[發明專利]基于深度學習的高寒水庫冰情預測方法、系統、電子設備

在審

• 申請號: 202211412283.1
• 申請日: 2022-11-11
• 公開（公告）號: CN115577855A
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 植挺生;劉勇;勞兆城;莊廣壬;趙尚謙
• 申請（專利權）人: 廣東廣宇科技發展有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N20/00
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 張海洋

1.一種基于深度學習的高寒水庫冰情預測方法，其特征在于，包括：

構建數據庫，包括獲取水庫表面上不同位置的條件參數和對應的冰層狀態參數，所述條件參數包括水面上不同位置處的溫度、水面風向和風速，所述冰層狀態參數包括冰層是否連續和冰層厚度；

連續獲取水庫表面上相同位置在條件參數發生變化時，冰層狀態參數對應的變化情況，并對數據庫內的信息進行補充；

將數據庫內的信息分成訓練集和測試集；

利用訓練集的信息建立預測模型，并利用測試集內的信息對預測模型進行驗證；

利用驗證后的預測模型對水庫表面上不同位置、不同條件下冰層形成過程進行預測。

2.根據權利要求1所述的基于深度學習的高寒水庫冰情預測方法，其特征在于，所述獲取水庫表面上不同位置的條件參數和對應的冰層狀態參數包括通過測量發射光線折射角大小實現冰層和水面的探測區分，判斷冰層是否連續；通過超聲波探測實現冰層厚度的測量。

3.根據權利要求2所述的基于深度學習的高寒水庫冰情預測方法，其特征在于，所述通過超聲波探測實現冰層厚度的測量包括利用無人機搭載超聲波探頭在冰層上方垂直入射超聲波，并接收超聲波在空氣/冰界面反射和冰/水界面二次反射的超聲波回波，根據兩次超聲波回波的間隔時間計算冰層的厚度。

4.根據權利要求3所述的基于深度學習的高寒水庫冰情預測方法，其特征在于，所述通過超聲波探測實現冰層厚度的測量還包括利用水下超聲波與水面超聲波同步探測實現冰層厚度的測量，通過水下超聲儀進行水下超聲波探測。

5.根據權利要求4所述的基于深度學習的高寒水庫冰情預測方法，其特征在于，所述水庫周邊設置有UWB定位基站，搭載超聲波探頭的無人機和水下超聲儀均與所述UWB定位基站無線連接；

所述數據庫內包括水庫表面不同位置的坐標信息、不同的條件參數和對應的冰層狀態參數；其中，獲取水庫表面不同位置的坐標信息包括采用第一網格對水庫表面進行區域劃分，劃分成若干網格區域，利用UWB定位基站對所述無人機和所述水下超聲儀所處的網格區域進行定位。

6.根據權利要求5所述的基于深度學習的高寒水庫冰情預測方法，其特征在于，通過無人機搭載溫度測量儀、風向風速儀實現對水面上不同位置處的溫度、水面風向和風速的數據采集；其中無人機按照預設的巡航軌跡進行數據采集。

7.根據權利要求6所述的基于深度學習的高寒水庫冰情預測方法，其特征在于，所述數據庫內位于水庫表面上同一位置坐標下的條件參數和狀態參數包括當前劃分網格對應的溫度、水面風向、風速、當前冰層厚度和冰層是否連續，其中，所述條件參數還包括相鄰網格對應的溫度、水面風向和風速，相鄰網格對應的溫度、水面風向和風速用于對預測模型的建立提供周邊環境影響參數。

8.一種基于深度學習的高寒水庫冰情預測系統，其特征在于，包括：

數據采集模塊，用于獲取水庫表面上不同位置的條件參數和對應的冰層狀態參數，所述條件參數包括水面上不同位置處的溫度、水面風向和風速，所述冰層狀態參數包括冰層是否連續和冰層厚度；數據采集模塊還用于連續獲取水庫表面上相同位置在條件參數發生變化時，冰層狀態參數對應的變化情況，并對數據庫內的信息進行補充；

建模模塊，包括數據庫，所述數據庫內包括水庫表面不同位置的坐標信息、不同的條件參數和對應的冰層狀態參數；

將數據庫內的信息分成訓練集和測試集，所述建模模塊利用訓練集的信息建立預測模型，并利用測試集內的信息對預測模型進行驗證；

預測輸出模塊，利用驗證后的預測模型對水庫表面上不同位置、不同條件下冰層形成過程進行預測。

9.一種電子設備，其特征在于，包括處理器以及存儲器，所述存儲器存儲有計算機可讀取指令，當所述計算機可讀取指令由所述處理器執行時，運行如權利要求1-7任一項所述方法中的步驟。

10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執行時，運行如權利要求1-7任一項所述方法中的步驟。