[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

权利要求书

1.一种基于混合深度学习模型的水库水位预测预警方法，其特征在于，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。

2.根据权利要求1所述的基于混合深度学习模型的水库水位预测预警方法，其特征在于，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。

3.根据权利要求2所述的基于混合深度学习模型的水库水位预测预警方法，其特征在于，所述步骤S2中，对数据集中数据进行预处理并构造时效因子和水位分量的具体方法为：

S201、将数据集中数据按采集时间进行排序；

S202、对于存在缺失值的数据，采用缺失值的前一个值对缺失值进行填补；

S203、构造时效因子：根据数据采集时间以及采集的水库数据，通过函数f(t)构造0.01t和ln(0.01t)两个时效分量，其中f(t)＝c₁t+c₂lnt，c₁、c₂为系数，t为监测当日至起始观测日的累计天数；

S204、构造水位分量：水位分量反应了水库水位变化的趋势和速度，水库水位采集时间定义为T_t(t＝1,2,…,n)，按如下函数求取水位分量：

其中，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；根据f(W)进行水库水位特征变换，得W₁,W₂,W₃分别为：

S205、对数据集中数据进行最大最小值归一化。

4.根据权利要求2所述的基于混合深度学习模型的水库水位预测预警方法，其特征在于，水库雨水情数据集样本数为samples，特征features为time_effcent、rainfall、flood_Discharge、water_ago1Level、water_ago2Level、water_Level；将其重塑为3D数据，形状为(samples,width,features)，重塑后有N＝(sample-swidth+1)个向量矩阵单元。