[发明专利]基于混合深度学习模型的水库水位预测预警方法及系统

说明书

本发明涉及一种基于混合深度学习模型的水库水位预测预警方法及系统，该方法包括：1）构建基于注意力机制和改进粒子群Conv1D‑LSTM优化混合模型：获取水库雨水情数据作为模型训练数据，搭建基于注意力机制的Conv1D‑LSTM混合模型，然后采用改进粒子群优化算法优化所述Conv1D‑LSTM混合模型；2）加载基于注意力机制和改进粒子群Conv1D‑LSTM优化混合模型；获取水库雨水情实时监测数据，而后输入模型进行水库水位预测，得到水库水位预测值；3）判断预测水位是否处于安全区间，是则正常进行水库水位调度，否则对比水库水位预警标准，输出水库各参数信息及预警等级，进而结合输出参数进行水库水位调度，以将水库水位调度至安全区间。该方法及系统有利于提高水库水位预测的准确性。

技术领域

本发明属于水库水位预测预警技术领域，具体涉及一种基于混合深度学习模型的水库水位预测预警方法及系统。

背景技术

水库是指拦洪蓄水和调节水流的水利工程建筑物，具有防洪、供水、农业灌溉、发电等作用，因此水库的健康监测十分重要。

水库水位监测一直是水库健康监测项目中最为重要的监测目标之一，其直接影响着水库的健康状况，因此科学且合理的进行水库水位调度对于维护水库健康是十分必要的。

现有的水库水位调度技术，基于传感器采集水库实时水位，再凭借人工经验及简单的数学推导公式进行水库水位的实时调度。这种方法对于数据的利用比较片面，忽略了采集到的水库各项指标，导致耗费巨大资源采集到的水库数据搁置，同时还需投入资源进行维护。而在水库水位调度过程中，大多凭借人工经验及简单的数学推导公式，通常不能科学、合理的进行，并且仅能进行水库水位的实时调度，不能依据未来水库水位的变化趋势进行水库水位调度，以应对未来极端气候。

发明内容

本发明的目的在于提供一种基于混合深度学习模型的水库水位预测预警方法及系统，该方法及系统有利于提高水库水位预测的准确性。

为实现上述目的，本发明采用的技术方案是：一种基于混合深度学习模型的水库水位预测预警方法，包括以下步骤：

1)构建基于注意力机制和改进粒子群Conv1D-LSTM优化混合模型：获取水库雨水情数据作为模型训练数据，搭建基于注意力机制的Conv1D-LSTM混合模型，然后采用改进粒子群优化算法优化基于注意力机制的Conv1D-LSTM混合模型，得到基于注意力机制和改进粒子群Conv1D-LSTM优化混合模型；

2)加载基于注意力机制和改进粒子群Conv1D-LSTM优化混合模型；获取水库雨水情实时监测数据，而后输入模型进行水库水位预测，得到水库水位预测值；

3)判断预测水位是否处于安全区间，是则将获取到的数据存入数据库，正常进行水库水位调度，否则对比水库水位预警标准，输出水库各参数信息及预警等级，进而结合输出参数进行水库水位调度，以将水库水位调度至安全区间。

进一步地，所述步骤1)中，构建基于注意力机制和改进粒子群Conv1D-LSTM优化混合模型的具体方法为：

S1、获取水库雨水情数据，选择采集时间、水库水位、泄洪量、降雨量特征作为模型训练数据，形成数据集；

S2、对数据集中数据进行预处理并构造时效因子和水位分量，然后将数据集划分为训练集和测试集，再分别重塑为3D数据；

S3、搭建并通过训练集训练得到基于注意力机制的Conv1D-LSTM混合模型；

S4、采用改进粒子群优化算法优化基于注意力机制的Conv1D-LSTM混合模型，得到基于注意力机制和改进粒子群Conv1D-LSTM优化混合模型；

S5、通过测试集对得到的模型进行评估，以验证模型泛化能力；然后将训练并评估完成的基于注意力机制和改进粒子群Conv1D-LSTM优化混合模型发布到云端或储存在本地，以备调用。