[發明專利]水庫下游TDG濃度生成預測方法及裝置

在審

• 申請號: 202111253419.4
• 申請日: 2021-10-27
• 公開（公告）號: CN113837493A
• 公開（公告）日: 2021-12-24
• 發明（設計）人: 莫玉娟;蔡宴朋;萬航;李彤;譚倩
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/26;G06N3/04;G06N3/08
• 代理公司: 廣州駿思知識產權代理有限公司 44425
• 代理人: 潘桂生

1.一種水庫下游TDG濃度生成預測方法，其特征在于，包括：

獲取水庫上游在目標時段之前的預設時段的歷史來水量以及水庫上游在目標時段的降雨量；

將所述目標時段之前的預設時段的歷史來水量、以及水庫上游在目標時段的降雨量輸入至水庫上游來水量預測模型，獲得水庫上游在目標時段的來水量；

獲取目標時段之前的預設時段的水庫觀測數據；所述水庫觀測數據包括水庫下泄流量、水庫消力池出口水深以及水庫消力池出口處的TDG濃度；

根據所述水庫下泄流量、所述消力池出口水深和所述消力池出口處的TDG濃度，采用響應曲面法建立水庫下游的TDG濃度預測模型；

將水庫在目標時段的來水量輸入至水庫運行調度方案，獲得目標時段的水庫下泄流量和目標時段的消力池出口水深；

根據所述目標時段的水庫下泄流量、所述目標時段的消力池出口水深以及所述TDG濃度預測模型，獲得目標時段的水庫下游TDG濃度。

2.根據權利要求1所述的水庫下游TDG濃度生成預測方法，其特征在于，所述預測方法還包括訓練水庫上游來水量預測模型；所述訓練水庫上游來水量預測模型的步驟，包括：

對水庫上游在若干個訓練時段的歷史來水量和對應的若干個所述訓練時段之前的預設時段的歷史來水量進行相關性分析，獲得皮爾遜相關系數；

根據所述皮爾遜相關系數，獲得若干個所述訓練時段之前的預設時段的目標歷史來水量；

將若干個所述訓練時段之前的預設時段的目標歷史來水量和對應的水庫上游在若干個所述訓練時段的降雨量作為輸入，將水庫上游在若干個所述訓練時段的歷史來水量作為輸出，輸入至BP神經網絡進行訓練學習，獲得水庫上游來水量預測模型。

3.根據權利要求2所述的水庫下游TDG濃度生成預測方法，其特征在于，所述將若干個所述訓練時段之前的預設時段的目標歷史來水量和對應的水庫上游在若干個所述訓練時段的降雨量作為輸入，將水庫上游在若干個所述訓練時段的歷史來水量作為輸出，輸入至BP神經網絡進行訓練學習，獲得水庫上游來水量預測模型的步驟，包括：

將若干個所述訓練時段之前的預設時段的目標歷史來水量和對應的水庫上游在若干個所述訓練時段的降雨量作為所述BP神經網絡的輸入變量，將水庫上游在若干個所述訓練時段的歷史來水量作為所述BP神經網絡的輸出變量；

將所述輸入變量和所述輸出變量進行預處理，獲得預處理后的輸入變量和輸出變量；

將所述預處理后的輸入變量輸入至BP神經網絡進行計算，獲得預測值；根據平方損失函數計算所述預測值與所述輸出變量之間的平方損失值，且在所述平方損失值大于預設閾值時，通過反向傳播算法和梯度下降算法優化所述BP神經網絡的網絡參數，并根據優化后的所述BP神經網絡，重復計算所述平方損失值，直至所述平方損失值下降至所述預設閾值，將對應的所述BP神經網絡作為水庫上游來水量預測模型。

4.根據權利要求3所述的水庫下游TDG濃度生成預測方法，其特征在于，

通過以下方式對所述輸入變量和所述輸出變量進行預處理，獲得預處理后的輸入變量和輸出變量：

在x_i是若干個所述訓練時段之前的預設時段的目標歷史來水量時，x_imax是若干個所述訓練時段之前的預設時段的目標歷史來水量的最大值，x_imin是若干個所述訓練時段之前的預設時段的目標歷史來水量的最小值，x′_i是預處理后的若干個所述訓練時段之前的預設時段的目標歷史來水量；

在x_i是水庫上游在若干個所述訓練時段的降雨量時，x_imax是水庫上游在若干個所述訓練時段的降雨量的最大值，x_imin是水庫上游在若干個所述訓練時段的降雨量的最小值，x′_i是預處理后的水庫上游在若干個所述訓練時段的降雨量；

在x_i是水庫上游在若干個所述訓練時段的歷史來水量時，x_imax是水庫上游在若干個所述訓練時段的歷史來水量的最大值，x_imin是水庫上游在若干個所述訓練時段的歷史來水量的最小值，x′_i是預處理后的水庫上游在若干個所述訓練時段的歷史來水量。