这个问题，引入实时神经网络预测模型。lstm作为一种特殊的循环神经网络结构，既有神经网络
技术实现思路
1、(一)解决的技术问题
2、针对现有技术的不足，本专利技术提供了优化输入与滚动修正的梯级泵站站前水位实时预测方法，解决了实时水情监测数据干扰、分时段预测困难、水位预测输入因子烦冗、预测误差滚动积累的问题。
3、(二)技术方案
4、为实现以上目的，本专利技术通过以下技术方案予以实现：优化输入与滚动修正的梯级泵站站前水位实时预测方法，包括泵站水位数据、泵站流量数据和两级流量差数据，包括以下步骤：
5、s1.首先对采集到的梯级泵站水位、流量及两级流量差数据进行数据清洗；
6、s2.对清洗完成的数据进行归一化预处理，再使用皮尔逊相关系数计算输入因子的相关性，相关系数大于0.6的输入因子只取其一；
7、s3.使用相关性初步筛选输入因子后，通过ota法对其进行敏感分析，掌握不同输入变量对模型精度的影响程度；
8、s4.考虑到水流传播过程存在渠段反应滞后时间，采用动力波理论和运动波理论进行计算，并据此选择时间间隔相同的不同预见期进行分时段预测；
9、s5.为防止预测模型随预见期延长而导致的误差累积问题，引入误差校正技术；
10、s6.将站前水位、泵站流量训练集数据输入至lstm-ec神经网络模型，通过不断调节优化权重矩阵和偏差项，使水位模拟值尽可能地接近实测值，完成对lstm-ec神经网络模型的训练优化；
11、s7.利用优化好的模型，输入预测集数据，最终实现对梯级泵站站前水位的实时滚动修正预测。
12、优选的，所述s1步骤中，调水工程水位、流量数据以时间序列关系进行排列可表示泵站不同时期的工作状态，以空间序列关系进行排列可表示泵站不同时期的工作状态，以空间序列关系排列可反映当前渠段水量关系，为保证流量数据的逻辑性和一致性，需要在时间和空间两个尺度上对流量数据进行清洗，根据水量动态平衡原理推求任意两时段输水损失率：
13、
14、用输水损失流量除以入渠流量，得到无量纲化输水损失率：
15、
16、根据查找得到的最长序列，利用水量动态平衡原理对区间内流量数据进行清洗：
17、
18、优选的，所述s2步骤中，为防止网络梯度消失不收敛，输入序列需要进行标准化，使用以下公式将输入序列标准化到0-1之间：
19、
20、进行归一化后，使用皮尔逊相关系数对输入因子进行初步筛检：
21、
22、优选的，所述s3步骤中，采用one-at-a-time法进行参数敏感性分析，即改变一个输入变量，保持其他变量的基线值，然后将变量返回到其标准值，以相应的方式对每个输入变量进行重复，从而实现准则权重敏感性的评估。
23、优选的，所述s4步骤中，考虑到水流传播过程存在滞后时间，在确定预见期前，采用动力波理论和运动波理论对渠段反应滞后时间进行计算，基于动力波理论计算的渠段反应滞后时间可表示为：
24、
25、基于运动波理论计算的渠段反应时间公式为：
26、
27、计算δτdw与δτkw，且实际传播时间δτ应在两者之间，即δτdw<δτ<δτkw，根据实际传播时间选择时间间隔相同的不同预见期进行分时段预测，由此大大提高水位预测精度。
28、优选的，所述s5步骤中，为防止预测模型随预见期延长从而导致的误差累积问题，引入误差校正技术，使预测模型能够随着时间推移实现实时滚动修正，不断利用实时数据作为模型输入来更新预测水位的未来趋势，有效防止长期预测造成的误差累积，在满足时效性的同时提升预测精度，误差自回归修正法基于模型预测误差前后相依规律，利用历史误差系列的自相关性对未来误差进行预报，并以此修正模型原始预测结果。
29、优选的，所述s6步骤中，lstm-ec神经网络结构采用如下结构：
30、遗忘门：ft＝σ(xtwxf+ht-1whf+bf)，其中，wxf代表遗忘门权重系数，ht-1表示上一时刻隐藏层的输入，bf表示遗忘偏差，σ表示sigmoid激活函数
31、输入门：it＝σ(xtwxi+ht-1whi+bi)，其中，wxi代表输入门权重系数，bi表示输入到隐藏层的偏差；
32、输入记忆信息：ct＝it*tanh(xtwxc+ht-1whc+bc)+ft*ct-1，其中wxc表示记忆单元权重，bc表示输入层到记忆单元的偏差；
33、输出门：ot＝σ(xtwxo+ht-1who+bo)，其中，wxo代表输出门权重系数，bo表示隐藏层到输出门的偏差，t时刻隐藏层输出为ht＝ot*tanh(ct)。
34、(三)有益效果
35、本专利技术提供了优化输入与滚动修正的梯级泵站站前水位实时预测方法。
36、具本文档来自技高网...
【技术保护点】
1.优化输入与滚动修正的梯级泵站站前水位实时预测方法，包括泵站水位数据、泵站流量数据和两级流量差数据，其特征在于：包括以下步骤：
2.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述S1步骤中，调水工程水位、流量数据以时间序列关系进行排列可表示泵站不同时期的工作状态，以空间序列关系进行排列可表示泵站不同时期的工作状态，以空间序列关系排列可反映当前渠段水量关系，为保证流量数据的逻辑性和一致性，需要在时间和空间两个尺度上对流量数据进行清洗，根据水量动态平衡原理推求任意两时段输水损失率：
3.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述S2步骤中，为防止网络梯度消失不收敛，输入序列需要进行标准化，使用以下公式将输入序列标准化到0-1之间：
4.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述S3步骤中，采用One-at-a-time法进行参数敏感性分析，即改变一个输入变量，保持其他变量的基线值，然后将变量返回到其标准值，以想用的方式对
5.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述S4步骤中，考虑到水流传播过程存在滞后时间，在确定预见期前，采用动力波理论和运动波理论对渠段反应滞后时间进行计算，基于动力波理论计算的渠段反应滞后时间可表示为：
6.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述S5步骤中，为防止预测模型随预见期延长从而导致的误差累计问题，引入误差校正技术，使预测模型能够随着时间推移实现实时滚动修正，不断利用实时数据作为模型输入来更新预测水位的未来趋势，有效防止长期预测造成的误差累积，在满足时效性的同时提升预测精度，误差自回归修正法基于模型预测误差前后相依规律，利用历史误差系列的自相关性对未来误差进行预报，并以此修正模型原始预测结果。
7.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述S6步骤中，LSTM-EC神经网络结构采用如下结构：
...【技术特征摘要】
1.优化输入与滚动修正的梯级泵站站前水位实时预测方法，包括泵站水位数据、泵站流量数据和两级流量差数据，其特征在于：包括以下步骤：
2.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述s1步骤中，调水工程水位、流量数据以时间序列关系进行排列可表示泵站不同时期的工作状态，以空间序列关系进行排列可表示泵站不同时期的工作状态，以空间序列关系排列可反映当前渠段水量关系，为保证流量数据的逻辑性和一致性，需要在时间和空间两个尺度上对流量数据进行清洗，根据水量动态平衡原理推求任意两时段输水损失率：
3.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述s2步骤中，为防止网络梯度消失不收敛，输入序列需要进行标准化，使用以下公式将输入序列标准化到0-1之间：
4.根据权利要求1所述的优化输入与滚动修正的梯级泵站站前水位实时预测方法，其特征在于：所述s3步骤中，采用one-at-a-time法进行参数敏感性分析，即改变一个输入变量，保持其他变量的基线值，然后将变量返...
【专利技术属性】
技术研发人员：高怡然，桑国庆，卢龙彬，刘鲁霞，刘阳，邵广文，
申请(专利权)人：济南大学，
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。