[发明专利]基于PSO-CNN-LSTM的水库水位预测预警方法

说明书

本发明涉及一种基于PSO‑CNN‑LSTM的水库水位预测预警方法，包括以下步骤：步骤S1:获取水库历史监测数据，并预处理；步骤S2：将预处理后的水库历史监测数据按采集时间进行排序，构建特征数据集；步骤S3:基于PSO搜索CNN‑LSTM模型最优参数；步骤S4:对特征数据集进行处理，并划分为训练集和测试集；步骤S5:基于步骤S3得到的最优参数和训练集，构建并训练CNN‑LSTM模型；步骤S6:基于训练后的CNN‑LSTM模型，进行水库水位实时预测。本发明实现快速有效的水库水位预测，为水库调控提供可靠数据。

技术领域

本发明涉及大坝水位预测预警领域，具体涉及一种基于PSO-CNN-LSTM的水库水位预测预警方法。

背景技术

水库做为重要的水利工程枢纽，发挥着巨大的工程效益，承载着人民日常生活及工农业生产的艰巨任务。水库不仅为防汛抗洪调度、确保一方平安做出了巨大贡献，而且兼顾着灌溉、发电、人蓄饮水的重任，稍有不慎则会给国家及人民带来难以预料的灾难，水库健康监测就尤为重要。

水库水位监测是水库健康监测项目中最为重要的监测目标之一。水库水位直接影响着水库的健康状况，需实时对水库水位进行监测调度，以控制在一个安全区间，保证水库安全。

发明内容

有鉴于此，本发明的目的在于提供一种基于PSO-CNN-LSTM的水库水位预测预警方法，实现快速有效的水库水位预测，为水库调控提供可靠数据。

为实现上述目的，本发明采用如下技术方案：

一种基于PSO-CNN-LSTM的水库水位预测预警方法，包括以下步骤：

步骤S1:获取水库历史监测数据，并预处理；

步骤S2：将预处理后的水库历史监测数据按采集时间进行排序，构建特征数据集；

步骤S3:基于PSO搜索CNN-LSTM模型最优参数；

步骤S4:对特征数据集进行处理，并划分为训练集和测试集；

步骤S5:基于步骤S3得到的最优参数和训练集，构建并训练CNN-LSTM模型；

步骤S6:基于训练后的CNN-LSTM模型，进行水库水位实时预测。

进一步的，所述步骤S1具体为：

步骤S11:获取水库历史监测数据包括水库的水位、泄洪量、降雨量、监测时间；

步骤S12:选择水位、泄洪量、降雨量、监测时间，将其按照时间对齐，使每一条数据都为同一时间的水位、泄洪量、降雨量；

步骤S13:选择近期的一段缺失值较少的数据，使用上一个或者下一个值填补其中的缺失。

进一步的，所述步骤S2具体为：

步骤S21:构造的函数表达式，并根据f(α)、水库水位观测时间，进行时效分量构造，得到时效分量

f(α)＝a₁α+a₂ lnα

其中a₁，a₂为系数，t为监测当日至起始监测日的累计天数；

步骤S22:水位特征变换的函数表达式如下所示：

其中水库水位数据采集时间为T_t(t＝0，1，2，…，n)，为T₀～T_n时段的水库水位,H_i为的任意一个非空子集,W为水库水位。