[发明专利]基于人工智能的闸门智能控制方法

权利要求书

1.基于人工智能的闸门智能控制方法，其特征在于，包括以下步骤：

步骤1：从水闸综合自动化系统数据库获取一段时间内历史运行数据，包括上下游水位、上下游流量、上下游雨量、闸门高度和闸门操作数据；对数据进行标准化处理，并按4:1的比例对处理后的数据集进行切割，分成训练集和测试集；

步骤2.1，静态分析模型：

在水流稳定情况下，上下游水位、流量和当前闸门开启高度之间存在的应关系；

建立人工智能模型，设定迭代次数、batchsize、神经网络的层数和宽度、学习率；以上下游水位、流量作为人工智能模型的输入，以当前闸门开启高度作为输出；采用训练集中的数据对人工智能模型进行训练；

步骤2.2：完成人工智能模型的训练后，采用测试集中的数据对训练好的人工智能模型进行测试，在人工智能模型精度满足要求后即可将人工智能模型部署在边缘或者云端；

步骤2.3：在下一次需要进行闸门控制时，只用在人工智能模型中输入需要达到的上游目标水位、当前上游流量、下游水位和流量，即可自动推演出闸门需要开启的高度，运行人员可根据该推演值对闸门进行操作；

步骤3.1，动态分析模型：动态分析模型将闸门操作控制对水位的调整过程考虑进来；

建立人工智能模型，设定迭代次数、batchsize、神经网络的层数和宽度、学习率；以每一次操作前的上下游水位、流量和操作过程中的闸门高度变化量作为人工智能模型的输入，以操作后的上游水位作为输出；采用训练集中的数据对人工智能模型进行训练；

步骤3.2、在完成人工智能模型的训练后，采用测试集中的数据对训练好的人工智能模型进行测试，在人工智能模型精度满足要求后即可将人工智能模型部署在边缘或者云端；

步骤3.3：基于人工智能模型，根据当前上下游水位、流量信息，输入不同的闸门开启高度变化量，推演得到闸门操作后的水位，生成闸门开启高度变化量与闸门操作后的水位对应关系；

步骤3.4：在确定目标水位后根据上述对应关系可得到闸门高度变化量建议值，运行人员则根据该建议值对闸门进行操作；

步骤4.1，短期预测模型：短期预测模型是对闸门操作前的水位短期变化趋势进行预测；

建立人工智能模型，设定迭代次数、batchsize、神经网络的层数和宽度、学习率；以t₀-2T、t₀-T和t₀时刻的上下游水位、流量、雨量信息和闸门高度作为人工智能模型的输入，以t₀+T时刻上游的水位作为输出；其中，t₀表示当前时刻，T表示时间推移量；采用训练集中的数据对人工智能模型进行训练；

步骤4.2：在完成人工智能模型的训练后，采用测试集中的数据对训练好的人工智能模型进行测试，在人工智能模型精度满足要求后即可将人工智能模型部署在边缘或者云端；

步骤4.3：基于人工智能模型，根据当前和历史时刻的上下游水位、流量、雨量以及闸门高度信息，预测未来上游水位的走势；通过水位预测可对未来水位波动情况进行预警，为运行人员监控水位变化趋势提供技术支撑；

步骤5：静态分析模型、动态分析模型和短期预测模型配合使用，正常情况下由短期预测模型实时监测未来一段时间内水位变化，当监测到一段时间后水位将超过设定值时，启用动态分析模型，输出闸门高度变化量建议值，运行人员结合现场实际情况、启用静态分析模型的推演值下达闸门开启高度操作命令。

2.根据权利要求1所述的基于人工智能的闸门智能控制方法，其特征在于，还包括步骤6，步骤6：为保持人工智能模型的精度，静态分析模型、动态分析模型和短期预测模型具有自学习的能力，每隔一段时间采用最新的数据对人工智能模型重新进行训练。

3.根据权利要求2所述的基于人工智能的闸门智能控制方法，其特征在于，步骤1中，对于有多孔闸门的河流或渠道，设每孔闸门排水能力相等，闸门开启高度为所有闸门开启高度之和。

4.根据权利要求3所述的基于人工智能的闸门智能控制方法，其特征在于，在步骤2.1、步骤3.1和步骤4.1中，人工智能模型的人工智能算法包括线性回归以及RNN、DNN、LSTM，均有成熟的可直接调用的函数包，在MATLAB中对以上算法进行调用，根据各算法的效果进行选择。

5.根据权利要求4所述的基于人工智能的闸门智能控制方法，其特征在于，在步骤2.2、步骤3.2和步骤4.2中，若测试的效果不佳，则调整人工智能模型的相关参数或选择不同的智能算法，重新对人工智能模型进行训练。