[发明专利]一种基于深度学习理论的梯级电站水力关系耦合方法

权利要求书

1.一种基于深度学习理论的梯级电站水力关系耦合方法，其特征在于，包括以下步骤：

S1，基于互信息中的条件互信息理论进行输入因子的选取，执行步骤S2：

S2，构建第一模型，通过第一模型对输入因子进行数据处理得到上游出库流量与下游入库流量的深度学习网络模型，执行步骤S3；

S3，根据上游出库流量与下游入库流量的深度学习网络模型确定上下游梯级电站的水力耦合关系，基于上下游梯级电站的水力耦合关系确定下游电站的入库流量。

2.根据权利要求1所述的一种基于深度学习理论的梯级电站水力关系耦合方法，其特征在于，所述第一模型是基于深度学习中卷积神经网络和长短时记忆网络的深度学习耦合网络构建的。

3.根据权利要求1所述的一种基于深度学习理论的梯级电站水力关系耦合方法，其特征在于，所述步骤S1中，基于互信息中的条件互信息理论进行输入因子的选取包括以下步骤：

S31，确定待选取因子集X，执行步骤S32；

S32，计算X中每个因子与输出的条件互信息，即I(Y；X_j)(j＝1,2,…,s)，I(Y；X_j)值最大的情况下对应的X_j最先被选取，执行步骤S33；

S33，根据上一个选取的被选因子已知条件下的条件互信息I(Y；X_j|X_i)(i＝1,2,…j-1,j+1...s)，选取该值最大对应的X_i作为下一个被选因子，执行步骤S34；

S34，重复步骤S33，直到新加入的因子达到预先设定的信息增量阈值，停止循环，得到最终的输入因子集。

4.根据权利要求1所述的一种基于深度学习理论的梯级电站水力关系耦合方法，其特征在于，所述步骤S2中，对输入因子进行数据处理得到上游出库流量与下游入库流量的深度学习网络模型包括以下步骤：

S41,对选取的输入因子进行数据的归一化处理，执行步骤S42；

S42，将归一化后的数据输入第一模型的卷积层和池化层进行重要信息提取以及特征降维，将经过特征降维后的重要信息经过第一模型的全连接层后输入到第一模型的LSTM记忆单元当中，执行步骤S43；

S43，采用正则化方法对第一模型进行欠拟合、过拟合控制，经过多次迭代，最后输出训练后的上游出库流量与下游入库流量的深度学习网络模型。

5.根据权利要求4所述的一种基于深度学习理论的梯级电站水力关系耦合方法，其特征在于，所述步骤S41中，对选取的输入因子进行数据的归一化处理公式为：

式中，x_max为序列中的最大值；x_min为序列中的最小值。

6.根据权利要求4所述的一种基于深度学习理论的梯级电站水力关系耦合方法，其特征在于，步骤S42中，所述卷积层包括多个特征面，每个特征面中包括多个神经元，每个神经元通过卷积核与上层特征面对应，卷积核为一权值矩阵，所述卷积层用于识别输入层中输入因子的重要特征，所述池化层由多个特征面组成，所述卷积层与池化层两者的特征唯一对应，池化层用于将多维特征降低为低维特征。

7.根据权利要求4所述的一种基于深度学习理论的梯级电站水力关系耦合方法，其特征在于，步骤S42中，所述LSTM记忆单元通过输入门、遗忘门和输出门三种门控单元记忆历史状态。

8.根据权利要求7所述的一种基于深度学习理论的体积电站水力关系耦合方法，其特征在于，所述三种门控单元计算公式为：

输入门计算公式：

i_t＝σ(W_xi⊙x_i+W_hi⊙h_t-1+b_i)

遗忘门计算公式：

f_t＝σ(W_xf⊙x_i+W_h⊙f_ht-1+b_f)

c_t＝f_i⊙c_t-1+i_t⊙tanh(W_xcx_i+W_hch_t-1+b_c)

输出门计算公式：

o_t＝σ(W_xox_t+W_hoh_t-1+b_o)

h_t＝o_t⊙tanh(c_t)

式中：i为输入门，f为遗忘门，o为输入门。⊙代表元素相乘，W为网络的权值矩阵、b为偏执向量，σ为Sigmoid函数，x_i为LSTM隐藏层的输入，h_i为输出，c_i为记忆单元。