[发明专利]基于深度学习的水库入库流量预测方法

摘要

本发明涉及流域水情预测技术领域，公开了一种基于深度学习的水库入库流量预测方法，包括如下步骤：取得历史数据，利用DBN模型进行学习，取得各控制站及水库的历史流量数据与水库的入库流量之间的对应关系，进而取得无雨情况下预测的水库入库流量、有雨情况下预测的水库入库流量和有雨情况下的差值delta，通过LSTM训练学习，取得有雨情况下预测的入库流量差值，进而取得最终预测的水库入库流量。本发明基于深度学习的水库入库流量预测方法，将深度置信网络与长短期记忆网络算法相融合应用于入库流量的预测，提高了对入库流量的预报精度，并且提升了模型的可靠性和可扩展性。

主权项

1.一种基于深度学习的水库入库流量预测方法，其特征在于：包括如下步骤：A)将水库周围流域范围划分为设置有若干控制站的第一监测区和设置有若干雨量站的第二监测区，按照时间点取得水库的历史流量数据、控制站的历史流量数据以及雨量站的历史雨量数据，流量数据是每个时间点测量一次的瞬时流量，雨量数据是相邻两个时间点之间的累计雨量，每个时间点上所有雨量站的雨量数据之和大于10mm为有雨情况，小于等于10mm为无雨情况；B)利用深度置信网络(DBN)模型对无雨情况下各控制站的历史流量数据进行学习，选取各控制站以及水库在无雨情况下的历史流量数据，输入DBN模型，取得各控制站及水库的历史流量数据与水库的入库流量之间的对应关系，进而取得无雨情况下预测的水库入库流量F1；C)选取各控制站以及水库在有雨情况下的历史流量数据，输入DBN模型，通过所述步骤B)取得的无雨情况下各控制站及水库的历史流量数据与水库的入库流量之间的对应关系，取得有雨情况下预测的水库入库流量F2，然后让有雨情况下预测的水库入库流量F2与有雨情况下的真实水库入库流量作差，取得有雨情况下的差值delta；D)通过长短期记忆网络(LSTM)以流域范围内雨量站的历史雨量数据作为LSTM的输入，并以所述步骤C)中取得的有雨情况下的流量差值delta作为标签，经过训练学习取得有雨情况下预测的入库流量差值F3；E)将所述步骤B)中取得的无雨情况下预测的水库入库流量F1、所述步骤C)中取得的有雨情况下预测的水库入库流量F2和所述步骤D)中取得的有雨情况下预测的入库流量差值F3融合取得最终预测的水库入库流量F＝F1+F2+F3。