[发明专利]精细化电网台风洪涝灾害预测模型

权利要求书

1.精细化电网洪涝灾害预测模型，其特征在于，包括降雨模型、产流模型、蒸散发与径流模型和管网汇流模型；

所述的降雨模型对数值天气预报数据进行降尺度处理和订正，输出的是研究区域1km网格距的未来3天逐小时降水预报，作为下一阶段的输入数据；

所述的产流模型输入研究区域1km网格距的未来3天逐小时降水预报、土壤CN值、DEM数据和土地覆盖类型数据，输出产流量；

所述的蒸散发与径流模型，进行蒸散发计算和径流量计算，输入区域风速风向数据、产流量、DEM数据和土地覆盖类型数据，经水量平衡方程计算得到径流量；

所述的管网汇流模型包括地表汇流模块、河道汇流模块和地下汇流模块，所述的径流量分别作为地表汇流模块、河道汇流模块和地下汇流模块的输入量；

所述的地表汇流模块包括谢才公式和平面一维圣维南方程，通过谢才公式计算得到格点流量，然后通过平面一维圣维南方程得到地表汇流量；

所述的河道汇流模块通过马斯京根法联立汇流水量平衡方程和槽蓄方程，得到马斯京根演算方程，经马斯京根演算方程得到河道汇流量；

所述的地下汇流模块，对于地下径流汇流过程采用集总式的指数型退水曲线进行模拟，得到地下汇流量；

通过所述降雨模型、产流模型、蒸散发与径流模型、管网汇流模型，最终得到区域内总汇流量，并且通过历史台风洪涝灾害数据，对积水深度进行阈值划分，确定预警等级。

2.根据权利要求1所述的精细化电网洪涝灾害预测模型，其特征在于，所述的降尺度处理选择基于深度学习的DeepSD模型，DeepSD模型是由多层的SRCNN堆积而成，SRCNN降尺度是利用卷积神经网络提取高维特征并进行数据重构，从而实现降尺度。

3.根据权利要求1所述的精细化电网洪涝灾害预测模型，其特征在于，所述的SRCNN将深度学习与传统稀疏编码之间的关系作为依据，将3层网络划分为图像块提取、非线性映射以及最终的重建。

4.根据权利要求3所述的精细化电网洪涝灾害预测模型，其特征在于，所述SRCNN的具体流程为：

输入数据：先将低分辨率图像使用双三次差值放大至目标尺寸，此时仍然称放大至目标尺寸后的图像为低分辨率图像；

图像块提取：密集提取斑点，然后用一组预先训练好的基数表示，这相当于通过一组滤波器对图像进行卷积，每个滤波器都是一个基数；

在SRCNN中，将这些基数的优化应用到网络的优化中，形式上，SRCNN的第一层表示为：

F₁＝max(0，W₁*Y+B₁)，

其中，W₁和B₁分别代表滤波器和偏置，卷积核的大小规定为f1×f1，这里W₁的大小为c×f1×f1×n1，其中c是输入图像的通道数，f1是滤波器的空间大小，n1是滤波器的数量；直观地讲，W₁对图像应用n1个卷积，每个卷积的核大小为c×f1×f1，输出由n1个特征图组成，B₁是一个n1维向量，其每个元素与一个滤波器相关联，最后将其输入一个ReLU函数；

非线性映射：将第一层输出的向量输入到第二层，将n1维度的向量映射为n2维度，其具体操作为：

F₂＝max(0，W₂*F₁(Y)+B₂)，

W₂的大小为n1×1×1×n2，B2是一个n2维度的向量；

重建：SRCNN定义了一个卷积层来产生最终的高分辨率图像：

F(Y)＝Q₃*F₂(Y)+B₃，

其中，卷积核的大小规定为f3×f3，W₃的大小为n2×f3×f3×c，B₃是一个c维度的向量。